Des chercheurs d'Apple ont mesuré l'accord entre des grands modèles de langage et des annotateurs humains pour évaluer la qualité de traductions automatiques, selon deux méthodes, MQM et ESA. L'enjeu : les LLM sont vus comme une alternative moins coûteuse à l'évaluation humaine, mais leur fiabilité doit d'abord être vérifiée sur de nombreuses langues et domaines.
Un article de recherche d'Apple présente Minions, un système qui regroupe les GPU des Mac Apple Silicon, souvent inutilisés, en un cloud distribué pour l'inférence en apprentissage automatique. L'objectif est de contourner le coût, le manque de souplesse et les délais d'attente des infrastructures GPU centralisées.
Des chercheurs d'Apple proposent SELFCOMPACT, une méthode qui laisse un agent à base de modèle de langage choisir lui-même le moment de condenser ses longues traces de raisonnement et d'appels d'outils. Les outils actuels compactent à un seuil fixe de tokens, au risque d'effacer des résultats intermédiaires en pleine tâche.
Selon Vals AI, les équipes d'agents ne font guère mieux qu'un agent seul, pour un coût jusqu'à 5,1 fois supérieur ; un seul test sur quatre avec GPT-6 Sol et Claude Opus 5.5 a montré un gain mesurable. Les données d'Anthropic confirment qu'au-delà de dix agents, la qualité stagne tandis que la facture en jetons grimpe.
Selon une étude, des rappels de sécurité réduisent les choix dangereux des IA de santé. En contrepartie, elles sollicitent plus souvent une vérification humaine.
Selon une étude parue dans Science, AlphaProof Nexus de DeepMind a résolu des dizaines de problèmes ouverts, dont neuf problèmes d’Erdős, deux d’entre eux en suspens depuis 56 ans. DeepMind a fait relire ses résultats avant publication, alors qu’OpenAI est boycotté pour avoir déposé sur GitHub des preuves non relues.