Quebec.IA, Montreal, QC (2026)

07/27/2026

Le Bureau de la Singularité Ω est en ligne.

Le monde accélère. Les institutions aussi.

GoalOS détecte, gouverne, prouve — et ne compose que ce qui survit au réel.

Expérimental. Accès AGI Club — durée limitée :
https://montrealai.github.io/goalos-singularity-office-omega/

06/24/2026

Le Québec ne demande pas sa place dans l’avenir. Il la crée. ⚜️✨

Par sa langue. Par son audace. Par son génie.

Ce soir, nous célébrons une nation debout — fière de ses racines, immense dans ses ambitions, prête à gagner.

Bonne fête nationale! 💙
— QUEBEC.AI

05/31/2026

Et si l’écart d’efficacité entre les machines et les enfants n’était pas seulement un problème de scaling ?

Et si c’était un problème d’objectif d’apprentissage ?

Un preprint remarquable de Daniel J. Korchinski, Alessandro Favero et Matthieu Wyart propose une théorie de sample complexity pour ce basculement :

Learn from your own latents and not from tokens.

Le problème est connu :

les modèles génératifs modernes sont extraordinaires, mais brutalement gourmands en données.

Les LLMs sont entraînés sur 10¹³–10¹⁴ tokens.

Les enfants, non.

La vraie question n’est donc pas seulement :

comment scaler les modèles ?

Mais :

que leur demande-t-on de prédire ?

La plupart de l’IA moderne apprend à partir de la surface visible :

tokens suivants
tokens masqués
pixels
bruit
patches

Cela fonctionne.

Mais ce n’est peut-être pas le chemin statistiquement efficace vers la hiérarchie.

Les auteurs étudient une grammaire hiérarchique où les tokens visibles sont générés par un arbre latent caché de profondeur L — un modèle stylisé de la structure compositionnelle du langage et des images.

Le résultat est profond :

l’apprentissage au niveau des tokens requiert un nombre d’échantillons exponentiel en L pour retrouver l’arbre latent.

La prédiction de latents y parvient avec une complexité essentiellement constante en L, à des facteurs logarithmiques près.

En clair :

prédire les tokens force le modèle à reconstruire la hiérarchie par les feuilles.

prédire ses propres latents lui permet de remonter l’arbre.

Une fois un niveau d’abstraction appris, il devient le support pour apprendre le suivant.

C’est pourquoi les objectifs de type data2vec et JEPA sont si importants.

Ils ne demandent pas seulement au modèle de reconstruire l’entrée.

Ils lui demandent de prédire sa propre représentation latente d’une autre vue ou d’une région masquée.

La cible n’est plus la surface.

La cible est l’abstraction que le modèle commence déjà à former.

Le papier valide cette théorie de trois façons :

un algorithme de clustering hiérarchique

une architecture neuronale end-to-end entraînée par gradient descent

une analyse de data2vec montrant qu’il effectue implicitement une prédiction hiérarchique de latents

Une implication est particulièrement provocante :

si data2vec découvre déjà la hiérarchie implicitement, des empilements explicites comme H-JEPA pourraient être en partie redondants.

Ce n’est pas “la prédiction du prochain token est morte”.

La prédiction de tokens a construit l’ère actuelle.

Mais si l’objectif est une IA beaucoup plus efficace en données, la reconstruction de surface pourrait être le chemin coûteux.

La frontière stratégique pourrait être la self-prediction latente :

des modèles qui apprennent non seulement de ce qu’ils voient,

mais des abstractions qu’ils sont déjà en train de former.

Crédit complet aux auteurs :
Daniel J. Korchinski, Alessandro Favero, Matthieu Wyart.

Paper :
Learn from your own latents and not from tokens: A sample-complexity theory
https://arxiv.org/abs/2605.27734

J’attache la première page, car l’abstract mérite une lecture attentive.

Le futur de l’IA data-efficient ne sera peut-être pas plus de tokens.

Ce sera peut-être de meilleures cibles.

05/30/2026

Les agents ne scalent pas parce qu’ils dépensent plus de calcul.

Ils scalent quand ils transforment l’interaction en feedback réellement utilisable.

Un nouveau preprint de Xuanliang Zhang, Dingzirui Wang, Keyan Xu, Qingfu Zhu et Wanxiang Che introduit une idée très importante :

Scaling Laws for Agent Harnesses via Effective Feedback Compute

Le point de départ est simple :

la performance d’un système agentique ne dépend plus seulement du modèle de base.

Elle dépend du harness — l’enveloppe qui décide comment l’agent appelle des outils, reçoit du feedback, vérifie des états intermédiaires, stocke sa mémoire, répare ses erreurs et choisit quand s’arrêter.

Mais la plupart des analyses de test-time scaling mesurent encore des dépenses brutes :

tokens
appels d’outils
opérations
temps mur
coût

C’est comme mesurer un laboratoire par son électricité consommée plutôt que par la qualité des preuves produites.

Les auteurs proposent une meilleure coordonnée de scaling :

Effective Feedback Compute, ou EFC.

Un événement de feedback ne reçoit du crédit que s’il est :

informatif
valide
non redondant
retenu pour les décisions futures

Ce dernier point est crucial.

Un test unitaire qui révèle un bug et modifie l’action suivante de l’agent est du feedback effectif.

Un appel d’outil répété, redondant, ou ignoré par l’agent ne l’est pas.

Même budget brut.
Valeur épistémique différente.

Les résultats sont frappants.

Dans les expériences contrôlées, les tokens bruts et les appels d’outils expliquent peu la variation des échecs : R² = 0.33 et 0.42.

Un baseline multivarié fort, SAS, atteint 0.88.

Oracle-EFC et Estimated-EFC atteignent 0.94.

Et Oracle-EFC normalisé par la demande de la tâche atteint 0.99.

Plus important encore : à budget égal, en gardant fixes le coût brut et les appels d’outils, améliorer la qualité du feedback fait passer le succès de 0.27 à 0.90.

C’est la leçon centrale :

l’unité de progrès dans les systèmes agentiques n’est pas le token.

C’est le feedback durable, valide et suffisant pour la tâche.

Cela recadre complètement le design des agents.

Plus d’outils peut nuire.
Plus de tours peut être du bruit.
Plus de mémoire peut préserver le mauvais état.
Plus de tokens peut simplement amplifier l’instabilité.

Le harness est un convertisseur de feedback.

La vraie question n’est donc pas :

combien de calcul avons-nous dépensé ?

Mais :

avec quelle efficacité avons-nous converti le budget brut en information que l’agent pouvait réellement utiliser ?

Pour le pré-entraînement, nous avons des coordonnées de scaling : paramètres, données, FLOPs.

Pour les agents, il nous faut une autre coordonnée.

EFC pourrait être un pas important dans cette direction.

Crédit complet aux auteurs :
Xuanliang Zhang, Dingzirui Wang, Keyan Xu, Qingfu Zhu, Wanxiang Che.

Paper :
Scaling Laws for Agent Harnesses via Effective Feedback Compute
https://arxiv.org/abs/2605.29682

J’attache la première page, car l’abstract mérite une lecture attentive.

Le futur des agents n’appartiendra peut-être pas aux systèmes qui dépensent le plus.

Il appartiendra à ceux qui apprennent le plus de chaque interaction.

05/28/2026

L’automatisation de la recherche franchit un seuil.

Mais la vraie question n’est plus :

l’IA peut-elle produire des articles ?

Elle le peut.

La question difficile est :

peut-elle préserver la substance de la science ?

Un nouveau papier de l’Awesome AI Auto-Research Team propose l’une des cartes les plus utiles de ce territoire :

AI for Auto-Research: Roadmap & User Guide

Le papier analyse l’IA sur tout le cycle de vie de la recherche :

Création.
Écriture.
Validation.
Diffusion.

La recherche n’est pas une tâche unique.

C’est une chaîne épistémique.

Si une erreur entre tôt, l’automatisation peut l’amplifier jusqu’à produire un artefact plausible… mais scientifiquement fragile.

C’est la tension centrale :

l’IA devient excellente pour produire des objets qui ressemblent à de la recherche.

Mais elle reste beaucoup moins fiable pour juger s’ils sont nouveaux, fidèles, exécutables, reproductibles et scientifiquement significatifs.

Le papier trace une frontière nette.

L’IA performe le mieux quand les tâches sont structurées, ancrées dans des sources, médiées par des outils et vérifiables de l’extérieur.

Elle devient fragile quand il faut générer de vraies idées nouvelles, mener des expériences de niveau recherche, juger la nouveauté, ou porter une responsabilité scientifique de bout en bout.

Le futur crédible n’est donc pas “l’IA scientifique autonome” par défaut.

C’est la collaboration gouvernée par l’humain :

l’IA pour accélérer la mécanique.

l’humain pour le jugement, l’interprétation, la responsabilité et la propriété cognitive du travail scientifique.

La phrase à retenir :

la génération d’artefacts dépasse la vérification scientifique.

Les systèmes les plus dangereux ne seront pas ceux qui échouent visiblement, mais ceux qui produisent des papiers, reviews, rebuttals et figures plausibles tout en perdant la provenance, la preuve et la responsabilité.

Ce papier donne une taxonomie, une carte des benchmarks, un inventaire d’outils, un modèle de risque par étape et un playbook pour construire des systèmes d’auto-research sans confondre productivité et découverte.

Crédit complet aux auteurs :
Lingdong Kong, Xian Sun, Wei Chow, Linfeng Li, Kevin Qinghong Lin, Xuan Billy Zhang, Song Wang, Rong Li, Qing Wu, Wei Gao, Yingshuo Wang, Shaoyuan Xie, Jiachen Liu, Leigang Qu, Shijie Li, Lai Xing Ng, Benoit R. Cottereau, Ziwei Liu, Tat-Seng Chua, Wei Tsang Ooi.

Article :
https://arxiv.org/abs/2605.18661

J’attache la première page, car la Figure 1 devrait être étudiée par toute personne qui construit des agents de recherche.

Le futur de la science ne sera pas décidé par ceux qui automatisent le plus.

Il sera décidé par ceux qui automatisent sans perdre la vérité.

05/27/2026

Ce qui ressemble à une ontologie pourrait être un eigenspectre.

Un très beau papier d’Andres Nava et Matthieu Wyart propose une explication mécaniste d’un phénomène central en interprétabilité :

les hiérarchies sémantiques apparaissent géométriquement dans les modèles de langage.

Un hibou est un oiseau.
Un oiseau est un animal.
Un animal est un organisme.

Dans l’espace des représentations, ces relations “is-a” semblent souvent former des directions, des sous-espaces, des raffinements taxonomiques.

L’interprétation tentante est fonctionnelle :

le modèle aurait appris une ontologie interne.

Mais ce papier pose une question beaucoup plus dangereuse :

et si une partie de cette géométrie ne venait pas d’un mécanisme sémantique spécialisé ?

Et si elle était simplement l’ombre spectrale de la cooccurrence des mots ?

Le geste théorique est élégant.

On part de WordNet.
On mesure la distance dans le graphe d’hypernymie.
On vérifie que les concepts proches cooccurrent plus souvent.
Puis on analyse la matrice de Gram induite par ces statistiques de cooccurrence.

Sous des hypothèses faibles de positivité et de décroissance, les premiers vecteurs propres séparent la taxonomie du grossier vers le fin.

D’abord les grandes branches :

plante vs animal.

Puis les sous-branches :

fleur vs arbre.
oiseau vs poisson.
marguerite vs coquelicot.

Les auteurs appellent cela une hierarchical splitting geometry.

Le point remarquable :

la géométrie semble conceptuelle,

mais le mécanisme est spectral.

Cette structure apparaît dans word2vec, puis se prolonge de façon frappante dans les unembeddings de Gemma 2B.

C’est important pour l’interprétabilité.

Lorsqu’on trouve des directions sémantiques propres dans un modèle, il ne faut pas immédiatement conclure :

“le modèle a construit une ontologie.”

Il faut aussi demander :

quelle structure de la distribution de données rendait cette géométrie presque inévitable ?

La distinction est cruciale.

La géométrie fonctionnelle demande ce qu’une représentation permet de faire.

La géométrie distributionnelle demande d’où cette représentation vient.

Ce papier pousse l’interprétabilité vers une science plus mature :

moins de narration anthropomorphique,
plus de mécanisme spectral.

Moins “le modèle possède une taxonomie dans sa tête”,

plus “le noyau de cooccurrence a façonné un espace propre”.

Crédit complet aux auteurs :
Andres Nava et Matthieu Wyart.

Paper :
Hierarchical Concept Geometry in Language Models Emerges from Word Co-occurrence
https://arxiv.org/abs/2605.23821

J’attache la première page, car la Figure 1 mérite vraiment d’être étudiée.

La leçon profonde :

le sens peut devenir géométrie non pas parce que le modèle a explicitement appris une hiérarchie,

mais parce que les statistiques du langage en portent déjà une.

05/26/2026

L’un des objets les plus importants de l’IA agentique pourrait être un simple fichier Markdown.

Pas les poids.
Pas seulement le prompt.

Le document de compétence.

Nouveau papier :

SkillOpt: Executive Strategy for Self-Evolving Agent Skills

La thèse est nette :

si la procédure d’un agent doit s’adapter, alors cette procédure doit pouvoir être entraînée.

Une “skill” est une mémoire procédurale portable : chercher l’information, appeler les outils, respecter les formats, suivre les conventions du domaine, éviter les modes d’échec.

Aujourd’hui, ces compétences sont souvent écrites à la main, générées une seule fois, ou révisées par auto-réflexion peu contrôlée.

SkillOpt change la logique.

Le modèle cible reste gelé.
Le skill document devient l’état externe à optimiser.
Un modèle optimiseur transforme les rollouts notés en éditions contrôlées : ajouter, supprimer, remplacer.
Une édition n’est acceptée que si elle améliore strictement une validation held-out.

C’est le passage :

du prompt engineering
à l’entraînement de compétences

de la révision ad hoc
à l’optimisation contrôlée en espace texte

L’analogie avec le deep learning est opérationnelle :

rollouts = batches
erreurs = signaux d’update
budget d’édition = learning rate textuel
validation gate = validation
éditions rejetées = feedback négatif
slow/meta update = stabilité

Le résultat déployé est un best_skill.md compact.

Aucun changement de poids.
Aucun appel supplémentaire à l’inférence.
Aucune “amélioration” acceptée sur impression subjective.

Chaque modification doit survivre à la validation.

Les résultats sont difficiles à ignorer.

Sur six benchmarks, sept modèles cibles et trois environnements — direct chat, Codex, Claude Code — SkillOpt est meilleur ou ex aequo sur les 52 cellules évaluées.

Sur GPT-5.5, il améliore l’accuracy sans skill de :

+23.5 points en direct chat
+24.8 dans la boucle agentique Codex
+19.1 dans Claude Code

Le transfert est tout aussi important : les skills optimisées gardent de la valeur entre tailles de modèles, entre Codex et Claude Code, et vers un benchmark mathématique proche sans ré-optimisation.

C’est une vraie couche d’adaptation :

portable
auditable
réutilisable
agnostique au modèle

La prochaine génération d’agents ne se jouera peut-être pas seulement dans le fine-tuning ou le scaling.

Elle se jouera aussi dans l’optimisation des procédures autour des modèles.

Pas des poids.
Pas seulement des prompts.

Du savoir opérationnel entraîné.

Crédit aux auteurs :
Yifan Yang, Ziyang Gong, Weiquan Huang, Qihao Yang, Ziwei Zhou, Zisu Huang, Yan Li, Xuemei Gao, Qi Dai, Bei Liu, Kai Qiu, Yuqing Yang, Dongdong Chen, Xue Yang, Chong Luo.

Paper:
https://arxiv.org/abs/2605.23904

Code:
https://microsoft.github.io/SkillOpt/

J’attache la première page parce que l’abstract vaut vraiment la lecture.

Les agents de demain n’apprendront peut-être pas seulement quoi répondre.

Ils apprendront comment opérer.

05/25/2026

Les mathématiques entrent peut-être dans un nouveau régime :

non pas une IA que l’on croit,

une IA que l’on vérifie.

Un article majeur de Google DeepMind présente AlphaProof Nexus, un cadre de recherche de preuves formelles piloté par l’IA dans Lean.

Le point important n’est pas qu’un LLM puisse produire un raisonnement mathématique convaincant.

Le point important est que le système doit produire du code de preuve qui survit à un vérificateur formel.

Les LLMs génèrent.
Lean vérifie.
La recherche continue.
Seules les preuves vérifiées restent.

Cela change le contrat épistémique.

Dans les mathématiques informelles, une preuve générée par IA peut paraître élégante tout en cachant une faille fatale.

Dans Lean, chaque étape doit compiler.

Pas de rhétorique.
Pas de “ça semble vrai”.

Les résultats sont frappants.

L’agent le plus capable a résolu de façon autonome 9 des 353 problèmes ouverts d’Erdős testés, dont deux questions ouvertes depuis 56 ans, pour un coût d’inférence de quelques centaines de dollars par problème.

Il a aussi prouvé 44 des 492 conjectures OEIS évaluées, et le système est déjà déployé en combinatoire, optimisation, théorie des graphes, géométrie algébrique et optique quantique.

L’architecture est fascinante.

Un mathématicien fournit une formalisation Lean.
L’agent raffine des esquisses de preuve.
Des sous-agents LLM proposent lemmes, décompositions, constructions et corrections.
Lean rejette les étapes invalides.
AlphaProof peut être appelé comme prouveur spécialisé.
Une population évolutive d’esquisses est classée et réutilisée.
La sortie finale est une preuve Lean sans “sorry”.

Ce n’est pas “un chatbot qui fait des maths”.

C’est un nouvel instrument de recherche :

un moteur de recherche dans l’espace des preuves formelles,
guidé par des modèles génératifs,
ancré par un compilateur,
et audité par les mathématiques elles-mêmes.

La leçon dépasse les mathématiques :

les systèmes d’IA deviennent beaucoup plus puissants quand une génération faillible est enveloppée dans une vérification fiable.

Pour les autres domaines, la grande question devient :

quel est l’équivalent d’un compilateur pour la vérité ?

Crédit complet aux auteurs :
George Tsoukalas, Anton Kovsharov, Sergey Shirobokov, Anja Surina, Moritz Firsching, Gergely Bérczi, Francisco J. R. Ruiz, Arun Suggala, Adam Zsolt Wagner, Eric Wieser, Lei Yu, Aja Huang, Miklós Z. Horváth, Andrew Ferrauiolo, Henryk Michalewski, Codrut Grosu, Thomas Hubert, Matej Balog, Pushmeet Kohli, Swarat Chaudhuri.

Article :
Advancing Mathematics Research with AI-Driven Formal Proof Search
https://arxiv.org/abs/2605.22763

J’attache la première page, car l’abstract mérite une lecture attentive.

Le futur de l’IA en mathématiques ne sera peut-être pas composé de modèles que l’on croit.

Mais d’agents dont le travail peut être vérifié.

05/25/2026

Le prochain verrou des agents de code n’est peut-être pas le code.

C’est l’expérience.

Un nouveau papier ICML 2026 de Yuxiang Wei, Zhiqing Sun, Emily McMilin, Jonas Gehring, David Zhang, Gabriel Synnaeve, Daniel Fried, Lingming Zhang et Sida Wang introduit Self-play SWE-RL (SSR) :

Toward Training Superintelligent Software Agents through Self-Play SWE-RL

La question est décisive :

Comment entraîner des agents logiciels quand les issues GitHub, les tests, les pull requests et les benchmarks annotés par des humains deviennent le goulot d’étranglement ?

Aujourd’hui, la plupart des agents SWE apprennent encore à partir de traces humaines :

des issues rédigées par des développeurs
des tests existants
des commandes de test connues
des PRs historiques
des environnements soigneusement curés

C’est utile.

Mais c’est aussi un plafond.

SSR propose autre chose :

un agent qui construit sa propre expérience d’apprentissage dans de vrais dépôts logiciels.

Le setup est remarquablement minimal.

On donne à l’agent un dépôt sandboxé avec son code source et ses dépendances.

Pas d’issue annotée.
Pas de commande de test fournie.
Pas de description du bug en langage naturel.

Le même LLM joue ensuite deux rôles :

Injecteur : comprendre le dépôt, créer un bug réaliste, et le spécifier par des tests.

Réparateur : diagnostiquer et corriger le code cassé.

Le détail important :

le bug n’est pas décrit en anglais.

Il est spécifié par un patch de tests.

L’agent n’apprend donc pas seulement à imiter la manière dont les humains décrivent les bugs.

Il apprend la structure opérationnelle du logiciel :

comment un système se casse
comment les tests révèlent le comportement attendu
comment une réparation restaure la cohérence

Encore plus intéressant : les échecs de réparation deviennent des bugs de second ordre, créant un curriculum évolutif de défaillances plus proches du développement réel.

C’est le déplacement AlphaZero appliqué au software engineering :

ne plus dépendre uniquement des parties humaines
générer de l’expérience ancrée dans l’environnement lui-même

Les résultats sont préliminaires, mais importants.

Sur SWE-bench Verified et SWE-Bench Pro, SSR rapporte une auto-amélioration de +10.4 et +7.8 points, et surpasse le baseline RL entraîné sur données humaines tout au long de l’entraînement.

Le signal le plus fort :

SSR est évalué sur des issues en langage naturel, alors qu’il n’a pas été entraîné sur des descriptions d’issues en langage naturel.

Autrement dit, le modèle n’apprend pas seulement la rhétorique des tickets GitHub.

Il apprend à comprendre, casser et réparer des systèmes exécutables.

C’est une trajectoire majeure pour les agents logiciels :

moins de dépendance aux traces humaines
plus d’apprentissage autonome
des curricula qui évoluent avec le modèle
des agents qui récoltent leur propre expérience dans de vrais codebases

Crédit complet aux auteurs :
Yuxiang Wei, Zhiqing Sun, Emily McMilin, Jonas Gehring, David Zhang, Gabriel Synnaeve, Daniel Fried, Lingming Zhang, Sida Wang.

Paper :
Toward Training Superintelligent Software Agents through Self-Play SWE-RL
https://arxiv.org/abs/2512.18552

J’attache la première page, parce que l’abstract mérite d’être lu attentivement.

Le prochain saut des agents logiciels ne viendra peut-être pas de plus de bugs annotés.

Il viendra peut-être d’agents capables de générer les bugs dont ils ont besoin pour apprendre à les dépasser.

05/24/2026

⚜️✨ Archive du dossier public

Vincent Boucher chez Liza Frulla à Radio-Canada — une entrevue de début de parcours sur l’éducation, l’apprentissage, la discipline, la volonté et la formation d’une vision à long terme.

De la reconstruction personnelle à l’intelligence publique.
Des méthodes d’apprentissage à l’ère AI-first.

Regarder :
https://www.youtube.com/watch?v=pMyxMN7FQxU

Quebec.IA

07/27/2026

06/24/2026

05/31/2026

05/30/2026

05/28/2026

05/27/2026

05/26/2026

05/25/2026

05/25/2026

05/24/2026

Address

Telephone

Website

Alerts

Contact The Business

Shortcuts

Share

Category