université de Washington

Le 27 août 2026, Anthropic a ouvert un aperçu de recherche du Model Hardware Standard (MHS), spécification partagée destinée à faire opérer des appareils physiques par des agents d’IA. Le standard repose sur un pilote unique exposant des primitives élémentaires de lecture et d’écriture, atteignable notamment via le Model Context Protocol. Il vise microscopes, distributeurs de liquides, bras robotisés, machines de qPCR, incubateurs et capteurs. Les développeurs décrivent le matériel par des étiquettes en langage naturel, des limites de sécurité s’appliquent au niveau de l’appareil et Claude sollicite une validation humaine avant les actions jugées un peu risquées. Le premier cercle réunit notamment Genentech, les laboratoires Baker et Pinglay de l’université de Washington, Carnegie Mellon, le campus Janelia du HHMI, QuEra Computing, Amazon Web Services, Danaher, QIAGEN, Universal Robots, Hugging Face et Raspberry Pi. Anthropic prévoit de publier la spécification en logiciel libre avant sa mise à disposition générale, l’accès restant à ce stade réservé aux partenaires du programme.

Le 9 juillet 2026, une équipe menée par Kexin Huang et le professeur Jure Leskovec (Stanford), avec des chercheurs de Princeton, de l'université de Washington, de l'Arc Institute et de Genentech, a publié dans la revue Science un article intitulé « Autonomous biomedical research with an artificial intelligence agent », décrivant Biomni. Cet agent combine un grand modèle de langage à plus de 150 outils bioinformatiques spécialisés, une centaine de packages logiciels et 59 bases de données couvrant la génétique, l'immunologie, la microbiologie ou la neurologie. Sur un benchmark de 443 questions couvrant des tâches comme la priorisation de gènes causaux, le repositionnement de médicaments, le diagnostic de maladies rares ou le clonage moléculaire, Biomni atteint une précision moyenne de 57%, soit environ 30 points de plus que des grands modèles de langage généralistes. Selon les auteurs, un prototype du système est déjà utilisé par plus de 10 000 laboratoires, et sa mise en open source est prévue.

Présenté en 2026 dans le cadre de la conférence CVPR, le banc d'essai « Deepfake-Eval-2024 » conclut que les modèles open source de détection de deepfakes parmi les plus performants chutent fortement face à des trucages réellement diffusés sur les réseaux sociaux. Constitué par des chercheurs de TrueMedia.org, de l'université de Washington, de l'Allen Institute for AI et de plusieurs universités, le jeu de données réunit des deepfakes collectés en conditions réelles en 2024 : 45 heures de vidéo, 56,5 heures d'audio et près de 2 000 images, issus de 88 sites et 52 langues. Par rapport aux anciens jeux de test, la mesure de performance AUC recule d'environ 50 % pour la vidéo, 48 % pour l'audio et 45 % pour l'image, le meilleur modèle open source ne dépassant pas 0,58, à peine au-dessus du hasard. Les auteurs en concluent que les détecteurs académiques ne sont pas représentatifs des menaces réelles.