7 minutes
Veille du 21 novembre 2026 — démonstration assistée ia · conception cpu ia · auto-modification poids
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.
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.
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.
📦 Le reste de la veille
Anthropic’s Nasdaq debut — L’entrée en Bourse d’Anthropic au Nasdaq marque une étape financière majeure pour un laboratoire d’IA, avec un fort retentissement médiatique et des questions sur la valorisation du secteur.
Introducing AlphaProof Code: a breakthrough in verifying complex software at depth — Des agents ont produit trois millions de lignes de preuves Lean pour vérifier le chiffrement de Signal, une démonstration marquante de vérification formelle automatisée.
System 1 agents: a method for local, reliable and fast agentic AI — Cette méthode propose des agents locaux rapides et fiables pour des données cliniques sensibles, une alternative concrète aux LLM cloud avec un pattern d’architecture transférable.
Fuck Your AI Safeguards — Un texte au ton provocateur sur les garde-fous des modèles d’IA, qui relance le débat sur les limites des dispositifs de sécurité et leur contournement.
Pete Warden on local AI, open models, voice interfaces, the future of hardware — Un entretien avec Pete Warden sur l’IA locale, les modèles ouverts et les interfaces vocales, qui documente les choix d’architecture pour l’inférence hors cloud.
Restricting AI agents in mobile operating systems platforms from capturing data — Une analyse des restrictions imposées aux agents IA sur les plateformes mobiles pour l’accès aux données, un cadre réglementaire qui conditionne leur déploiement.
Harness Engineering for Self-Improvement — L’article explore l’ingénierie des dispositifs qui permettent à un modèle de s’améliorer lui-même, un sujet directement lié à la conception d’agents autonomes récursifs.
Genie 4 is now available — Mise à disposition de Genie 4, modèle génératif d’environnements interactifs, dont la démonstration constitue un jalon visible pour la simulation et l’entraînement d’agents.
Weekend hack: HackerTube. I was annoyed with YouTube’s recommendations so I had Claude filter down 43M comm… — Un pipeline LLM filtre 43 millions de commentaires Hacker News pour en extraire 6 454 vidéos recommandées, un exemple concret de traitement de gros corpus par agent en quelques heures.
In Situ Training of Optical Neural Networks by Coding Agents — Des agents de codage entraînent in situ des réseaux de neurones optiques, un usage original des LLM comme contrôleurs de matériel physique avec un pattern réutilisable.
Combatting adversarial distillation — OpenAI décrit une approche par couches (entraînement, garde-fous, détection, application) pour contrer l’extraction de capacités par distillation adversariale, un sujet de sécurité croissant pour les fournisseurs de modèles.
Can AI help scientists identify promising drug candidates? — Présentation de MedChemBench, un benchmark évaluant la capacité des modèles à interpréter des structures moléculaires et à raisonner sur des preuves expérimentales en découverte de médicaments.
Gemini 4 Neon is the new #1 on the Models Engineering Index — L’arrivée de Gemini 4 Neon en tête d’un classement de référence sur les modèles illustre la course aux benchmarks, sans détail sur les usages concrets.
Agentic cheminformatics with Google Antigravity — Présentation d’un enchaînement d’agents appliqué à la chimie médicinale, avec des compétences réutilisables pour la recherche de composés et la proposition de molécules.
Earlier this week Tristan published his top YouTube channels: · https://t.co/NZ3UCNo6cT · Which looked exce… — Le billet de Karpathy montre la création en quelques minutes d’une interface de lecture YouTube (47 000 vidéos) réalisée d’un seul jet avec Claude Code, illustrant la vitesse de prototypage assistée par LLM.
… et 46 autres articles consultés.