
Août 2026
Still Here : 510 chiens ont un enregistrement d'entrée au refuge d'Austin et aucun enregistrement de sortie. Le syndrome du chien noir n'apparaît pas dans 99 916 séjours. La couleur qui attend est celle de la race à laquelle appartient le pelage.
Soumission pour le DEV Weekend Challenge: Dog Days Edition (août 2026). Still Here est un tableau en direct de chaque chien pour lequel l'Austin Animal Center a un enregistrement d'entrée et aucun enregistrement de sortie — 510 au dernier passage, ordonnés selon la durée d'attente. Celui en tête est Pancho, un Cairn Terrier blanc ramassé errant le 23 mai 2025, qui y est depuis 449 jours. 99,7 % des chiens de son groupe de race ont été adoptés en moins de temps qu'il n'attend déjà. Austin publie ce nombre dans son flux de données ouvertes et ne l'imprime nulle part près de la page d'adoption ; le site est la jointure.
SnowflakeAustin Animal Center open data (Socrata)ElevenLabsAdopets embed join+5

Août 2026
Assay : un suivi soin de la peau avec une barre d'erreur. Recadrer la même photo déplace le score de texture de 5,81 points, alors un verdict ne s'affiche que si le changement dépasse ce plancher sur votre visage.
Soumission pour le YouCam API Skin AI & Apparel VTO Hackathon (août 2026). Assay est un tracker soin de la peau qui mesure sa propre erreur avant de mesurer votre peau. Un changement n'est appelé réel que s'il dépasse le plancher de bruit pour votre visage, sur votre appareil. Quand ce n'est pas le cas, le verdict est « impossible de conclure pour l'instant » avec le nombre de sessions supplémentaires nécessaires, au lieu d'une fabrication encourageante. L'API YouCam Skin Analysis est un vrai bon instrument (une entrée octet-identique donne une sortie octet-identique, vérifié dans l'app), et Assay est ce qui rend ses lectures utilisables pour décider.
Next.js 16 (App Router, static export)React 19TypeScriptYouCam Skin Analysis API (Perfect Corp)+5

Août 2026
Unsay : un agent IA de sécurité médicamenteuse qui revient et défait ce qu'il a dit. Quand la FDA élève un rappel, il corrige chaque patient nommé qu'il avait déjà rassuré, en quelques secondes.
Soumission pour le Build the Future of AI Agent Memory with CockroachDB hackathon (août 2026). Unsay est un agent IA de sécurité médicamenteuse dont la mémoire a deux axes de temps indépendants : `valid_from`/`valid_to` pour quand une affirmation est vraie dans le monde, `asserted_at`/`retracted_at` pour quand ce système l'a crue. Les garder séparés est ce qui sépare « le médicament est devenu dangereux en mars » de « on l'a appris en juillet », qui est la différence entre une réponse malchanceuse et une réponse négligente. Une affirmation n'est jamais mise à jour en place : la version crue est rétractée et une nouvelle est affirmée à côté, dans une transaction. Chaque réponse enregistre exactement quelle VERSION d'affirmation elle a lue, dans la même transaction que la réponse elle-même.
CockroachDB Cloud (bitemporal schema, VECTOR(1024), REGIONAL BY ROW, SURVIVE REGION FAILURE)Distributed Vector Indexing (`believed`-prefixed on `fact`)CockroachDB Managed MCP Server (`get_table_schema` against the running cluster)cockroachdb-skills (all 34 skills; `designing-application-transactions` found real defects)+6

Juil.-août 2026
Bloom : personne n'annule, on cesse simplement de venir. Bloom lit le rythme de visite propre à chaque client, signale ceux qui s'en écartent, et écrit une note personnelle à chacun. Les règles décident QUI, Gemini décide QUOI DIRE.
Soumission pour le Google Gemini XPRIZE / Hacker.fund Build with Gemini hackathon (juil.-août 2026, clôture le 17 août). Bloom trouve les clients qu'une entreprise locale est sur le point de perdre, et écrit personnellement à chacun. Un salon typique perd environ 40 % de ses clients chaque année, un premier-timer qui ne re-réserve pas dans les 30 jours a environ une chance sur cinq de jamais revenir, et un habitué fidèle vaut plusieurs centaines de dollars par an (environ 600 $ annualisés). Le signal est invisible parce que c'est une absence, répartie sur des centaines de personnes qui ont chacune leur propre rythme.
Next.js 16 (App Router) + React 19Google Gemini 2.5 Flash via Vertex AI (win-back drafting, weekly content, self-QA gate)TypeScriptPrisma 7 on Neon Postgres+6

Août 2026
coldpath : l'écosystème IA Arm expédie avec l'unité matricielle éteinte. J'ai écrit l'outil qui le trouve, déposé le correctif d'une ligne en amont (Ollama PR #17654), et gaté ça en CI.
Soumission pour le défi Arm Cloud AI sur Devpost. coldpath est un linter et une gate CI qui prouvent si un binaire AArch64 expédié utilise réellement l'unité matricielle de la puce. Pointé sur l'écosystème, il a trouvé que le build officiel Windows-on-Arm d'Ollama exécute zéro instruction matricielle et zéro dot-product, a déposé le correctif d'une ligne en amont (PR #17654) valant 5,75x sur le traitement de prompt mesuré en direct sur Azure Cobalt 100 (Neoverse N2), et ships comme GitHub Action réutilisable pour qu'un build froid ne rejoigne plus une flotte Arm.
Python 3.11+Capstone (AArch64 disassembler)pyelftools + pefile + macholib (ELF, PE, Mach-O)GitHub Actions (ubuntu-24.04-arm, free Neoverse N2 runner)+8

Août 2026
Culprit : une trace de pile pour la dérive de modèle. A nommé la colonne, chiffré les dégâts à 90 322 $/mois sur 66 146 vraies courses de taxi NYC, et ouvert la PR.
Soumission pour Build with DataHub: The Agent Hackathon (piste Production ML Agents). Fraîcheur, volume, taux de nuls et schéma étaient tous au vert. Le modèle se trompait discrètement depuis six mois. Culprit a remonté la lignée ML dans DataHub jusqu'à la colonne responsable, a déposé l'incident dans le graphe avec les dollars attachés, a écrit le correctif, a exécuté dbt build contre le vrai warehouse pour vérifier que le correctif tenait, et seulement là a ouvert la PR.
DataHub OSS v1.5 (metadata graph, ML entities, incidents)mcp-server-datahub (agent reads through DataHub's own MCP server)DataHub Python SDK (ML lineage emission: mlFeature/mlModel/dataProcessInstance)OpenAI GPT-4o (provider-agnostic; Anthropic + local Ollama also supported)+5

Juil. 2026
Overtone : description audio WCAG pour une archive vidéo, générée sur place dans Backblaze B2. Environ 0,03 $/min contre 15 à 75 $ par minute pour un descripteur humain.
Soumission au hackathon Backblaze x Genblaze. La norme WCAG 2.1 SC 1.2.5 exige une piste de description audio parlée sur les vidéos préenregistrées, mais les descripteurs humains facturent 15 à 75 $ par minute finie, alors une université avec 20 000 enregistrements de cours fait face à une facture de plusieurs millions et l'archive reste soit non conforme, soit retirée du public (UC Berkeley a supprimé plus de 20 000 cours en 2017 plutôt que payer pour les rendre accessibles). Les entités publiques américaines doivent respecter la WCAG 2.1 AA en vertu de la règle Title II de l'ADA du DOJ d'ici le 26 avril 2027. Overtone rend la description d'une archive entière assez bon marché pour être réellement faite, et il fait le travail là où l'archive vit déjà.
Backblaze B2 (source + sink, via genblaze-s3)Genblaze (orchestration, AgentLoop, provenance Manifest)AssemblyAI universal-2 (word-level speech-to-text)OpenAI GPT-4o (vision description, reads the board)+6

Juil. 2026
Viva : un examen oral automatisé pour le code. Sur 626 soumissions C notées au maximum, 91 (14,5 %) cachaient un défaut que l'autograder n'a jamais testé.
Soumission pour OpenAI Build Week. Une suite de tests qui passe prouve qu'un programme a fonctionné sur les entrées que l'enseignant a pris la peine de vérifier. Elle ne prouve pas que l'étudiant comprend ce que le programme fait. Viva comble cet écart : GPT-5.6 lit l'énoncé et propose une entrée que la suite de tests n'a jamais essayée, Viva exécute le programme de l'étudiant et le corrigé de l'enseignant dessus, et ne pose une question à l'étudiant que si les deux programmes ne renvoient pas la même chose. L'enseignant reçoit une note de re-enseignement, jamais une accusation de tricherie.
GPT-5.6 (Codex, Responses API, reasoning effort high/medium)Next.js 15React 19TypeScript+5

Juil. 2026
LedgerPilot : même Qwen, mêmes 39 tâches de clôture, même ERP en direct. Sans le garde-fou : 5 mauvaises écritures postées. Avec : 0.
Soumission à la Global AI Hackathon Series avec Qwen Cloud (piste 4 : Autopilot Agent). LedgerPilot est un agent autonome de clôture mensuelle : Qwen propose des écritures à partir d'entrées financières désordonnées, un garde-fou déterministe et auditable est la seule voie vers une écriture, et le côté écriture est mesuré. Le contrefactuel sur un ledger Odoo en direct montre toute la revendication : même planificateur qwen-flash, mêmes 39 tâches de clôture, même ERP, garde-fou désactivé poste 5 mauvaises écritures (salaires payés depuis Comptes clients, coût des ventes imputé à Créances et Revenus, chacune équilibrée, chacune plausible), garde-fou activé poste 0. Le modèle ne s'est pas amélioré ; le ledger, oui.
Qwen3.7-Max + qwen-flash (Alibaba Cloud Model Studio)Qwen3-VL-Plus (vision, scanned invoices)Alibaba Cloud ECS (Ubuntu 24.04, ap-southeast-1)Alibaba Cloud OpenAPI (ECS + VPC provisioning)+6