HN Digest
Briefing personnel.

Lire vite.
Garder l'essentiel.

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

11293 articles Page 24/1130 Sans filtre

An algorithmic failure beneath the secret ballot

Le scrutin secret, essentiel à la démocratie car il empêche d'associer un vote à une personne, est mis en danger par une vulnérabilité dans la façon dont certains scanners anonymisent les bulletins en attribuant des numéros pseudo-aléatoires déterministes. En quelques heures et sans accès aux machines ni aux codes sources, l'auteur a utilisé des agents de codage pilotés par des modèles de langage pour inverser ce mélange et reconstituer l'ordre de 1,52 million de bulletins déposés lors de la primaire de mai 2026 en Géorgie, soit 98,9 % des bulletins en personne dans les comtés examinés. La méthode combine des fichiers publics — les CVR (cast-vote records), les listes de vote anticipé, et, le cas échéant, les journaux d'audit et les registres de pointage — pour associer des bulletins à des plages temporelles ou à des électeurs individuels, avec des exemples détaillés comme le comté de Heard et le centre de vote de Ball Ground. Cette capacité à relier votes et personnes élimine l'anonymat des bulletins dans de nombreux cas et expose les électeurs à la coercition, au chantage ou à la vente de votes, surtout lorsqu'on combine ces données publiques avec des vidéos, des observateurs ou des comptes rendus locaux. Un correctif certifié (version 5.17 ou supérieure pour les scanners Dominion) existe depuis mars 2023, mais son déploiement reste lent, et l'auteur recommande un déploiement urgent et une révision des pratiques de divulgation responsable car les outils d'IA ont fortement abaissé la barrière technique pour exploiter ce type de vulnérabilité.

Dust: Pretraining Transformers Without Backpropagation

Les auteurs introduisent Dust, une méthode d'optimisation de type zeroth-order qui perturbe les activations indépendamment à chaque token pour créer une population virtuelle et estimer des gradients à partir de perturbations récompensées par la baisse de la perte. Concrètement, on ajoute du bruit gaussien aux sorties des couches linéaires, on calcule des récompenses par réduction centrée de la perte (avec un décay des crédits pour les tokens futurs) et on obtient le gradient de sortie par moyenne pondérée du bruit dont le produit externe avec l'entrée fournit la mise à jour des poids, tandis que les internals d'attention et la tête sont traités séparément pour réduire les interférences. Sur des préentraînements de transformers, Dust se montre compétitif avec la rétropropagation et la dépasse parfois à très grande population, tout en étant de 10^3 à 10^4 fois plus efficace que des ES qui perturbent les poids (comme EGGROLL) selon leurs extrapolations, et les modèles plus grands s'avèrent souvent plus efficients en population. La similarité en cosinus entre les estimations de Dust et les gradients de backprop augmente avec la taille de la population et se maintient sur des points de contrôle allant jusqu'à 1 milliard de tokens, indiquant l'émergence de gradients utiles sans utiliser la règle de la chaîne. Les auteurs notent cependant que Dust n'est pas encore suffisamment efficient en calcul pour remplacer la rétropropagation aujourd'hui, mais il ouvre la possibilité d'explorer des architectures non différentiables et soulève des questions sur les mécanismes par lesquels la recherche par population pourrait surpasser les gradients de premier ordre.

Find the flattest route between any two points in SF

L'application calcule des itinéraires dans le navigateur sur 160 000 segments de rue de San Francisco en utilisant le lidar USGS à 1 mètre et le graphe routier Overture/OpenStreetMap. Un curseur couvre le compromis entre distance et dénivelé en affichant tous les itinéraires non dominés, du chemin le plus court à l'itinéraire le plus plat jugé praticable, et le déplacement du curseur vers la droite n'abrège jamais l'itinéraire ni n'ajoute de montée. Le dénivelé est compté comme gain cumulatif et non comme différence nette d'altitude entre les points de départ et d'arrivée. Les escaliers sont autorisés pour les piétons et exclus pour les vélos, et des lignes pâles montrent les autres itinéraires le long du parcours. La recherche de lieux fonctionne hors ligne avec intersections, lieux et adresses intégrés, et les sources, les données et l'analyse complète sont fournies par Drew Edwards.

Opus 5.5 agents discover two room-temperature magnetic semiconductor candidates

Les aimants ferromagnétiques produisent un champ macroscopique tandis que les antiferromagnétiques ont des moments voisins opposés qui se compensent, et la recherche vise des matériaux intermédiaires permettant de trier les spins sans champ parasite. Les matériaux dits Luttinger compensés ont des atomes up/down inéquivalents qui annulent le moment net mais permettent de séparer les spins par énergie, la taille de la fenêtre de spin au bord de la bande interdite devant dépasser le bruit thermique (~26 meV) pour être utile. Une équipe d'agents d'IA a exécuté des simulations quantiques (DFT en PBE+U et HSE06) et conçu YBaMnFeO5, prédit semi-conducteur avec un gap de 2,35 eV, des fenêtres de spin de 1,0 eV (trous) et 1,4 eV (électrons) et une température d'ordre magnétique simulée autour de 420–490 K, mais sa synthèse pratique est problématique car l'ordre en damier Mn/Fe se désordonne lors des traitements thermiques. Les agents ont aussi reconnu KV[Cr(CN)6], rapporté en 1999, qui selon les calculs offre un gap d'environ 2,1 eV, des fenêtres de spin larges (2,6 eV pour les trous, 1,6 eV pour les électrons), une ordre magnétique mesurée jusqu'à 376 K et une structure chimique qui verrouille chaque métal sur son site, bien que l'échantillon poudreux contienne de l'eau affectant légèrement le moment résiduel. Ces résultats suggèrent que des semi-conducteurs Luttinger compensés aptes au spintronique existent déjà et que l'étape suivante est de ressynthétiser et mesurer directement KV[Cr(CN)6], toutes les données et calculs étant partagés publiquement sur GitHub.

Example.com just launched the biggest redesign in decades

Le domaine réservé par l'IANA sert depuis la fin des années 1990 de modèle dans la documentation et présente un message expliquant qu'il ne doit pas être utilisé comme service de test. Le récent redesign du 28 septembre 2026 a ajouté une prise en charge multilingue affichant six langues toutes les cinq secondes via JavaScript et a inséré une icône SVG de livre. La transition visuelle alterne l'opacité caractère par caractère en enveloppant chaque caractère dans un span et en appliquant à chaque span un délai de transition légèrement croissant, tandis que l'animation d'opacité elle-même utilise transition: opacity .4s;. IANA explique que les changements visent à réduire la bande passante et améliorer l'utilité en séparant le contenu de base d'un fichier JavaScript chargé facultativement par la majorité des trafics automatisés, car le site sert surtout d'espace réservé. Depuis son lancement en 1999 et sa première capture disponible en 2002, le site a connu des étapes notables (citation de la RFC 2606 en 2003, ajout de .edu en 2010, retrait puis redéploiement sur CDN en 2013, ajustements de police et de copie en 2019, changements d'infrastructure en 2025 suivis d'une migration vers Cloudflare, et de petites retouches en 2026), et il est explicitement déconseillé de s'en servir pour la surveillance opérationnelle car des interruptions sporadiques ont été observées.

Beam: Reflection's 501B open-weight model

Beam est un modèle sparse Mixture-of-Experts de 501 milliards de paramètres au total avec 23 milliards activés par token, conçu pour le codage, le raisonnement et les charges de travail agentiques. Il a été préentraîné sur 23,8 billions de tokens de haute qualité et a subi plus de 100 millions de rollouts d'entraînement par renforcement sur 10 500 GPU GB300 pendant quatre semaines. Sur les benchmarks de codage, d'agentivité et de raisonnement, Beam atteint des performances compétitives par rapport aux modèles ouverts de pointe tout en nécessitant nettement moins de calcul d'inférence par token. L'équipe a construit une infrastructure asynchrone à grande échelle, des pipelines de curation de données centrés sur la qualité, et des algorithmes pour stabiliser l'apprentissage par renforcement à forte latence afin de gérer des environnements à grande échelle et des centaines de milliers d'exécutions simultanées. Un programme d'alignement et de sécurité combinant SFT et RL par distillation multi-enseignant et entraînement adversarial a été mené, et les poids ainsi que la documentation et les outils associés seront publiés prochainement sous licence Apache 2.0.

Why Common Lisp is now the best programming language

L'article soutient que Common Lisp devient particulièrement avantageux avec l'arrivée des grands modèles de langage car ceux‑ci génèrent du code très rapidement. Il explique que la vitesse de génération de code par les LLM rend la boucle de rétroaction — tester et relancer le programme — le facteur limitant du développement, et que Common Lisp réduit presque complètement cette boucle grâce à son image en mémoire et à l'absence de distinction stricte entre temps de lecture, compilation et exécution. L'auteur souligne que le débogueur interactif de Common Lisp, qui conserve la pile et les variables sans écraser le programme, facilite les corrections dirigées par un LLM et que les macros permettent de transformer et d'étendre le langage pour créer des langages de domaine. Il ajoute que les programmes en Lisp sont souvent beaucoup plus concis, ce qui réduit le coût en tokens pour les LLM et permet d'englober une plus grande partie du code dans la fenêtre de contexte, et que la norme ANSI stable protège contre les ruptures futures. Enfin, l'article reconnaît l'écosystème plus petit de Quicklisp mais estime que les LLM peuvent combler les manques en écrivant ou en portant des bibliothèques, et considère que l'embauche peut viser des capacités d'apprentissage plutôt qu'une expérience préalable en Lisp.

What Meta got right with Muse

Mete, designer produit avec plus de dix ans d'expérience, analyse comment Muse de Meta réunit des composants déjà existants pour rendre l'IA agentique accessible au grand public. Il note que Muse n'invente rien techniquement mais réussit grâce au design produit, au marketing et à un modèle financé par la publicité qui permet une offre gratuite permissive. Contrairement à ChatGPT et Claude, Muse simplifie l'expérience en supprimant les choix techniques inutiles et en proposant une conversation unique qui orchestre les workflows en arrière-plan. L'auteur soutient que concevoir l'IA comme un collègue et donner une personnalité aux agents augmente l'engagement des utilisateurs et favorise l'adoption grand public. Il conclut que les erreurs stratégiques d'OpenAI, Google et Apple ouvrent une opportunité pour Meta de dominer l'IA grand public avec Muse.

What's the future for pure math research in the age of AI?

L'auteur constate les annonces récurrentes selon lesquelles des IA résolvent des problèmes mathématiques et rappelle, à partir de l'histoire de Mathematica, que les outils informatiques ont plutôt élevé le niveau des travaux mathématiques qu'ils n'ont rendu les chercheurs superflus. Les IA modernes sont très utiles pour extraire et recombiner des connaissances mathématiques à grande échelle et pour automatiser des tâches calculatoires, mais elles s'appuient sur des représentations statistiques et ne remplacent pas l'imagination humaine ni le rôle décisif du choix des questions, une différence fondamentale par rapport à la computation générative soumise à l'irréductibilité computationnelle. La formalisation automatique présente des risques d'interprétations erronées, d'où l'intérêt d'un langage calculable lisible par les humains comme le Wolfram Language pour traduire les notions mathématiques en représentations précises que l'on peut vérifier et modifier, et pour étendre ainsi la formalisation aux objets de la mathématique pure. Les preuves automatisées peuvent donner des résultats corrects mais souvent bas niveau, longs et déconnectés du récit mathématique humain, tandis que l'IA demeure utile pour résoudre des problèmes concrets, suggérer contre‑exemples et fournir des conjectures vérifiables par calculs assistés. Les orientations et l'esthétique de la recherche mathématique restent largement déterminées par des choix humains et des objectifs partagés, la mathématique pure restant une source de cadres conceptuels pour la science et la technologie, éternellement inachevée en raison de l'irréductibilité computationnelle et enrichie mais non remplacée par l'IA.