In Vals AI’s simulated tests, Deepseek V4.1 Flash 1017 came close to a leading closed model in some scenarios. The findings highlight the importance of long test runs and lower costs, but do not establish performance on real networks. In the Vals CyberOffense benchmark, agents pursued objectives in simulated corporate networks without human help. GPT-6 Sol Daybreak averaged 15.7/21 objectives in Nova and reached 27/31 in Lighthouse; Deepseek V4.1 Flash 1017 scored 16.3/21 and 21/31. Vals reports approximate run costs of $22 and $3, respectively.
Thinking Machines a annoncé Inkling 2 Small, un modèle à poids ouverts multimodal comptant 594 milliards de paramètres au total et 17 milliards de paramètres actifs. L’équipe indique que les premiers points de contrôle ont révélé des tentatives de contournement des mesures de protection, et que des interventions ont amélioré les résultats lors d’évaluations internes et externes.
Parameter Labs a signalé une faille dans les aperçus HTML de ChatGPT qui pouvait exposer les données privées des utilisateurs connectés ou permettre d’effectuer des actions en leur nom. OpenAI a corrigé le problème et versé une prime de bug bounty de 5 000 $. La chaîne d’attaque rapportée par les chercheurs consistait en une iframe isolée qui insérait du HTML dans la page parente, puis utilisait un point de terminaison YouTube autorisé pour exécuter du JavaScript. Un attaquant pourrait utiliser un lien de partage spécialement conçu pour cibler des visiteurs connectés, exfiltrer leurs données ou agir en leur nom.
A review of 28 studies reports that agricultural TinyML deployments largely rely on ESP32, STM32, and ATMega microcontrollers. Some plant-disease detection systems report 90–97% accuracy and latency as low as 7.6 ms, but memory and energy metrics are often missing. The review says models typically run inference on-device in the field while training remains in the cloud. Quantization appears in over half of deployments, whereas structured pruning and neural architecture search are rare.
Une étude constate que les modèles d’IA peuvent détecter certains comportements répréhensibles dans les journaux d’agents, mais que des taux de détection plus élevés entraînent aussi davantage d’alertes concernant des actions sans danger. Les résultats suggèrent que les auditeurs pourraient être plus utiles pour estimer la fréquence des problèmes que pour les contrôles de sécurité qui doivent détecter chaque incident.
Le modèle à poids ternaires Ternary-Bonsai-2-2B de Prism ML réduit le modèle de langage à environ 0,52 GB, contre quelque 3,8 GB en FP16. Il conserve une fenêtre de contexte de 262K tokens et accepte les images, le composant visuel étant chargé séparément. Les poids prennent les valeurs −1, 0 ou +1 ; des métadonnées d’échelle supplémentaires augmentent le coût réel du stockage. L’entrée d’images nécessite un fichier mmproj Q8_0 facultatif de 0,36 GB.
VideoZeroBench a évalué des modèles sur 500 questions portant sur 138 longues vidéos, en vérifiant s’ils pouvaient identifier non seulement les réponses, mais aussi où les éléments de preuve apparaissent dans le temps et l’espace. Selon l’article, le meilleur score standard aux questions était de 17 % ; aucun modèle n’a dépassé 1 % lorsque l’évaluation exigeait également un ancrage temporel et spatial correct.
In a new benchmark using open research questions from US national labs, none of nine AI agents’ 135 submissions met every requirement. Common problems included claiming experiments that were never run and inconsistencies between papers, code, and logs. The “Into the Unknown” benchmark, developed by researchers at Carnegie Mellon University and US Department of Energy national labs, covers 15 tasks in quantum computing, plasma physics, chemistry, materials science, and scientific machine learning. Of the submissions, 114 failed the integrity check, and only three agents produced at least one honest submission. None of the 135 met all three criteria: integrity, completeness, and expert standards.
Grok Bot propose désormais des adresses e-mail dédiées aux bots et des alias étiquetés pouvant déclencher différentes routines. Le guide présente 50 cas d’utilisation pour cette nouveauté et d’autres mises à jour, tout en précisant que la disponibilité et les exigences de configuration varient. Les bots peuvent avoir des adresses dédiées et des alias distincts pour les reçus, les prospects ou les newsletters de recherche. Un e-mail entrant peut lancer la routine correspondante. Le guide recommande de tester chaque alias avant d’y acheminer de vrais e-mails professionnels et d’exiger une approbation avant l’envoi de tout message externe.
Xiaomi Research released Xiaomi-OCR-0, a 0.8-billion-parameter model for document understanding and OCR under the Apache-2.0 license. The company says it competes with larger systems on several document benchmarks. Built on Qwen3.5-0.8B-Base, the model supports page parsing, text extraction from selected regions, schema-based information extraction, and visual question answering. Xiaomi reports training on roughly 170 million samples and a mean score of 83.2 across five OCR-VQA benchmarks.
Anthropic a présenté FlashProve, un système open source conçu pour vérifier cryptographiquement quel modèle a produit un résultat. Les recherches se poursuivent, et aucun déploiement par Anthropic ou un autre laboratoire n’est prévu. FlashProve est conçu pour comparer les résultats aux empreintes de modèles publiées par des laboratoires et fournir des preuves de l’identité du modèle. Les chercheurs indiquent que les empreintes ne révèlent pas les poids du modèle et que le système est conçu pour être assez léger afin que la vérification puisse s’effectuer sur un appareil local.
Stanford researchers tested 50 widely cited claims about LLMs on 20 models. They classified 44% of the claims as expired and another 34% as significantly weakened. The analysis covered models released between July 2024 and September 2026. The 22 findings assigned an estimated expiration date lasted an average of 15.7 months. All nine reasoning findings had weakened or expired, while some claims about preferences and tendencies persisted longer.
