Des chercheurs d'Apple comparent deux façons pour un agent de trouver les bons outils dans un vaste catalogue d'API : chercher ceux qui ressemblent à la requête, ou laisser d'abord le modèle esquisser les fonctions dont il a besoin puis s'en servir comme requêtes. Un enjeu réel, puisque la fenêtre de contexte ne peut pas contenir toutes les définitions d'outils.
L'équipe d'apprentissage automatique d'Apple explique comment faire tourner des modèles de langage de très grande taille, comme Muse Spark Open, en local et sur plusieurs machines. La méthode repose sur son framework MLX et sur le RDMA via Thunderbolt 5, avec des Mac Studio équipés de la puce M5 Ultra.
Des chercheurs d'Apple présentent SSR, une méthode où un agent multimodal choisit parmi des étapes de raisonnement prédéfinies au lieu de rédiger librement sa réflexion avant chaque action. L'objectif : éviter aux petits modèles des raisonnements longs, coûteux et peu utiles.
Datalab publie OmniParseBench, un banc d'essai ouvert réunissant 16 288 tests binaires sur 2 937 pages en 92 langues. Chaque score est un taux de réussite ventilable par étiquette, écriture ou langue, ce qui permet de cerner précisément les faiblesses des outils d'OCR.
Les fondateurs de Ricursive Intelligence décrivent une IA qui conçoit des puces, tire les leçons de chaque itération et améliore la suivante. Leur objectif : automatiser et accélérer la conception de puces pour soulager la pénurie de puissance de calcul.
Dans un entretien pour Latent Space, Ian Quigley, de Leash Bio, raconte comment l'entreprise a dompté les essais sur chimiothèques encodées par ADN, réputés redoutables, et s'en est servie pour repérer des modèles qui trichent. Selon lui, ces données conviennent aussi parfaitement pour apprendre à des agents IA à raisonner comme des chimistes.