TL;DR
Les 3 signaux
🛡️ Défense contre les IA hostiles
Jakub Pachocki justifie l’entraînement accéléré de modèles plus intelligents par la nécessité de bâtir des systèmes défensifs contre les dangers posés par d’autres IA. Objectif : sécuriser les infrastructures, protéger contre des agents malveillants en temps réel, et inventer de nouvelles protections 1.
🐄 Benchmarks
coût des effets secondaires et construction d’agents
HarvestBench est le premier benchmark qui attribue un prix à l’évitement d’un effet secondaire — ici, ne pas tuer un animal — dans une simulation de ferme où des sous-agents LLM pilotent deux tracteurs pour une récolte coopérative de maïs 3. Parallèlement, τ^τ-Bench cible la construction d’agents de production (service client, arbitrage, systèmes internes) par des agents codeurs, condition que les benchmarks existants n’évaluent pas 4.
🤖 Agents codeurs en pratique
Simon Willison a utilisé Claude Fable 5.1 dans Claude Code pour builder un compresseur vidéo basé sur FFMPEG compilé en WebAssembly 7, et GPT-6 Astra (medium) dans ChatGPT Work pour une animation cartographique Mercator ↔ Equal Earth avec D3 8. Deux cas concrets de vibe-coding avec des modèles différents sur des tâches distinctes.
À retenir
Tuto du jour
Tuto / Outil : llm 0.35 5 Ce qu’on installe : Mise à jour de l’outil en ligne de commande
llmavec support du modèle OpenAI GPT-6 Astra. Prérequis hardware & commande : Non spécifié. Commande principale :llm(mise à jour via le gestionnaire de paquets habituel).
Matos & Infra local
Sujet Matos/Infra : Aucune actualité matériel/infra locale aujourd’hui.
Fine-Tuning & Quantiz
Technique / Outil : Aucun outil ou méthode de fine-tuning (LoRA, QLoRA, Axolotl, Unsloth) ou de quantification (GGUF, EXL2, AWQ) n’est identifiable dans les éléments fournis. Apport : Non applicable. Impact pratique : Non applicable. Pas de nouveauté fine-tuning ou quantification aujourd’hui.
RAG & Agents Locaux
Architecture / Outil : Dr. Claw 13 Cas d’usage : Workspace open-source pour la recherche scientifique de bout en bout, préservant les décisions auditées, exécutable en local via agents CLI 13. Clé de voûte : Intègre lecture/écriture de fichiers et sessions longues pour unifier les environnements fragmentés 13.
Track Record
Ce qu’on disait le 2026-08-25 : GLM-5.3 open-weight bat les modèles Anthropic/OpenAI pour 1/5 du coût 10 Verdict aujourd’hui : en attente. Aucun élément du jour ne permet de confirmer ou infirmer cette performance relative. Le signal reste isolé, sans test indépendant publié dans les sources actuelles.
Sources (18) — vérifiées le 08/09/2026 05:02 UTC
| N° | Publication | Site | Date |
|---|---|---|---|
| 1 | Quoting Jakub Pachocki | Simon Willison | 7 septembre 2026 |
| 3 | HarvestBench: Measuring Whether LLM Agents Will Pay to Avoid Killing Animals | HF Papers | |
| 4 | τ^τ-Bench: An Environment for End-To-End, Realistic Agent Construction | HF Papers | |
| 5 | llm 0.35 | Simon Willison | 7 septembre 2026 |
| 6 | Creepy crawlies | Simon Willison | 7 septembre 2026 |
| 7 | Video compressor | Simon Willison | 7 septembre 2026 |
| 8 | Mercator ↔ Equal Earth | Simon Willison | 7 septembre 2026 |
| 9 | The purpose of DNS is to spread scams | Simon Willison | 6 septembre 2026 |
| 10 | There’s No Limit to How Bad Code Can Get | Simon Willison | 6 septembre 2026 |
| 13 | Dr. Claw: An AI Scientist Workspace for Vibe Research | HF Papers |
Autres lectures (8)
V3ille — Sources : arXiv, GitHub Trending, Hugging Face Daily Papers, OpenAI, DeepMind, Google AI, IEEE Spectrum, The Robot Report.