hyseers

[hyseers @Hyseers10]

@539Repiw les partiels de C sur papier

[Baleba Fan 🇳🇴🇹🇬🇳🇬 @AbouSax]

Examen de python sur papier

[hyseers @Hyseers10]

@noe_mttp @AbouSax carrément tp noté tu compiles pas par peur et tu rends comme ça

[Dario Amodei @DarioAmodei]

Today we announced the Claude-led discovery of a molecular machine that we suspect could represent a new gene editing mechanism. Its precise function, biotechnological utility (if any), or level of significance is not yet clear, but at minimum it is work I would have been proud to do as a PhD student. The work was done mostly, though not entirely, by Claude: our life sciences team suggested a broad area of research, Claude read through the literature and a bunch of genome data and discovered something interesting, then Claude proposed experiments to verify the discovery and our team carried them out.

It’s easy to dismiss this as a one-off or curiosity, but we’ve repeatedly seen a pattern where AI performance in new intellectual domains goes from weak to superhuman in a matter of a few years. In 2023 models struggled to do math at the level of an average high-school student. In 2024 they started to do well on math competitions for the best high-schoolers in the country, in 2025 they started to solve minor open problems, in early 2026 more significant open problems, and in late 2026 they are beginning to solve the top few open problems in all of mathematics. We believe AI for biology is on a similar exponential trend.

The main difference between biology and mathematics, of course, is that math can be done purely theoretically, while biology requires experimentation. Some have used this to draw the conclusion that AI’s utility in biology will be limited. We think this is wrong. As we’ve demonstrated today, humans can collaborate with AI to perform the experiments, validate key results in a few weeks and, if necessary, work with the AI to iterate on what they find. Eventually it may even be possible for Claude itself to safely perform the experiments by autonomously controlling lab equipment, with appropriate safeguards in place, but we aren’t doing that today (our lab is also a BSL1/BSL2 facility that doesn't handle materials dangerous to humans).

More broadly, biomedical advancement has many stages — from fundamental biology discoveries, to translational research, to drug discovery, clinical trials, and finally the actual delivery of medicines and health care to patients. We are also interested in these later stages, but even simply accelerating the first stage of fundamental biological discoveries has the potential to speed up and broaden the entire pipeline. Improving our understanding of biology and sharpening biologists’ tools can drive forward all of the later stages, for example by identifying new drug targets, finding new therapeutic modalities, allowing for more precise measurement, and speeding up the experimental loop which itself further accelerates our understanding of biology. This will not in itself speed up clinical trial times, but if it succeeds it could greatly increase the number of promising candidates that go into the pipeline — an increase in throughput even though latency remains.

In Machines of Loving Grace, I wrote about AI’s potential to “cure most diseases in 5-10 years” — a goal that sounds impossible, but one I believe is just barely possible if AI is applied to every stage of the pipeline. The first step is showing that AI can first help with, and then drive, biological discoveries.

Claude’s discovery is the latest in a line of related prior work that goes back decades, beginning with systems like CRISPR, and continuing with discoveries like the bridge recombinase and VIPR in the past few years. Recently, there has been heightened interest in systems based on reverse transcriptase (RT) enzymes, the enzyme underlying the system Claude identified. And most recently, a Stanford team working independently described a novel RT system with an associated non-coding array that is in some ways similar to the one Claude found, though they are distinct systems that evolved independently from each other. I believe that we’re at the very beginning of finding such systems and developing them into powerful tools for biotechnology.

I’m proud of the resources Anthropic has invested in accelerating the public benefits of AI through the life sciences, and we’re aiming both to grow our life sciences team and to work with other scientists to extend this approach to a broad range of problems. If you have a proposal for a research collaboration or are interested in joining our life sciences team, please reach out.

[larbi convexe vs les Tony Chopper @Un3arbi1]

Aimer les maths mais ne pas aimer l'algèbre https://t.co/lBFvvRD3G1

[Dario Amodei @DarioAmodei]

We Must Pace the Frontier: I’ve written a new essay on why the AI industry should slow down, with a three-part plan for doing so.

Anthropic is unilaterally committing to the first of these steps. We’ll provide third-party evaluators with permanent, employee-level access to our systems, so that they can verify adherence to our safety measures, report on incidents, and assess models’ alignment during training.

You can read the full post here: https://t.co/OGyPb7yaYt

[Jacob Coxon @hilbertspaess]

I resigned from Anthropic today. I spent the last three years doing pretraining research at both OpenAI and Anthropic. Neither company is acting responsibly. They are racing straight to self-improving superintelligence and gambling with our lives. More thoughts below.

[Supersocks @iamsupersocks]

OpenAI annonce avoir résolu Navier–Stokes avec environ 10 000 agents en 88 heures. Un problème mathématique ouvert depuis près de 90 ans. Ce qui me paraît fou, c’est le résultat annoncé, mais aussi ce que @polynoamial dit de son coût.

Pour comprendre, Navier–Stokes décrit comment les fluides se déplacent. Ces équations servent à étudier l’air autour d’un avion, la météo ou le sang dans nos artères. Elles fonctionnent suffisamment bien pour être utilisées tous les jours, alors qu’une question fondamentale restait sans réponse : un mouvement initialement régulier peut-il devenir singulier en un temps fini

OpenAI affirme avoir montré qu’un fluide mis en mouvement peut former un tourbillon qui se resserre jusqu’à atteindre une vitesse infinie dans les équations : c’est le modèle mathématique qui atteint sa limite, pas l’eau réelle qui devient infiniment rapide.

On utilise des formules pour prévoir comment l’eau ou l’air se déplacent, par exemple autour d’un avion.

Depuis des décennies, une question reste ouverte : ces formules peuvent-elles finir par donner un résultat impossible, même quand tout commence normalement ?

OpenAI affirme avoir trouvé un tel cas : les formules prédisent un tourbillon qui accélère jusqu’à une vitesse infinie. L’eau réelle ne fait pas ça : cela montre une limite de notre façon de la décrire.

Trouver et prouver cette limite, c’est ce qui rendrait cette avancée historique.

Cette avancée arrive avec un nouveau modèle interne, plus capable qu’Astra selon OpenAI, et une recherche répartie entre des milliers d’agents explorant différentes pistes. Les chercheurs ont réorienté les ressources et fait circuler les résultats intermédiaires. Aux 88 heures de recherche se sont ajoutées 17 heures de formalisation et de vérification.

Un papier de 165 pages et une formalisation en Lean sont publics. Lean permet à un logiciel de contrôler les déductions mathématiques. Il reste à examiner la démonstration, ses hypothèses et sa correspondance avec le problème annoncé, mais les éléments nécessaires à cette vérification sont désormais accessibles. (https://t.co/LSpuhROjWI)

Selon Noam Brown, cette recherche a coûté plusieurs millions de dollars, mais ce genre de capacité pourrait devenir beaucoup moins cher. Il donne un exemple : sur un test de raisonnement, une ancienne IA (o3) nécessitait environ 500 000 dollars de calcul. Une plus récente ferait aujourd’hui mieux pour environ 20 dollars.

Cette comparaison concerne un benchmark précis. Elle ne permet pas de calculer le futur prix d’une découverte sur Navier–Stokes. Mais elle explique son raisonnement : mobiliser énormément de calcul pendant la résolution peut révéler des capacités que les progrès suivants rendront bien moins coûteuses.

Brown prédit que, dans un an, chacun disposera d’une IA capable de résoudre des problèmes de ce calibre. C’est sa prévision. Si elle se concrétise, des chercheurs qui n’ont pas les moyens de mobiliser 10 000 agents pourraient accéder à une puissance de recherche aujourd’hui réservée à quelques laboratoires.

Les travaux humains qui ont rendu cette avancée possible restent essentiels, et les questions de crédit autour de Buckmaster et Alpöge doivent être éclaircies. Il faudra aussi mesurer ce que cette méthode permet de reproduire sur d’autres problèmes, avec quel accompagnement humain et quel coût de vérification.

Une singularité mathématique ne signifie pas que l’eau réelle peut atteindre une vitesse infinie, ni que la météo devient parfaitement prévisible. L’enjeu immédiat est de comprendre une limite fondamentale de nos équations. La perspective qui m’enthousiasme, c’est que les moyens de produire ce type de découverte puissent devenir accessibles à beaucoup plus de chercheurs.

[hyseers @Hyseers10]

@Frenchie_ bientôt l’hypothèse de Riemann à ce rythme..

[Damien McElvanna @damiendamien]

@OpenAI

[Kyan Yang @kyanyang_]

this is insane.

Levent and Tristan make major independent progress towards Navier–Stokes, with help from Claude and Codex.

word reaches OpenAI.

days later, OpenAI claims internal NS results, coincidentally using the same novel methods as Levent and Tristan.

Tristan asks if OpenAI trained on their private Codex sessions. he never gets an answer.

then OpenAI pressures Tristan to publish without Levent because Levent works at Anthropic.

when Tristan refuses, he says OpenAI threatens his career.

[OpenAI @OpenAI]

This is GPT-6 Astra.

Anything you can do on a computer, Astra can do for you. Fast.

[Tom - Raskolnikov @GreatDayToWin]

La fonction n’est pas C^inf à support compact

[hyseers @Hyseers10]

@remy_trk2 @BakugoXIX je crois pas

[hyseers @Hyseers10]

@_BeFootball

[Winamax Sport 🔞 @WinamaxSport]

🏅 Championnat • 🥇 Coupe des Champions • 👞 Soulier d'or • 🏆 Coupe Nationale • 🏆 Coupe du Monde

🎖️ Joueur de la saison • 🥇 MVP de la LDC • 🌍 Ballon d'Or du Mondial • 🤵‍♂️ Président de la République • 🏊‍♂️ Sauve un enfant de la noyade

⭐️ Classement Ballon d'Or : 18e

[david scott @V2757240]

je préfère prendre une balle IRL que ça

[STONE @ismaDinter2]

-12 Physique
-8 Moral
🩹5 semaines d’absence