ArXiv's Next Chapter
Résumé indisponible pour cet article.
Lire vite.
Garder l'essentiel.
Les meilleurs longs formats de Hacker News, relus plus calmement.
Scaling Laws, Carefully
Les lois d'échelle décrivent empiriquement que la perte diminue suivant une loi en puissance quand on augmente le nombre de paramètres N, la taille des données D et le calcul C, ce qui permet de prédire et d'allouer efficacement le budget de calcul entre modèle et données. Des travaux antérieurs (Amari, Hestness, Rosenfeld) ont montré des courbes d'apprentissage en loi de puissance et proposé un modèle paramétrique joint du type L̂(N,D)=A/N^α + B/D^β + E, où l'architecture change surtout le terme d'offset mais pas l'exposant. Kaplan et al. (2020) ont popularisé ces lois pour les Transformers en signalant des lois de puissance robustes et en recommandant, d'après leurs ajustements, un compromis compute-optimal N_opt ∝ C^{0,73} conduisant à privilégier des modèles plus grands que des jeux de données proportionnellement plus modestes. Hoffmann et al. (Chinchilla, 2022) ont, par trois méthodes expérimentales et d'ajustement, trouvé au contraire N_opt ∝ C^{0,5} et montré que, à budget de calcul égal, des modèles plus petits mais entraînés sur beaucoup plus de tokens peuvent surpasser de très grands modèles sous-entraînés. La recherche ultérieure a traité les limites de données et la répétition (Muennighoff, Lovelace), en introduisant des termes d'efficacité décroissante et de pénalité de surapprentissage, et a souligné la sensibilité pratique des ajustements de lois d'échelle aux choix méthodologiques, rendant les extrapolations très fragiles.
I built a mmWave material classification radar (2025)
L'auteur a conçu un prototype de radar FMCW basé sur une carte Texas Instruments IWRL6432 et un ESP32 pour détecter des matériaux, en ciblant particulièrement la présence d'amiante. Le traitement du signal comprenait génération de chirp, mixage, FFT de portée et beamforming Capon pour produire un spectre dense par portée et angle utilisé comme signature électromagnétique. Un réseau de neurones convolutif a été entraîné sur ces spectres pour classifier différents matériaux et couches, avec un jeu de données et une preuve de concept fonctionnelle. L'auteur a réalisé des simulations RF avec openEMS et optimisé des antennes par transfert TX→RX pour rapprocher les signatures simulées des mesures réelles. Le projet a été interrompu faute de financement et d'adoption commerciale malgré le POC, et l'auteur tire des leçons pratiques pour les startups hardware comme valider la demande par précommandes et prototyper de manière lean.
Segmenting Robot Video into Actionable Subtasks
Les auteurs présentent WGO‑Bench, un benchmark de 100 épisodes (743 segments annotés) couvrant 62 tâches uniques et des vues variées issues de HomER, DROID et Galaxea. Le meilleur pipeline de segmentation atteint 0,306 de F1, l'étiquetage atteint 61,0 % d'exactitude et le meilleur système bout en bout obtient 0,168 de F1, avec Gemini 3.5 Flash dominant les autres modèles (≈24,5 % de mieux que GPT‑5.5). La méthode la plus efficace et économique utilise des contact sheets horodatées (échantillonnage 0,5 s, tuiles 224 px, 20 images par feuille) et coûte environ 2,64 $/heure de vidéo en tarification batch, soit près de 19 fois moins cher que l'annotation humaine. La principale limitation reste la détection temporelle des frontières, en particulier pour les sous‑tâches courtes (<2 s) et les vidéos égocentriques où les actions simultanées et la granularité rendent les limites difficiles à placer. L'ensemble du pipeline est open source dans Refiner, avec des recettes recommandées (segmentation par contact sheets puis relabeling amorcé) et des exemples prêts à l'emploi pour répliquer l'annotation automatique.
Tokyo has only two barley tea makers, we visited one to see how mugicha is made
Le mugicha est une infusion non pas de feuilles de thé mais de grains d'orge torréfiés, consommée chaude ou froide au Japon. L'entreprise Ogawa Sangyo s'approvisionne principalement auprès de cultivateurs japonais (Ibaraki, Tochigi et Toyama) et utilise deux variétés d'orge malgré la baisse du nombre d'exploitants. La torréfaction se fait au feu direct avec du sable pour répartir la chaleur, en deux étapes courtes à 250 °C puis 180 °C, ce qui fonce les grains et renforce leur arôme. Les grains doublement torréfiés, au goût évoquant le popcorn, sont infusés à la place des feuilles et conditionnés en sachets triangulaires ou rectangulaires, les sachets triangulaires favorisant une meilleure infusion, avant un emballage final en partie manuel. La torréfaction rend l'usine nettement plus chaude que l'extérieur, mais le mugicha reste une boisson estivale très prisée pour se rafraîchir.
Hatari – Online Atari ST/STE/TT/Falcon Emulator
Résumé indisponible pour cet article.
Ante: A new way to blend borrow checking and reference counting
Ante est un langage en développement qui vise à combiner le comptage de références et le borrow checking sans panic d'exécution, en permettant des emprunts mutables sûrs sur des données partagées. Il introduit la notion de shape-stability, qui garantit qu'une référence vers une valeur de forme stable reste toujours déréférençable, autorisant ainsi plusieurs emprunts mutables simultanés vers une même structure ou ses champs. Pour gérer les unions et les mutations internes, Ante permet des conversions temporaires en uniq (emprunt exclusif local) à condition que, dans cette portée, aucune autre variable susceptible d'aliaser l'objet ne soit utilisée, évitant ainsi les vérifications ou plantages à l'exécution. Cette approche exige une analyse de types récursive et peut être fragile face à l'évolution des structures, et les concepteurs explorent des solutions comme le branding, des effets de mutation ou des contrôles d'aliasing pour améliorer la robustesse et l'ergonomie. Au final, Ante démontre qu'un contrôle statique peut offrir l'équivalent d'un RefCell sans coût d'exécution, ouvrant de nouvelles pistes pour la sécurité mémoire tout en posant des défis d'implémentation et d'utilisabilité.
I ported Kubernetes to the browser
Résumé indisponible pour cet article.
CERN bids farewell to the LHC and enters Long Shutdown 3
L'accélérateur a été mis hors service à la fin de sa dernière campagne de physique pour entamer le Long Shutdown 3 (LS3), un vaste programme de maintenance et de modernisation en vue du HiLumi LHC. Depuis ses premiers faisceaux en 2008, le LHC a produit d'importantes avancées scientifiques et technologiques, dont la découverte du boson de Higgs en 2012, la découverte de plus de 85 hadrons et de nombreuses mesures et limites pour la physique au-delà du Modèle standard. Le LS3 représente l'intervention la plus vaste depuis la construction de l'accélérateur, mobilisant des milliers de spécialistes pour remplacer 1,2 km d'aimants et réaliser des travaux étendus sur l'injecteur et les installations expérimentales, notamment la consolidation de la North Area du SPS, le démantèlement de la zone cible CNGS, la transformation de l'ECN3 et la rénovation d'ISOLDE ainsi que des systèmes de sécurité et du réseau électrique. Les expériences ATLAS et CMS seront largement rénovées pour supporter entre 140 et 200 collisions par croisement de paquets, avec le remplacement complet des systèmes de trigger et l'installation de nouvelles technologies comme des trajectographes tout-silicium à milliards de canaux, des détecteurs de timing à quelques dizaines de picosecondes et des calorimètres capables d'opérer à des taux mégahertz. Le HiLumi LHC, dont l'exploitation est prévue autour de 2030 après un redémarrage progressif à partir de 2028, augmentera la luminosité jusqu'à un facteur dix pour permettre des jeux de données beaucoup plus vastes, tandis que des milliers de chercheurs continueront d'analyser les données accumulées pendant la période d'arrêt.
From brain waves to words: a new path to communication without surgery
Résumé indisponible pour cet article.