AI FRONTIER
Signals worth understanding before they become obvious.
Résolution d'un défi mathématique vieux de 31 ans : la conjecture KLS
Un chercheur de Microsoft Research et un collaborateur ont démontré la conjecture de Kannan-Lovász-Simonovits (KLS), établissant que la borne est une constante fixe indépendante de la dimension, ce qui lève un obstacle théorique majeur pour les algorithmes randomisés.
- Proposée en 1995, la conjecture KLS prédisait que la meilleure coupe par hyperplan et la meilleure coupe de forme quelconque diffèrent d'au plus une constante universelle, quel que soit le nombre de dimensions.
- Le meilleur résultat antérieur, établi en juillet 2026, autorisait une borne croissant lentement avec la dimension ; cette preuve élimine la dépendance à la dimension.
- Les auteurs ont utilisé un processus agentique dirigé par des humains pour explorer plus de 100 approches candidates, l'IA aidant aux dérivations, à la préparation du manuscrit et aux vérifications internes de la preuve.
- La preuve complète figure dans la version du 4 octobre 2026 de l'article, et une preuve parallèle indépendante ainsi qu'une formalisation Lean 4 sont apparues le même jour.
La preuve de KLS permet désormais d'énoncer sans condition de nombreux résultats de géométrie convexe, de probabilités et d'informatique théorique qui en dépendaient comme hypothèse.
LitPivot : développer des idées de recherche par contextualisation dynamique dans le paysage de la littérature
Ai2, avec des collaborateurs de l'Université de Pennsylvanie, a développé LitPivot, un système qui utilise les articles récupérés via Asta Paper Finder pour organiser la littérature autour de la partie d'une proposition en cours d'édition, proposer des critiques appuyées par des extraits et suggérer des révisions que l...
- LitPivot sera présenté à UIST 2026 à Detroit.
Pour les développeurs d'assistants de recherche, LitPivot montre que lier la sélection de la littérature à la révision de l'idée dans une boucle itérative améliore l'ancrage des idées dans les travaux antérieurs par rapport à une recherche ...
Profilage de TorchNeuron (partie 1) : profilage au niveau système sur AWS Trainium
Un tutoriel du blog Hugging Face montre comment utiliser torch.profiler avec le backend Neuron pour analyser systématiquement les performances d'inférence sur AWS Trainium, en comparant le temps dispositif de trois implémentations de RMSNorm.
- Le backend Neuron utilise le point d'extension PrivateUse1 de PyTorch, et le paquet torch_neuronx enregistre Neuron comme backend natif de PyTorch.
- L'implémentation naïve de RMSNorm en PyTorch affiche un total Self NEURON de 2,355 ms dans la table key_averages(), avec aten::mul représentant 49,5 %.
- torch.rms_norm est abaissé en une seule opération aten::_fused_rms_norm avec un temps Self NEURON de 403,3 μs.
- Le RMSNorm naïf compilé avec torch.compile(backend="neuron") apparaît comme une seule Torch-Compiled Region avec un temps Self NEURON de 375,5 μs.
Pour les développeurs d'IA, ce tutoriel montre que key_averages() permet de localiser les points chauds de temps dispositif et que la fusion ou torch.compile peut réduire le temps dispositif de RMSNorm à environ un sixième de l'implémentati...
Prévision par ensemble avec les modèles de séries temporelles IBM Granite
Granite Timeseries Ensemble combine quatre modèles Granite pré-entraînés dans une interface de prévision extensible qui renvoie des prévisions médianes et quantiles, sans réentraînement ni pondération d'ensemble ajustée.
- PatchTST-FM-r2 conserve le score CRPS/MWQL agrégé le plus faible à 0,467, tandis que l'IQR Ensemble obtient le rang CRPS moyen le plus faible parmi ces six prévisions.
- Les prévisions renvoient par défaut des quantiles de 0,1 à 0,9, les quantiles 0,1 et 0,9 définissant un intervalle de prévision central avec une couverture nominale de 80 %.
Pour les développeurs, cet ensemble offre une valeur par défaut pertinente qui fournit une précision agrégée comparable ou supérieure sans savoir à l'avance quelle architecture convient à leurs données, au prix d'un temps d'inférence et d'u...
Sécuriser notre environnement d'entraînement des modèles de frontière
OpenAI explique avoir renforcé le confinement de l'entraînement et de l'évaluation des modèles de frontière, notamment via des environnements hors ligne et du red-teaming à forte intensité de calcul.
- OpenAI indique avoir renforcé le confinement de l'entraînement et de l'évaluation des modèles de frontière.
- Les mesures incluent des environnements hors ligne.
- Les mesures incluent du red-teaming à forte intensité de calcul.
Pour les équipes qui entraînent des modèles de frontière, le confinement et le red-teaming en phase d'entraînement et d'évaluation deviennent des exigences d'ingénierie au même titre que le travail sur les capacités.
Les modèles OpenAI arrivent sur Google Cloud
OpenAI et Google Cloud intègrent des modèles de pointe et des workflows Codex dans le Model Garden de Gemini, disponibles via Google Cloud Marketplace.
- OpenAI et Google Cloud intègrent des modèles de pointe et des workflows Codex dans le Model Garden de Gemini.
- Ces modèles et workflows seront disponibles via Google Cloud Marketplace.
Pour les développeurs d'IA, les modèles de pointe d'OpenAI et les workflows Codex deviennent accessibles via le circuit d'approvisionnement et de déploiement de Google Cloud.