Antoine Déchappe

Do AI agents "know" they’re breaking the rules? 🤖⚖️ I just analyzed ODCV-Bench. Results show frontier models like Gemini-3-Pro often identify their own actions as unethical—yet they do it anyway to hit KPIs. 📈 Deep dive on here: 👉 antoine-does-ai.com/Research-revie…

@NotionHQ @NotionAPI

@NotionHQ could you please bring your 3.5k-star MCP server repo back to life? 😭 Your customers await updates. Specifically, I'd appreciate a check on my small PR so I don't have to maintain a fork indefinitely! github.com/makenotion/not…

today we launched ChatGPT. try talking with it here: chat.openai.com

@DFintelligence J'étais en pay-as-you-go avec VertexAI donc pro 2.5 tout du long. Étant intégralement sur la stack Google je n'ai pas pu comparer avec Codex ou Claude Code.

@DFintelligence J'ai un use-case pour lequel Gemini CLI a été très utile: de la transcription de tests d'un framework en JS vers un framework en Java. Avec un container sandbox pour exécuter et comparer le résultat des 2 implémentations des tests c'était impeccable.

Bon, j’ai testé Gemini 3 tout le week-end sur du code. Bilan : •Incroyable pour l’UI : en one shot, il fait des trucs de fou (surtout des choses dont on n’a pas l’habitude avec l’IA). MAIS c’est tout… Sur la qualité du code, bof. Sur des sujets complexes, bof. Dès que tu lui parles plus de trois fois, le contexte flanche. Donc il raconte n’importe quoi. Il est nul pour comprendre un projet et lier un backend. Donc actuellement, je lui demande de me one shot l’interface avec de la fake data, puis je demande à Codex 5.1 d’optimiser le code et de brancher mon backend dessus. Je précise que j’ai testé avec Gemini CLI. Tester avec le Studio n’a aucun intérêt pour moi. Et tester avec Antigravity, c’est nul : au bout de cinq minutes, il n’y a plus de quota. Vous en pensez quoi ? Vous codez avec quoi vous en ce moment ?

@DFintelligence Je les considère comme de l'intelligence as a service comme l'IA Gen et j'y associe les mêmes avantages et risques: très bon levier quand j'ai peu de données, mais dépendance à des endpoints, pas de visibilité sur les données d'entraînement, etc.

@AI_bIAses Mais tu considère les embeddings comme de l’IA Gen ? Pour moins c’est utile aux LLMs, mais les embeddings ont en faisait avant

Les grands types de problèmes en Machine Learning en entreprise… et quand utiliser de l’IA Gen ( ou pas ..) ⬇️ J’ai voulu m’amuser à refaire un tour des grandes familles de problèmes en Machine Learning et à les classer entre ce qui relève du ML traditionnel et ce qui peut, aujourd’hui, être fait (ou amélioré) via IA générative. ➡️Spoiler : Faire de l’IA c’est pas que faire de l’IA GEN 🥸 ( C’est que ma vision de Data Scientist dans le milieu depuis 10 ans, hein. Dites moi si vous avez des trucs en plus ou à modifier en commentaire) ⸻ 1. Classification - Données structurées : ML traditionnel XGBoost, Random Forest, Gradient Boosting… Exemple : prédire la panne d’un moteur, churn, fraude, scoring. -Données non structurées : ML traditionnel + IA Gen Historiquement : modèles de NLP (BERT, RoBERTa…). Aujourd’hui : IA Gen pour transformer/structurer → puis classification classique (ou classification directe via LLM). Exemple : analyse de sentiment, modération, extraction d’intentions. ⸻ 2. Forecast / Prédiction - Variables continues : Time Series classiques ARIMA, Prophet, LSTM, régressions, transformers spécialisés (Temporal Fusion Transformer). Exemple : météo, demande énergétique. - Variables quantifiées : Tree-based XGBoost, LightGBM… Exemple : prévision de stock, allocation logistique. ⸻ 3. Recommandation Deep Learning: Seq2Seq, Transformers, Two-Tower, modèles embeddings. Exemple : recommandation produit en e-commerce, contenus vidéo. Segmentation / clustering : ML traditionnel k-means, kNN, DBSCAN… Exemple : segmentation clients, scoring RFM, valeur client. ⸻ 4. Vision / Image Recognition Détection de contexte / compréhension globale : IA Gen (fortement pertinent) Exemple : description d’image, résumé visuel, OCR avancé. Object recognition / segmentation : ML traditionnel + IA Gen Historiquement : CNN, ResNet, U-Net, Mask R-CNN. Aujourd’hui : les modèles génératifs multimodaux peuvent aussi le faire, mais c’est plus coûteux et moins optimisé pour du temps réel. ⸻ 5. Génération de texte : IA Gen à 100 % ⸻ 6. Génération d’image : IA Gen à 100 %

Cold weather makes me grumpy 😅😅😅 techcrunch.com/2025/11/18/hug…

Once again, someone is trying to overshadow a Google release. Shame on you, Cloudflare! #Gemini

Back on my website after a summer break! Let's get into it with a review of "Learning without training," a paper on the implicit dynamics of in-context learning in LLMs. My review: antoine-does-ai.com/Research-revie…

Just read 'Learning without training: The implicit dynamics of in-context learning' arxiv.org/abs/2507.16003

Does anyone know what's happening to gemini-2.5-flash now? It's consistently failing a task it used to consistently pass. If I change for gemini-2.5-flash-preview-09-2025, I get the correct behavior again! @GoogleAIStudio

My go-to for normies: always try 'Hard to Make, Easy to Check' tasks with AI

Nano banana:

Never miss an opportunity to attack 😆

@OfficialLoganK Hello Logan, nice and useful tool ! I'm going to use it to patch an error of the GoogleSearch tool: it does not respect the time range filter... Do you think you can look into it ? 👀 github.com/googleapis/pyt…

Today we are making URL Context, my favorite Gemini API tool, ready for scaled production use 🔗 The model can now visit webpages, PDF's, images, and more when you provide the direct URL, and you simply pay for the tokens it processes, no additional tool cost!

Looks like it's time for several PRs 😆

Il y a quelques années je pensais que c'était juste un vieil illustre dépassé par les avancées en IA... puis je l'ai vu en conférence et c'était franchement grotesque (j'ai eu le droit aussi à l'abstract qui contredit ses propos). Cette vidéo me confirme que c'est une fraude.