IA dans la recherche fondamentale

Le 20 juillet 2026, Bristol Myers Squibb a annoncé le déploiement de son deuxième NVIDIA DGX SuperPOD, composé de huit systèmes DGX Vera Rubin NVL72. Le groupe pharmaceutique prévoit de réunir cette infrastructure et son SuperPOD existant dans un environnement doté d'un plan de données unique, accessible depuis ses sites mondiaux. La plateforme doit servir aux prédictions, à l'entraînement de modèles et aux workflows agentiques dans la découverte de médicaments, notamment avec BioNeMo Agent Toolkit. NVIDIA revendique jusqu'à dix fois plus de performance par mégawatt que l'infrastructure remplacée. BMS veut ouvrir la capacité à l'ensemble de ses scientifiques et l'affecter à des usages allant de la conception de petites et grandes molécules aux applications cliniques et aux jumeaux numériques.

Le 19 juillet 2026, l'équipe Qwen d'Alibaba a annoncé sur X le lancement prochain de Qwen 3.8, un modèle de 2 400 milliards de paramètres qu'elle prévoit de publier en open-weight. Alibaba le présente comme l'un des modèles les plus puissants disponibles, comparable aux modèles frontière et, selon ses propres termes, second seulement derrière Claude Fable 5 d'Anthropic. Une préversion, Qwen3.8-Max-Preview, est accessible via l'application Qwen Chat et les offres par abonnement du groupe. Ni billet de blog technique, ni model card, ni tableau de benchmarks n'accompagnent l'annonce à ce stade, les chiffres avancés restant des revendications de l'éditeur. Avec 2 400 milliards de paramètres annoncés, Qwen 3.8 approcherait la taille de Kimi K3 de Moonshot AI, modèle ouvert de 2 800 milliards de paramètres sorti le 16 juillet 2026.

Dans une analyse publiée le 17 juillet 2026, le Reuters Institute examine trois approches censées certifier l'origine humaine d'un texte : détecteurs statistiques, certifications volontaires comme ProudlyHuman, et métadonnées de provenance telles que les Content Credentials du consortium C2PA ou le filigrane SynthID de Google. Le détecteur Pangram, qui revendique 99,98 % de précision, a mal classé 86 % des 588 échantillons adversariaux soumis par Alexios Mantzarlis (Indicator). L'institut conclut qu'aucune solution technique n'offre de certitude : les détecteurs conviennent aux corpus massifs plus qu'aux cas individuels, les certifications restent déclaratives et les métadonnées ne garantissent pas l'authenticité du contenu représenté.

Publié le 16 juillet 2026 sur arXiv, SEED (Self-Evolving On-Policy Distillation) s'attaque au fossé de supervision de l'apprentissage par renforcement agentique, où une récompense éparse au niveau de la trajectoire doit guider un apprentissage token par token. La méthode fait générer au modèle, en cours d'entraînement, des compétences a posteriori formulées en langage naturel à partir de ses propres trajectoires, puis les lui distille. Sur ALFWorld, un agent Qwen2.5-3B atteint 91,8 % de succès contre 75 % pour la référence GRPO, et le gain monte à 45,9 points avec Qwen3-1.7B (92 % contre 46,1 %). Les auteurs rapportent aussi 88,5 contre 79,8 sur WebShop et 45,7 % contre 36,4 % en questions-réponses avec recherche. Le code est publié sur GitHub.

Le 16 juillet 2026, une équipe de vingt chercheurs a publié sur arXiv LongStraw, une méthode qui porte le post-entraînement par renforcement (algorithme GRPO) sur des contextes dépassant 2 millions de tokens sans augmenter le budget GPU, alors que le post-training restait jusqu'ici cantonné à 256 000 tokens ou moins. Les auteurs démontrent 2,1 millions de positions sur 8 GPU Nvidia H20 avec Qwen3.6-27B, 4,46 millions de positions en test de charge, et valident l'approche sur GLM-5.2 avec un prompt de 2,1 millions de tokens traité sur les 78 couches du modèle avec 32 GPU H20, pour un surcoût mémoire de 0,21 Go par incrément de taille de groupe. Le code est publié sur le dépôt GitHub de MindLab-Research. Le papier a pris la tête des papiers du jour de Hugging Face le 17 juillet avec 179 votes.