Nvidia AVO : score parfait 100/100 sur ARC-AGI-3, tous les 183 niveaux résolus
Nvidia annonce que son système AVO (Agentic Variation Operators) a obtenu un score parfait de 100/100 sur les 183 niveaux du benchmark ARC-AGI-3, en utilisant 12 % d'actions de moins que les systèmes précédents. Nvidia attribue ce résultat à l'architecture du système (mémoire persistante, boucle de supervision, cycle hypothèse-action-observation-révision) plutôt qu'à la puissance brute du modèle.
Ce résultat déplace le débat pédagogique : il ne s'agit plus seulement d'enseigner les capacités des grands modèles, mais l'ingénierie des systèmes agentiques qui les encadrent. Les enseignants-chercheurs en IA et en informatique doivent intégrer ces architectures de supervision dans les cursus, au-delà du simple usage des LLM. Cela questionne aussi la pertinence des benchmarks actuels pour évaluer une réelle autonomie de raisonnement.
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.