Les 3 articles les plus chauds de la veille du 30 septembre 2026. 🔥

🔥 Top 3

1. Quoting Anthropic Frontier Red Team

Des modèles d’IA qui exploitent désormais des vulnérabilités réelles. C’est le constat sans détour de l’équipe Frontier Red Team d’Anthropic.

Leur équipe interne a soumis plusieurs modèles à 100 tâches tirées au hasard d’un benchmark d’exploitation binaire, un domaine qui consiste à prendre le contrôle d’un programme en manipulant directement sa mémoire. Concrètement, il s’agit de détourner le flux d’exécution d’un logiciel pour le faire fonctionner autrement que prévu, une technique au cœur des attaques informatiques les plus sophistiquées.

Les résultats sont sans ambiguïté. Claude Mythos Preview parvient à réaliser ces détournements dans 6% des cas. GLM-5.3, le dernier modèle de la famille chinoise GLM, y arrive dans 4% des cas. Ces pourcentages paraissent faibles, mais le vrai changement se situe ailleurs.

Les générations précédentes, notamment Claude Opus 4.6 et GLM-5.2, n’y parviennent jamais. Zéro succès sur l’ensemble des tâches. Le passage de 0% à plusieurs pour cent marque un seuil qualitatif : des capacités d’attaque qui n’existaient pas chez les IA devenant soudainement reproductibles.

L’enjeu dépasse la performance comparative entre modèles. Une fois qu’une的能力 d’exploitation devient fiable chez plusieurs fournisseurs, elle se diffuse. La fenêtre pour renforcer les défenses se réduit à chaque nouvelle génération de modèles.

La question qui reste ouverte : les équipes de sécurité sont-elles prêtes à defendre des systèmes face à des attaquants qui disposent désormais de tels outils automatisés ?

🔗 Simon Willison

2. Introducing GPT-6.1 Sol

GPT-6.1 Sol : une intelligence quasi-“Astra” à prix cassé. OpenAI vient de lancer un modèle qui change la donne pour les développeurs et professionnels. Son secret ? Offrir des capacités proches de son modèle phare “Astra” pour le codage et l’usage professionnel, mais à un coût d’entrée beaucoup plus bas.

Concrètement, Sol utilise une architecture différente, optimisée pour l’efficacité. L’entreprise affirme qu’il nécessite un cinquième des jetons (tokens) en entrée et en sortie par rapport à Astra pour une tâche comparable. Un token est une unité de texte, donc moins de tokens signifie des appels à l’interface de programmation (API) plus rapides et moins chers.

Cette approche cible directement les cas d’utilisation pragmatiques : écrire du code, manipuler des interfaces, automatiser des tâches complexes. L’objectif est de rendre ces capacités avancées accessibles au plus grand nombre d’organisations, sans la facture salée associée aux meilleurs modèles.

Avec une telle baisse des barrières de coût, la question devient : quelles applications previously inatteignables cette démocratisation de l’intelligence avancée va-t-elle permettre de concrétiser ?

🔗 OpenAI

3. Skill-Space Shooting for Autonomous Robot Policy Improvement

Des robots qui s’améliorent seuls, sans humain pour les corriger

Un robot déployé dans le monde réel fait face à des situations imprévues. Sa formation initiale ne suffit plus. D’habitude, un humain doit intervenir pour le corriger. Des chercheurs proposent une alternative radicale : laisser le robot explorer lui-même ses propres solutions.

Le principe s’appelle skill-space shooting. L’idée repose sur un constat simple : beaucoup de corrections sont des petits comportements réutilisables, des compétences (skills). Ajuster un objet glissant, modifier un angle d’approche. Ces gestes reviennent d’une tâche à l’autre.

Le système utilise un modèle de fondation, c’est-à-dire un grand modèle entraîné sur des données massives et capable de raisonner sur une scène visuelle. Ce modèle identifie les compétences pertinentes pour corriger un échec, puis guide le robot pour les tester. Les essais qui fonctionnent alimentent l’amélioration de la politique, l’ensemble des règles qui gouvernent les actions du robot.

Les expériences ont eu lieu en conditions réelles. Le robot s’améliore de manière répétée sur des tâches variées. Les compétences apprises sur une tâche se transfèrent à d’autres, ce qui réduit l’intervention humaine nécessaire pour chaque nouvelle situation.

La question ouverte reste celle de la portée. Jusqu’où cette amélioration autonome peut-elle scaler quand on passe de manipulations simples à des environnements imprévisibles et multi-étapes ?

🔗 arXiv

📦 Le reste de la veille