Anthropic J-lens : les chercheurs découvrent un « espace de travail global » à l'intérieur de Claude
L'équipe d'interprétabilité d'Anthropic a publié des travaux sur le « J-space », un sous-espace interne de Claude détecté via une méthode nommée « Jacobian lens » (J-lens), qui se comporterait comme un espace de travail global redistribuant l'information entre les couches du modèle avant la génération d'une réponse. L'outil J-lens a été rendu open source sur la plateforme Neuronpedia.
Ces travaux d'interprétabilité ouvrent une piste concrète pour rendre le raisonnement des modèles de langage plus lisible, ce qui intéresse directement les enseignants et chercheurs travaillant sur l'usage académique de l'IA. Comprendre comment un modèle élabore une réponse peut nourrir des cours sur l'éthique, la fiabilité et l'audit des systèmes d'IA. Cela renforce aussi la nécessité, pour les établissements, de former aux limites réelles de ces outils plutôt qu'à leur seule utilisation.
Analyse produite par l’AI Transformation Office de l’ISC Paris, co-écrite avec Claude (Anthropic).
À lire aussi
Microsoft : son système MAI-DxO pose le bon diagnostic dans 83 % des cas complexes, contre 36 % pour des médecins seuls
Une étude publiée dans Science évalue MAI-DxO, un orchestrateur d'agents IA qui délibèrent collectivement, atteignant 83 % de bons diagnostics sur des cas complexes contre 36 % pour des médecins seuls travaillant sans assistance. L'essentiel du gain provient des modèles sous-jacents (GPT-5 et GPT-5.5), avec un apport plus faible sur les cas d'urgence, et une évaluation en conditions réelles démarre avec un centre hospitalier.
Ce type d'architecture multi-agents délibérative constitue un cas d'étude concret pour les formations en intelligence artificielle, en informatique médicale et en sciences de la santé. Il invite les enseignants-chercheurs à interroger, dans leurs cursus, la complémentarité entre expertise humaine et systèmes d'IA plutôt que leur simple substitution, et à intégrer ces méthodes d'évaluation rigoureuses (comparaison à des références publiées) dans les enseignements de recherche.
Perplexity et NVIDIA entraînent une IA « professeur » qui ajuste ses explications au niveau de l'élève
Une méthode baptisée JOLT, développée conjointement, entraîne un modèle à jouer à la fois le rôle d'enseignant et d'élève, récompensant le professeur lorsque ses explications restent accessibles au niveau de l'élève plutôt que lorsqu'il fournit la meilleure réponse. Sur les mathématiques, cette approche atteint la précision d'une méthode de référence avec environ 6,5 fois moins de données d'entraînement, et le code doit être publié en open source.
Cette recherche illustre un changement d'optimisation des IA éducatives, désormais conçues pour l'étayage pédagogique et non plus seulement pour la justesse de la réponse. C'est un signal fort pour les enseignants-chercheurs qui développent ou évaluent des tuteurs intelligents destinés aux étudiants, et la publication en open source facilitera des expérimentations pédagogiques dans les établissements.
Anthropic lance Claude Duet, un agent qui travaille entre deux conversations
Anthropic a annoncé le 21 octobre Claude Duet, un agent en préversion de recherche doté de sa propre machine virtuelle et de son navigateur, qui surveille les outils connectés d'un utilisateur et soumet chaque action sensible à validation avant exécution. L'accès est limité aux abonnés Pro et Max aux États-Unis, sur liste d'attente.
Ce type d'agent branché en continu sur messagerie et agenda manipule par nature des données personnelles d'étudiants et de personnels, ce qui impose aux établissements de cadrer précisément les accès avant toute expérimentation. Les enseignants-chercheurs devront aussi réfléchir à l'usage pédagogique de tels agents dans la gestion du travail administratif et universitaire, tout en respectant les chartes IA et le RGPD.