Les 3 articles les plus chauds de la veille du 4 novembre 2026. 🔥

🔥 Top 3

1. Qwen 3.8 27B on my laptop can interpret model weights, too

Un modèle de 17 Go a reconnu un jeu Atari en lisant des nombres

Les « poids » d’un réseau de neurones, c’est quoi ? Un très long fichier de nombres décimaux. Rien de plus. Tout ce qu’un modèle a appris vit là-dedans, et jusqu’ici personne ne savait vraiment les interpréter sans lancer de calculs.

Des chercheurs ont entraîné quatre petits réseaux à jouer sur des grilles (Breakout, Pong, Pac-Man, Freeway), puis ont collé les poids de chacun dans un prompt, en texte brut, avec une seule question : à quel jeu ce réseau a-t-il été entraîné ? Sans outils, sans exécution de code.

GPT-6 Astra trouve la réponse. Simon Willison a refait le test avec Qwen 3.8 27B, 17 Go, sur son portable. Verdict : Pac-Man, identifié après 46 minutes et 43 506 jetons de raisonnement. Lent, mais sur une machine personnelle.

Le terme avancé est weight-space programming : un LLM qui analyse et modifie directement les paramètres d’un autre modèle, sans repasser par l’entraînement. La version forte de l’article va plus loin. Astra repère dans Qwen3.5-0.8B un défaut qui provoque des boucles de raisonnement, touche 0,016 % des poids, et fait grimper MATH-500 de 7,9 % à 48,1 %.

Deux critiques sérieuses tempèrent l’enthousiasme. Matthew Honnibal reproche au papier de mélanger deux choses : ce que le modèle déduit sans outils et ce qu’il obtient quand il peut coder. Sean Goedecke décompose l’exemple Qwen3.5 en étapes qu’un chercheur humain enchaînerait déjà.

Reste la démonstration brute. Lire une masse de nombres et en déduire un comportement, un modèle de 17 Go y parvient désormais, chez vous.

🔗 Simon Willison

2. Agentic cheminformatics with Google Antigravity

Une itération de conception de médicament prenait plusieurs jours. L’agent greffé sur Google Antigravity boucle la même boucle en une heure.

Le goulot n’est pas le raisonnement, c’est la donnée. La chimio-informatique, soit le traitement informatique des structures moléculaires, consiste d’abord à réconcilier des sources qui ne parlent pas la même langue : un nom IUPAC dans un article, une structure Markush dans un brevet, un fichier SDF dans un catalogue fournisseur. Un atome mal replacé et vous avez décrit un autre composé, souvent inerte.

DeepMind a donc ajouté à Antigravity une suite de Cheminformatics Skills. La répartition des rôles est nette : le modèle de langage orchestre le workflow et mène le raisonnement scientifique, les outils déterministes exécutent les calculs. Ces outils s’appuient sur RDKit, la boîte à outils open source de référence, et sur les bases ChEMBL et PubChem. Aucun risque qu’un modèle invente une valence.

La démo porte sur la rigidification, une technique classique de chimie médicinale. Une molécule souple doit se figer dans la bonne conformation pour se lier à sa cible, et ce gel coûte de l’énergie. On la fige donc d’avance en ajoutant une liaison. Cas d’école : le crizotinib, cinq liaisons rotatives, et son successeur le lorlatinib, cyclisé jusqu’à zéro.

L’agent a extrait les composés de la littérature, tracé la puissance en fonction de la souplesse, puis proposé des macrocycles rigidifiés avec leurs voies de synthèse. Le tout sur le même poste de travail, avec accès aux outils locaux du chimiste.

Combien de ces molécules survivent à une vraie synthèse au banc, personne ne le dit encore.

🔗 deepmind.google

3. WebHarbor: Docking Real Websites for Evolving GUI Agent Environments

Évaluer un agent capable de naviguer sur le web, c’est comme noter un élève sur un examen dont les questions changent pendant l’épreuve. Sur des sites réels, les résultats bougent tout seuls : dans les tests menés par l’équipe de WebHarbor, 38% des tâches Online-Mind2Web ont été bloquées par des systèmes anti-bots, et 22% des tâches WebVoyager pointaient vers des pages obsolètes.

Leur réponse : reconstruire 153 sites web entièrement, chacun dans un conteneur Docker, avec une interface, des contenus et des parcours fonctionnels fidèles aux originaux. Un agent GUI, autrement dit un programme qui clique et remplit des formulaires comme un humain, peut y travailler sans qu’un site change sous ses pieds.

La construction est intéressante. Des agents de codage génèrent chaque site, puis des humains vérifient la fidélité visuelle et le bon fonctionnement. 57 contributeurs, 26 affiliations, cinq mois de travail. Chaque environnement compte en moyenne 37 pages et plus de 1 300 images.

Surtout, ces sites permettent ce que le web réel interdit : des parcours après authentification. Créer un compte, réserver, payer. 3 518 tâches au total, validées par des vérificateurs qui contrôlent la réponse finale mais aussi les changements d’état.

Résultat mesurable : un agent de taille 4B, entraîné uniquement par apprentissage par renforcement dans ces environnements, atteint 75,8 de moyenne sur WebVoyager et Online-Mind2Web. C’est 5,2 points de plus qu’un modèle équivalent entraîné sur le web réel, alors que les 15 sites de WebVoyager sont exclus de son entraînement.

Reste une question que le projet ne tranche pas : à quoi ressemble un agent performant sur un web simulé le jour où il tombe sur un vrai captcha?

🔗 Hugging Face

📦 Le reste de la veille