Les 3 articles les plus chauds de la veille du 21 novembre 2026. 🔥

🔥 Top 3

1. Quoting Levent Alpöge

L’hypothèse de Riemann serait tombée. Enfin, si on en croit un PDF.

Levent Alpöge, mathématicien, affirme avoir trouvé une preuve de l’hypothèse de Riemann. Avec Claude. Il précise que la méthode s’étend sans effort à l’hypothèse de Riemann généralisée. Rien que ça.

Rappel pour ceux qui n’ont pas fait de maths depuis longtemps. L’hypothèse de Riemann date de 1859. Elle situe les zéros d’une certaine fonction complexe, et de leur position dépend tout ce qu’on sait de la répartition des nombres premiers. Un million de dollars pour qui la démontre. Personne n’a encaissé depuis un siècle et demi.

Le détail technique le plus intéressant n’est pas le résultat, c’est la forme. Alpöge dit avoir formalisé l’argumentation, sans hypothèses cachées. Comprendre : chaque étape est écrite dans un assistant de preuve, un logiciel qui vérifie les déductions par machine. Ce genre d’outil ne s’émeut pas d’une intuition brillante. Il compile, ou il refuse.

Reste que la source est un PDF hébergé sur un domaine personnel. Pas de revue par les pairs, aucun dépôt arXiv mentionné. Et le ton déroute : « Claude a volé, dansé et scintillé près de la ligne d’arrivée ». On venait chercher un théorème, on tombe sur de la poésie.

Un vérificateur de preuves, lui, ne lit pas la poésie. Il lit les lignes. C’est sans doute le seul juge qui compte dans cette histoire.

🔗 Simon Willison


2. Frostbite: A new CPU architecture discovered, designed and verified by AI

Une IA a dessiné un processeur complet. Pas un accélérateur spécialisé, un CPU généraliste avec son propre jeu d’instructions, son compilateur, sa logique, jusqu’au masque final envoyé en fonderie. Son nom : Frostbite.

Le résultat annoncé par l’équipe : 4,59 fois plus de performance par watt qu’un cœur superscalaire moderne (le genre de cœur classique qui exécute deux instructions par cycle et les réordonne à la volée), sur 25 charges de travail dont 15 gardées secrètes jusqu’à l’évaluation finale.

La recette tient à un choix radical. Frostbite repose sur les réseaux d’interaction (interaction nets) : le programme devient un graphe de nœuds, et le calcul consiste à réécrire des paires de nœuds connectés. Chaque réécriture ne touche qu’une petite zone locale, et chaque valeur n’a qu’un seul propriétaire. Conséquence directe : pas d’état partagé, donc pas de verrous, pas de courses critiques, pas de méga-caches cohérents à maintenir entre les cœurs. Le parallélisme est déjà dans le programme, il n’y a plus à le reconstruire à l’exécution.

Pour situer, sur un petit problème de placement de cinq reines, le code séquentiel examine un candidat à la fois. Le même programme en réseau d’interaction expose en moyenne une douzaine d’actions prêtes à tourner simultanément, sans que personne n’ait réécrit l’algorithme.

Les auteurs insistent : zéro prior architectural. Les systèmes d’IA ont itéré seuls sur le compilateur, l’architecture, le RTL et la vérification. Ils ont même trouvé des primitives matérielles que les humains n’auraient pas spontanément dessinées.

Reste la vraie question : 4,59x sur du simulé, qu’est-ce que ça donne sur du silicium ? La performance par watt des cœurs CPU stagne depuis le début des années 2000, et c’est précisément ce mur que l’annonce prétend fissurer.

🔗 architectlabs.com


3. Language Models Can Rewrite Their Own Weights

Un modèle de 27 milliards de paramètres vient de réécrire ses propres poids. Sans gradient, sans phase d’entraînement, sans infrastructure de post-training. Juste son raisonnement, quelques tests qu’il se fixe lui-même, et une modification directe de ses matrices internes.

Les « poids », ce sont les milliards de nombres qui encodent ce qu’un modèle a appris. Jusqu’ici on les figeait au déploiement : améliorer le modèle exigeait de relancer un entraînement complet. L’équipe décrit ici ce qu’elle nomme self-rewriting: le modèle diagnostique ses propres échecs, puis édite les poids qui en sont responsables.

Résultat sur 490 problèmes jamais vus, avec un protocole figé à l’avance: +6,6 points de précision. La session suivante fait encore mieux. Sur les huit premières, la courbe ne redescend pas une seule fois. Le gain reste dans les poids, donc il ne coûte rien de plus à chaque réponse, contrairement à un modèle qu’on laisse réfléchir plus longtemps.

Le détail le plus troublant : on confie au modèle une copie endommagée de lui-même, avec une matrice corrompue, sans jamais lui montrer les poids intacts. Il localise la zone abîmée et la réécrit avec ses propres valeurs. La copie passe de 7% à 70% sur six benchmarks d’images qu’il n’a jamais vus, soit 83% du modèle sain. La réparation avait été apprise sur des exercices de mathématiques textuelles uniquement.

Tout tient sur un seul GPU, en quelques heures.

La limite est nette. Sur quatre tailles d’une même famille, le 2B ne produit aucune édition, les 4B et 9B se cassent eux-mêmes. Seul le 27B y arrive, en comparant ses états internes sur les réponses qui aboutissent et sur celles qui s’épuisent en cours de route. La compétence apparaît avec l’échelle, et elle ne se donne pas encore.

🔗 Hugging Face


📦 Le reste de la veille

… et 46 autres articles consultés.