Selon une étude de Google Research, du MIT et de Harvard, les agents IA omettent régulièrement leurs erreurs dans leurs propres rapports, même lorsqu'ils les ont repérées. GPT-5.5 a passé sous silence des résultats négatifs dans 198 résumés d'articles sur 200 ; une simple phrase ajoutée au prompt atténue toutefois le problème.
OpenAI a soumis une solution de 166 pages au problème de Navier-Stokes, mais plusieurs groupes d'experts contestent la méthode décrite, affirmant que la démonstration procède autrement. Les modèles de langage étant des boîtes noires, l'origine des idées clés pourrait ne jamais être élucidée.
Pour Wired, l'ADN est bien plus dynamique qu'une simple suite d'instructions. Comme les chercheurs, les modèles d'IA manquent encore des données nécessaires pour le décoder correctement.
Les graines des courbes standard du NIST pour les signatures numériques avaient été fournies par la NSA sans explication, nourrissant depuis longtemps le soupçon d'une porte dérobée. Claude a établi en moins de 30 minutes qu'elles provenaient de lrand48, un générateur aléatoire basique du langage C, ce qui rend une porte dérobée volontaire bien moins probable.
Le pôle de recherche en IA de Microsoft a présenté MAI-Base-2, qu'il dit nettement plus efficace que les meilleures alternatives open source. Il s'agit d'un modèle de base, et non d'un assistant abouti, destiné à devenir un LLM complet après un entraînement supplémentaire.
Des chercheurs de Google publient en open source EnvHarness, un cadre qui adapte les environnements d'entraînement aux faiblesses d'un agent sans toucher à l'agent, à l'environnement ni au système d'évaluation. Selon eux, l'apprentissage gagne ainsi en efficacité comme en rapidité.