HN Digest
Briefing personnel.

Lire vite.
Garder l'essentiel.

Les meilleurs longs formats de Hacker News, relus plus calmement.

11382 articles Page 1050/1139 Sans filtre

Pentagon chief blocks officers from Ivy League schools and top universities

Le secrétaire à la Défense Pete Hegseth réorganise la liste des écoles où les officiers peuvent suivre des formations professionnelles et des programmes de troisième cycle. Il a annoncé l’élimination de certains programmes de fellowship du Senior Service College pour l’année universitaire 2026-2027 et au-delà. Dans son mémo, il affirme que l’éducation doit former des penseurs stratégiques fondés sur les principes fondateurs et les documents de la république, prônant la paix par la force et les idéaux américains. La liste des institutions annulées comprend Harvard, MIT, Yale, Columbia, Brown et Princeton, ainsi que Carnegie Mellon et l’école SAIS de Johns Hopkins University. Il propose comme partenaires potentiels Liberty University, George Mason University, Pepperdine, University of Tennessee, University of Michigan, University of Nebraska, University of North Carolina, Clemson et Baylor, parmi d’autres.

OpenAI fires an employee for prediction market insider trading

OpenAI a licencié un employé après une enquête sur son activité sur des marchés de prédiction externes, notamment Polymarket. Fidji Simo, directrice des Applications chez OpenAI, a annoncé cette décision en interne, précisant que l’employé aurait utilisé des informations confidentielles à des fins personnelles sur ces marchés. OpenAI n’a pas révélé l’identité de l’employé ni les détails de ses transactions, mais des analyses évoquent des activités suspectes autour de projets OpenAI sur Polymarket. Des analyses d’Unusual Whales signalent des clusters et des portefeuilles suspects autour d’événements liés à OpenAI, avec des paris autour de Sora, GPT-5 et du ChatGPT Browser et concernant le statut de Sam Altman. Le phénomène soulève des préoccupations sur l’usage d’informations sensibles dans les prédiction markets et sur le besoin de mécanismes de surveillance plus stricts, alors que Kalshi et d’autres plateformes renforcent leurs contrôles.

'Play like a dog biting God's feet': Steven Isserlis on György Kurtág at 100

Je me souviens vivement de ma première rencontre avec György Kurtág, il y a une quarantaine d’années, lors de l’International Musicians Seminar de Prussia Cove, en Cornouailles. L’article présente Kurtág comme animé d’une intensité magnétique et doté d’un anglais ponctué d’er‑er‑er, Márta l’accompagnant presque toujours. Il décrit comment, au fil des leçons, il décompose chaque note, crée des visions et fait que l’interprétation devienne l’affaire personnelle de l’élève lorsque le travail atteint sa fin. Des exemples concrets d’enseignement sont donnés, notamment Schatten, et Kurtág décrit le silence comme un motif essentiel tout en évoquant des références à Hamlet et à Gesualdo. Aujourd’hui, après la perte de Márta, Kurtág reste actif et continue d’enseigner et de composer au Budapest Music Centre, une présence influente pour Isserlis et le public.

What I learned while trying to build a production-ready nearest neighbor system

C'est une méthode d'apprentissage fondée sur les k plus proches voisins, avec une pondération des caractéristiques apprise et une recherche adaptative des voisins. Elle résout les limites des KNN classiques, telles que le traitement uniforme des caractéristiques, la sensibilité au bruit et les problèmes de scalabilité. Elle intègre l'estimation des importances des caractéristiques, la suppression de dimensions et des stratégies de recherche de voisins adaptées, avec une API compatible scikit-learn. Elle peut utiliser une recherche brute-force ou un backend ANN, et prend en charge la régression et la classification, en visant robustesse et latence d'inférence raisonnable. Le projet est stable en version 2, l'API est gelée pour la série v2.x et il est activement maintenu, avec documentation, exemples et benchmarks disponibles sous licence MIT.

From Noise to Image – interactive guide to diffusion

Le texte expose l'immense éventail d'images possibles, estimé à environ un 1 suivi de 400 000 zéros. La grande majorité de ces images n'est que du bruit et on peut voir jusqu'à 60 images aléatoires par seconde selon l'ordinateur. Les modèles de diffusion partent du bruit et le retirent progressivement pour faire émerger une image cohérente, contrairement à la création humaine qui part d'une toile vierge. Ils opèrent dans un espace latent plus petit que l'espace des images et utilisent un encodeur-décodeur pour passer du latent aux images réelles, tandis que les prompts textuels sont mappés dans un espace d'embedding. Le processus est régulé par le seed aléatoire, la longueur du prompt, le nombre d'étapes d'inférence et l'échelle de guidage qui influencent précision et style.

Running a One Trillion-Parameter LLM Locally on AMD Ryzen AI Max+ Cluster

L’article présente un cluster d'inférence distribué sur quatre nœuds utilisant la plateforme AMD Ryzen AI Max+ pour exécuter un modèle de près d’un trillion de paramètres via llama.cpp RPC. Le matériel utilisé comprend quatre Framework Desktop avec Ryzen AI Max+ 395 et 128 Go de RAM chacun, connectés par Ethernet à 5 Gbps. Une étape clé consiste à étendre la VRAM via une modification TTM à 120 Go par nœud, soit 480 Go au total, après configuration BIOS et redémarrage. Deux options d’installation de llama.cpp sont présentées: Lemonade SDK pré-builts ROCm et une construction manuelle à partir de ROCm 7. L’orchestration RPC rend le cluster équivalent à un seul accélérateur, avec rpc-server sur les nœuds secondaires et des commandes llama-cli ou llama-server pour lancer Kimi K2.5, en tirant parti du Flash Attention et des réglages n_batch et n_ubatch.

747s and Coding Agents

L’auteur raconte une conversation avec un pilote belge de 747 qu’il a rencontré lors d’un vol. Le pilote évoque qu’après un certain temps, il n’y a plus d’amélioration et qu’on connaît le 747 aussi bien que possible. L’auteur explique ensuite comment son travail a changé avec l’arrivée des agents de codage basés sur l’IA, capables d’effectuer une grande partie de ses tâches. Il décrit sa transition vers une approche où l’agent peut développer une fonctionnalité de bout en bout, ne nécessitant plus son intervention initiale. Il affirme que le gain réside surtout dans les connaissances du domaine et le raisonnement critique, et que laisser les agents prendre les solutions entières peut affaiblir ses compétences, tout en reconnaissant que ces outils sont là pour durer.

Unsloth Dynamic 2.0 GGUFs

Une mise à jour majeure de quantification dynamique permet d’exécuter et de fine-tuner des LLM quantisés tout en préservant la précision. La méthode ajuste dynamiquement le type de quantification pour chaque couche et s’applique à tous les modèles, avec des formats Q4_NL, Q5.1, Q5.0, Q4.1 et Q4.0. Un ensemble de calibration plus riche et un cadre d’évaluation interne permettent des comparaisons équitables, avec des mesures MMLU à 5 coups et divergence KL comme indicateurs principaux. Des benchmarks et répliques, notamment Gemma 3 QAT et des correctifs Llama 4, démontrent des gains de précision et une réduction de taille par rapport aux versions précédentes. Les versions futures utiliseront Dynamic 2.0 et 4 bits sûrs, et les déploiements se font sur des moteurs comme llama.cpp et LM Studio.