Mozilla cq : l’incroyable projet qui va permettre aux IA de se partager leur savoir

Mozilla lance cq : le projet qui veut permettre aux IA de partager leurs connaissances entre elles

Mozilla a lancé cq, un projet open source conçu pour permettre aux agents IA de partager leurs connaissances entre eux. L'initiative vient d'un ingénieur de Mozilla qui a constaté un problème fondamental : chaque agent IA résout les mêmes problèmes quotidiennement, sans jamais bénéficier des solutions trouvées par d'autres. L'impact potentiel est significatif — éliminer ces redondances permettrait d'économiser du temps de calcul et d'améliorer l'efficacité globale des systèmes IA. Si les agents pouvaient capitaliser sur les apprentissages collectifs, cela représenterait un saut qualitatif dans leur capacité à traiter des problèmes complexes à grande échelle. cq se positionne explicitement comme successeur de Stack Overflow, la plateforme de partage de connaissances techniques que les développeurs humains ont progressivement délaissée depuis l'essor des assistants IA.

Intel TSNC : l’incroyable IA qui va réduire le poids de vos jeux vidéo par 18

Intel a dévoilé une nouvelle technologie baptisée TSNC, pour Texture Set Neural Compression, capable de réduire la taille des textures de jeux vidéo jusqu'à 18 fois par rapport aux formats non compressés. Concrètement, l'outil propose deux profils : une Variante A qui offre une compression jusqu'à 9x avec une perte de qualité visuelle d'environ 5 %, à peine perceptible à l'œil nu, et une Variante B qui pousse la compression à 18x au prix d'une légère dégradation entre 6 et 7 %. Plutôt que d'imposer un format propriétaire incompatible avec les outils existants, Intel a conçu TSNC pour s'intégrer naturellement dans les pipelines de production actuels, en s'appuyant sur la compression par blocs BC1 déjà standard dans l'industrie. Un réseau de neurones est entraîné sur des ensembles de textures similaires, regroupées dans un espace commun, puis un MLP à trois couches se charge de reconstruire les données au moment voulu. Cette décompression peut intervenir à l'installation, lors des temps de chargement, ou en cours de session selon les priorités du développeur. Sur l'architecture Panther Lake avec GPU intégré Arc B390, les cœurs XMX dédiés à l'IA génèrent le premier pixel en 0,194 nanoseconde, une latence pratiquement invisible pour un joueur. L'enjeu est considérable pour l'ensemble de la chaîne, des studios aux joueurs. Les jeux modernes atteignent régulièrement plusieurs dizaines de gigaoctets, une tendance directement liée à l'accumulation de textures haute résolution. Quand la VRAM sature, les performances s'effondrent brutalement. Une compression aussi agressive, sans perte visuelle notable, permettrait de réduire significativement la taille des téléchargements, d'alléger la pression sur la mémoire vidéo et d'améliorer l'expérience sur des machines d'entrée et de milieu de gamme. Intel a d'ailleurs prévu une solution de repli basée sur des instructions classiques pour les GPU plus anciens ou ceux de la concurrence, ce qui ouvre la technologie bien au-delà de son propre écosystème matériel. Cette annonce s'inscrit dans une compétition qui s'intensifie autour de la compression neuronale des textures. Nvidia travaille déjà sur sa propre technologie, baptisée NTC, tandis que Sony serait engagé sur des projets analogues en vue d'une future PlayStation 6. La pression exercée par l'explosion des tailles de jeux pousse toute l'industrie à chercher des solutions alternatives à la simple augmentation de la VRAM ou de la capacité de stockage. Intel, en adoptant une stratégie compatible avec les standards existants, cherche à faciliter l'adoption par les studios sans les forcer à revoir entièrement leurs workflows. La vraie question désormais est celle de l'intégration dans les moteurs de jeu comme Unreal ou Unity, et du calendrier auquel les premiers titres l'exploiteront concrètement.

Hermes permet aux agents IA de s'améliorer eux-mêmes, propulsés par les PC NVIDIA RTX et le DGX Spark

Hermes Agent, le nouveau framework d'agents IA développé par Nous Research, a franchi les 140 000 étoiles sur GitHub en moins de trois mois et s'est imposé la semaine dernière comme l'agent le plus utilisé au monde selon OpenRouter. Conçu pour fonctionner en local et en continu, il est optimisé pour tourner sur les GPU NVIDIA RTX, les stations de travail RTX PRO et les machines DGX Spark. Sa particularité principale est sa capacité d'auto-amélioration : à chaque tâche complexe ou retour utilisateur, Hermes enregistre ses apprentissages sous forme de compétences réutilisables, ce qui lui permet de s'améliorer au fil du temps sans intervention humaine. Il intègre également une architecture de sous-agents isolés, chacun dédié à une sous-tâche précise, ce qui réduit la confusion, minimise la taille des fenêtres de contexte nécessaires et rend le système plus fiable sur des modèles de 30 milliards de paramètres. Nous Research teste et valide chaque outil embarqué, ce qui distingue Hermes de la plupart des frameworks concurrents qui exigent un débogage constant. En parallèle, Alibaba a lancé la série Qwen 3.6, dont les modèles de 27 et 35 milliards de paramètres surpassent les versions précédentes de 120 et 400 milliards de paramètres, tout en nécessitant respectivement environ 20 Go de mémoire au lieu de 70 Go ou plus. L'enjeu est considérable : pour la première fois, des agents IA capables de s'auto-améliorer, de planifier des tâches multi-étapes et d'agir de façon autonome en continu deviennent accessibles sur du matériel grand public ou de gamme professionnelle. Un développeur ou une PME peut désormais faire tourner un agent équivalent à ce qui nécessitait autrefois un datacenter, grâce à des GPU comme le RTX 5090 ou une machine compacte comme le DGX Spark, qui offre 128 Go de mémoire unifiée et 1 pétaflop de performance IA. Les Tensor Cores NVIDIA réduisent le temps d'inférence de minutes à secondes, rendant les workflows autonomes viables à l'échelle d'une journée de travail complète. Cette convergence entre frameworks open source matures et modèles locaux ultra-compressés marque une rupture dans la démocratisation de l'IA agentique. Jusqu'ici, les agents performants dependaient de l'API d'OpenAI ou d'Anthropic, avec les coûts et les questions de confidentialité que cela implique. La montée en puissance de modèles open weight comme Qwen 3.6, combinée à des frameworks comme Hermes qui rivalisent avec les solutions propriétaires sur des benchmarks identiques, repositionne le matériel local comme infrastructure stratégique. NVIDIA profite directement de cette tendance en poussant le DGX Spark comme poste de travail dédié à l'IA agentique permanente, un segment encore embryonnaire mais en croissance rapide à mesure que les entreprises cherchent à internaliser leurs pipelines d'IA.

Visa intègre ChatGPT pour permettre aux agents IA d'effectuer des achats en ligne

Visa a officiellement connecté son infrastructure de paiement à ChatGPT, permettant désormais aux agents d'intelligence artificielle de sélectionner des produits et de finaliser des transactions commerciales sans aucune intervention humaine. Concrètement, un utilisateur formule une requête d'achat, et l'agent prend en charge l'ensemble du processus : évaluation des catalogues marchands, comparaison des produits, puis règlement financier via le réseau Visa, chez n'importe quel commerçant partenaire. Pour sécuriser l'authentification, Visa a mis en place un système de tokenisation programmatique : l'utilisateur définit en amont des paramètres de dépense, et à chaque achat validé par le modèle, un jeton de paiement à usage unique est généré et transmis directement au backend du marchand via API, en contournant totalement l'interface visuelle. La transaction se règle comme un paiement classique par portefeuille numérique, sans page de navigation, sans saisie manuelle ni vérification CAPTCHA. Ce partenariat marque une rupture profonde avec les intégrations commerciales précédentes, qui confinaient l'IA à des environnements mono-vendeur, c'est-à-dire les chatbots propriétaires d'une seule enseigne. En ouvrant l'accès au web ouvert via un réseau de paiement universel, Visa et OpenAI déplacent le point de décision hors du site marchand. Les équipes marketing conçoivent aujourd'hui leurs campagnes autour de la psychologie humaine, de l'émotion et du merchandising visuel : ces leviers deviennent obsolètes face à un agent qui évalue uniquement les spécifications techniques, les scores agrégés d'avis clients et les structures tarifaires. Les publicités display et les optimisations d'interface n'ont aucun poids dans les critères de sélection du modèle. Les marchands qui ne disposent pas de métadonnées produits structurées et lisibles par les machines risquent tout simplement de devenir invisibles pour ces nouveaux acheteurs automatisés. Cette évolution s'inscrit dans une tendance de fond où les grandes plateformes technologiques cherchent à intégrer des capacités agentiques dans leurs écosystèmes. Le déploiement de Visa avec ChatGPT illustre la convergence entre les grands modèles de langage et les infrastructures financières mondiales, un couplage que l'industrie anticipait mais qui prend ici une forme concrète et opérationnelle. Pour les retailers, les implications sont structurelles : l'optimisation pour les moteurs de recherche doit céder la place à une optimisation pour les modèles de langage, fondée sur des flux de données structurés et des API clairement documentées. Les architectures commerce headless, déjà adoptées par les enseignes les plus avancées techniquement, offrent un avantage immédiat puisqu'elles peuvent traiter la requête d'un agent, vérifier les stocks et exécuter le token de paiement en quelques millisecondes. Les métriques traditionnelles, taux de rebond, durée de session, abandons de panier, perdent leur sens face à des interactions qui se résument à une requête d'API suivie d'un paiement ou d'une déconnexion immédiate.

💬 Je retiens surtout ça : l'agent compare des specs et des prix, il se fiche de ton beau slider homepage. Des années d'A/B testing, d'optimisation de tunnel d'achat, de merchandising émotionnel, tout ça devient du bruit pour un modèle qui lit du JSON. La tokenisation à usage unique, par contre, c'est bien vu côté sécurité.