Recherche

• 
  Recherche

  Un audit d’experts révèle que des défauts de benchmark gonflent fortement les erreurs attribuées aux modèles

  14 septembre 2026

  Six benchmarks de physique réévalués par des experts montrent que les défauts des tests et des évaluateurs peuvent modifier fortement les scores des modèles.

• 
  Recherche

  YuE2 associe génération musicale et partition éditable dans un modèle aux poids publics

  14 septembre 2026

  YuE2-3B combine planification symbolique, génération locale de morceaux complets et édition par agent, avec des limites de benchmark et de licence.

• 
  Recherche

  K-Bench montre que le désapprentissage d’un agent peut masquer des fuites hors de la réponse finale

  14 septembre 2026

  K-Bench montre qu’un test limité à la réponse peut manquer des secrets encore présents dans la récupération, les outils et l’exécution.

• 
  Recherche

  Le benchmark TAM révèle les limites de GPT-5 face aux procédures longues et réglementées

  14 septembre 2026

  Sur TAM, les configurations GPT-5 atteignent 1 % d’exact match en codage ICD et 15,5 % sur les calculs de peine.

• 
  Recherche

  GuardedAct sépare la proposition de l’IA du droit d’agir en production

  12 septembre 2026

  GuardedAct évalue une architecture où les corrections générées par un LLM passent par simulation et contrôle de risque avant toute exécution.

• 
  Recherche

  NASA et IBM ouvrent leur modèle lunaire, sans livrer toute la chaîne de préentraînement

  12 septembre 2026

  NASA et IBM publient leur modèle lunaire, ses données et ses outils d'adaptation, mais le code de préentraînement reste absent du dépôt public.

• 
  Recherche

  RAG-Safety-Bench montre que la sécurité d’un modèle ne se transfère pas automatiquement au RAG

  11 septembre 2026

  RAG-Safety-Bench montre que la sécurité du modèle de base ne suffit pas pour valider un système RAG et propose quatre conditions de test contrôlées.

• 
  Recherche

  Réduire uniformément la puissance des entraînements IA peut gaspiller du débit

  11 septembre 2026

  L'étude PFI d'Emerald AI mesure des réponses très différentes aux plafonds de puissance GPU et simule un ordonnancement ciblé des réductions.

• 
  Recherche

  DeFiFlowBench montre qu’un flux d’agent correct peut encore autoriser une transaction dangereuse

  11 septembre 2026

  DeFiFlowBench montre qu’un flux DeFi apparemment valide peut autoriser une transaction dangereuse et plaide pour des limites externes à l’exécution.

• 
  Recherche

  EBL-Core distingue l’approbation d’un agent de son droit effectif d’exécuter

  11 septembre 2026

  EBL-Core propose de revérifier action, politiques, preuves et contexte quand un agent IA exerce une autorité à haut risque, et pas seulement lors de l’approbation.