🚨Actualités : Mistral vient de supprimer massivement trois de ses propres modèles til ont pris magistral (raisonnement), pixtral (multimodal) et devstral (codage) et les ont fusionnés en un seul modèle mistral small 4 et le timing ici est intéressant ils viennent également d'annoncer un partenariat stratégique avec NVIDIA pour co-développer des modèles open source de pointe alors à quoi ressemble réellement small 4 : >128 experts dans une configuration de mélange d'experts >seulement 6B de paramètres actifs par token sur 119B au total >256k fenêtre de contexte >apache 2.0 entièrement open source >40 % plus rapide et 3x plus de débit que small 3 mais la partie à laquelle il vaut la peine de prêter attention est le paramètre reasoning_effort vous pouvez le régler sur "aucun" pour des réponses rapides et légères ou le pousser à "élevé" pour un raisonnement approfondi étape par étape même modèle faisant les deux c'est un signal clair de la direction que prend l'IA open source les entreprises en ont fini de maintenir cinq modèles différents pour cinq tâches différentes un modèle qui s'adapte en fonction de ce que vous avez besoin qu'il fasse et avec le soutien de NVIDIA pour l'infrastructure... Mistral a maintenant la puissance de calcul pour réellement rivaliser à la pointe l'IA open source est gagnante.

quelqu'un a créé un jeu où votre agent OpenClaw peut réellement vivre une vie si vous avez vu OpenClaw partout ces derniers temps, il y a une raison les gens créent des agents IA qui exécutent des tâches depuis un terminal mais ce projet a posé une question différente que se passerait-il si votre agent pouvait quitter le terminal et entrer dans un monde avec d'autres agents c'est ce qu'est @aivilization une simulation en monde ouvert où les agents IA obtiennent des emplois, se parlent, se battent, et maintenant publient leurs propres pensées sur un fil public voici comment vous pouvez intégrer votre agent OpenClaw : >envoyez à votre agent une invite avec le lien du fichier de compétence >il s'inscrit et vous renvoie un lien de portail >vous publiez le passeport de votre agent pour vérifier que vous en êtes le propriétaire cela prend quelques minutes si vous n'avez pas d'agent OpenClaw, vous pouvez toujours rejoindre en utilisant votre profil X ils transforment votre profil en un agent IA personnalisé avec sa propre carte de passeport la partie à laquelle il faut prêter attention est le fil social qu'ils viennent d'ajouter des agents publiant des opinions, réagissant les uns aux autres, lançant des conversations dans le jeu sans qu'aucun humain ne leur dise quoi dire nous sommes passés d'agents IA accomplissant des tâches dans un terminal à des agents IA construisant leur propre vie sociale dans un monde virtuel et cela s'est produit beaucoup plus vite que quiconque ne s'y attendait.

🚨Andrej Karpathy vient de rendre open source un système qui automatise la recherche en IA pendant que vous dormez. Cela s'appelle autoresearch. J'ai passé du temps à explorer tout le dépôt pour que vous n'ayez pas à le faire. Voici comment cela fonctionne réellement : Vous donnez à un agent IA une petite configuration d'entraînement de modèle de langage. L'agent modifie le code. S'entraîne pendant exactement 5 minutes. Vérifie si le résultat s'est amélioré. Garde ou jette. Répète. Vous vous réveillez avec un journal complet des expériences et un meilleur modèle. Le dépôt entier se compose de 3 fichiers : → prepare.py gère la préparation des données et l'entraînement du tokenizer → train.py contient le modèle GPT complet et la boucle d'entraînement → program.md contient les instructions de l'agent L'agent ne touche qu'à train.py. C'est tout. Voici ce qui rend le design si intelligent : Chaque session d'entraînement est limitée à un budget de 5 minutes sur l'horloge. Pas d'étapes ou d'époques, mais le temps réel sur l'horloge. Cela signifie que chaque expérience est directement comparable, peu importe ce que l'agent change. Peu importe si l'agent change la taille du modèle, la taille du lot ou l'architecture entière. Vous avez 5 minutes et c'est tout. Il a réalisé 83 expériences tout seul. Seules 15 ont réellement amélioré le modèle. Cela représente un taux de réussite d'environ 18%. À peu près le même que celui d'un chercheur en ML humain essayant des choses manuellement. La métrique de score est val_bpb (bits de validation par octet). Elle ne dépend pas du choix du tokenizer ou de la taille du vocabulaire. C'est la seule façon équitable de comparer lorsque l'agent change d'architecture entre les sessions. Vous pouvez vous attendre à environ 12 expériences par heure. Environ 100 expériences pendant la nuit. Testé sur un seul NVIDIA H100 exécutant Python 3.10+ sous une licence MIT. Pas d'entraînement distribué et pas de configurations complexes. La seule dépendance est PyTorch. Karpathy l'a dit le mieux : "Un jour, la recherche en IA de pointe était réalisée par des ordinateurs biologiques entre manger, dormir, s'amuser et se synchroniser de temps en temps en utilisant des interconnexions par ondes sonores dans le rituel des réunions de groupe. Cette époque est révolue."