Ce 6 juillet marque une journée dense entre interprétabilité fondamentale et infrastructure physique : Anthropic publie une recherche sur le J-space, espace de travail global découvert dans les LLM, qui rappelle les théories neuroscientifiques de la conscience ; Runway annonce son premier bureau en France avec 30 M USD investis dans la recherche en physical AI ; et l’équipe Claude Code documente enfin les quatre types de boucles agentiques qui structurent les workflows autonomes. Côté open source, LeRobot v0.6.0 et le partenariat Google DeepMind × Apptronik précisent l’anatomie de l’IA robotique en 2026.
Recherche Anthropic — Le J-space, espace de travail global dans les LLM
6 juillet — Anthropic publie sur transformer-circuits.pub une nouvelle recherche d’interprétabilité : les LLM possèdent un mécanisme analogue à l’espace de travail global (global workspace) décrit par les neurosciences cognitives — une zone d’information active, consciente, accessible au raisonnement. Ce mécanisme, nommé J-space, émerge naturellement dans les modèles de langage sans avoir été explicitement conçu.
La recherche établit que, tout comme le cerveau humain ne rend accessible à la conscience qu’une fraction de son activité neuronale, les LLM concentrent leur raisonnement actif dans cet espace restreint. Cette découverte a trois implications concrètes :
- Lire ce sur quoi Claude raisonne activement à un instant donné
- Auditer les états intermédiaires du raisonnement
- Orienter le processus de pensée du modèle pendant son exécution
Le fil X d’Anthropic mentionne une démo interactive disponible via Neuronpedia sur des modèles open-weights, permettant d’explorer le J-space directement. La recherche s’inscrit dans le programme d’interprétabilité mécaniste d’Anthropic (mechanistic interpretability), qui vise à comprendre les représentations internes des modèles pour garantir leur fiabilité à mesure qu’ils gagnent en capacité.
New Anthropic research: A global workspace in language models. Of everything happening in your brain right now, only a tiny fraction is consciously accessible—thoughts you can describe, hold in mind, and reason with. We found a strikingly similar dynamic inside language models. The J-space lets us read, audit, and shape what Claude is actively thinking about—useful tools for keeping models trustworthy as they grow more capable. And it suggests surprising parallels between language models and our own minds.
🇫🇷 Nouvelle recherche Anthropic : un espace de travail global dans les modèles de langage. De tout ce qui se passe dans votre cerveau en ce moment, seule une infime fraction est consciemment accessible — les pensées que vous pouvez décrire, garder en tête et raisonner. Nous avons découvert une dynamique étonnamment similaire dans les modèles de langage. Le J-space nous permet de lire, d’auditer et d’orienter ce sur quoi Claude réfléchit activement — des outils utiles pour maintenir la fiabilité des modèles à mesure qu’ils gagnent en capacité. Et il suggère des parallèles surprenants entre les modèles de langage et nos propres esprits. — @AnthropicAI sur X
🔗 Papier complet — transformer-circuits.pub
Runway ouvre son premier bureau en France à Paris
6 juillet — Runway annonce l’ouverture de son premier bureau français à Paris, dédié à la recherche en world models (modèles du monde) et en physical AI (IA physique). Ce hub s’inscrit dans l’expansion européenne de Runway, six semaines après l’ouverture de son premier bureau londonien.
| Élément | Détail |
|---|---|
| Lieu | Paris, France |
| Équipe initiale | 10 personnes |
| Investissement | 30 M USD |
| Focus | World models, physical AI |
| Recrutement | Paris + Europe |
“France has one of the deepest concentrations of AI research talent in the world. We’re excited to plant a flag in Paris as we continue to grow our global research presence.”
🇫🇷 « La France possède l’une des concentrations les plus profondes de talents en recherche IA au monde. Nous sommes ravis de planter notre drapeau à Paris alors que nous continuons à développer notre présence mondiale en recherche. » — Anastasis Germanidis, co-CEO, Runway
Le co-CEO cite la densité des talents issus des grandes institutions de recherche françaises et le soutien du gouvernement comme facteurs déterminants. Runway recrute activement à Paris et dans toute l’Europe. L’investissement de 30 M USD positionne Paris comme un centre de recherche fondamentale, complémentaire au hub londonien orienté vers la commercialisation.
Claude Code — Guide sur les quatre types de boucles agentiques
6 juillet — L’équipe Claude Code publie via @ClaudeDevs un guide de fond, déjà vu 316 000 fois, sur la conception des boucles agentiques. Le guide part d’une définition précise : une boucle est un agent qui répète des cycles de travail jusqu’à ce qu’une condition d’arrêt soit atteinte.
| Type de boucle | Déclencheur | Condition d’arrêt | Primitif Claude Code | Cas d’usage typique |
|---|---|---|---|---|
| Tour par tour (turn-based) | Prompt utilisateur | Claude juge la tâche terminée | Agentic loop | Tâches courtes et exploratoires |
| Orientée objectif (goal-based) | Prompt + critère explicite | Critère atteint ou nombre max de tours | /goal | Tâches avec critère de sortie vérifiable |
| Temporelle (time-based) | Intervalle temporel | Annulation ou fin de travail | /loop, /schedule | Travail récurrent ou systèmes externes |
| Proactive (proactive) | Événement ou schedule sans humain | Fin de chaque sous-tâche | Dynamic workflows + mode auto | Flux de travail récurrents bien définis |
Exemples concrets donnés dans le guide : /goal get the homepage Lighthouse score to 90 or above, stop after 5 tries (goal-based), /loop 5m check my PR, address review comments, and fix failing CI (time-based). Le guide aborde également la gestion de la qualité du code dans les boucles longues (SKILL.md pour l’auto-vérification, second agent pour la relecture) et le pilotage de l’usage des tokens (choix du modèle adapté, critères d’arrêt clairs).
🔗 Thread @ClaudeDevs — Getting started with loops
Gouvernement de l’Alberta — 466 millions de lignes auditées en 20 heures
6 juillet — Anthropic publie un cas d’usage détaillé du gouvernement de l’Alberta (Canada) : depuis 2025, la province utilise Claude Code avec les modèles Opus et Sonnet pour auditer la sécurité de ses systèmes informatiques gouvernementaux. Les résultats sont saisissants.
| Métrique | Valeur |
|---|---|
| Lignes de code scannées | 466 millions |
| Durée du scan | 20 heures |
| Agents parallèles | ~50 (Opus + Sonnet) |
| Applications couvertes | 1 280 |
| Dépôts couverts | 3 400 |
| Ministères concernés | 27 |
| Contrôles de sécurité par passe | ~95 |
L’architecture repose sur deux types d’agents construits avec le Claude Agent SDK : un agent « équipe rouge » (red team) qui sonde les applications comme un attaquant, et un agent « équipe bleue » (blue team) qui évalue les défenses selon un standard de sécurité international et rédige le plan de remédiation. Un portail de subventions Java vieux de 25 ans a été reconstruit en 4 à 5 jours (contre 5 mois à l’origine). L’Alberta publie des livres blancs techniques pour que d’autres gouvernements puissent reproduire l’approche.
Sakana AI lance Sakana Translate — traduction JA/EN/ZH en temps réel
6 juillet — Sakana AI, laboratoire tokyoïte spécialisé dans les réseaux de neurones bio-inspirés, lance Sakana Translate, intégré à son service Sakana Chat. L’outil prend en charge la traduction bidirectionnelle japonais ↔ anglais ↔ chinois avec trois modes distincts :
| Mode | Fonctionnement |
|---|---|
| Translate | Traduction longue en temps réel |
| Proofread | Affine le ton et la formulation avec suivi des modifications |
| Ask | Clarifie les choix de mots nuancés |
Ce lancement marque l’entrée de Sakana AI dans les outils de traduction grand public, avec un positionnement délibérément axé sur les trois grandes langues d’Asie orientale. Le service est accessible sur translate.sakana.ai.
HuggingFace LeRobot v0.6.0 — world models, reward models, 9 familles de benchmarks
5-6 juillet — HuggingFace publie LeRobot v0.6.0 sous le titre « Imagine, Evaluate, Improve », une version qui structure l’apprentissage robotique en trois axes complémentaires.
Politiques avec modèle du monde :
| Politique | Description |
|---|---|
| VLA-JEPA | VLA compacte (Qwen3-VL-2B) qui prédit le futur en espace latent |
| LingBot-VA | Modèle vidéo-action autorégressif prédisant vidéo future et actions simultanément |
| FastWAM | Évalue si l’imagination en inférence améliore réellement les performances |
Nouveaux VLAs intégrés : GR00T N1.7 (NVIDIA), MolmoAct2 (Allen AI, inférence ~12 GB), EO-1, Multitask DiT, EVO1 (0,77 Md paramètres).
Modèles de récompense : Robometer (zéro-shot sur tout dataset LeRobot) et TOPReward (utilise Qwen3-VL comme juge).
Les benchmarks couvrent désormais 9 familles : LIBERO, Meta-World, NVIDIA IsaacLab-Arena, et 6 nouvelles. L’infrastructure s’enrichit du CLI lerobot-rollout pour le déploiement avec stratégie DAgger, du support FSDP pour entraîner des modèles plus grands que la mémoire GPU disponible, et de HF Jobs pour l’entraînement cloud en une ligne de commande.
🔗 LeRobot v0.6.0 — HuggingFace Blog
Google DeepMind × Apptronik — Robot Park agrandi, données Apollo 2 pour Gemini Robotics
6 juillet — Google DeepMind annonce l’expansion de son partenariat de recherche avec Apptronik. À l’occasion de l’agrandissement du Robot Park d’Apptronik, les données collectées en conditions réelles par la plateforme humanoïde Apollo 2 alimenteront directement l’entraînement de Gemini Robotics.
| Élément | Détail |
|---|---|
| Partenaire | Apptronik (Robot Park agrandi) |
| Plateforme | Apollo 2 (robot humanoïde) |
| Utilisation | Données réelles → entraînement Gemini Robotics |
Cette annonce illustre la stratégie de Google DeepMind : ancrer l’IA robotique dans des données de terrain plutôt que dans des simulations, en s’appuyant sur des robots humanoïdes physiques déployés dans des environnements réels.
Brèves
- Kimi K2.7 Code vs Claude Fable 5 — pages d’atterrissage à -94 % de coût — Together AI publie une comparaison : 12 pages d’atterrissage générées, Kimi K2.7 Code coûte environ 4 centimes par page contre 1,09 USD pour Fable 5 (16× moins cher en moyenne), pour des scores GPT-5.5 en écart de 4 à 12 points selon les pages. L’avantage de Kimi est amplifié avec un serveur MCP de références visuelles. 🔗 Together AI Blog
Ce que ça signifie
L’interprétabilité passe du laboratoire à l’outil de supervision. La découverte du J-space par Anthropic n’est pas un résultat académique isolé : c’est la première fois qu’un mécanisme interne des LLM peut être lu, audité et orienté en temps réel, sans modifier le modèle. Si les outils de supervision basés sur cette recherche deviennent opérationnels, ils changeraient fondamentalement la manière de vérifier ce qu’un agent autonome est en train de planifier — ce qui intéresse autant les équipes de sécurité que les développeurs qui dépannent des workflows agentiques.
Le physical AI s’installe en Europe via Paris. L’ouverture du bureau parisien de Runway, combinée à LeRobot v0.6.0 de HuggingFace et au partenariat Google DeepMind × Apptronik, dessine un écosystème cohérent autour du physical AI : modèles qui imaginent leurs actions avant de les exécuter (world model policies), données réelles de robots humanoïdes pour l’entraînement, et infrastructure cloud pour démocratiser l’accès. Runway choisit Paris pour la densité de recherche fondamentale — un signal sur la géographie future de ce domaine.
L’IA agentique entre en production gouvernementale. Le cas de l’Alberta n’est pas un pilote : 466 millions de lignes scannées en 20 heures par 50 agents parallèles, 1 280 applications et 27 ministères couverts, livres blancs publiés pour les autres gouvernements. Combiné au guide Claude Code sur les boucles, qui documente les primitifs /goal, /loop, /schedule pour les workflows entièrement autonomes, c’est le signe que l’IA agentique est désormais suffisamment fiable pour être déployée sur des systèmes critiques — avec des architectures multi-agents supervisées.
L’équation coût-qualité se déplace. La comparaison Kimi K2.7 Code vs Fable 5 publiée par Together AI matérialise une tension structurelle : pour les tâches à haute fréquence (génération de pages, workflows répétitifs), les modèles open-weight bien optimisés réduisent le coût d’un facteur 16 pour un écart de qualité mesuré à moins de 10 %. Cela ne signifie pas que les modèles fermés perdent de la valeur, mais que leur avantage est de plus en plus concentré sur des tâches où la qualité marginale compte vraiment.
Sources
- Papier J-space — transformer-circuits.pub
- Tweet Anthropic — J-space
- Tweet Anthropic — démo Neuronpedia
- Annonce Runway Paris — runwayml.com
- Tweet Runway Paris
- Thread Claude Code loops — @ClaudeDevs
- Case study Alberta — anthropic.com
- Tweet Sakana Translate
- LeRobot v0.6.0 — HuggingFace Blog
- Tweet Google DeepMind × Apptronik
- Kimi K2.7 Code vs Claude Fable 5 — Together AI