America.gov
Résumé indisponible pour cet article.
Les meilleurs longs formats de Hacker News, relus plus calmement.
Résumé indisponible pour cet article.
NASA a retiré le SR-71A numéro de queue 844 de son piédestal à Edwards et l'a roulé dans le hangar de l'ancien navette pour inspection, selon des images et des témoignages. L'agence a approché plusieurs anciens ingénieurs et testeurs, dont Mike Relja et Tim Conners, pour participer à un projet clandestin visant à remettre l'appareil en vol, sans confirmation officielle. Les anciens techniciens soulignent des obstacles majeurs, notamment la corrosion et la contamination internes, des moteurs et pièces d'appoint qui n'ont pas été entretenus depuis des décennies, et la destruction en 2007 d'un stock de pièces de rechange. D'autres défis incluent l'absence d'équipements au sol spécialisés, l'approvisionnement en carburant et produits d'allumage spécifiques et le manque d'équipages et de maintenance formés, bien que des manuels opérationnels et des avions de musée offrent des pistes de solutions. Les responsables de la NASA évoquent une relance de la flotte X-plane pour des percées aérodynamiques, et les anciens estiment que la remise en vol est théoriquement possible si des ressources financières et logistiques substantielles sont allouées.
Un programme de Green Mountain Power installe des batteries domestiques en location pour protéger les foyers contre les coupures et offrir une alternative moins chère aux générateurs individuels. En agrégeant plus de 5 500 batteries domestiques, des panneaux solaires et d'autres dispositifs, GMP a constitué une centrale virtuelle devenue la plus grande source d'énergie du Vermont. Cette centrale virtuelle n'émet pas d'électricité elle-même mais orchestre la gestion de la demande, remplace en grande partie des centrales d'appoint fossiles et renforce la résilience du réseau. Le dispositif a permis des économies pour les clients et l'opérateur, mais se heurte encore à des incitations financières et des obstacles réglementaires au niveau national. GMP vise à étendre le stockage à tous ses clients et à intégrer les batteries de véhicules pour accroître significativement la capacité de sa centrale virtuelle d'ici 2034.
Les autorités fédérales ont saisi le domaine LabelsBank.com et fermé le site qui vendait des étiquettes d'affranchissement contrefaites. Les documents judiciaires accusent Faheem Akram, 33 ans, du Pakistan, d'avoir exploité ce site non autorisé vendant des étiquettes USPS contrefaites à prix fixe. Les enquêteurs estiment que plus de 5 000 clients ont acheté plus de 5,1 millions d'étiquettes contrefaites, entraînant plus de 126 millions de dollars de pertes pour l'USPS. Akram est poursuivi pour conspiration en vue de frauder les États-Unis, fabrication et vente de timbres contrefaits et fraude électronique. Les autorités ont précisé que ces accusations sont des allégations et que toute personne est présumée innocente jusqu'à preuve du contraire.
Résumé indisponible pour cet article.
Le modèle présenté est un petit modèle de langage récurrent écrit en Rust qui lit les tokens un par un, conserve une banque de souvenirs épisodiques et réécrit une partie de ses propres poids pendant l'exécution. Contrairement au transformeur qui recalcule les scores pour chaque paire de tokens et a un coût quadratique en longueur, ce modèle transporte un état de taille fixe en une passe gauche‑à‑droite et interroge une mémoire bornée, ce qui fait croître le coût linéairement. La couche combine une récurrence sélective de type state‑space (avec pas par canal), une lecture hyperbolique bornée aux quatre meilleurs emplacements conditionnée sur l'état, un gate par canal, un adaptateur faible rang et un MLP SiLU. Les écritures sont plastiques : un emplacement est inséré pour la nouveauté, un compteur réfractaire limite les réécritures contradictoires, et des mises à jour rapides sont consolidées dans la matrice de transition par une régression ridge en forme fermée. Aux échelles testées (≈1,5M paramètres sur 12,7M tokens) le prototype généralise mieux et apprend plus vite que le transformeur de référence, génère environ 12× plus rapidement sur le même CPU, et ses auteurs indiquent que des tests à plus grande échelle et davantage de compute sont nécessaires et bienvenus.
Tesla a obtenu 30 milliards de dollars de lignes de crédit selon un dépôt réglementaire, arrangées par Citi et Wells Fargo avec des échéances d'un à cinq ans. La décision intervient alors que la croissance et la rentabilité ont fortement ralenti en 2024 et que les bénéfices récents restent très faibles, parfois soutenus par éléments exceptionnels. Les dépenses d'investissement ont plus que doublé au dernier trimestre et la société prévoit un CapEx massif, autour de 25 milliards de dollars en 2026, pour financer plusieurs projets ambitieux au rendement incertain. Tesla disposait d'environ 43 milliards de dollars de trésorerie mais a été en flux de trésorerie négatif le dernier trimestre et indique qu'elle ne prévoit pas de tirer sur la ligne en 2026, tout en laissant une incertitude pour la fin d'année. Le montant des prêts représente une somme proche d'un quart du chiffre d'affaires actuel et vise à financer les activités opérationnelles et le développement de produits dont la rentabilité et le calendrier de commercialisation restent à démontrer.
Résumé indisponible pour cet article.
Livenerf est un benchmark append-only conçu pour mesurer, de façon reproductible et pré-enregistrée, si les capacités d'un modèle de pointe déclinent après son déploiement. Il exécute quotidiennement un panel verrouillé de questions que le modèle réussit parfois, compare chaque item à un baseline de dix jours et calcule des différences appariées avec erreurs standards groupées. Le système maximise l'herméticité en figeant l'invite, le binaire CLI, les graders et les logs, et traite la stochasticité des sorties par des analyses statistiques sur de nombreux échantillons. Une voie de contrôle exécute Opus 5 pour isoler les changements d'infrastructure, la validation préenregistrée a été réussie et la série a démarré autour du lancement d'Opus 5.5 avec des collectes quotidiennes sur 30 jours. Les résultats indiquent que la baisse d'effort se manifeste d'abord par une forte réduction des tokens et que l'outil détecte une perte d'environ 7,5 points d'exactitude sur dix jours, tout en restant peu sensible aux petits swaps intra-famille.
Le modèle s'est distingué sur le benchmark Roboflow Vision Evals, obtenant les meilleurs résultats connus en détection (82,1% mAP@50 à faible effort) et en raisonnement visuel. Il prend en charge la détection par texte et par exemples visuels (box prompting et cross-image), la segmentation polygonale, le comptage, la ré‑identification vidéo et le raisonnement multi‑étapes, avec des démonstrations sur des briques LEGO, des bonbons et des scènes sportives. En segmentation, il comprend mieux les consignes textuelles que SAM 3 et identifie des éléments textuels manqués par SAM 3, tandis que SAM 3 fournit des masques aux contours plus précis, rendant les deux outils complémentaires selon les besoins. Le modèle est toutefois plus lent et sensiblement plus coûteux que des alternatives comme Qwen3.8 Max, de sorte qu'il est recommandé de tester d'abord des modèles moins onéreux et d'utiliser le niveau d'effort faible avant d'augmenter le coût. Pratiquement, il est utile pour l'auto‑annotation et l'analyse vidéo complexe, permet des expériences de contrôle robotique avec retour visuel, et Roboflow propose d'essayer vos propres jeux de données pour mesurer le travail manuel restant.