Today’s frontier report
Research Pool → Multi-Scout → Editor → Edition
3qk7 · AI LOCAL LABS TECHNICAL SCOUTING

AI FRONTIER

Signals worth understanding before they become obvious.

2026-11-13
01
testdeveloperopen source unlock

LLMON : un langage de balisage natif pour LLM, désormais dans Granite 4.1 3B et 8B

IBM a publié deux modèles d'aperçu expérimentaux, granite-4.1-3b-LLMON-preview et granite-4.1-8b-LLMON-preview, dérivés des modèles de base Granite 4.1 et entraînés à lire et générer du texte balisé LLMON, qui sépare les instructions des données pour contrer l'injection de prompt indirecte.

  • Sur le benchmark OPI, les modèles LLMON ont évité 47 % d'attaques de plus que le meilleur modèle de frontière testé et 95 % de plus que le meilleur modèle open source.
  • LLMON définit six délimiteurs installés dans le tokenizer comme jetons uniques réservés.
  • L'entraînement a utilisé cinq étapes GRPO séquentielles suivies d'une étape DPO finale sur mille paires de préférences on-policy.
  • Les modèles sont un aperçu expérimental, prêt pour l'exploration et l'évaluation mais pas pour la production.

Les développeurs d'agents RAG ou d'appel d'outils peuvent adopter les aperçus LLMON pour des performances générales comparables à Granite 4.1 Instruct avec une meilleure résistance à l'injection de prompt.

Hugging Face Blog
02
testcreativeincremental

Guide de fine-tuning des modèles de génération 3D TRELLIS.2 : adaptateurs LoRA et conteneurs

Hugging Face publie des scripts et conteneurs de fine-tuning pour TRELLIS.2 qui entraînent des adaptateurs LoRA uniquement sur le sparse-structure flow DiT et le shape flow DiT, afin d'améliorer la géométrie des semelles sur 188 objets chaussures de GSO.

  • L'expérience utilise 188 objets chaussures issus de GSO, qui contient 1 030 objets au total.
  • Environ 9,3 millions de paramètres d'adaptateur sont entraînés sur les deux DiT ciblés : rang 8 dans les couches d'attention et MLP du sparse-structure flow DiT, et rang 16 dans les couches d'attention du shape flow DiT.
  • Le conteneur de prétraitement rend 16 vues par objet avec Blender, et l'exécution complète pour 188 objets a pris environ 1 heure sur une tâche a100-large (80 GB).
  • Le conteneur d'entraînement propose les configurations ss et shape ; les exemples définissent max_steps=3000 et i_save=500, et les points de contrôle des adaptateurs peuvent être envoyés vers le Hub.

Pour de petits jeux de données 3D, geler le texture flow DiT et n'ajouter du LoRA qu'aux DiT liés à la forme permet de corriger des défauts géométriques avec un calcul limité.

Hugging Face Blog
03
watchresearchcapability unlock

Google Research présente un profilage du risque CKM et un coaching personnalisé à partir des objets connectés

Google Research propose un cadre d’apprentissage automatique à l’état de recherche qui transforme des signaux passifs d’objets connectés en un âge de santé modifiable, utilise un modèle du monde conditionné par les actions pour simuler des trajectoires d’habitudes personnalisées sur 12 semaines, et s’étend à des biomar...

  • Les médecins ont jugé 99,2 % des plans contrefactuels dans les limites d’intensité d’exercice sûres et 97,6 % exacts sur les affirmations physiologiques.
  • Le modèle multimodal d’âge de santé CKM a été évalué chez 819 participants WEAR-ME, combinant signaux d’objets connectés et rapport cholestérol/HDL, eGFR et HOMA-IR.
  • Les auteurs précisent que les évaluations ont été menées hors ligne sur des cohortes rétrospectives et que ces modèles sont des prototypes de recherche, non des outils de diagnostic clinique.

Pour les concepteurs d’IA, cela illustre une boucle fermée où un modèle du monde génère des trajectoires contrefactuelles et un modèle de langage les convertit en conseils actionnables, validée par une évaluation experte en aveugle et des m...

Google Research
04
watchagentscapability unlock

Google Antigravity ajoute des « agents distants » exécutés dans le cloud

Google Antigravity ajoute une fonctionnalité « agents distants » dans laquelle les agents IA s'exécutent dans le cloud et continuent de travailler en dehors des heures de travail.

  • La fonctionnalité s'appelle « agents distants » et les agents IA s'exécutent dans le cloud.
  • Selon Publickey, les agents IA continuent de travailler en dehors des heures de travail.

Pour les builders, des agents hébergés dans le cloud étendent l'exécution au-delà d'une session unique, ce qui impose de concevoir la reprise et la supervision pour des exécutions sans surveillance.

Publickey
05
watchresearchbenchmark jump

Étude : l'IA réduit la recherche de vulnérabilités de neuf mois à 90 heures

Selon une étude rapportée par All About SECURITY, l'IA a réduit le temps de recherche de vulnérabilités de neuf mois à 90 heures.

  • Le rapport indique que le temps de recherche de vulnérabilités est passé de neuf mois à 90 heures.
  • Source : All About SECURITY.

Pour les constructeurs d'IA, cette réduction rapportée indique que la recherche de vulnérabilités assistée par IA peut fortement compresser les délais de recherche en sécurité.

All About SECURITY