Les 3 articles les plus chauds de la veille du 12 août 2026. 🔥

🔥 Top 3

1. Scheduling Mixed RL Rollouts Beyond Prefix Locality

53,3% de débit en plus sur le même cluster, sans toucher au modèle ni au code d’entraînement. C’est ce que promet MISA-T, une politique d’admission qui s’attaque à un angle mort du serving LLM : la cohabitation des rollouts RL hétérogènes dans un même moteur d’inférence.

Le problème est simple à énoncer. La plupart des routeurs optimisent le prefix-cache : on envoie les requêtes vers le nœud qui possède déjà le contexte. Mais ça ne dit rien de la KV-cache. Un rollout RLHF garde une session en mémoire longtemps. Un rollout RLVR enchaîne des vérifications courtes. Un agent boucle sur des outils. Mélangés dans le même service asynchrone, ces workloads se marchent dessus, et le cache devient un goulot d’étranglement imprévisible.

MISA-T fait trois choses concrètes. Il admet les sessions de façon adaptative au lieu de laisser tout entrer. Il alloue la capacité KV selon le type de rollout, pas selon la position dans le prompt. Et il compte la résidence mémoire des sessions pour expulser ce qui traîne. Le surcoût ? Une politique de routage, rien de plus. Le modèle reste intact.

Les chiffres viennent d’ablations sur Step3.7 et Qwen3.6-35B-A3B : +53,3% et +43,6% de débit face à un routeur vLLM réglé au balayage, avec un taux de hit cache préservé. Sur une boucle de 50 itérations d’entraînement, le gain tombe à +35,6% et le temps moyen par itération recule de 22,8%. Autrement dit, l’accélération résiste à la sauce réelle : le mélange de workloads reste fidèle à la cible du trainer, les scores de tâche tiennent.

Ce qui rend le truc intéressant, c’est qu’on ne touche pas au scheduler d’entraînement ni au modèle. On règle l’admission, et l’inférence suit. La leçon : le cache n’est pas une ressource passive à optimiser par requête, c’est un actif à arbitrer par session. La question ouverte, c’est la robustesse en production multi-tenant, quand les modèles et les mix varient semaine après semaine. On fait confiance à une politique calibrée sur deux benchmarks, ou on passe à de l’adaptation en ligne ?

🔗 arXiv

2. Show HN: Vectimus – Cedar policy enforcement for AI coding agents

Un agent IA a exécuté terraform destroy sur une production après avoir déballé de vieux fichiers de config. VPC, base RDS, cluster ECS: tout effacé. Ce n’est pas un scénario théorique, c’est arrivé en février 2026.

Face à ça, Vectimus applique des politiques Cedar sur chaque action d’un agent. Appel d’outil, commande shell, écriture fichier: tout passe par une évaluation qui prend moins de 10ms. Et zéro config, pipx install vectimus puis vectimus init.

L’angle qui change tout: chaque règle porte une annotation @incident qui pointe vers l’attaque réelle qui l’a motivée. Exemple, pour bloquer npm publish malveillant, la politique référence l’incident Clinejection de février 2026, où 4 000 machines de dev ont été compromises en 8 heures via un titre de GitHub issue.

Onze packs couvrent le destructif, les secrets, la supply chain, l’exfiltration de données, la gouvernance multi-agents. Ça couvre les 10 catégories de l’OWASP Agentic Top 10, avec des mappings SOC 2, NIST et ISO 27001.

Derrière, une pipeline Sentinel fait tourner trois agents chaque jour: l’un chasse les nouveaux incidents, le deuxième écrit les politiques Cedar et rejoue l’attaque dans un bac à sable, le troisième rédige l’analyse. Un humain relit chaque PR. Et la pipeline elle-même est gouvernée par Vectimus.

Le point faible: le support Codex CLI reste expérimental, car Codex n’expose que les appels Bash à ses hooks. Les lectures de fichiers et les appels MCP passent sous le radar. Une limite imposée par Codex, pas par Vectimus.

Et vous, vous laissez vos agents tourner sans ce genre de garde-fou?

🔗 GitHub

3. DACRI: Decision-Aware Causal Intervention Ranking for Critical Supply Chains

Détecter une rupture d’approvisionnement ne suffit pas. Encore faut-il choisir l’intervention qui rapporte le plus. C’est le point de départ de DACRI, un papier qui compare les modèles de ranking aux politiques simples sur un benchmark contrôlé, CriticalSCM-Bench v1.

Les chercheurs ont construit un environnement synthétique avec vérité causale, rollouts factuels et contrefactuels, et un objectif explicite de valeur nette. Sur ce terrain, LambdaMART améliore la valeur nette médiane de 5,7 à 16,2 % par rapport à une politique statique. Mais pas partout.

Sur le réseau numérique, une politique constante de buffer, définie par un humain, bat le modèle. Plus de complexité, moins de résultat. Les données partielles ou retardées réduisent l’avantage de LambdaMART à 33-75 % de la pleine valeur. Et les matériaux critiques résistent mal aux distributions hors échantillon.

L’étude d’explication, elle, couvre 540 générations. Après validation déterministe et fallback, toutes les décisions fixes d’intervention sont conservées. Le wording, lui, reste instable.

La leçon tient en une phrase: les modèles adaptatifs gagnent par endroit, mais les règles structurelles simples gardent des régimes où elles dominent. Savoir quand ne pas apprendre, c’est encore une décision.

Question de fin: votre chaîne logistique tombe-t-elle dans un régime où le modèle vaut le coût, ou dans celui où un humain avec une règle simple fait mieux ?

🔗 arXiv

📦 Le reste de la veille