Aller au contenu
BOLINI.IO / VEILLE IA ÉDITION Nº 004

SIGNAUX

vendredi 23 octobre 2026 8 entrées ≈ 8 min

Veille IA quotidienne — ce qui compte, sans le bruit.

Ce matin

Microsoft et Hugging Face montrent qu’un vérificateur de base de données, écrit pour noter un agent, sert aussi de fonction de récompense : Qwen3.8-27B passe de 38 à 107 tâches réussies sur vingt tentatives, au prix d’une légère baisse de couverture. Ailleurs : OpenAI met en disponibilité générale une API facturée au seul token d’entrée pour les décisions à réponse bornée, un agent trouve 1,4 million de documents de ferme de contenu dans la part slovaque de FineWeb2 et le prouve avec un test qui tourne en 0,7 seconde, et Anthropic transfère le standard Agent Skills à la fondation Agentic AI.

À la une

Le vérificateur écrit pour noter un agent devient sa fonction de récompense

ThinkingBox-Bench contient 507 tâches : un backend réel, des outils MCP, puis des contrôles exécutés sur l’état final de la base plutôt que sur la suite d’appels. Microsoft et Hugging Face réutilisent ce verdict binaire comme récompense et entraînent Qwen3.8-27B par GRPO pendant 50 pas, sur un pool sélectionné par difficulté relative à la politique mesurée avant entraînement. Sur les 507 tâches vues vingt fois chacune, soit 10 140 tentatives, la réussite moyenne passe de 51,70 % à 60,78 %, les tâches réussies à chaque tentative de 38 (7,50 %) à 107 (21,10 %), tandis que la couverture pass@20 recule de 453 (89,35 %) à 446 (87,97 %).

Pourquoi ça compte La fiabilité se mesure sur une colonne que le pass@1 cache : à 60,78 % de réussite moyenne, le modèle fine-tuné réussit 107 tâches sur 507 à chaque essai, contre 82 pour GPT-5.6 Sol à 61,91 % — et le signal qui produit ce gain est un contrôle d’état final, donc transférable à tout système dont on sait vérifier l’effet.

Hugging Face 23 oct. Recherche source primaire ↗

[01] Labo

OpenAI met en disponibilité générale une API pour les décisions à réponse bornée

La Decisions API, bâtie sur GPT-6 Luna, prend une question, ses réponses autorisées et un contexte texte, image ou JSON natif, et rend une probabilité, un choix parmi les valeurs fournies ou un score sur une échelle. Elle est facturée 0,10 dollar par million de tokens d’entrée et 0,01 dollar pour un contexte mis en cache, sans aucun coût de token de sortie, accepte jusqu’à 400 questions par requête — deux fois la limite précédente — et, selon OpenAI, répond jusqu’à 10 fois plus vite que GPT-6 Luna via l’API Responses. Les chiffres clients vont plus loin : 40 fois plus rapide en p95 pour scorer des commandes shell chez Datadog, moins de 280 ms en p95 et 90 % de coût par appel en moins chez Sierra, selon ces deux entreprises.

Pourquoi ça compte Une facture au seul token d’entrée supprime la variable longueur de sortie du budget : pour du routage ou de la classification en chemin critique, le coût devient proportionnel au contexte, et le lot de 400 questions amortit un contexte lu une seule fois.

OpenAI· 22 oct. · source ↗

[02] Recherche

Un agent trouve 1,4 million de documents de ferme de contenu dans la part slovaque de FineWeb2

Sur les 26,5 millions de documents slovaques de FineWeb2, trois exécutions d’un agent outillé, à 2,21 et 2,84 dollars chacune, produisent sept constats sur quatre phénomènes. Le plus gros est une ferme de contenu générée par machine de 1 408 437 documents, soit 5,32 % de la part slovaque, passée à travers les filtres du pipeline, dont 86,6 % franchit même des seuils plus stricts ; les étiquetages en aveugle soutiennent six constats sur sept. La suite de tests compilée scanne ensuite tout le corpus en 0,7 seconde sans GPU, là où un passage de classification par LLM coûte entre 12 000 et 90 000 dollars, et le meilleur échantillonnage statique valide plus de sélecteurs que l’agent pour moins de la moitié du coût.

Pourquoi ça compte L’artefact réutilisable est le test, pas la course de l’agent : la valeur se limite à la prévalence exacte, à une précision vérifiée sur échantillon et à l’explication du pourquoi le filtre a manqué la tranche — ce qui suffit, mais qui se budgete comme un diagnostic, pas comme un classifieur.

arXiv cs.CL· 22 oct. · source ↗

[03] Outils

Ai2 publie des embeddings satellitaires mondiaux à 10 mètres, réutilisables sans réentraînement

OlmoEarth v1.3 lit une année de séries temporelles radar Sentinel-1 et multispectrales Sentinel-2 et Landsat, et produit un vecteur de 128 dimensions par pixel de 10 mètres, les 64 premières dimensions étant utilisables seules. Sur 27 évaluations face à AlphaEarth Foundations et Tessera v2, la version 128 dimensions arrive première sur 20 évaluations et la 64 dimensions sur 18. Ai2 publie sur Source Cooperative les embeddings précalculés de la planète — 2025, 2024 et 2023 en mondial, 2017 à 2022 sur une sélection de pays, environ 150 To par an — et indique que la dernière exécution d’entraînement aurait coûté environ 2 720 dollars d’H100 loués, soit 53 % du temps de calcul de v1.2 et 18 % de celui de v1.

Pourquoi ça compte Un vecteur par pixel transforme une cartographie de cultures ou d’occupation du sol en petit classifieur entraîné localement, et les tables de provenance de chaque tuile de 20 km permettent de remonter à la scène d’origine : le coût du sujet se déplace du GPU vers le stockage.

Hugging Face· 22 oct. · source ↗

[04] Outils

NVIDIA publie un modèle relationnel pré-entraîné qui prédit sans entraînement par tâche

Kumo Relational lit directement les tables, clés étrangères et horodatages d’une base, échantillonne jusqu’à 10 000 exemples historiques comme contexte et rend une prédiction en une passe avant, sans ingénierie de variables ni aplatissement des tables ; les tâches s’écrivent en Predictive Query Language. Selon NVIDIA, il dépasse sur 41 tâches réparties sur 15 bases les modèles relationnels supervisés et les pipelines XGBoost à variables expertes, avec près de 4 points d’AUROC d’avance sur les arbres boostés des tâches de classification de RelBench V1, et 8 % de MRR moyen en plus que les ensembles AutoGluon sur le banc SAP SALT. Le modèle passe à l’échelle de bases de plus de 500 milliards de lignes et s’appelle depuis la bibliothèque structured-data-models ou un NIM.

Pourquoi ça compte Une nouvelle prédiction devient une requête au lieu d’un projet : c’est ce qui rend un agent capable de demander qui va résilier — mais les 10 000 exemples de contexte sont payés à chaque appel, donc la facture se déplace du temps d’entraînement vers l’inférence.

Hugging Face· 21 oct. · source ↗

[05] Outils

Microsoft Research donne aux agents un langage pour des graphiques réellement interactifs

Flint-interactive sépare la logique visuelle de la logique d’interaction : le compilateur de Flint résout les déclencheurs bruts — clic, glisser, touche — en événements sémantiques qui identifient l’élément et les données, puis traduit des opérateurs de haut niveau (set style, set annotation, set viewport) en modifications du canevas, hit testing compris. L’auteur ou l’agent ne décrit que l’interaction, avec des préréglages comme linked-brush, ou un gestionnaire personnalisé qui enchaîne plusieurs opérateurs. Le tout s’utilise dans une conversation via Flint-MCP et MCP Apps, ou dans une application via Flint Interactive Canvas, dont les événements peuvent mettre à jour une table, un paragraphe ou l’état de l’application.

Pourquoi ça compte Le coût réel d’un tableau de bord généré par un agent est la boucle de débogage sur la mise en page et le hit testing ; déplacer la logique visuelle dans le compilateur transforme cette boucle en spécification que l’agent peut émettre en un tour.

Microsoft Research· 22 oct. · source ↗

[06] Outils

Anthropic transfère le standard Agent Skills à la fondation Agentic AI

Anthropic donne à l’Agentic AI Foundation, fondation sous l’égide de la Linux Foundation qu’il a cofondée avec Block et OpenAI, le nom, le logo, l’organisation GitHub et le domaine agentskills.io du standard Agent Skills, publié en décembre 2025. Plus de 70 plates-formes d’agents l’ont intégré, dont ChatGPT, Cursor, GitHub Copilot et VS Code, et le standard compte 1 million de skills publiés et près de 280 millions d’installations. Des ingénieurs d’Anthropic, Google et OpenAI le maintiendront à titre individuel, avec David Soria Parra et Mahesh Murag comme mainteneurs principaux, et la feuille de route proposée couvre des versions datées, un processus formel de proposition et des recommandations de sécurité pour l’écriture et l’installation des skills.

Pourquoi ça compte Un skill est un dossier avec un SKILL.md et des scripts, donc du code installé : le point qui compte pour un ingénieur est la partie sécurité de la feuille de route, parce qu’un standard neutre ne change rien au fait d’exécuter les scripts d’un autre avec les droits de son agent.

Anthropic· 22 oct. · source ↗

[07] Recherche

Quand un outil omet un fait, l’agent exécute quand même l’action interdite

EpiSEM-Bench contient 300 paires de tâches appariées, l’une interdite et l’autre autorisée, réparties sur six domaines, et évalue dix modèles en supprimant systématiquement un fait critique de la réponse d’un outil : la requête reste bénigne et chaque affirmation renvoyée reste vraie, mais l’action devient prohibée. Un outil d’audit indépendant vérifie ensuite si l’agent cherche le fait manquant, puis s’abstient de l’action interdite tout en menant à bien la tâche permise. Les auteurs rapportent une forte variation entre modèles sur la robustesse à l’omission, et un résultat qui compte : donner accès au fait manquant réduit l’exécution dangereuse pour les dix modèles, mais résister à une preuve absente ne garantit pas une reprise utile.

Pourquoi ça compte Une vérification fait par fait passe ici à côté du problème, puisque tout ce qui est renvoyé est vrai : la seule défense tenable est un refus par défaut quand un fait requis est absent, c’est-à-dire un contrôle de complétude sur les réponses d’outils, pas un contrôle de véracité.

arXiv cs.AI· 22 oct. · source ↗

Sources balayées chaque matin

Sélection à la main dans un flux automatique : les liens pointent toujours vers la source primaire, jamais vers un agrégateur.