TL;DR
- Qwen 3.8 27B atteint 52 à l’Artificial Analysis Intelligence Index, score égal à GPT-5.6 Luna (max) 4
- Des commandes massives de livres rares par des clients anonymes insensibles au prix aboutissent dans un centre d’entraînement IA d’Amazon 1
- R^3-Bench montre que les LLM échouent au raisonnement sous budget partagé, contrairement aux budgets indépendants par tâche 3
Les 3 signaux
🏆 Qwen 3.8 27B
un petit modèle qui égale les gros
Qwen 3.8 27B, modèle Apache 2.0 de 27B paramètres avec vision, sort vendredi 6. Score de 52 à l’Artificial Analysis Intelligence Index, identique à GPT-5.6 Luna (max), un point derrière GLM-5.2 (max, 753B) et DeepSeek V4 Pro 0813 (max, 1.6B) 4. Taille de Luna inconnue mais « probablement bien plus grosse que 27B » 4. Défaut identifié : le modèle « réfléchit excessivement » par défaut 6.
📚 Des livres rares finissent dans un centre d’entraînement IA d’Amazon
Enquête de 404 Media relayée par Simon Willison : des commandes de gros volumes de livres rares par des clients anonymes, apparemment insensibles au prix, aboutissent dans une installation d’entraînement IA d’Amazon 1. Le phénomène était suspecté depuis un moment chez les libraires 1.
🧠 Les LLM échouent au raisonnement sous budget partagé
R^3-Bench, nouveau benchmark, teste le raisonnement « resource-rational » : comment un agent alloue un calcul limité pour maximiser la valeur attendue 3. Les benchmarks existants utilisent des budgets indépendants par tâche ; les études à budget partagé ne calibrent pas la performance contre la compétence démontrée du même modèle sur problème unique 3. Résultat : les LLM échouent 3.
À retenir
- 52— score de Qwen 3.8 27B à l’Artificial Analysis Intelligence Index, égal à GPT-5.6 Luna (max) 4
- 27B — paramètres de Qwen 3.8, taille adaptée à un laptop raisonnable, licence Apache 2.0 6
- 90~90% — précision déjà atteinte par les modèles leaders sur Video-MME, rendant les benchmarks mon tour de vidéo obsolètes 2
Tuto du jour
Tuto / Outil : Aucun tuto d’installation locale identifié aujourd’hui.
Matos & Infra local
Sujet Matos/Infra : Qwen 3.8 27B, inférence locale sur laptop 46 Constat technique : Modèle 27B paramètres, licence Apache 2, adapté à un laptop raisonnablement équipé. Score de 52 à l’Artificial Analysis Intelligence Index, comparable à GPT-5.6 Luna, pourtant bien plus volumineux 4. Défaut notable : sur-réflexion par défaut 6. Recommandation dev : Tester ce checkpoint pour inférence locale quantifiée, en configurant explicitement le niveau de raisonnement pour éviter la surcharge de calcul 6.
Fine-Tuning & Quantiz
Technique / Outil : Qwen 3.8 27B, modèle Apache 2 de 27B paramètres 6 Apport : Score de 52 à l’Artificial Analysis Intelligence Index, égal à GPT-5.6 Luna (max) 4 Impact pratique : Taille adaptée à un laptop raisonnablement équipé, mais tendance à sur-réfléchir par défaut 6
RAG & Agents Locaux
Architecture / Outil : Détection d’empoisonnement RAG par Attention Collapse 11
Cas d’usage : Sécurisation de pipelines RAG locaux contre l’injection de documents adverses manipulant les réponses du LLM.
Clé de voûte : Analyse des signaux internes d’attention au niveau document, plutôt que les signaux de sortie (perplexité, cohérence), pour identifier les attaques.
Track Record
Partiellement tenu
Ce qu’on disait le 2026-08-04 : « Les LLM récompensent l’expertise métier, pas seulement la performance technique » 1 Verdict aujourd’hui : partiellement tenu. Le benchmark VideoGAIA 2 et R^3-Bench 3 confirment que les modèles plafonnent sur des tâches nécessitant une allocation de ressources et une compréhension contextuelle fines, au-delà de la simple performance brute. Cependant, Qwen 3.8 27B atteint un score d’intelligence index égal à GPT-5.6 Luna 4, suggérant que la performance technique reste un facteur dominant.
Sources (18) — vérifiées le 18/08/2026 05:00 UTC
| N° | Publication | Site | Date |
|---|---|---|---|
| 1 | We Tracked a Shipment of Rare Books. It Ended at an Amazon AI Training Facility | Simon Willison | 17 août 2026 |
| 2 | VideoGAIA: A Benchmark for General AI Assistants on Agentic Video Understanding | HF Papers | |
| 3 | R^3-Bench: LLMs Struggle with Resource-Rational Reasoning under Shared Budgets | HF Papers | |
| 4 | Qwen 3.8 27B scores 52 on the Artificial Analysis Intelligence Index | Simon Willison | 17 août 2026 |
| 6 | Qwen 3.8 27B is excellent, but it defaults to wildly overthinking things | Simon Willison | 16 août 2026 |
| 11 | When Context Bites: Detecting RAG Poisoning via Document-Level Attention Collapse | HF Papers |
Autres lectures (12)
V3ille — Sources : arXiv, GitHub Trending, Hugging Face Daily Papers, OpenAI, DeepMind, Google AI, IEEE Spectrum, The Robot Report.