Le filThèmes : RechercheOpen source
Des chercheurs entraînent 800 modèles pour mesurer l’effet du texte web généré par IA sur le pré-entraînement
1 sourcemis à jour il y a 6 jpertinence 3,6 sur5
L’essentiel
Après le filtrage FineWeb, Pangram étiquette 27,5 % des tokens web de juin 2026 comme générés par IA, puis 31,1 % en août. Les chercheurs publient le corpus WildAI de 83 milliards de tokens, les 800 modèles et le code.
Propagation1 article, publié par HF Daily Papers le 1 oct..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceJenna Russell, Ben Glickenhaus, Katherine Thai et al.huggingface.co
How Much Is an AI Token Worth? Scaling Laws for Wild AI-Generated Web Text (site externe)
Web text makes up the majority of pretraining data and is increasingly AI-generated. After applying FineWeb quality filtering, we find that 27.5% of tokens from June 2026 web data are labeled as AI-generated by Pangram, rising to 31.1% by August.
Sur les mêmes thèmes
Open source
Xiaomi publie MiMo-V2.6-Pro, un modèle open-weights omnimodal de 1 000 milliards de paramètres
Open source
Xiaomi MiMo publie MiMo-V2.6-Distill-Qwen-9B, un modèle agentique de 9 milliards de paramètres
Open source
Reflection dévoile Beam, un modèle d’IA de 501 milliards de paramètres
Recherche
OpenAI publie 722 manuscrits de mathématiques issus d’un modèle interne non diffusé
À lire ensuite
Modèles
Google DeepMind annonce Gemini 4 Argon, déployé d’abord auprès de défenseurs cyber de confiance via Fairwind
Modèles
OpenAI lance GPT-6 Sol et GPT-6 Luna, deux modèles plus économiques qui complètent GPT-6 Astra
Modèles
Anthropic publie Claude Opus 5.5 et OpenAI lance GPT-6 Sol et GPT-6 Luna à environ une heure d’écart
Modèles
Anthropic lance Claude Sonnet 5.5, deuxième modèle de la famille Claude 5.5