Alibaba· sujet

Alibaba Qwen présente QwenGyre : un apprentissage par renforcement élastique pour agents autonomes sur de très longues tâches

Alibaba Qwen a présenté QwenGyre, un framework d'apprentissage par renforcement élastique conçu pour entraîner des agents de codage sur des tâches « XLong-horizon », c'est-à-dire des exécutions de plusieurs heures qui mobilisent des centaines d'appels au modèle et à des outils, et traitent près d'un million de tokens (environ 700 000 par rollout dans les tests). Il ne s'agit pas d'un modèle mais d'un système d'entraînement en ligne qui fonctionne à travers des « harnesses » non modifiés, traités comme des boîtes noires, comme Claude Code 2.1.220 utilisé pour tous les essais. Il repose sur deux idées : déplacer les GPU inactifs entre la génération de rollouts et l'entraînement, et transformer les historiques d'agents ramifiés en échantillons d'entraînement bornés. Le framework a été testé sur Qwen 3.6 122B (24 à 32 nœuds) et sur le modèle phare Qwen 3.8 2.4T (192 nœuds répartis en 4 cellules de 48), avec Megatron pour l'entraînement et SGLang pour le service. Face aux approches Async, il est 1,38 à 1,78 fois plus rapide, et face à Colocate, 1,21 à 1,85 fois, à scores équivalents. Le meilleur gain, 1,85x sur TerminalBench, contraste avec le plus faible, 1,21x sur le 2.4T, où de nombreuses requêtes approchaient le délai maximal. Sur NL2RepoBench, le score passe de 52,5 % à 58,5 % en 48 étapes. Ces résultats comptent parce que l'entraînement d'agents sur de longues séquences est aujourd'hui dominé par le gaspillage de calcul. Les rollouts ont de longues traînes : en mode Colocate, l'entraînement attend l'exécution la plus lente pendant que les GPU restent oisifs, tandis qu'en mode Async, des pools figés ne peuvent pas se prêter de capacité. QwenGyre récupère ces cycles perdus sans changer le harnais de l'agent, ce qui permet d'entraîner sur des outils réels plutôt que sur des environnements simplifiés. Les changements de rôle sont rapides, en moyenne 8,52 s du rollout vers l'entraînement et 3,46 s dans l'autre sens. Pour les laboratoires, cela signifie des itérations moins coûteuses sur des modèles de plusieurs billions de paramètres. Une réserve : le papier ne mentionne aucune publication de code, et le type de GPU n'est pas précisé, ce qui limite la reproductibilité. Le contexte est celui d'une évolution des agents de codage, qui compactent leur contexte, lancent des sous-agents et réessaient des actions. Une exécution devient ainsi un arbre de branches et non une trajectoire unique, et développer chaque chemin dupliquerait les préfixes partagés et gonflerait les coûts. QwenGyre répond par deux composants. L'ordonnanceur élastique répartit les GPU en cellules : une cellule centrale détient les poids et l'état de l'optimiseur, des cellules satellites rejoignent l'entraînement quand le niveau d'eau des rollouts (exécutions en file ou en cours) le permet. Les appels passent par un proxy, les blocs de cache KV migrent par RDMA et les poids transitent par le Transfer Engine de Mooncake. Le processeur de trajectoires enregistre les identifiants exacts de tokens et les log-probabilités (TITO), conserve au plus 5 trajectoires par exécution, note les exécutions expirées sur leur espace de travail et exclut les échecs d'évaluation au lieu de leur donner une récompense nulle. Ce plafond de 5 a égalé les scores sans limite tout en réduisant de 25,2 % le temps aller-retour de calcul, avec un GSPO adapté et 16 rollouts par groupe.

💬 Le vrai verrou de l'IA agentique, ce n'est plus le modèle, c'est la facture de GPU qui dort pendant qu'on attend la tâche la plus lente. QwenGyre s'attaque à ça, et le détail qui me plaît, c'est qu'il entraîne sur Claude Code tel quel, en boîte noire, pas sur un décor simplifié. Bon, 1,21x sur le 2.4T, c'est loin des 1,85x vitrine, et sans code publié ni type de GPU précisé, reste à voir si quelqu'un d'autre peut le refaire.

Alibaba lance Qwen-Image-2.1-Turbo, un modèle d'image de 7 milliards de paramètres qui génère en 8 étapes

L'équipe Qwen d'Alibaba a publié Qwen-Image-2.1-Turbo, une version accélérée de son modèle d'images à poids ouverts Qwen-Image-2.1. Le checkpoint génère et édite des images en 8 étapes de débruitage, contre 40 par défaut pour le modèle de base, soit cinq fois moins sur la même architecture de 7 milliards de paramètres. Le générateur visuel est associé à un encodeur de texte Qwen3-VL 8B, qui traite à la fois les instructions et les images de conditionnement. L'architecture est un DiT à flux unique de 32 couches avec attention causale par blocs : masque causal au niveau des jetons pour le texte, masque bidirectionnel par blocs pour les images. L'autoencodeur RGBA à 64 canaux, avec compression spatiale 16x, permet la transparence native. Le modèle se charge via QwenImage21Pipeline dans Diffusers, en BF16 sur GPU CUDA, avec un calendrier de 8 étapes intégré et un CFG de 1 par défaut. Il gère des sorties jusqu'à 2K, de 2048×2048 à 2752×1536 en 16:9. Alibaba Cloud Model Studio héberge aussi le modèle : qwen-image-2.1-turbo coûte 0,1 yuan par image avec 120 requêtes par minute, contre 0,25 yuan et 20 requêtes par minute pour la version Pro. Pour les développeurs, l'intérêt est une génération et une édition en 2K nettement plus rapides et moins chères, sans changer de famille de modèle. Le Turbo est 2,5 fois moins cher par image que le Pro et accepte six fois plus de requêtes. Le modèle de base obtient 60,28 sur Qwen-Image-Bench, le meilleur score open weight rapporté par Qwen. Qwen ne publie aucune exigence minimale de mémoire vidéo pour le Turbo ; Unsloth estime que le modèle de base tourne avec 11 Go de VRAM en GGUF et 24 Go en INT8 ou FP8. La limite principale est la licence : elle est réservée à la recherche, si bien qu'un auto-hébergement commercial exige une autorisation distincte. La mise en route demande aussi Diffusers installé depuis les sources, transformers 5.17.0 ou supérieur et la pull request n°14950 de Diffusers, qui ajoute des sigmas d'échantillonnage configurés par le pipeline. Régler seul numinferencesteps ne modifie pas le calendrier enregistré ; seul un argument sigmas explicite le remplace, et Qwen précise que les autres calendriers n'ont pas été testés. Cette sortie s'inscrit dans la course aux modèles d'images rapides. Le Turbo concurrence Z-Image-Turbo, du laboratoire Tongyi-MAI d'Alibaba (6 milliards de paramètres, 8 étapes), et FLUX.2 klein 9B de Black Forest Labs, qui s'appuie sur un encodeur Qwen3 8B. Sa vitesse repose sur la conception de l'attention : texte et images de référence sont calculés une fois à la première étape, puis leur contexte est réutilisé par un cache KV de préfixe. Avec seulement 8 étapes, ce cache couvre l'essentiel du coût de conditionnement. Le modèle de base accepte jusqu'à 10 images de référence et des retouches locales par cercles, annotations dessinées ou masques. La fiche du Turbo illustre huit catégories : portraits, poses humaines, images transparentes, typographie et affiches, interfaces. Côté édition, elle montre la transformation d'une image, la composition multi-références et une composition d'intérieur à quatre images.

💬 Le vrai sujet n'est pas les 8 étapes, c'est que la vitesse d'un modèle d'image se joue désormais dans l'architecture (cache KV de préfixe) plutôt que dans la taille, et ça rend le coût par image presque négligeable. À 0,1 yuan l'image et 120 requêtes par minute, Alibaba pousse le Turbo vers le volume, pas vers la qualité maximale. Bon, sur le papier c'est séduisant. Mais la licence recherche seule bloque l'auto-hébergement commercial, donc "open weight" ici veut dire "tu peux regarder", pas "tu peux déployer", et il te faudra aussi une PR Diffusers non mergée pour démarrer.

L'histoire de Qwen : les modèles d'IA d'Alibaba, de 7B à 2,4 billions de paramètres

En avril 2023, Alibaba Cloud a commencé à distribuer des codes d'invitation à ses clients professionnels pour Tongyi Qianwen, un chatbot dont le nom évoque « la vérité née de mille questions » et emprunte en partie au philosophe Mencius. Présenté publiquement le 11 avril à Pékin par le PDG d'alors, Daniel Zhang, il devait être intégré à toutes les activités du groupe, à commencer par DingTalk et l'enceinte Tmall Genie. Le tournant a eu lieu le 3 août 2023, avec l'ouverture de Qwen-7B et Qwen-7B-Chat, réponse directe à Llama 2 de Meta : 2,2 trillions de tokens de pré-entraînement et licence gratuite en usage commercial sous 100 millions d'utilisateurs mensuels. Qwen-VL, première branche vision-langage, a suivi fin août, puis le service s'est ouvert au grand public le 13 septembre, signe d'une approbation réglementaire chinoise. Les modèles 72B et 1,8B sont sortis vers le 1er décembre. En 2024, trois générations se sont enchaînées en huit mois : Qwen1.5 en février (0,5B à 72B, plus un modèle de 110B), Qwen2 en juin (dont un premier MoE ouvert, 57B-A14B, 27 langues supplémentaires, licence Apache 2.0 pour tous les modèles sauf le 72B), puis Qwen2.5 le 19 septembre avec plus de 100 modèles ouverts, entraînés sur 18 trillions de tokens avec un contexte de 128K. Alibaba revendiquait alors plus de 40 millions de téléchargements et plus de 50 000 modèles dérivés sur Hugging Face. Cette trajectoire a transformé Qwen en choix par défaut pour de nombreux développeurs, grâce à une gamme couvrant du modèle pour ordinateur portable aux poids ouverts de très grande taille, et à une licence de plus en plus permissive. Pour les entreprises et chercheurs, cela offre une alternative ouverte aux modèles américains, avec des déclinaisons spécialisées : Qwen2.5-Coder pour le code (novembre 2024), Qwen2-Math, Qwen2-Audio et Qwen2-VL, capable d'analyser des vidéos de plus de 20 minutes. L'arrivée du raisonnement ouvert, avec QwQ-32B-Preview sous Apache 2.0 fin novembre 2024 face à o1 d'OpenAI, puis de QVQ-72B-Preview le 24 décembre pour le raisonnement visuel, a montré que cette ouverture ne se limitait pas aux modèles de base. L'écart matériel est parlant : QwQ-32B, publié le 6 mars 2025, revendique des performances comparables à DeepSeek-R1 (671B) avec environ 24 Go de VRAM contre plus de 1 500 Go selon VentureBeat. L'action Alibaba cotée à Hong Kong a gagné plus de 7 % ce jour-là. Ce parcours s'inscrit dans la course ouverte par ChatGPT, où Alibaba est entré avec quelques mois de retard, avant de se positionner face à Llama de Meta puis à DeepSeek. Début 2025, l'essor de DeepSeek-R1 a poussé l'équipe à réagir en quelques semaines : Qwen2.5-VL, capable de piloter ordinateurs et téléphones, est sorti le 26 janvier, suivi le 29 janvier de Qwen2.5-Max, un grand modèle MoE qui, selon Alibaba, dépasse DeepSeek-V3 (Reuters). Trois ans et demi après la démonstration d'avril 2023, la famille publie désormais des poids ouverts allant jusqu'à 2,4 trillions de paramètres, ce qui illustre le chemin parcouru depuis le modèle de 7 milliards. Reste à voir comment Alibaba conciliera cette stratégie d'ouverture avec ses ambitions commerciales dans le cloud, face à une concurrence chinoise et américaine toujours plus rapide.

💬 Qwen, c'est devenu le choix par défaut parce qu'Alibaba a compris que la distribution bat la performance brute : une gamme du portable au poids géant, une licence qui se desserre à chaque génération, et la sortie de QwQ-32B qui tient face à un DeepSeek-R1 avec 24 Go de VRAM au lieu de 1 500. Selon Le Fil IA, l'ouverture des poids n'est plus une posture idéologique chez les labos chinois, c'est leur arme de distribution face aux modèles américains fermés. Bon, sur le papier c'est magnifique. Reste à voir ce qui se passe quand ce cadeau devra rapporter de l'argent à Alibaba Cloud.

La dette des data centers d'IA s'étend à tout le secteur financier

Le financement par la dette des centres de données consacrés à l'IA est devenu une catégorie à part entière. Les analystes du crédit distinguent désormais la dette liée à l'IA de celle qui ne l'est pas pour suivre les émissions et leur performance, et plusieurs gestionnaires d'actifs ont déposé ces derniers mois des demandes de création de fonds cotés dédiés à la dette d'infrastructures d'IA. Pourtant, certains segments vacillent : écarts de taux plus larges sur la dette des géants technologiques notés investment grade, concessions plus importantes exigées sur les obligations à haut rendement de projets de centres de données, prudence sur le marché des prêts bancaires. Selon The Information, au moins 20 émissions à haut rendement ont financé de tels projets en douze mois. Leurs émetteurs, comme CleanSpark ou TeraWulf, sont peu connus, et la dette passe souvent par des sociétés ad hoc encore plus obscures. Ces émissions financent les bâtiments et leurs équipements, non les puces. Derrière ces noms discrets, on retrouve presque tous les grands acteurs de l'IA. Plusieurs projets concernent des sites loués à CoreWeave, dont les clients incluent Microsoft, Meta et OpenAI ; l'un d'eux comprend deux centres, dont l'un est loué par Alibaba Cloud. D'autres financements portent sur des espaces loués par la start-up Fluidstack, certaines de ses obligations étant garanties par Google, et qui construit des capacités pour Anthropic, lequel recourt de plus en plus aux puces TPU de Google. Deux émissions au Nevada, via SV RNO Property Owner 1 LLC et PR RNO Property Owner 1 LLC, sont développées par Fleet Data Centers, filiale de Tract Capital, avec un locataire anonyme de plus de 3 000 milliards de dollars de capitalisation que Bloomberg identifie comme Nvidia. Celle-ci a révélé en août 25 milliards de dollars d'engagements de baux non encore démarrés, plus 20 milliards destinés à être réaffectés à des tiers. S'y ajoutent des obligations liées à des sites loués par Amazon et Oracle, le campus Cosmos de SB Energy au Texas, garanti par une filiale de SoftBank, et un projet CleanSpark pour Meta. L'enjeu est que des émetteurs de moindre qualité de crédit portent une part de l'infrastructure dont dépendent les plus grandes entreprises d'IA. Si les investisseurs deviennent plus sélectifs et examinent de près les risques de construction propres à chaque projet, le coût du capital peut grimper pour les développeurs, ce qui pourrait ralentir ou renchérir de nouveaux sites. Les garanties de crédit apportées par Google ou SoftBank, ou la qualité des locataires, deviennent alors déterminantes, tout comme la visibilité sur les engagements de location de Nvidia. Pour les épargnants, l'arrivée de fonds cotés spécialisés fait aussi entrer ce risque dans des portefeuilles beaucoup plus larges. Ce mouvement découle de la course à la capacité de calcul, qui a dépassé les moyens de financement traditionnels des grandes entreprises. Après les obligations émises par les géants du secteur et les prêts bancaires, le haut rendement est devenu une source de plus pour bâtir les sites. Les fissures observées sur plusieurs marchés suggèrent que l'appétit des investisseurs, longtemps acquis, est désormais à l'épreuve, et la suite dépendra de la performance de ces obligations et de la solidité des locataires finaux.

💬 Selon Le Fil IA, la dette des data centers n'est plus un détail de bilan : c'est le point où le risque de l'IA quitte les géants pour se loger dans des sociétés ad hoc que personne ne connaît. Derrière CleanSpark ou TeraWulf, il y a Microsoft, Meta, OpenAI, Nvidia, et des garanties de Google ou SoftBank qui font tout le travail. Bon, sur le papier, le modèle tient tant que les locataires paient. Mais les fonds cotés dédiés arrivent pile quand les écarts de taux s'élargissent, et ça, ça sent la fin de l'appétit facile.

Déploiement de la synthèse vocale personnalisée en temps réel avec Qwen3-TTS sur Amazon SageMaker AI

Amazon a annoncé la disponibilité du modèle de synthèse vocale Qwen3-TTS-12Hz-1.7B-Base sur Amazon SageMaker JumpStart, permettant son déploiement sur un point de terminaison d'inférence en temps réel entièrement géré via le SDK Python SageMaker. Ce modèle, développé par l'équipe Qwen d'Alibaba Cloud, couvre dix langues : chinois, anglais, japonais, coréen, allemand, français, russe, portugais, espagnol et italien. Il repose sur le tokenizer vocal Qwen3-TTS-Tokenizer-12Hz et prend en charge la génération en streaming pour des usages interactifs à faible latence. Sa fonction principale est le clonage vocal : à partir de quelques secondes d'un enregistrement de référence et de sa transcription, le modèle reproduit le timbre, la hauteur et le débit du locuteur pour prononcer n'importe quel nouveau texte, sans réentraînement. Cette variante Base se distingue de la variante CustomVoice, laquelle génère de la parole à partir d'un ensemble fixe de voix prédéfinies plutôt que d'une référence fournie par l'utilisateur. Le catalogue JumpStart propose également Qwen3-TTS-12Hz-1.7B-CustomVoice et un modèle de reconnaissance vocale, Qwen3-ASR-1.7B. L'enjeu principal de cette offre réside dans le contrôle qu'elle donne aux entreprises sur leurs données et leurs coûts. En hébergeant elles-mêmes le modèle sur SageMaker AI, les équipes techniques évitent une facturation à l'appel ou au caractère typique des API propriétaires, et conservent l'intégralité des données audio dans leur propre environnement AWS, un critère décisif pour les secteurs soumis à des contraintes de conformité. Le modèle permet aussi un clonage translinguistique : une voix capturée dans une langue peut être réutilisée pour générer de la parole dans une autre, en préservant l'identité vocale du locuteur d'origine. Concrètement, cela ouvre des usages pour les médias et créateurs de contenu qui souhaitent localiser des vidéos ou podcasts, les centres de contact qui veulent maintenir une voix de marque cohérente, les plateformes d'e-learning et d'audiobooks, ainsi que les outils d'accessibilité destinés à préserver la voix d'une personne à travers différentes langues. Sur le plan opérationnel, SageMaker AI prend en charge le provisionnement de l'infrastructure, la surveillance de l'état du service et la mise à l'échelle automatique, sans que les équipes aient à gérer directement les serveurs GPU sous-jacents ; des métriques Amazon CloudWatch permettent de superviser et de dimensionner le point de terminaison selon la charge réelle. Cette annonce s'inscrit dans une compétition croissante autour des modèles de synthèse vocale ouverts, où Alibaba, via son équipe Qwen, multiplie les publications de modèles multilingues accessibles, offrant aux entreprises une alternative auto-hébergée aux services propriétaires de clonage vocal facturés à l'usage.

Alibaba Qwen lance Qwen-Image-2.1, un modèle open-weight de 7 milliards de paramètres pour la génération et l'édition d'images

L'équipe Qwen d'Alibaba a dévoilé Qwen-Image-2.1, un modèle unifié de génération et d'édition d'images qui combine dans un seul jeu de poids ce que l'entreprise proposait jusqu'ici via deux modèles séparés. Le composant de génération visuelle compte 7 milliards de paramètres répartis sur 32 couches DiT à flux unique, contre 20 milliards pour le Qwen-Image original publié en août 2025 sous licence Apache 2.0, qui séparait alors génération et édition dans deux checkpoints distincts. Le nouveau modèle s'appuie sur un encodeur de texte Qwen3-VL de 8 milliards de paramètres, un VAE 64 canaux gérant nativement la transparence RGBA avec une compression spatiale de 16x, et un planificateur Flow Matching à discrétisation Euler. Il gère jusqu'à 10 images de référence simultanées, produit des visuels en 2048x2048 pixels par défaut (jusqu'à 2752x1536 selon sept ratios d'aspect pris en charge) et permet des retouches localisées via cercles, masques peints ou zones désignées. Sur le benchmark maison Qwen-Image-Bench, il obtient un score de 60,28, devançant Nano Banana 2.0 (59,82) et le modèle ouvert FLUX 2 Max de 32 milliards de paramètres (55,33), tout en restant derrière six modèles propriétaires, le meilleur étant GPT Image 2.5 Sunburst avec 67,01. Cette réduction de taille, à performances égales voire supérieures à des concurrents plus lourds, change la donne pour le coût de déploiement des générateurs d'images en entreprise et dans la recherche. La technique clé réside dans une attention dite à granularité mixte, qui applique un masque causal aux jetons de texte et un masque bidirectionnel par blocs aux jetons d'image : les représentations du texte et des images de référence, calculées une seule fois, sont ensuite réutilisées à chaque étape de débruitage via un cache, ce qui accélère nettement le traitement à mesure que le nombre d'images de référence augmente. Concrètement, cela ouvre la voie à des usages comme la création de trombinoscopes à partir de plusieurs portraits, la composition de tenues à partir de références multiples, ou l'extraction de sujets détourés avec transparence native, autant de tâches jusqu'ici réservées à des outils fermés comme Nano Banana ou GPT Image. Le modèle est disponible dès son lancement sur Diffusers, ComfyUI, vLLM-Omni, SGLang et LightX2V, avec un usage libre pour la recherche mais une licence commerciale séparée exigée par Qwen pour tout déploiement à but lucratif. Alibaba étend aussi son empreinte matérielle au-delà de Nvidia, avec un support des GPU AMD Radeon via ROCm et de huit plateformes de puces via FlagOS, signe d'une stratégie de diversification des infrastructures en Chine. Cette sortie s'inscrit dans une course accélérée entre laboratoires chinois et occidentaux sur la génération d'images multimodales, où Alibaba cherche à imposer Qwen comme alternative ouverte crédible face aux offres fermées de Google, OpenAI et Black Forest Labs.

Qwen publie Qwen3.8-LiveTranslate, un modèle d'interprétation en temps réel avec un décalage moyen de 2,3 secondes sur 60 langues

L'équipe Qwen d'Alibaba a lancé Qwen3.8-LiveTranslate, un nouveau modèle d'interprétation simultanée en temps réel qui traduit la parole en direct, avec prise en charge optionnelle de flux vidéo, tout en restituant texte et voix pendant que l'interlocuteur parle encore. Sa nouveauté technique centrale est une architecture baptisée Interleave, qui améliore la fidélité, la fluidité et la concision des traductions tout en réduisant le délai moyen mesuré par l'indicateur LAAL (Length-Adaptive Average Lagging), passé de 2,8 à 2,3 secondes, soit une baisse d'environ 18 %. Le modèle intègre aussi la diarisation des locuteurs en temps réel, un affichage bilingue synchronisé du texte source et de sa traduction, ainsi qu'une désambiguïsation contextuelle sur de longs échanges, capable par exemple de garder un nom propre cohérent tout au long d'une réunion. Il comprend 60 langues et peut en restituer 29 à l'oral avec audio et texte, dont le chinois, l'anglais, l'arabe, l'allemand, le français, l'espagnol, le japonais, le coréen et l'hindi, les 31 autres n'étant disponibles qu'en texte. Le service est accessible via une API WebSocket sous l'identifiant qwen3.8-livetranslate-flash-realtime, disponible sur Alibaba Cloud Model Studio et QwenCloud, avec une fenêtre de contexte de 53 248 tokens et des tarifs à Singapour de 7,50 dollars par million de tokens en entrée audio, 20 dollars en sortie texte et 30 dollars en sortie audio, des prix inférieurs à Pékin. Cette avancée s'adresse directement aux usages professionnels de visioconférence, de sommets internationaux ou de diffusion en direct, où chaque seconde de décalage dégrade l'expérience d'écoute et la fluidité des échanges. En abaissant le retard sous les 2,5 secondes tout en conservant la reconnaissance des locuteurs multiples et la cohérence terminologique, Alibaba propose une alternative crédible et nettement moins coûteuse que l'interprétation humaine pour des réunions multilingues, avec un coût estimé à environ 1,54 dollar par heure de parole en entrée et sortie audio à Singapour. Cela pourrait accélérer l'adoption de l'interprétation automatique dans les entreprises, les institutions et les plateformes de streaming, en particulier pour les langues moins bien couvertes par les services existants. Ce lancement s'inscrit dans la stratégie plus large d'Alibaba de renforcer sa gamme Qwen face à la concurrence croissante sur les modèles multimodaux temps réel, notamment ceux développés par les grands acteurs américains du secteur. Qwen3.8-LiveTranslate s'appuie sur la pile Qwen-Omni, entraînée sur des données multimodales à grande échelle avec alignement croisé entre langues et modalités, et coexiste avec une version Flash capable de traduire hors ligne de l'audio et de la vidéo déjà enregistrés. L'enjeu central de ce type de système reste l'arbitrage entre rapidité et précision : attendre plus de contexte améliore la qualité de traduction mais allonge le délai perçu par l'auditeur. Les prochaines évolutions attendues porteront probablement sur l'extension du nombre de langues parlées, l'amélioration du clonage vocal multi-locuteurs et la réduction supplémentaire de la latence.

💬 2,3 secondes de décalage, c'est en dessous du seuil où une visio multilingue devient supportable, et ça change vraiment la donne pour les réunions internationales. Reste que 29 langues avec voix sur 60 couvertes, c'est un système à deux vitesses, le français est dans le lot mais la moitié du catalogue reste en texte seul. À 1,54 dollar l'heure, l'interprétation humaine a un vrai concurrent low-cost, enfin surtout pour les boîtes qui n'ont jamais eu les moyens d'en payer une.

Alibaba lance Qwen3.8-Omni-Flash, un modèle omni-modal à 1M de contexte pour l'audio-vidéo et l'usage d'outils avec des agents

Alibaba a dévoilé Qwen3.8-Omni-Flash, présenté par son équipe Qwen comme son premier modèle omni-modal conçu autour de capacités agentiques. Le système accepte du texte, des images, de l'audio et de la vidéo en entrée, et produit uniquement du texte en sortie. Bâti sur l'architecture Qwen3.8-Flash-Next, diffusée en open source en août 2026, il offre une fenêtre de contexte d'un million de tokens, avec un maximum de 991 000 tokens en entrée et 131 000 en sortie selon QwenCloud, pour une longueur de raisonnement plafonnée à 262 000 tokens. Le raisonnement est activé par défaut avec un niveau d'effort réglé sur "xhigh". Le modèle est accessible dès aujourd'hui via API hébergée sur QwenCloud, Alibaba Cloud Model Studio et Qwen Studio, dans six régions (Pékin, Singapour, Hong Kong, Tokyo, Francfort et Virginie), mais aucun poids ouvert n'a été publié, rendant l'auto-hébergement impossible. Sur le plan tarifaire, QwenCloud facture 0,15 dollar par million de tokens en entrée et 0,47 dollar par million en sortie, avec un accès en cache à 0,016 dollar par million de tokens. L'apport principal du modèle réside dans sa perception agentique pour la vidéo longue : plutôt que de lire un fichier du début à la fin, l'agent part de la question posée, décide quoi regarder et écouter, puis rassemble des preuves par cycles successifs allant du général au précis, concentrant ainsi le calcul sur les segments pertinents. Sur le benchmark OmniVideoBench, cette approche fait passer la précision de 63,4 à 67,8 tout en réduisant l'usage de tokens de 145 736 à 79 117, soit environ 45,7% d'économie. Qwen revendique aussi des baisses de coûts massives par rapport à son précédent modèle Qwen3.5-Omni-Plus, avec plus de 98% de réduction pour l'audio, plus de 93% pour l'audio-visuel et environ 89% pour la vidéo selon Alibaba. Pour les entreprises qui déploient des agents multimodaux à grande échelle, cette efficacité de traitement change concrètement l'équation économique, en particulier pour l'analyse de vidéos longues où le coût en tokens était jusqu'ici prohibitif. Ces gains restent toutefois à confirmer par des tests indépendants, puisque tous les chiffres proviennent des propres évaluations de Qwen : sur 29 benchmarks, le score moyen s'améliore de plus de 25% par rapport à Qwen3.5-Omni-Plus, avec des progressions notables comme +36,5 points sur WildClawBench-MM ou +22,3 points sur AgenticVBench. L'équipe affirme que les performances audio-visuelles se rapprochent de Gemini 3.8 Flash et que les performances audio globales le dépassent, signe de la concurrence directe qu'Alibaba entend mener face à Google sur ce segment. Le modèle prend en charge 113 langues et dialectes en entrée audio, des vidéos jusqu'à deux heures et deux gigaoctets, ainsi que l'audio spatial stéréo et FOA à quatre canaux. Il s'intègre via les protocoles DashScope et OpenAI, avec prise en charge de l'appel de fonctions, de la recherche web et du traitement par lots, positionnant Qwen dans la course mondiale aux modèles agentiques multimodaux aux côtés d'OpenAI et Google.

Alibaba dévoile Qwen3.8-Flash-Next, un modèle MoE multimodal de 125 milliards de paramètres qui préfigure Qwen4

L'équipe Qwen d'Alibaba a dévoilé Qwen3.8-Flash-Next, un modèle multimodal à mélange d'experts (MoE) publié en poids ouverts et conçu pour minimiser le coût par token. Il combine un socle de 125 milliards de paramètres, une table d'embeddings N-gram de 51 milliards de paramètres et un module de prédiction multi-token de 4 milliards, pour un total de 180 milliards de paramètres sur disque, dont seulement 6 milliards s'activent réellement à chaque token. Alibaba présente ce modèle comme un aperçu de l'architecture qui équipera Qwen4, sur le même principe que Qwen3-Next avait préfiguré Qwen3.5. Quatre nouveautés portent cette version : une attention hybride associant Gated DeltaNet et Qwen Sparse Attention, un mécanisme de résidu à portes (Gated Residual), l'embedding N-gram, et l'optimiseur Muon. Le coût d'entraînement serait environ neuf fois inférieur à celui de Qwen3.7-Plus. Côté déploiement, la version FP8 pèse 172,78 Gio et la version BF16 335,28 Gio ; il faut au minimum deux GPU en parallélisme tensoriel (TP2) sur des puces GB300, quatre étant recommandés, et une configuration TEP8 sur un nœud à huit GPU H200. Le contexte natif atteint 262 144 tokens, extensible à un million via YaRN. Sur les benchmarks, le modèle obtient 58,7 sur DeepSWE 1.1, 62,5 sur SWE-bench Pro, 81,0 sur SWE-bench Multilingual et 91,9 sur LiveCodeBench v6, ainsi que 84,5 sur AndroidWorld et 95,7 sur MathVision avec interpréteur de code. Cette annonce illustre une tendance de fond : réduire drastiquement le coût de calcul des grands modèles sans sacrifier leurs capacités, grâce à une activation clairsemée des paramètres. Les gains annoncés en matière de service sont significatifs, jusqu'à 7,6 fois plus rapide en préremplissage et 4,9 fois en décodage à un million de tokens selon Qwen, avec des chiffres encore plus élevés cités par les recettes SGLang et vLLM, même si ces performances restent pour l'instant des annonces du fournisseur, non vérifiées de façon indépendante. Un débit de préremplissage multiplié par 8,6 par rapport à Qwen3.7-Plus est également revendiqué. Pour les entreprises et développeurs, cela signifie un modèle de pointe accessible via vLLM, SGLang, TokenSpeed, transformers serve ou llama.cpp, avec un fine-tuning possible via Unsloth, Swift ou LLaMA-Factory, déjà intégré au mode « Standard » de QwenWork et à Qwen Code. Il reste toutefois hors de portée d'une simple station de travail, nécessitant des clusters de GPU haut de gamme. Ce lancement s'inscrit dans la compétition mondiale sur les modèles de codage et d'agents autonomes, où Alibaba cherche à rivaliser avec Anthropic et DeepSeek. Sur ce terrain, Qwen3.8-Flash-Next reste compétitif sans dominer partout : Claude Opus 4.6 le devance sur le test de raisonnement HLE (40,0 contre 35,9) et DeepSeek-V4-Flash-0731 fait mieux sur NL2Repo-Bench (54,2 contre 48,1), signe que le raisonnement de pointe demeure un point faible. Ce modèle sert avant tout de démonstrateur technique avant l'arrivée de Qwen4, dans une course où chaque acteur cherche à combiner puissance, contexte étendu et coût de calcul réduit pour équiper agents logiciels et assistants professionnels.

💬 Le chiffre qui compte, c'est 6 milliards de paramètres activés sur 180 au total : voilà le vrai levier pour faire baisser le coût d'inférence, l'activation clairsemée plutôt que la taille brute du modèle. Sur le papier, l'entraînement neuf fois moins cher et le million de tokens de contexte, ça claque, mais si tu regardes le raisonnement pur face à Opus 4.6, Qwen accuse encore le coup. Et "poids ouverts" ne veut pas dire accessible : il te faut un cluster de GPU haut de gamme rien que pour le faire tourner, donc cette préversion de Qwen4 reste réservée à ceux qui ont déjà l'infra derrière.

Alibaba lance Qwen3.8-Flash-Next, axé sur une "efficacité maximale des coûts

L'équipe Qwen d'Alibaba a dévoilé Qwen3.8-Flash-Next, un modèle de langage présenté comme un aperçu de la future architecture Qwen4. Il s'agit d'un modèle à mélange d'experts (mixture-of-experts) qui n'active que 6 milliards de paramètres sur les 125 milliards que compte le système total, pour chaque token traité. Selon Alibaba, ce modèle a été entraîné pour un coût neuf fois inférieur à celui de ses concurrents directs, tout en surpassant des modèles bien plus lourds comme DeepSeek-V4-Flash et Claude Opus 4.6 d'Anthropic sur des benchmarks de programmation et de tâches bureautiques. Cette annonce illustre une tendance de fond dans l'industrie de l'intelligence artificielle : la course à l'efficacité commence à compter autant que la course à la puissance brute. En activant seulement une fraction de ses paramètres par requête, Qwen3.8-Flash-Next permet de réduire drastiquement les coûts d'inférence, un facteur déterminant pour les entreprises qui déploient des modèles à grande échelle. Pour les utilisateurs et les développeurs, cela signifie potentiellement un accès à des performances de haut niveau à des tarifs bien plus bas, ce qui accentue la pression tarifaire déjà exercée sur des acteurs comme OpenAI et Anthropic, contraints de justifier le prix de leurs modèles phares. Cette sortie s'inscrit dans la stratégie plus large d'Alibaba, qui multiplie depuis plusieurs mois les modèles open-weight de la famille Qwen pour s'imposer face aux géants américains et chinois, notamment DeepSeek. L'architecture mixture-of-experts, de plus en plus prisée pour son rapport coût-performance, devient un terrain de bataille central. La publication de ce modèle en amont de Qwen4 laisse présager une architecture complète encore plus optimisée, dans un marché où l'efficacité économique pourrait devenir le principal argument de différenciation entre laboratoires.

💬 Qwen3.8-Flash-Next n'active que 6 milliards de paramètres sur 125, et c'est bien plus intéressant que la bataille de benchmarks qu'Alibaba met en avant. Selon Le Fil IA, la vraie course en IA n'est plus à la puissance brute mais au coût par token, et chaque modèle MoE ultra-efficace qui sort met un peu plus la pression tarifaire sur OpenAI et Anthropic. Reste à voir si les perfs annoncées tiennent en prod, chez Alibaba les benchmarks maison ont souvent un train d'avance sur la réalité du déploiement.

Alibaba dévoile Qwen 3.8, des modèles open source sous licence Apache 2.0

Alibaba a dévoilé Qwen 3.8, une nouvelle famille de modèles à poids ouverts publiée sous licence Apache 2.0 par son équipe d'intelligence artificielle Qwen. Le modèle phare de cette génération est un modèle dense de 27 milliards de paramètres, conçu pour surpasser le plus volumineux Qwen 3.7 Plus sur les tâches de programmation et de bureautique. Il se distingue également par sa capacité native à traiter jusqu'à 262 000 tokens de contexte en une seule fois, ce qui lui permet d'ingérer de très longs documents, bases de code ou historiques de conversation sans étape de découpage préalable. Cette sortie confirme la stratégie d'Alibaba consistant à rendre disponibles gratuitement des modèles performants et personnalisables, à destination des développeurs qui construisent des applications locales ou des agents autonomes. En proposant un modèle plus compact que Qwen 3.7 Plus tout en revendiquant de meilleures performances sur des tâches concrètes comme le code, Alibaba abaisse le coût de calcul nécessaire pour obtenir un haut niveau de qualité, un enjeu majeur pour les entreprises et les équipes qui souhaitent déployer de l'IA générative sans dépendre exclusivement des API propriétaires de fournisseurs comme OpenAI ou Anthropic. Ce lancement s'inscrit dans la compétition mondiale des modèles ouverts, où les géants chinois de la tech, Alibaba en tête avec sa famille Qwen, cherchent à s'imposer face aux modèles américains fermés et aux alternatives ouvertes comme celles de Meta ou Mistral. La montée en puissance des applications agentiques, capables d'exécuter des tâches complexes de façon autonome, pousse ces entreprises à optimiser conjointement la taille des modèles, leur fenêtre de contexte et leurs capacités de codage, autant de critères désormais décisifs pour les développeurs.

💬 Qwen 3.8 confirme un truc qu'on voit depuis un an : la course n'est plus à la taille du modèle mais au ratio perf/coût, et Alibaba le fait mieux que tout le monde en ce moment. Un modèle dense de 27 milliards qui bat un modèle plus gros, avec 262k tokens de contexte natif, c'est le genre de specs qui rendent les API propriétaires beaucoup plus dures à justifier pour du code ou de l'agentique. Reste à voir si ça tient la comparaison en usage réel, mais sur le papier, la stratégie open source d'Alibaba avance plus vite que ce que les labs fermés voudraient.

Apple a conçu son propre modèle d'IA pour la Chine avec l'aide d'Alibaba

Apple a développé un modèle d'intelligence artificielle sur mesure pour le marché chinois, en partenariat avec le géant technologique local Alibaba, selon une information de Reuters citant trois sources proches du dossier. Ce grand modèle de langage, conçu spécifiquement pour la Chine, aurait bénéficié du soutien technique d'Alibaba dans son entraînement. Cette collaboration marque une rupture avec la stratégie qu'Apple appliquait jusqu'ici dans le pays, où le groupe américain s'appuyait sur des partenaires technologiques chinois externes plutôt que sur ses propres modèles pour proposer des fonctionnalités d'intelligence artificielle conformes à la réglementation locale. En développant son propre modèle, Apple cherche à reprendre la main sur les fonctionnalités d'IA intégrées à ses produits vendus en Chine, plutôt que de dépendre entièrement de technologies tierces. Ce choix est stratégique dans un marché du smartphone chinois hautement concurrentiel, où la marque à la pomme fait face à la pression de constructeurs locaux comme Huawei, Xiaomi ou Vivo, tous engagés dans une course effrénée à l'intégration de l'IA générative dans leurs appareils. Pour Apple, disposer d'un modèle propre pourrait aussi faciliter le déploiement plus rapide de fonctionnalités type Apple Intelligence, jusqu'ici retardées en Chine par des contraintes réglementaires et technologiques. Ce partenariat surprend dans un contexte de tensions technologiques croissantes entre Washington et Pékin, marqué par des restrictions américaines sur les semi-conducteurs et les technologies sensibles exportées vers la Chine. Apple, qui reste très dépendante du marché chinois pour sa fabrication comme pour ses ventes, doit composer avec les exigences des autorités locales en matière de souveraineté des données et de conformité des contenus générés par IA. Le recours à Alibaba, acteur majeur de l'IA chinoise avec ses modèles Qwen, illustre la nécessité pour les entreprises étrangères de nouer des alliances locales pour opérer légalement dans le pays.

💬 Apple qui internalise son propre LLM chinois avec Alibaba, c'est un aveu : la sous-traitance de l'IA à un partenaire externe ne suffisait plus face à Huawei et Xiaomi qui sortent des features génératives tous les trois mois. Sur le papier ça sonne comme une simple mise en conformité réglementaire, mais en vrai c'est Apple qui accepte de dépendre technologiquement d'un rival potentiel sur son propre écosystème, juste pour rester dans la course chinoise. Le signal à retenir : quand Apple, le roi du contrôle total sur sa stack, va chercher de l'aide dehors, c'est que le marché chinois de l'IA embarquée est devenu trop rapide pour être ignoré.

ONESTRUCTION construit le modele fondamental Ishigaki-IDS avec AWS GenAIIC

ONESTRUCTION, une startup japonaise spécialisée dans la technologie de construction et l'openBIM, a développé un modèle de fondation baptisé Ishigaki-IDS, dédié aux flux de travail BIM (Building Information Modeling) dans le secteur du bâtiment. Le projet a été mené dans le cadre de la phase 3 du programme public japonais GENIAC (Generative AI Accelerator Challenge), avec l'appui technique du centre d'innovation en IA générative d'Amazon Web Services Japan, le GenAIIC. Le modèle repose sur Qwen3, la famille de grands modèles de langage open source d'Alibaba Cloud, déclinée en versions de 8, 14 et 32 milliards de paramètres. L'entraînement a suivi un pipeline en trois étapes, préentraînement continu (CPT), ajustement supervisé (SFT) et apprentissage par renforcement à récompenses vérifiables (RLVR), exécuté sur des instances Amazon EC2 P5en orchestrées via AWS ParallelCluster pour permettre un entraînement distribué stable. L'objectif technique était de faire produire au modèle des fichiers conformes à la norme IDS (Information Delivery Specifications), un format XML publié en 2024 qui définit les informations rattachées et validées dans les maquettes numériques au format IFC (Industry Foundation Classes). Cette avancée vise à réduire une barrière d'entrée majeure dans un secteur confronté à une pénurie de main-d'œuvre persistante au Japon. Le BIM est encouragé au niveau national pour permettre aux équipes de conception, de construction et de maintenance de partager les informations sur une plateforme commune, mais sa maîtrise exige une expertise pointue, notamment pour rédiger des fichiers IDS qui demandent à la fois la connaissance de sa grammaire propre et celle des règles IFC. En automatisant cette production, Ishigaki-IDS permettrait à des professionnels du bâtiment non spécialistes du BIM de vérifier et gérer les données d'attributs sans dépendre d'experts formés à ces standards, ce qui pourrait accélérer l'adoption du BIM à l'échelle du secteur et servir de modèle méthodologique pour d'autres domaines pauvres en données. Trois obstacles ont dû être surmontés. D'abord la rareté des données : contrairement à des secteurs comme la finance, la santé ou le droit, qui disposent de corpus allant de plusieurs milliards à des centaines de milliards de tokens, la construction et la norme IDS, encore récente, ne offrent que peu de contenu public exploitable. Ensuite, il fallait injecter un vocabulaire technique IFC de plusieurs milliers de termes, comme la correspondance entre "beam" et la classe IfcBeam ou entre "air conditioner" et IfcUnitaryEquipment, un travail traditionnellement réalisé manuellement par des experts du domaine. Enfin, la grammaire spécifique d'IDS, dont la structure de balises varie selon le type d'information visée, posait un défi que les modèles génériques peinent à résoudre. Pour y répondre, ONESTRUCTION a combiné génération de données synthétiques, collaboration étroite avec des experts métier et une infrastructure cloud dédiée à l'entraînement à grande échelle.

💬 Ce qui compte ici, c'est pas le mot BIM, c'est le format IDS : un XML imbuvable que même les pros du bâtiment redoutent d'écrire à la main. ONESTRUCTION a dressé un petit Qwen3 là-dessus, et le vrai constat c'est qu'ils ont dû fabriquer leur corpus de A à Z en synthétique, faute de données publiques sur ce secteur. Ça peut vraiment démocratiser le BIM au Japon, où la pénurie de main-d'œuvre pousse à automatiser ce genre de tâche, mais reste à voir si ça tient sur des maquettes IFC un peu costaudes.

Alibaba teste un nouveau modèle économique pour Qwen, son IA open source

Alibaba prépare un nouveau modèle économique pour son prochain modèle d'IA à poids ouverts Qwen, rapporte Reuters citant deux sources proches du dossier. Les grandes entreprises qui exploitent ce modèle pour proposer un service commercial devront désormais conclure un accord de partage de revenus avec le groupe chinois, dont le taux n'est pas encore fixé. Jusqu'ici, Alibaba facturait l'accès aux modèles hébergés sur son cloud, mais laissait les entreprises déployer gratuitement ses modèles open source dans leurs propres serveurs. Les modèles Qwen3 actuels restent sous licence Apache 2.0, qui autorise usage commercial, modification et redistribution. Ce virage rappelle la licence adoptée par Moonshot pour Kimi K3, lancé le mois dernier : les entreprises dont les revenus cumulés dépassent 20 millions de dollars sur douze mois doivent signer un accord séparé, pouvant représenter jusqu'à 30% de partage de revenus selon des sources proches de Moonshot. Chinasoft International et DigitalOcean ont confirmé de tels accords commerciaux avec Moonshot. Cette évolution marque une inflexion pour l'IA open source chinoise, longtemps opposée à l'approche fermée d'OpenAI, Anthropic et Google, qui commercialisent leurs modèles phares via des services hébergés propriétaires. En fixant des seuils de revenus déclenchant des accords payants, Alibaba et Moonshot cherchent à monétiser l'usage massif de leurs modèles par les fournisseurs cloud et d'infrastructure, sans renoncer à la gratuité pour les petits développeurs. Pour des acteurs comme DigitalOcean, qui propose Kimi K3 à ses clients, cela implique des coûts supplémentaires au-delà de certains seuils d'usage. Ce glissement souligne aussi la différence entre modèles "à poids ouverts" et véritablement "open source" : la définition de l'Open Source Initiative exige un accès libre sans autorisation préalable, condition que ces nouvelles licences commerciales ne remplissent plus entièrement. Cette stratégie tient aussi à l'ampleur des ressources nécessaires pour exploiter ces modèles à grande échelle : Kimi K3 compte 2 800 milliards de paramètres au total, dont 104 milliards activés grâce à une architecture de mélange d'experts (896 experts, 16 sélectionnés par token), ce qui exige une infrastructure de calcul considérable même lorsque les poids sont téléchargeables gratuitement. Alibaba et Moonshot cherchent ainsi de nouvelles sources de revenus auprès des acteurs qui monétisent leurs modèles, à travers une approche que le PDG de DigitalOcean, Paddy Srinivasan, qualifie de "freemium" : accès initial peu coûteux, puis facturation pour l'usage à grande échelle, le support technique ou l'accès anticipé aux futures versions. Reste à voir si d'autres développeurs chinois emboîteront le pas et comment les entreprises occidentales, déjà confrontées à des coûts d'infrastructure croissants, réagiront à ces nouvelles conditions.

💬 Alibaba et Moonshot viennent d'inventer le freemium pour l'IA open source chinoise, et ça change la nature du deal : gratuit pour bricoler, payant dès que tu montes en échelle. Sur le papier ça reste ouvert, mais dès qu'un fournisseur cloud dépasse un seuil de revenus il doit signer un accord de partage, donc on n'est plus dans l'esprit "open source" au sens strict, juste dans du "poids ouverts avec facture différée". Retenez la phrase : quand un modèle open source devient massivement utilisé, quelqu'un finit toujours par vouloir sa part, même en Chine.

L'IA chinoise accélère la course aux modèles à bas coût, portée par Alibaba et DeepSeek

Alibaba a lancé Qwen3.8-Max, son plus grand modèle d'IA à ce jour, doté de 2,4 billions de paramètres et d'une architecture mixture-of-experts qui n'active qu'une partie du réseau par requête, soit environ 95 milliards de paramètres actifs. Le modèle traite texte, images et vidéo, gère jusqu'à un million de tokens de contexte, et a mené à bien un projet d'ingénierie logicielle sur 16 jours selon Alibaba. Il se positionne près de Kimi K3, lancé en juillet par Moonshot AI (2,8 billions de paramètres au total, environ 104 milliards actifs), mais coûte moins cher : 2 dollars par million de tokens en entrée et 6 dollars en sortie, contre 3 et 15 dollars pour Kimi K3. Dans le même temps, DeepSeek a dévoilé V4-Flash, un modèle plus modeste (284 milliards de paramètres au total, 13 milliards actifs selon Artificial Analysis) mais bien plus abordable, à 0,14 dollar par million de tokens en entrée et 0,28 dollar en sortie, avec un tarif de cache pouvant descendre à 0,003 dollar par million de tokens. Cette bataille sur les prix illustre un basculement stratégique dans la course chinoise à l'IA, où la performance brute compte désormais moins que le coût réel d'exécution. Sur le benchmark d'Artificial Analysis, V4-Flash revient en moyenne à trois cents par test, contre 86 cents pour Kimi K3, 1,86 dollar pour GPT-5.6 Sol d'OpenAI et 3,15 dollars pour Claude Fable 5 d'Anthropic, un écart qui pourrait redéfinir les arbitrages des entreprises qui déploient ces modèles à grande échelle. Qwen3.8-Max s'est aussi hissé en tête des modèles textuels chinois sur la plateforme comparative Arena.AI, tout en restant derrière plusieurs modèles d'Anthropic au classement général, et se classe deuxième pour l'analyse d'images, derrière une variante de Claude Fable 5. Ces annonces s'inscrivent dans une compétition plus large entre Alibaba, DeepSeek, Moonshot AI, OpenAI et Anthropic, où l'architecture sparse et le nombre de paramètres actifs deviennent des leviers de compétitivité aussi importants que la taille totale du modèle. Artificial Analysis souligne toutefois que le prix par token ne raconte qu'une partie de l'histoire : sur son benchmark AA-Briefcase pour les tâches agentiques, Kimi K3 revient en moyenne à 10,57 dollars par tâche, avec environ 120 000 tokens générés et 83 échanges en moyenne, preuve que le volume de sortie et le nombre d'appels au modèle peuvent faire grimper la facture bien au-delà du tarif affiché. La suite dépendra de la capacité de chaque acteur à optimiser simultanément coût, rapidité et efficacité réelle sur des tâches complexes.

Qwen3.8-Max : Alibaba revient dans la course pour rivaliser avec Fable 5 et Kimi K3

Alibaba a dévoilé Qwen3.8-Max, un modèle de langage doté de 2 400 milliards de paramètres, quinze jours seulement après le lancement de Kimi K3 par Moonshot AI, un autre acteur chinois du secteur. Contrairement à Kimi K3 et ses 2 800 milliards de paramètres et 104,2 milliards de paramètres actifs par token, Qwen3.8-Max repose sur une architecture Mixture of Experts activant 95 milliards de paramètres par token, tout en nécessitant le chargement complet du modèle en mémoire. Alibaba revendique, benchmarks à l'appui, des performances comparables à Gemini 3.1-Pro, GPT-5.6 Sol et Fable 5 sur le raisonnement multimodal, l'analyse d'images en tant qu'« agent visuel », le code et l'analyse de documents. Comme Moonshot AI l'avait fait avec Kimi K3, Alibaba promet de rendre les poids du modèle disponibles en open source sur Hugging Face et ModelScope dans la semaine, après une exclusivité initiale sur sa propre plateforme QwenCloud. Côté tarifs, l'entreprise affiche 2 dollars par million de tokens en entrée et 6 dollars en sortie, des prix inférieurs à ceux de Kimi K3 (3 et 15 dollars), GPT-5.6 Sol (5 et 30 dollars), Opus 4.8 (5 et 25 dollars) et Fable 5 (10 et 50 dollars). Cette sortie confirme que les entreprises chinoises de l'IA générative continuent de talonner les leaders américains, un an après le « moment DeepSeek » qui avait déjà bousculé le secteur. En ciblant explicitement le code et l'automatisation des tâches de bureau, Alibaba se positionne frontalement contre Anthropic, un terrain jusque-là dominé par cette dernière. Pour appuyer sa démonstration, l'entreprise met en avant trois défis réalisés sans intervention humaine, écriture et exécution de code exclues : la génération du projet « oh-my-cli » en dix jours, la reproduction du code d'un article scientifique, et un concours de compréhension des besoins clients. Alibaba insiste sur le fait que son modèle ne se contente pas de suivre un plan prédéfini mais s'adapte grâce à des boucles de rétroaction, un argument destiné à convaincre les développeurs et les entreprises cherchant à automatiser des tâches complexes. Les prix cassés renforcent l'attractivité du modèle pour les usages à grande échelle. Reste que la comparaison des prix par million de tokens masque une réalité plus complexe, comme le montre l'exemple d'Opus 4.7 qui consommait ses tokens bien plus rapidement qu'Opus 4.6 sans que cela soit reflété dans le tarif affiché. Plusieurs utilisateurs de Qwen3.8-Max rapportent déjà avoir épuisé leur quota en quelques prompts seulement, ce qui interroge sur l'écart entre le prix nominal et le coût réel d'usage. Cette question de la consommation de tokens devient centrale dans un marché où les modèles surenchérissent sur les benchmarks et les tarifs, sans que les utilisateurs disposent toujours d'outils fiables pour comparer l'efficacité réelle de chaque système face à leurs besoins concrets.

💬 Le vrai combat n'est plus sur les benchmarks, il est sur le prix au token réel. Alibaba affiche 2 dollars l'entrée contre 10 pour Fable 5, sauf que plusieurs utilisateurs ont grillé leur quota en quelques prompts à peine, preuve que le tarif affiché ne dit presque rien de la facture finale. Kimi K3 puis Qwen3.8-Max en quinze jours, la Chine ne rattrape plus les leaders américains, elle les talonne à un rythme mensuel, mais sans mètre étalon pour la conso réelle, choisir son LLM reste un pari sur une étiquette.

Qwen 3.8-Max : Alibaba clash la Silicon Valley avec une IA puissante et… open weight

Alibaba a dévoilé le 3 août 2026 Qwen 3.8-Max, le modèle le plus puissant de toute la famille Qwen à ce jour. Contrairement aux modèles fermés d'OpenAI ou d'Anthropic, celui-ci sera open-weight : ses poids seront publiés la semaine prochaine, et Qwen3.8-27B suivra le même chemin. Le modèle est déjà accessible sur la plateforme officielle Qwen et le sera bientôt sur Model Studio, la plateforme cloud d'Alibaba. Techniquement, il s'agit d'un modèle multimodal capable de traiter texte, images et vidéo dans une même conversation, avec une fenêtre de contexte d'un million de tokens. Alibaba affirme qu'il peut analyser des rapports financiers de plusieurs centaines de pages en comprenant simultanément texte, graphiques et tableaux, ou encore parcourir plus de 100 heures de vidéo pour identifier personnages, événements et changements de scène. Le modèle repose sur une architecture Mixture of Experts avec 2 400 milliards de paramètres au total, dont seulement 95 milliards activés à chaque requête. Cette approche change la donne pour l'accès à l'IA de pointe. En rendant public un modèle qui rivalise avec les meilleures offres américaines, Alibaba permet à des chercheurs et développeurs du monde entier de télécharger, étudier et adapter le modèle sur leurs propres infrastructures, sans dépendre d'une API propriétaire. Les résultats publiés sont significatifs : sur PaperBench, qui évalue la capacité à reproduire un article scientifique en code, Qwen 3.8-Max obtient 93 sur 100, devançant Fable 5 (88,8) et Claude Opus 4.8 (80,3). Sur OSWorld, qui mesure l'usage d'un ordinateur comme le ferait un humain, il prend la première place mondiale avec 86,1. Pour les entreprises et développeurs, cela signifie un accès à des capacités de pointe en codage autonome et en automatisation, à moindre coût grâce à l'architecture MoE qui limite les ressources mobilisées par requête. Ce lancement s'inscrit dans une compétition de plus en plus vive entre laboratoires chinois et américains. Sur Arena.AI, Qwen 3.8-Max s'est immédiatement classé premier modèle chinois pour les tâches textuelles, même s'il reste derrière Claude Fable 5 au niveau mondial. En vision par ordinateur, il se classe deuxième, juste derrière une variante de Claude Fable 5. Alibaba le compare directement à Kimi K3, le modèle de Moonshot AI doté de 2 800 milliards de paramètres, signe que plusieurs acteurs chinois jouent désormais dans la même catégorie que les géants américains. Reste que les benchmarks ne disent pas tout : l'usage en conditions réelles déterminera si cette avance open source chinoise se confirme face à des modèles fermés qui gardent, pour l'instant, une légère longueur d'avance sur certains terrains.

Alibaba (Chine) tente une nouvelle offensive contre la suprématie américaine dans l'IA

Alibaba a dévoilé lundi Qwen3.8-Max, présenté comme son modèle d'intelligence artificielle le plus vaste et le plus performant à ce jour. Le géant technologique chinois affirme que ce système rivalise avec les meilleures offres des laboratoires américains de pointe, Anthropic et OpenAI, ainsi qu'avec son concurrent domestique Moonshot AI et son modèle Kimi K3. L'annonce, publiée sur le blog officiel d'Alibaba, confirme un lancement déjà anticipé depuis le mois précédent, lorsque l'entreprise avait présenté une version préliminaire du modèle en le qualifiant de "juste derrière" le modèle phare d'Anthropic. Qwen3.8-Max est désormais mis à disposition à grande échelle des utilisateurs, marquant une nouvelle étape dans la stratégie d'Alibaba de rendre ses modèles accessibles largement plutôt que de les garder propriétaires. Cette sortie confirme que les entreprises chinoises continuent de réduire l'écart technologique avec les laboratoires américains, longtemps considérés comme largement en tête sur les modèles de fondation les plus avancés. Pour les développeurs et les entreprises du monde entier, la disponibilité d'un modèle open ou largement accessible aussi performant qu'un système propriétaire américain change la donne: elle offre une alternative moins coûteuse et potentiellement moins contrainte par les restrictions d'export américaines. Pour l'industrie de l'IA dans son ensemble, cela accentue la pression concurrentielle sur les laboratoires occidentaux, qui doivent désormais justifier leurs prix et leurs conditions d'accès face à des rivaux chinois de plus en plus crédibles. Cette annonce s'inscrit dans un contexte de tensions déjà vives entre les Etats-Unis et la Chine sur plusieurs fronts liés à l'intelligence artificielle, entre restrictions américaines sur l'exportation de puces avancées vers la Chine et volonté de Pékin d'atteindre l'autonomie technologique dans ce secteur jugé stratégique. Alibaba, comme d'autres géants chinois de la tech, investit massivement dans le développement de modèles capables de rivaliser avec les meilleurs systèmes occidentaux, une course qui s'accélère à mesure que Washington et Silicon Valley observent avec attention les progrès réalisés de l'autre côté du Pacifique. Les prochains mois devraient voir se multiplier les annonces similaires de la part des acteurs chinois et américains, chacun cherchant à démontrer sa suprématie technologique dans un secteur dont les enjeux dépassent largement la seule compétition commerciale.

💬 Alibaba enfonce le clou et ça devient dur à ignorer. Qwen3.8-Max qui prétend rivaliser avec Anthropic et OpenAI en accès large, pas en démo, c'est un signal de plus que l'écart se referme vite. Selon Le Fil IA, la vraie bascule n'est pas technique mais économique: pour un développeur en France, un modèle chinois quasi aussi bon et moins cher devient un argument qu'aucun labo américain ne peut juste ignorer avec un "on est meilleurs".

Alibaba dévoile Qwen3.8-Max, un modèle MoE de 2,4 billions de paramètres, le plus performant de la famille Qwen à ce jour

Alibaba a annoncé la disponibilité générale de Qwen3.8-Max, un modèle de mélange d'experts (MoE) de 2,4 billions de paramètres, le plus puissant à ce jour dans la famille Qwen. L'entreprise a confirmé que les poids ouverts du modèle seront publiés la semaine prochaine, tout comme ceux d'un second modèle, Qwen3.8-27B, plus adapté à un déploiement sur des serveurs GPU classiques. Qwen3.8-Max accepte du texte, des images et de la vidéo en entrée et produit du texte en sortie. Son API hébergée, compatible avec les formats OpenAI et DashScope, est utilisable dès aujourd'hui par toute entreprise, l'intégration se limitant à un changement d'URL de base et d'identifiant de modèle. Le modèle propose une fenêtre de contexte d'un million de tokens, avec une entrée maximale de 991 000 tokens (983 000 en mode réflexion) et une sortie maximale de 131 000 tokens. Les limites de débit sont fixées à 2 millions de tokens par minute et 15 000 requêtes par minute. Côté tarifs, comptez 2 dollars par million de tokens en entrée, 6 dollars en sortie, et 0,25 dollar pour la lecture en cache implicite, un cache huit fois moins cher que les tokens frais. Le modèle intègre nativement cinq outils via l'API Responses, dont un interpréteur de code et la recherche web. Cette annonce est significative parce qu'elle cible directement des usages professionnels concrets: l'ingénierie logicielle à l'échelle d'un dépôt entier, la revue de documents juridiques et financiers, l'indexation de vidéos longues, l'extraction de données structurées et les assistants de recherche multi-étapes. Mais l'ampleur du modèle pose une vraie question de déploiement. Avec 2,4 billions de paramètres au total, Qwen3.8-Max reste un artefact réservé aux infrastructures de datacenter multi-nœuds, Alibaba n'ayant pas communiqué le nombre de paramètres réellement activés, ce qui empêche pour l'instant d'estimer son coût de service. C'est donc Qwen3.8-27B qui représente la voie réaliste pour un déploiement sur site chez la plupart des entreprises. Les gains de performance les plus nets se situent dans le multimodal et les tâches agentiques plutôt que dans le raisonnement pur: le modèle passe de 21,6 à 56,6 sur DeepSWE 1.1 et de 40,7 à 73,5 sur FrontierSWE par rapport à Qwen3.7-Max. Sur les benchmarks publiés par Alibaba, Qwen3.8-Max obtient 86,6 sur Terminal-Bench 2.1, devançant Claude Opus 4.8 et Claude Fable 5 (84,6) mais restant derrière GPT-5.6 Sol en mode maximal (88,8). Il domine en revanche sur PaperBench (93,0) et sur plusieurs tests de vision comme OSWorld-Verified (86,1) et OmniDocBench 1.5 (92,1). Deux réserves s'imposent toutefois: la comparaison multimodale se fait face à Qwen3.7-Plus et non Qwen3.7-Max, ce qui gonfle artificiellement les progrès affichés, et la courbe d'apprentissage par renforcement d'Alibaba plafonne à 0,725 avant de redescendre à 0,689, signe que la mise à l'échelle atteint ses limites. Aucune licence ni tableau de benchmark complet n'accompagne pour l'instant l'annonce des poids ouverts, prévus la semaine prochaine.

Alibaba dévoile Qwen3.8-Max, un modèle multimodal de 2 400 milliards de paramètres, quelques jours après le lancement du modèle ouvert Kimi K3 de Moonshot

Alibaba a dévoilé le 19 juillet 2026, lors de la World AI Conference (WAIC) de Shanghai, une version de démonstration de Qwen3.8-Max, présentée par l'équipe Qwen comme le prochain modèle phare du groupe. Selon Alibaba, il compterait 2 400 milliards de paramètres et se classerait juste derrière Fable 5 parmi les systèmes évalués en interne, mais aucun tableau de benchmarks, aucune fiche technique et aucune licence n'ont été publiés pour étayer ce chiffre. L'accès à cette préversion est déjà ouvert via l'abonnement Token Plan d'Alibaba, ainsi que via Qoder et QoderWork, à 10 % du tarif standard. Le développeur Qwen Shuai Bai a précisé qu'il s'agit du premier modèle multimodal de l'équipe dépassant les 1 000 milliards de paramètres, capable de traiter texte, images, vidéo et documents, et censé surpasser Qwen3.7-Max en codage, développement full-stack, analyse de données et tâches bureautiques. L'annonce est tombée deux jours seulement après le lancement par Moonshot AI de Kimi K3, un modèle à poids ouverts de 2 800 milliards de paramètres, ce qui situe clairement Qwen3.8 dans une course de vitesse entre laboratoires chinois plutôt que dans une simple mise à jour de gamme. Ce que cette annonce change concrètement reste flou tant que les chiffres ne sont pas vérifiés. Le nombre total de paramètres ne reflète pas la puissance de calcul réellement utilisée: Alibaba n'a toujours pas communiqué le nombre de paramètres activés par token, la donnée qui détermine le coût réel de mise en production d'un modèle à mélange d'experts épars (MoE). L'historique de la famille Qwen invite à la prudence: Qwen3-235B-A22B n'active que 22 milliards de paramètres sur ses 235 milliards, et Qwen3-30B-A3B environ 3 milliards seulement. La compatibilité annoncée avec les protocoles OpenAI et Anthropic est en revanche un argument concret pour les développeurs, puisque les agents de codage existants pourraient basculer vers Qwen3.8 sans reconstruire leur infrastructure. Pour l'instant, la seule base vérifiable reste Qwen3.7-Max, lancé en mai 2026 en poids fermés: 92,4 sur GPQA Diamond, 80,4 % sur SWE-bench Verified, 69,7 sur Terminal-Bench 2.0, une fenêtre de contexte d'un million de tokens, à 1,25 dollar par million de tokens en entrée et 3,75 dollars en sortie. Cette annonce s'inscrit dans une compétition de plus en plus frontale entre laboratoires chinois pour la position de leader sur les modèles ouverts, Alibaba et Moonshot AI cherchant chacun à occuper le devant de la scène lors des grands rendez-vous comme la WAIC. Alibaba avait déjà promis l'ouverture des poids pour ses précédents modèles Max sans jamais tenir cette promesse, ce qui pousse à attendre une date précise, une licence et surtout la publication d'un vrai tableau de benchmarks avant de valider les affirmations sur les performances de Qwen3.8.

💬 2 400 milliards de paramètres annoncés sans un seul benchmark publié, c'est une annonce de com', pas un lancement de modèle. Le chiffre qui compte vraiment dans un MoE, c'est le nombre de paramètres activés par token, celui qu'Alibaba ne donne jamais, et l'historique Qwen (22 milliards actifs sur 235, 3 sur 30) laisse penser que Qwen3.8 sera bien plus léger à faire tourner que son total ne le suggère. Reste un vrai plus, la compatibilité annoncée avec les API OpenAI et Anthropic, qui permettrait aux devs de basculer sans tout reconstruire, si elle tient la route en prod.

Nouveau framework IA d'Alibaba : évite de charger tous les outils, réduit l'usage de tokens de 99%

Des chercheurs d'Alibaba ont développé SkillWeaver, un framework conçu pour résoudre le problème du routage d'outils dans les systèmes d'IA d'entreprise, où un agent peut disposer de centaines de compétences différentes et se retrouver incapable de choisir la bonne à chaque étape d'une tâche. Le système construit un graphe d'exécution pour chaque requête complexe et sélectionne les compétences adaptées à chaque nœud, via trois étapes baptisées Decompose, Retrieve et Compose. Les chercheurs y associent une technique appelée Skill-Aware Decomposition (SAD), qui utilise une boucle de rétroaction permettant à l'agent de récupérer et de vérifier itérativement les outils candidats, au lieu de les choisir en une seule fois comme le font la plupart des frameworks concurrents. Dans leurs expériences, cette approche de récupération et de routage a permis de réduire la consommation de tokens de plus de 99% par rapport à une méthode naïve exposant l'agent à l'intégralité de la bibliothèque d'outils, tout en améliorant sensiblement la précision des résultats. Pour les équipes qui construisent des agents IA en entreprise, l'enjeu est concret : exposer un LLM à une bibliothèque d'outils entière consomme rapidement des centaines de milliers de tokens et sature les limites de contexte, ce qui rend les architectures actuelles difficiles à faire passer à l'échelle. C'est particulièrement critique pour les écosystèmes construits autour du Model Context Protocol (MCP), où des agents orchestrent de façon autonome de multiples outils pour exécuter des opérations métier en plusieurs étapes, comme télécharger un jeu de données, le transformer, puis générer des rapports visuels. Selon les auteurs, le principal enseignement pour les praticiens est que la granularité du découpage des tâches constitue le véritable goulot d'étranglement pour une récupération d'outils précise, plus que la taille de la bibliothèque elle-même. Ce travail répond à une limite structurelle des approches existantes, qu'il s'agisse de récupération par API, de correspondance documentaire ou de structures hiérarchiques : elles traitent le routage comme un problème de sélection d'une seule compétence par étape, alors que les requêtes réelles sont par nature compositionnelles. Une demande classique comme "télécharger le jeu de données, le transformer et créer des rapports visuels" ne peut être satisfaite par un seul outil ; elle nécessite de décomposer la tâche, puis d'enchaîner un client API, un processeur de données et un outil de visualisation dans un plan cohérent. SkillWeaver formalise cette étape finale sous la forme d'un graphe orienté acyclique (DAG), qui cartographie les dépendances entre sous-tâches et permet, lorsque c'est possible, une exécution en parallèle des étapes indépendantes.

💬 99% de tokens en moins, ça sent le chiffre marketing calibré pour le titre. Le vrai enseignement est ailleurs : c'est la granularité du découpage des tâches qui bloque le routage d'outils, pas la taille de la bibliothèque, ce qui inverse pas mal d'hypothèses des équipes qui bricolent leurs agents MCP en ce moment. Bonne nouvelle sur le papier, mais reste à voir si ça tient avec des centaines d'outils réels en prod et pas juste sur un benchmark maison.

IA générative : Anthropic accuse Alibaba de distiller ses modèles

Le 10 juin 2026, Anthropic a transmis une lettre confidentielle aux sénateurs républicain Tim Scott et démocrate Elizabeth Warren, révélant ce que l'entreprise décrit comme la plus vaste campagne d'exploitation illicite de son modèle Claude jamais observée. Entre le 22 avril et le 5 juin, des opérateurs liés à Alibaba et à son laboratoire d'IA Alibaba Qwen auraient généré plus de 28,8 millions d'échanges avec Claude via près de 25 000 comptes frauduleux. L'objectif présumé est la distillation : utiliser massivement les réponses d'un modèle concurrent pour entraîner le sien, acquérant ainsi des capacités avancées à moindre coût et en un temps record. Pour échapper à la détection, Alibaba aurait eu recours à des techniques d'obfuscation et à des réseaux de proxys, ce qui, selon Anthropic, signale l'existence d'une véritable économie souterraine du contournement en pleine expansion en Chine. L'enjeu est considérable pour l'industrie de l'IA : la distillation non autorisée permet à un acteur de copier les performances d'un modèle de pointe sans en supporter les coûts de recherche et développement, qui se chiffrent en centaines de millions de dollars. Si la technique est légalement utilisée par tous les grands laboratoires pour créer des versions allégées de leurs propres modèles, son usage à grande échelle contre un concurrent direct fragilise le modèle économique des entreprises qui investissent massivement dans la recherche fondamentale. Anthropic souligne qu'Alibaba est cotée à la Bourse de New York et doit donc répondre aux régulateurs américains, ce qui rend d'autant plus grave l'absence de réaction après la note de service de l'administration Trump de février dernier qualifiant ces pratiques d'inacceptables. Ce dossier s'inscrit dans une confrontation technologique et géopolitique plus large entre Washington et Pékin. En février déjà, Anthropic et OpenAI avaient visé DeepSeek, Moonshot et MiniMax pour des accusations similaires. Le 8 juin, l'administration Trump a inscrit Alibaba sur sa liste des entreprises liées à l'armée chinoise aux côtés de BYD, Baidu et NIO, bloquant leur accès au marché du département de la Défense. Alibaba a contesté cette décision en justice le 23 juin. Pendant ce temps, de nouveaux outils d'IA générative chinois émergent : 360 Digital Security Group, aussi connue sous le nom de Qihoo 360, a annoncé Tulongfeng et Yitianzhen, des assistants conçus pour rivaliser directement avec des plateformes occidentales comme Mythos. Les batailles juridiques et les listes noires dessinent ainsi les contours d'une guerre de l'IA qui se joue autant dans les tribunaux que dans les data centers.

💬 28,8 millions d'échanges via 25 000 faux comptes, c'est pas de la veille concurrentielle un peu agressive, c'est une opération industrielle planifiée. Ce que ça révèle surtout, c'est qu'on peut désormais copier des années de R&D pour le prix d'un réseau de proxys bien organisé, et aucun accord de licence n'était prévu pour ça. Reste à voir si Alibaba, cotée à Wall Street, va vraiment devoir en répondre, ou si on en restera aux lettres de sénateurs.

Anthropic réclame des sanctions contre Alibaba pour la plus grande attaque de clonage de Claude

Anthropic a accusé le géant technologique chinois Alibaba d'avoir orchestré la plus vaste campagne de clonage jamais menée contre son modèle d'IA Claude. Dans une lettre confidentielle datée du 10 juin 2026 et adressée aux sénateurs Tim Scott et Elizabeth Warren, la startup californienne affirme avoir détecté une opération d'extraction massive entre le 22 avril et le 5 juin. Selon Anthropic, des opérateurs liés à Alibaba et à son laboratoire d'IA Alibaba Qwen ont généré plus de 28,8 millions d'échanges avec Claude via près de 25 000 comptes frauduleux, violant délibérément les conditions d'utilisation et les restrictions d'accès imposées par l'entreprise. La campagne visait précisément les capacités les plus stratégiques de Claude : le raisonnement agentique, l'ingénierie logicielle et les tâches dites à long horizon, c'est-à-dire la capacité à planifier et exécuter des séquences complexes d'actions sur la durée. Ces fonctionnalités représentent le coeur compétitif du modèle Anthropic et constituent des avantages différenciants difficiles à reproduire sans accès aux données d'entraînement internes. En les ciblant massivement, Alibaba cherchait visiblement à accélérer le rattrapage de ses propres modèles par ingénierie inverse à grande échelle. Cette accusation s'inscrit dans un contexte de tension croissante entre les États-Unis et la Chine sur la maîtrise de l'IA de pointe. Anthropic a transmis cette lettre la veille d'une audition sénatoriale consacrée à « l'IA et le rêve américain », un timing délibéré destiné à alerter les législateurs sur les risques de vol de propriété intellectuelle. Le contexte immédiat est également celui de la restriction d'accès imposée aux marchés étrangers après la sortie de Mythos, le dernier modèle phare d'Anthropic, qui aurait renforcé la pression sur les acteurs chinois pour combler l'écart technologique par tous les moyens disponibles. L'entreprise réclame des sanctions contre Alibaba, une demande qui devrait alimenter les débats au Congrès sur l'encadrement de l'accès aux modèles d'IA américains.

Alibaba aurait exploité Claude pour entraîner son IA : voici comment

Anthropic a formellement accusé des acteurs liés au groupe chinois Alibaba d'avoir mené une campagne d'extraction massive de données contre son modèle Claude. Dans une lettre adressée aux sénateurs américains Tim Scott et Elizabeth Warren, datée du 10 juin 2026, la startup californienne affirme que ces opérateurs ont utilisé près de 25 000 comptes frauduleux pour générer environ 28,8 millions d'interactions avec son IA entre le 22 avril et le 5 juin 2026. Les requêtes ciblaient spécifiquement des capacités avancées de Claude, notamment en ingénierie logicielle et en raisonnement agentiel, deux domaines jugés stratégiques dans la compétition mondiale autour de l'intelligence artificielle. La technique mobilisée est connue sous le nom de « distillation » : elle consiste à nourrir un modèle moins performant avec les réponses générées par une IA de pointe, lui permettant d'en acquérir les compétences à moindre coût. Pour Alibaba, l'objectif présumé serait d'accélérer le développement de sa famille de modèles Qwen, en y intégrant des aptitudes proches de celles de Mythos, le modèle phare d'Anthropic. Cette approche permet de contourner des années d'investissement en recherche fondamentale et réduit drastiquement les coûts d'entraînement, ce qui représente un avantage compétitif considérable dans une course où les dépenses se comptent en milliards de dollars. Cette affaire s'inscrit dans un contexte de rivalité technologique de plus en plus tendue entre Washington et Pékin. Dès avril 2026, la Maison-Blanche dénonçait le pillage systématique de la propriété intellectuelle des laboratoires américains par des entités chinoises. Anthropic n'en est pas à sa première alerte : en février, la société avait déjà signalé des campagnes similaires impliquant DeepSeek (plus de 150 000 échanges), Moonshot AI (3,4 millions) et MiniMax (13 millions d'interactions avec Claude). La startup plaide depuis lors pour une réponse coordonnée entre industriels, décideurs politiques et acteurs de l'IA. Alibaba a par ailleurs été récemment ajoutée à la liste des entreprises militaires chinoises établie par le Pentagone, une désignation que le groupe conteste. Le département américain du Commerce a de son côté renoncé à placer DeepSeek sur sa liste noire commerciale, malgré les préoccupations exprimées par plusieurs agences gouvernementales américaines sur les risques pour la sécurité nationale.

💬 28,8 millions d'échanges en six semaines via des comptes jetables, ça n'a rien d'artisanal. Ce qui ressort de cette affaire, c'est que les réponses d'un modèle de pointe sont devenues une ressource stratégique aussi convoitée que les poids eux-mêmes, et qu'aucune condition d'utilisation ne peut contenir des acteurs qui opèrent à l'échelle d'un État. Anthropic va au Congrès parce que c'est le seul endroit où ça peut avoir un effet.

IA : qu’est-ce que l’« adversarial distillation » que ANTHROPIC reproche à ALIBABA ?

Anthropic a adressé en juin 2026 une lettre formelle à Alibaba, révélée par Bloomberg, accusant le géant chinois d'avoir orchestré entre avril et juin 2026 une campagne d'« adversarial distillation » contre son modèle Claude. Cette technique consiste à soumettre massivement des requêtes à un modèle cible afin de collecter ses réponses, puis d'utiliser ces paires question-réponse pour entraîner un modèle concurrent, en extrayant ainsi les capacités du modèle original sans licence ni accord. Concrètement, Alibaba aurait fait générer à Claude des milliers de sorties structurées pour alimenter l'entraînement de ses propres LLM. L'enjeu est considérable : les grands modèles de langage représentent des investissements de plusieurs centaines de millions de dollars. Si une entreprise peut en distiller les capacités à moindre coût, elle contourne des années de recherche et des milliards dépensés en calcul. Pour Anthropic, cette pratique constitue une violation directe de ses conditions d'utilisation et potentiellement une atteinte à la propriété intellectuelle. Elle fragilise aussi le modèle économique des labos occidentaux qui misent sur des API commerciales pour financer leur R&D de sécurité. Ce conflit s'inscrit dans une tension géopolitique plus large autour des modèles frontier : Alibaba a publié en 2025-2026 plusieurs versions de sa série Qwen qui talonnent ou dépassent Claude sur certains benchmarks. La question de savoir comment les tribunaux américains qualifieront l'adversarial distillation, vol de données d'entraînement, violation contractuelle ou concurrence déloyale, est désormais posée, sans précédent juridique clair à ce stade.

Le modèle d'Alibaba, non entraîné comme agent, améliore les performances sur sept benchmarks

L'équipe Qwen d'Alibaba a publié mardi Qwen-AgentWorld, une paire de modèles d'intelligence artificielle conçus non pas pour agir dans des environnements numériques, mais pour prédire ce que ces environnements vont retourner en réponse à une action. Les deux modèles, un 35 milliards de paramètres et un 397 milliards, couvrent sept domaines sous une architecture unifiée : MCP, recherche web, terminal, génie logiciel, Android, navigation web et système d'exploitation. Entraînés sur plus de 10 millions de trajectoires d'interactions réelles, ils passent par trois phases successives : apprentissage du comportement des environnements (systèmes de fichiers, états du terminal, réponses API), raisonnement anticipatif sur les états futurs, puis renforcement par des règles et une évaluation qualitative ouverte. Les deux modèles sont des architectures Mixture-of-Experts, n'activant qu'une fraction de leurs paramètres par token. Ils prennent en charge des fenêtres de contexte de 256 000 tokens. Les poids du modèle 35B et le benchmark AgentWorldBench sont publiés sous licence Apache 2.0 ; ceux du 397B restent propriétaires. Ce qui fait la valeur de Qwen-AgentWorld n'est pas tant ses scores sur les benchmarks de prédiction que ses effets concrets sur la performance des agents entraînés à l'intérieur de ses simulations. En injectant des perturbations ciblées que les environnements réels ne permettent pas de reproduire à la demande (réponses partielles, cas limites rares, conditions de disque bas), les chercheurs ont fait passer le score MCPMark de 24,6 à 33,8. Sur la tâche de recherche, un agent entraîné dans un monde entièrement fictif a transféré ses apprentissages vers des recherches réelles, portant le WideSearch F1 Item de 34,02 à 50,31 sur le modèle 35B. Un entraînement préalable au modèle monde, utilisé comme échauffement avant le fine-tuning agentique, a amélioré les performances sur sept benchmarks distincts, dont trois que le modèle n'avait jamais vus pendant l'entraînement. L'approche répond à une limite structurelle bien connue des équipes qui développent des agents à grande échelle : les environnements de production ne permettent pas de contrôler les conditions d'entraînement. Un moteur de recherche réel renvoie les résultats disponibles, pas les cas rares que l'agent devra pourtant gérer. Un terminal en production ne simule pas une panne sur commande. En renversant la question, en demandant au modèle non pas "que faire ?" mais "que va renvoyer l'environnement ?", Alibaba crée une infrastructure de simulation contrôlable. La publication arrive dans la continuité de Qwen3.7-Max, sorti en mai avec une capacité d'exécution autonome de 35 heures, et se distingue des travaux antérieurs comme WebWorld ou le modèle de Snowflake, qui restaient cantonnés à un seul domaine. C'est la première architecture à modéliser sept domaines dans un seul modèle dès la phase de préentraînement.

Qwen-AgentWorld : le simulateur d’Alibaba apprend aux agents IA à mieux réfléchir

Le laboratoire d'IA Qwen, filiale d'Alibaba, a dévoilé le 24 juin 2026 un système baptisé Qwen-AgentWorld : un simulateur capable de reproduire sept environnements numériques distincts au sein d'un seul modèle, couvrant le terminal, le moteur de recherche, le protocole MCP, le développement logiciel, le navigateur web, le système d'exploitation et Android. Contrairement aux approches classiques, la modélisation de l'environnement constitue l'objectif d'entraînement central du modèle, et non une couche ajoutée après coup. Le système a été entraîné sur plus de dix millions de trajectoires d'interactions réelles. Alibaba publie également AgentWorldBench, un benchmark interne couvrant les sept domaines simulés, sur lequel le modèle Qwen-AgentWorld-397B-A17B obtient les meilleurs scores globaux, devançant GPT-5.4, Claude Opus 4.8, Gemini 3.1 Pro, DeepSeek V4-Pro et Qwen3-6P Plus. L'intérêt de l'approche tient à ce qu'elle permet aux agents de s'exercer dans un environnement entièrement maîtrisé avant d'affronter des tâches réelles, à la manière d'un simulateur de vol. Les scénarios deviennent reproductibles, les erreurs sont peu coûteuses et les situations rares peuvent être générées à la demande. Les chercheurs d'Alibaba montrent également que l'apprentissage de la prédiction des états améliore les performances des agents même sans entraînement spécifique sur certaines tâches, et que cette capacité se transfère vers différents benchmarks sans ajustement supplémentaire. Pour les interfaces graphiques, le modèle adopte une représentation textuelle des écrans, sous forme de code HTML ou d'arbres XML plutôt que d'images brutes, ce qui simplifie l'entraînement et renforce le raisonnement sur des interfaces complexes. Pendant des années, les agents IA ont été entraînés comme de simples modèles de langage auxquels on greffait ensuite des capacités d'action sur des outils ou des logiciels, une méthode efficace mais limitée dès que l'environnement gagne en complexité. Alibaba mise ici sur un changement de paradigme : faire de la compréhension du monde numérique un prérequis à l'action, et non une compétence dérivée. Cette direction rejoint un débat plus large dans la recherche sur les agents autonomes, où les acteurs comme Google, Anthropic, OpenAI et des laboratoires chinois tels que DeepSeek se disputent la maîtrise des agents capables d'opérer des ordinateurs en autonomie. Les résultats présentés par Alibaba restent toutefois à interpréter avec prudence : un benchmark interne, aussi soigné soit-il, ne remplace pas des évaluations indépendantes sur des usages réels, et les prochains mois permettront de mesurer si cette approche tient ses promesses en conditions de production.

💬 L'idée est simple mais personne ne l'avait vraiment poussée jusqu'au bout : entraîner un agent à comprendre son environnement avant de lui demander d'agir dedans, plutôt que de greffer des capacités d'action sur un LLM qui ne "voit" pas vraiment le monde numérique dans lequel il opère. Alibaba a mis 10 millions de trajectoires réelles dans un simulateur qui couvre terminal, navigateur, Android, MCP, tout le bazar, et les scores sur leur benchmark dépassent GPT-5.4 et Claude Opus 4.8. Bon, c'est leur propre benchmark, donc à confirmer sur des évals indépendantes avant de crier victoire.

Le modèle vidéo IA d'Alibaba grimpe à la 2e place mondiale, pendant que Sora d'OpenAI et Seedance de ByteDance reculent

Alibaba Cloud a lancé dimanche HappyHorse 1.1, une mise à jour majeure de son modèle de génération vidéo par intelligence artificielle, désormais disponible sur Alibaba Cloud Model Studio avec accès API complet pour les entreprises et les développeurs. Pour marquer le lancement, la plateforme propose une réduction de 40 % pendant deux semaines. Ce modèle repose sur un Transformer unifié de 15 milliards de paramètres capable de traiter simultanément du texte, des images, de la vidéo et de l'audio dans une seule séquence, sans recourir à des outils tiers pour la synchronisation audio ou le post-traitement. Sur le classement indépendant Artificial Analysis Video Arena, HappyHorse 1.0 occupe actuellement la deuxième place avec un score Elo de 1 444 dans les catégories texte-vers-vidéo et image-vers-vidéo, devançant Google Veo-3.1 de 69 points et xAI Grok-Imagine-Video de 23 points. Ce lancement intervient dans un marché brusquement reconfiguré. OpenAI a mis fin à Sora, jugé financièrement non viable, tandis que ByteDance a indéfiniment suspendu le déploiement international de Seedance 2.0 après une vague de plaintes pour violation de droits d'auteur de la part des studios hollywoodiens. Pour les équipes achats des entreprises qui évaluaient ou intégraient ces outils dans leurs workflows marketing, publicité ou production de contenus, le choix s'est considérablement rétréci en quelques mois. HappyHorse 1.1 arrive donc à point nommé : conçu comme un produit API-first pour s'intégrer dans des stacks logiciels d'entreprise, il mise sur une architecture unifiée qui réduit le nombre de dépendances fournisseurs et accélère la mise en production. Pour les acheteurs sensibles au coût total de possession, c'est un argument concret. HappyHorse a d'abord émergé début avril comme soumission anonyme sur l'Artificial Analysis Video Arena, où il s'est immédiatement classé premier avant qu'Alibaba ne soit confirmé comme créateur. Le modèle est développé par l'ATH (Alibaba Token Hub) AI Innovation Unit, une équipe issue du Future Life Lab rattachée au groupe Taobao et Tmall, avant une restructuration organisationnelle stratégique. Derrière ce lancement se profile un enjeu bien plus large : Alibaba a annoncé un programme d'investissement en infrastructure de 52,7 milliards de dollars à l'échelle mondiale, et la vidéo générative représente un marché que les analystes anticipent à plusieurs dizaines de milliards de dollars d'ici la fin de la décennie. La vraie question est de savoir si Alibaba parviendra à convertir cette avance technique en adoption réelle sur les marchés occidentaux, dans un contexte de tensions croissantes entre Washington et Pékin sur les technologies d'intelligence artificielle.

💬 Sora est mort, Seedance suspendu, et HappyHorse 1.1 arrive deuxième mondial. Le vrai sujet n'est pas la qualité du modèle : c'est que le marché de la vidéo générative B2B s'est retrouvé à trois candidats sérieux en moins de six mois. Intégrer Alibaba dans sa stack de production, ça va faire tiquer les DSI européens, surtout en ce moment.

Alibaba dévoile des cerveaux IA conçus pour équiper la prochaine génération de robots

Alibaba a annoncé en juin 2026 le lancement de la suite Qwen-Robot, sa première famille de modèles d'IA dite "embodied", développée par son Tongyi Lab et actuellement en phase de pilote avec des clients entreprise d'Alibaba Cloud. La suite repose sur trois modèles spécialisés : Qwen-RobotNav pour la navigation et le suivi de cibles, Qwen-RobotManip pour la manipulation d'objets physiques, et Qwen-RobotWorld pour la modélisation de l'environnement et la prédiction des conséquences d'actions. Le groupe a également publié Qwen-RobotClaw, un framework d'agents qui expose les modèles Qwen-Robot comme outils accessibles à des agents LLM, ainsi que Chat2Robot, une plateforme open-source en navigateur pour tester des interactions avec des robots physiques. Sur le plan des performances déclarées, Qwen-RobotManip a été entraîné sur plus de 38 000 heures de données open-source et a obtenu sur le benchmark RoboChallenge un process score de 59,83 avec un taux de succès de tâches de 45 % dans la catégorie "généraliste". La démonstration de navigation a mis en scène un quadrupède Unitree Go2 équipé d'un NVIDIA Jetson Thor et d'une seule caméra basse résolution, atteignant une latence d'inférence de 196 millisecondes dans un appartement inconnu, sans carte préchargée. Ces résultats méritent d'être lus avec prudence : un taux de succès de 45 % sur un benchmark réel, s'il est confirmé en conditions non contrôlées, reste modeste mais significatif pour un modèle généraliste. Le vrai signal industriel n'est pas le score brut, c'est l'approche architecturale : au lieu de fusionner indifféremment données de navigation, bras robotiques, caméras et véhicules autonomes, Alibaba a opté pour une spécialisation par modalité, évitant les conflits d'apprentissage que génère le mélange hétérogène de données physiques. Pour les intégrateurs et décideurs B2B, la disponibilité via Alibaba Cloud en pilote marque un premier pas vers la commercialisation d'une couche d'IA robotique as-a-service, potentiellement utilisable sur du matériel tiers sans pipeline de training propriétaire. Alibaba entre dans une course déjà engagée par plusieurs acteurs de premier plan. Aux États-Unis, Google DeepMind fait avancer Gemini Robotics sur des architectures Vision-Language-Action (VLA) similaires, tandis que Physical Intelligence (Pi-0), Figure AI (Figure 03) et Boston Dynamics misent sur des pipelines de données propriétaires et des déploiements industriels réels. NVIDIA pousse son framework GR00T N2 comme socle hardware-logiciel pour l'humanoid. Côté chinois, Unitree et Agibot ont déjà des robots en production, mais sans la couche LLM intégrée qu'Alibaba apporte. L'open-sourcing de Chat2Robot et les pilotes cloud suggèrent une stratégie d'écosystème : capter les développeurs et intégrateurs autour des modèles Qwen-Robot avant que le marché des robots généraux ne se consolide, probablement d'ici 2027-2028 selon les timelines annoncées par les principaux concurrents.

💬 45 % de réussite sur un benchmark généraliste, c'est pas brillant, je sais, mais tu regardes au mauvais endroit. Le vrai signal, c'est l'architecture : trois modèles spécialisés par modalité plutôt qu'un gros fourre-tout, parce que mélanger navigation, manipulation et caméras dans le même pipeline, ça crée des conflits d'apprentissage que tout le monde a sous-estimés depuis le début. Alibaba ne cherche pas à gagner les benchmarks robotiques, ils cherchent à s'installer comme la couche cloud entre le matériel tiers et l'IA physique avant que le marché se consolide.

Alibaba dévoile Qwen-Robot : trois modèles fondation pour l'IA incarnée

Alibaba a publié mardi une suite robotique composée de trois modèles fondamentaux : Qwen-RobotNav, Qwen-RobotManip et Qwen-RobotWorld. Qwen-RobotNav étend les capacités vision-langage à la robotique mobile en unifiant quatre tâches au sein d'un même framework : suivi d'instructions, navigation orientée objectif, tracking de cible et conduite autonome. Qwen-RobotManip standardise l'espace état-action et représente le mouvement de l'effecteur terminal sous forme de poses incrémentielles dans le référentiel caméra, une approche conçue pour faciliter la généralisation multi-plateforme. Ce modèle a été entraîné sur plus de 38 100 heures de données entièrement open source. Qwen-RobotWorld, le troisième composant, fonctionne comme un world model généraliste : il prédit des états futurs physiquement cohérents via une interface en langage naturel, couvrant simultanément la navigation, la conduite et la manipulation depuis un seul modèle. L'approche modulaire mais unifiée est la proposition de valeur centrale de cette suite. Un world model unique opérant sur trois domaines d'action représente une architecture qui, si elle tient ses promesses en conditions réelles, réduirait significativement les coûts d'intégration pour les équipes robotiques industrielles. L'utilisation de données entièrement open source pour Qwen-RobotManip est un signal notable dans un secteur où les datasets propriétaires constituent souvent un avantage concurrentiel défensif : Alibaba positionne ainsi Qwen-Robot davantage comme une infrastructure partagée que comme un produit fermé. Réserve importante cependant : l'annonce ne s'accompagne d'aucun benchmark public (RLBench, LIBERO, CARLA) ni de déploiement physique documenté. Il s'agit d'une publication de modèles, pas d'un produit shipé. L'équipe Qwen d'Alibaba est reconnue pour ses modèles multimodaux (Qwen2.5-VL, QwQ), mais ce lancement marque son entrée explicite dans l'embodied AI. Le terrain est disputé : Google DeepMind pousse ses dérivés de RT-2, Physical Intelligence a publié Pi-0 et Pi-0.5, Hugging Face soutient l'initiative LeRobot, et NVIDIA propose GR00T N2 comme backbone pour les robots humanoïdes partenaires. Côté chinois, Unitree, Agibot et Zhiyuan Robot accélèrent eux aussi leurs pipelines VLA (vision-language-action). La prochaine étape pour Alibaba sera de démontrer des résultats sur des plateformes matérielles réelles ; faute de quoi, Qwen-Robot restera un framework académique parmi d'autres dans une course déjà très chargée.

Avec Qwen3.7-Plus, Alibaba veut transformer l'IA multimodale en agent autonome à part entière

Alibaba a lancé Qwen3.7-Plus, un nouveau modèle d'IA multimodal conçu pour fonctionner comme un agent autonome à part entière. Lors d'une démonstration publiée par l'équipe Qwen, un agent construit sur ce modèle a développé de manière entièrement autonome une application d'apprentissage de vocabulaire, générant plus de 10 000 lignes de code à travers 1 000 appels successifs sur une durée de onze heures. Le modèle intègre dans une seule boucle agentique la perception visuelle, la manipulation d'interfaces graphiques et la génération de code. Ce qui distingue Qwen3.7-Plus est sa capacité à combiner ces trois dimensions sans intervention humaine, ce qui représente un pas concret vers des agents capables de mener des projets logiciels complets de bout en bout. Sur les benchmarks de compréhension d'écran publiés par Alibaba, le modèle arrive en tête, même si ses performances globales restent inégales selon les tâches. Pour les entreprises et développeurs qui cherchent à automatiser des workflows complexes, il offre une alternative crédible aux modèles occidentaux, à un tarif nettement inférieur à ceux de OpenAI ou Anthropic. Qwen3.7-Plus s'inscrit dans la stratégie agressive d'Alibaba pour s'imposer dans la course mondiale aux modèles frontier, une compétition qui oppose désormais directement les laboratoires chinois aux américains. Contrairement à de nombreux modèles Qwen précédents publiés en open source, celui-ci est propriétaire, sans poids disponibles publiquement, ce qui marque un tournant commercial dans l'approche du groupe. La capacité à enchaîner perception, raisonnement et action sur de longues séquences restera un critère clé pour départager les acteurs de ce marché en 2026.

💬 11 heures, 10 000 lignes de code, zéro intervention humaine. C'est le genre de démo qu'on peut facilement balayer d'un revers de main, mais là les trois briques (vision, GUI, code) sont vraiment dans la même boucle, pas juste collées ensemble. Par contre, Alibaba qui passe en proprio avec ce modèle, c'est un signal clair : la phase open source généreuse, c'est terminé pour les modèles qui comptent vraiment.

Alibaba lance Qwen3.7-Plus : texte, vidéo et images pour 0,4 $/1,6 $ par million de tokens, mais en source fermée

Alibaba a lancé cette semaine Qwen3.7-Plus, son dernier grand modèle de langage multimodal, capable de traiter simultanément du texte, des vidéos et des images. Le modèle est proposé à 0,40 dollar par million de tokens en entrée et 1,60 dollar en sortie, soit 60 % moins cher que son prédécesseur Qwen3.7-Max, sorti quelques semaines plus tôt mais limité au texte seul. Avec une fenêtre de contexte d'un million de tokens et jusqu'à 256 000 tokens dédiés au raisonnement interne, Qwen3.7-Plus cible explicitement les usages agentiques complexes, comme la migration de bases de code ou l'analyse automatisée de documents visuels. Le modèle intègre aussi un paramètre API baptisé "preservethinking", qui conserve les blocs de raisonnement internes entre les tours de conversation, évitant à l'agent de perdre le fil de sa logique au milieu d'une tâche longue. La rupture la plus notable n'est pas technique : Qwen3.7-Plus est distribué sous licence commerciale fermée, uniquement via l'API Alibaba Cloud et le service Qwen Chat. C'est un virage stratégique majeur pour un groupe qui avait construit sa réputation internationale sur la publication de modèles open source puissants, proches de l'état de l'art. Des entreprises comme Airbnb s'appuyaient justement sur ces modèles en accès libre. Pour les développeurs et organisations qui avaient intégré l'open source Qwen dans leurs infrastructures, ce changement de cap impose soit de migrer vers l'API payante d'Alibaba, soit de se tourner vers un concurrent. Sur le plan tarifaire, Qwen3.7-Plus reste compétitif face à des modèles comme MiniMax-M3 (0,30/1,20 dollar) ou Gemini 3.1 Flash-Lite de Google (0,25/1,50 dollar), mais il est dépassé en prix bas par DeepSeek-V4-Flash (0,14/0,28 dollar). Ce lancement s'inscrit dans une dynamique de consolidation des stratégies de monétisation chez les grands labos chinois. Après avoir inondé le marché de modèles open source pour gagner en adoption et en réputation, Alibaba suit une trajectoire similaire à celle d'OpenAI ou Anthropic : garder les modèles les plus capables derrière un accès payant. La fonctionnalité "preservethinking" avait déjà été introduite avec la génération Qwen 3.6, sur les modèles open weight Qwen3.6-27B et le Max propriétaire, signe que la stratégie de différenciation entre open et closed s'élabore depuis plusieurs mois. Avec la course aux modèles multimodaux et agentiques qui s'accélère, l'enjeu pour Alibaba est de ne pas perdre les développeurs séduits par l'ouverture, tout en capturant les revenus que seule une offre cloud fermée peut générer à grande échelle.

L'équipe Qwen d'Alibaba lance Qwen3.7-Plus avec vision, raisonnement avancé et agents autonomes sur Bailian

L'équipe Qwen d'Alibaba a lancé le 2 juin 2026 le modèle Qwen3.7-Plus, désormais disponible via API sur la plateforme Bailian d'Alibaba Cloud, accessible aux développeurs internationaux sous le nom Model Studio. Ce modèle multimodal comprend les images et les vidéos en plus du texte, ce qui le distingue de son frère jumeau Qwen3.7-Max, exclusivement textuel. Il s'agit d'une capacité de lecture visuelle, non de génération : Qwen3.7-Plus analyse des médias, il ne les crée pas. Au-delà de la vision, le modèle intègre cinq capacités agentiques : raisonnement approfondi, autoprogrammation (il écrit et révise son propre code), invocation d'outils externes et d'API, vérification et test des résultats, et itération autonome jusqu'à l'accomplissement complet d'une tâche. La préversion du modèle s'est classée 16e au classement Vision Arena de LM Arena, plaçant Alibaba au 5e rang mondial des laboratoires en compréhension visuelle. Le modèle texte Max, de son côté, avait obtenu 56,6 points sur l'Artificial Analysis Intelligence Index, meilleur score d'un modèle chinois à sa sortie. Cette sortie marque un tournant dans la stratégie d'Alibaba : le groupe ne cherche plus seulement à rivaliser sur les benchmarks de raisonnement, mais à proposer des modèles capables d'exécuter des tâches longues et complexes de façon autonome. Pour les développeurs et les entreprises, cela ouvre des cas d'usage concrets comme l'analyse OCR à grande échelle, la lecture automatique de graphiques, l'analyse de séquences vidéo, ou encore l'automatisation de workflows techniques complets. La plateforme Bailian embarque deux mécanismes complémentaires : un système d'apprentissage par renforcement agentique (Agentic RL) qui affine la précision du modèle grâce aux retours d'exécution réels, et des garde-fous de sécurité intégrés pour maintenir les outils autonomes dans des limites opérationnelles prédéfinies, un détail crucial lorsqu'un agent exécute des commandes ou modifie des fichiers en production. Ce lancement s'inscrit dans la vague de modèles agentiques qui déferle sur l'industrie depuis début 2026, face à des acteurs comme OpenAI, Google DeepMind et Anthropic. Alibaba avait déjà dévoilé la génération Qwen3.7 en mai 2026, et la sortie de la variante multimodale complète maintenant l'offre de la famille. Le positionnement au 5e rang mondial en vision, malgré un retard encore visible sur les premiers laboratoires américains, confirme que les équipes chinoises se rapprochent du front technologique à un rythme soutenu. L'enjeu pour Alibaba est de transformer Bailian en plateforme de référence pour les entreprises cherchant à déployer des agents IA capables d'agir dans des environnements réels, pas seulement de répondre à des questions, une bataille qui s'annonce centrale dans les prochains mois.

Le dernier modèle IA d'Alibaba a optimisé de façon autonome le code de sa puce personnalisée pendant 35 heures

L'équipe Qwen d'Alibaba a publié Qwen3.7-Max, un nouveau modèle propriétaire conçu spécifiquement pour les tâches d'agents autonomes de longue durée. Pour démontrer ses capacités, le modèle a opéré en continu pendant 35 heures afin d'optimiser du code destiné à la puce personnalisée d'Alibaba, sans intervention humaine. Sur les benchmarks de référence, Qwen3.7-Max atteint les performances de Claude Opus 4.6 d'Anthropic et surpasse ses concurrents chinois directs, notamment DeepSeek V4 Pro et Kimi K2.6. L'équipe a également présenté une démonstration du modèle pilotant un robot quadrupède. Cette annonce marque un cap concret dans la course aux agents IA capables de mener des missions complexes sur de longues durées. Une exécution autonome de 35 heures représente un saut qualitatif par rapport aux interactions ponctuelles des LLM classiques : le modèle doit planifier, corriger ses erreurs et maintenir une cohérence sur des milliers d'étapes. Pour l'industrie des semi-conducteurs, cela ouvre la voie à une automatisation partielle du cycle de développement des puces, un domaine où la Chine cherche activement à réduire sa dépendance aux technologies occidentales. Alibaba s'inscrit dans une dynamique intense au sein de l'écosystème IA chinois, où DeepSeek, Moonshot (Kimi) et ByteDance se livrent une concurrence acharnée sur les modèles de pointe. Le développement de puces maison par Alibaba, dans un contexte de restrictions américaines à l'exportation de semi-conducteurs, donne à ce type d'outil une dimension stratégique évidente. La démonstration robotique suggère par ailleurs qu'Alibaba vise des applications bien au-delà du code, vers l'IA embarquée dans des systèmes physiques autonomes.

💬 35 heures en autonomie sur du code de puce, sans intervention humaine, c'est le genre de truc qui change vraiment la donne pour les équipes hardware. Bon, sur le papier ça reste une démo maîtrisée par Alibaba, mais tenir la cohérence sur des milliers d'étapes c'est pas rien. Ce qui m'intéresse surtout, c'est le contexte : ils optimisent leur propre silicium avec leur propre modèle, sous embargo américain, et ça fonctionne.

Qwen3.7-Max d'Alibaba peut fonctionner de manière autonome pendant 35 heures et prend en charge des frameworks externes comme Claude Code d'Anthropic

Alibaba a publié Qwen3.7-Max, un modèle d'intelligence artificielle conçu pour opérer de façon entièrement autonome pendant des dizaines d'heures d'affilée. La démonstration la plus frappante fournie par l'équipe Qwen : le modèle a été connecté à un serveur isolé équipé d'un processeur T-Head ZW-M890 PPU, une architecture matérielle qu'il n'avait jamais rencontrée lors de son entraînement. Sa mission consistait à optimiser un noyau de calcul d'attention. En 35 heures consécutives, Qwen3.7-Max a exécuté 1 158 appels d'outils distincts, réalisé 432 évaluations du noyau, diagnostiqué des erreurs de compilation et amélioré le code de façon itérative jusqu'à atteindre une accélération de 10x en moyenne géométrique. Ses concurrents chinois directs, GLM-5.1 de z.ai et Kimi K2.6 de Moonshot, n'ont atteint respectivement que 7,3x et 5,0x, avant d'interrompre leurs sessions faute de progression. Autre signe de rupture avec les pratiques antérieures de l'équipe Qwen : ce modèle est propriétaire et accessible uniquement via API payante, contrairement aux versions précédentes publiées en open source. Ce virage stratégique a des implications concrètes pour l'ensemble du secteur. En choisissant un modèle fermé, Alibaba s'aligne sur OpenAI et Google, qui réservent leurs modèles les plus puissants à leurs offres commerciales. Cela change la donne pour les entreprises et développeurs qui comptaient sur les modèles Qwen ouverts pour des déploiements locaux ou des usages sensibles. Par ailleurs, le fait que le modèle soit uniquement accessible depuis des points d'accès basés en Chine soulève des questions de conformité réglementaire pour les entreprises américaines et européennes soumises à des obligations de souveraineté des données, notamment dans le cadre de contrats gouvernementaux. Le modèle supporte néanmoins des environnements d'exécution externes comme Claude Code d'Anthropic, ce qui lui ouvre un spectre d'utilisation plus large dans les workflows d'ingénierie logicielle. La performance de Qwen3.7-Max repose sur ce qu'Alibaba appelle l'« environment scaling » : plutôt que d'entraîner le modèle uniquement sur du texte, il a été exposé à un vaste éventail d'environnements agentiques dynamiques, lui permettant de développer un raisonnement à long horizon sans perdre le fil de ses instructions. Le modèle intègre également un mécanisme de détection du reward hacking, qui lui permet d'identifier lorsqu'il tente de contourner ses propres règles d'évaluation et de s'autocorriger. Dans le benchmark YC-Bench, qui simule un an de cycle de vie d'une startup, Qwen3.7-Max a généré l'équivalent de 2,08 millions de dollars de revenus virtuels, soit près du double de son prédécesseur Qwen3.6-Plus. La sortie de ce modèle intervient quelques mois après le départ de plusieurs responsables clés de l'équipe Qwen, une transition qui explique en partie l'abandon de l'open source au profit d'une monétisation directe.

💬 Le vrai sujet, c'est pas les 35 heures de run autonome (impressionnant, certes, mais on s'y attendait). C'est qu'Alibaba tourne la page de l'open source et passe tout fermé, avec des endpoints uniquement basés en Chine, ce qui met Qwen3.7-Max hors jeu pour toute équipe européenne sous contraintes de souveraineté. Ceux qui avaient construit leurs workflows sur les modèles Qwen ouverts vont devoir se retourner.

Qwen lance Qwen3.7-Max : un modèle agent de raisonnement avec une fenêtre de contexte d'un million de tokens

Alibaba a présenté officiellement Qwen3.7-Max le 20 mai 2026 lors de l'Alibaba Cloud Summit, bien que deux versions preview du modèle aient discrètement fait leur apparition sur le classement Arena AI quelques jours plus tôt, sans communiqué de presse ni accès API annoncé. Le modèle texte uniquement obtient un score de 56,6 sur l'Intelligence Index d'Artificial Analysis, le plaçant cinquième mondial, devant le Gemini 3.5 Flash de Google (55,3) mais derrière GPT-5.5 (60,2) et Claude Opus 4.7 (57,3). Les gains par rapport à son prédécesseur Qwen3.6 Max Preview (51,8) sont concentrés sur le raisonnement scientifique, les tâches agentiques et le code : le benchmark CritPt a progressé de 9,7 points, Humanity's Last Exam de 9,2 points, et Terminal-Bench Hard de 6,9 points. Le modèle dispose d'une fenêtre de contexte d'un million de tokens, quadruplant la capacité des 256 000 tokens de la version précédente, de quoi ingérer un dépôt de code complet ou une grande pile de documents en une seule requête. Ce qui distingue Qwen3.7-Max des modèles classiques, c'est son architecture orientée agent longue durée. L'équipe Qwen le positionne comme son modèle agentique le plus avancé à ce jour, capable de gérer des tâches s'étendant sur des centaines, voire des milliers d'étapes successives : refactoring de code itératif, automatisation de flux bureautiques, orchestration d'outils sur de longues périodes sans intervention humaine. Le modèle utilise un mode de raisonnement étendu où il génère une chaîne de pensée interne avant de produire une réponse, ce qui se traduit par un volume de tokens considérable : lors des tests d'Artificial Analysis, Qwen3.7-Max a produit environ 97 millions de tokens, contre une moyenne de 24 millions pour les autres modèles du même benchmark. Pour des tâches simples, cette latence supplémentaire n'apporte rien ; pour de la planification complexe ou des pipelines agentiques, c'est précisément là que réside la valeur du modèle. Alibaba s'inscrit dans une course mondiale à l'agent IA autonome, où les grands laboratoires cherchent à dépasser les assistants conversationnels pour atteindre des systèmes capables d'exécuter des projets complets en autonomie. La série Qwen3 illustre la montée en puissance des acteurs chinois dans ce domaine : Alibaba se positionne désormais sixième laboratoire mondial en capacités texte et cinquième en vision selon LM Arena. La tarification de Qwen3.7-Max n'est pas encore annoncée, la version précédente étant facturée 1,30 $/7,80 $ le million de tokens en entrée/sortie sur Alibaba Cloud. Le modèle est propriétaire et fermé, et les tests indépendants sur la fiabilité effective de la fenêtre d'un million de tokens restent à venir, la dégradation du raisonnement sur de très longs contextes étant un problème connu dans l'industrie.

Qwen3.7 Max : l’IA d’Alibaba écrase ses anciens scores sur les benchmarks IA

Alibaba a dévoilé le 21 mai 2026 son nouveau modèle de langage Qwen3.7 Max, qui affiche un score de 56,6 sur l'Artificial Analysis Intelligence Index, soit 4,8 points de plus que son prédécesseur Qwen3.6 Max Preview (51,8). Le bond le plus notable concerne le codage agentique et le raisonnement scientifique, avec des progressions significatives sur des benchmarks spécialisés comme Humanity's Last Exam et TerminalBench Hard. La fenêtre de contexte du modèle passe également de 256 000 à un million de tokens, ce qui lui permet de traiter des volumes d'information sans précédent dans une seule session. Alibaba met aussi en avant une réduction mesurable du taux d'hallucinations : le modèle préfère ne pas répondre plutôt que d'inventer une information incertaine, une stratégie rendue possible par un investissement massif dans les techniques de reinforcement learning. Ces avancées ont des conséquences directes pour les développeurs et les entreprises qui utilisent l'IA dans leurs workflows. Une fenêtre d'un million de tokens change concrètement ce qu'il est possible de faire : analyser des bases de code entières, traiter de longs documents juridiques ou financiers, ou enchaîner des raisonnements complexes sur plusieurs étapes sans perdre de contexte. La réduction des hallucinations est un argument commercial fort dans les secteurs où la fiabilité est critique, comme le droit, la finance ou la médecine. Sur ces critères précis, Qwen3.7 Max commence à se positionner comme une alternative sérieuse aux offres d'OpenAI, Anthropic et Google, même si le modèle reste encore derrière les meilleurs modèles américains sur les classements globaux. Longtemps perçu comme un outsider dans la course aux grands modèles de langage, Alibaba s'impose progressivement comme un acteur de premier plan. La série Qwen incarne cette stratégie de rattrapage accéléré : chaque nouvelle version réduit l'écart avec la frontière technologique définie par GPT-4o, Claude ou Gemini. Le contexte géopolitique autour des semi-conducteurs et des restrictions américaines à l'export de puces avancées rend ces progrès d'autant plus remarquables. En parallèle, d'autres laboratoires chinois comme DeepSeek et Baidu intensifient eux aussi leurs efforts, créant une dynamique de compétition interne qui pousse l'ensemble de l'écosystème vers le haut. La prochaine étape pour Alibaba sera probablement l'intégration de capacités multimodales avancées, absentes de Qwen3.7 Max, pour rivaliser pleinement avec les modèles américains qui traitent déjà texte, image et vidéo dans un même système.

💬 Un million de tokens de contexte, c'est pas du marketing, ça change vraiment ce qu'on peut faire : analyser une base de code entière, ou garder le fil sur un raisonnement long sans tout reperdre au milieu. La réduction des hallucinations via reinforcement learning, c'est le pari technique qui mérite qu'on y regarde sérieusement, surtout dans des secteurs où inventer une réponse coûte cher. Qwen est encore derrière sur les classements globaux, mais l'écart se resserre à une vitesse qui devrait mettre un peu de pression sur les labos américains.

Alibaba conçoit des puces IA pour les agents autonomes, ce qui redéfinit les enjeux de la course aux semi-conducteurs

Alibaba a présenté le Zhenwu M890, un processeur développé par sa filiale semi-conducteur T-Head, conçu spécifiquement pour les agents IA. Selon l'entreprise, la puce offre des performances trois fois supérieures à son prédécesseur, le Zhenwu 810E. Mais la véritable nouveauté n'est pas le bond de puissance brute : le M890 est architecturalement pensé pour les agents IA, ces systèmes logiciels qui doivent maintenir de longs contextes en mémoire, coordonner plusieurs modèles en temps réel et exécuter des tâches complexes à plusieurs étapes avec une intervention humaine minimale. Ces exigences, notamment en bande passante mémoire et en communication inter-modèles, sont fondamentalement différentes de celles des puces d'inférence classiques. En parallèle, Alibaba a annoncé Qwen 3.7-Max, la dernière version de son grand modèle de langage phare, capable de fonctionner en continu jusqu'à 35 heures sans dégradation des performances, une spec qui n'a de sens que si l'on conçoit pour une opération autonome prolongée. Ce qui change vraiment avec cette annonce, c'est la nature de la compétition. Alibaba ne comble pas un vide laissé par les contrôles à l'exportation américains : l'entreprise construit une pile IA intégrée et fermée, avec sa propre puce chez T-Head, son propre modèle chez Qwen, et sa propre plateforme de livraison cloud via Bailian. Le M890 sera disponible aux entreprises chinoises empaqueté dans le Panjiu AL128, un serveur rack intégrant 128 accélérateurs M890. T-Head annonce par ailleurs avoir déjà livré plus de 560 000 unités Zhenwu à plus de 400 clients dans 20 secteurs, dont l'automobile et la finance. Ce n'est pas du matériel de laboratoire : Alibaba dispose déjà de données de déploiement à l'échelle réelle avant même le lancement commercial du M890. La feuille de route publiée simultanément est tout aussi significative. Le M890 sera suivi du V900 au troisième trimestre 2027, promettant un nouveau gain de performances triple, puis du J900 au troisième trimestre 2028. Cette cadence délibérée rappelle les cycles tick-tock de Nvidia, et fait écho à la roadmap similaire dévoilée par Huawei pour sa ligne Ascend l'an dernier. Les deux annonces révèlent la même conclusion stratégique : les grandes entreprises technologiques chinoises ont décidé que dépendre de puces étrangères, même dans un scénario d'allègement des restrictions, représente un risque structurel inacceptable. Cette conviction se traduit en capital : Alibaba a engagé plus de 380 milliards de yuans (environ 53 milliards de dollars) dans l'infrastructure cloud et IA sur trois ans, son plus grand investissement sectoriel à ce jour. Le M890 et ses successeurs sont le résultat direct de cette mise.

L'équipe Qwen d'Alibaba lance Qwen3.5-LiveTranslate-Flash : interprétation multimodale en temps réel dans 60 langues avec une latence de 2,8 secondes

L'équipe Qwen d'Alibaba a lancé le 20 mai 2026 son nouveau modèle Qwen3.5-LiveTranslate-Flash, conçu pour l'interprétation simultanée en temps réel. Ce système prend en charge 60 langues en entrée, propose une sortie vocale dans 29 langues, et affiche une latence de seulement 2,8 secondes. Par rapport à son prédécesseur direct, Qwen3-LiveTranslate-Flash, le gain est considérable : l'ancien modèle ne couvrait que 18 langues d'entrée pour environ 3 secondes de délai, ce qui représente un triplement de la couverture linguistique et une réduction mesurable de la latence. La clé de cette rapidité réside dans une technique de segmentation sémantique : plutôt qu'attendre la fin d'une phrase complète, le modèle identifie le moment précis où un fragment de discours contient suffisamment de sens pour engager la traduction, et diffuse la sortie en continu pendant que l'interlocuteur parle encore. Ce modèle change la donne pour plusieurs secteurs professionnels. D'abord, parce qu'il intègre la vision comme signal d'entrée au même titre que l'audio : le système analyse simultanément le texte affiché à l'écran, les objets physiques présents dans le cadre, les mouvements des lèvres et les gestes. Dans un environnement réel, salle de conférence bruyante, salon professionnel, visioconférence dégradée, cette redondance visuelle permet au modèle de combler les ambiguïtés phonétiques que l'audio seul ne peut pas résoudre. Ensuite, le modèle clone en temps réel les caractéristiques vocales de l'orateur original : une seule phrase suffit pour que la voix traduite conserve les traits acoustiques de la personne qui parle, sans substituer une synthèse générique et robotique. Enfin, les développeurs peuvent injecter à l'exécution un glossaire de termes spécialisés, noms de médicaments, références juridiques, terminologie technique, ce qui réduit drastiquement les erreurs sur le vocabulaire de niche, un problème chronique des API de traduction grand public. Alibaba positionne ce modèle dans un segment où peu d'acteurs sont présents avec des solutions complètes : l'interprétation simultanée multimodale à faible latence. Les benchmarks FLEURS et CoVoST2, deux références académiques pour la traduction de la parole en conditions réelles, placent Qwen3.5-LiveTranslate-Flash devant les principales alternatives commerciales actuelles. La course à la latence est devenue le nouvel enjeu structurant de la traduction automatique en direct, après des années dominées par la seule qualité de traduction. D'autres acteurs comme Google, Microsoft et des startups spécialisées comme Wordly ou Interprefy opèrent sur ce terrain, mais peu proposent simultanément la clonage vocal, la fusion audio-vidéo et la personnalisation du vocabulaire dans un seul modèle déployable via API. Les suites probables incluent une intégration dans les plateformes de visioconférence professionnelle et les outils de streaming multilingue, où la demande d'expériences interprétées "invisibles" ne cesse de croître.

Qwen-Image-2.0 d'Alibaba divise par deux la compression et réduit les étapes de génération de 40 à 4

Alibaba a publié un rapport technique détaillant les innovations architecturales de Qwen-Image-2.0, son nouveau modèle de génération d'images. Le modèle compresse les images deux fois plus agressivement que la majorité de ses concurrents, s'appuie sur un transformeur remanié pour stabiliser l'entraînement, et intègre un module dédié qui étend automatiquement les prompts courts des utilisateurs en descriptions détaillées. Une version distillée du modèle ramène le nombre d'étapes de débruitage de 40 à seulement 4, sans sacrifier la qualité de sortie. Sur LMArena, plateforme de comparaisons en aveugle où des utilisateurs réels évaluent les modèles côte à côte, Qwen-Image-2.0 se classe actuellement 9e. Ce gain de vitesse est significatif pour les applications industrielles : passer de 40 à 4 étapes de débruitage réduit drastiquement le coût de calcul et le temps de réponse, rendant le modèle viable pour des usages en temps réel ou à grande échelle. L'expansion automatique des prompts abaisse aussi la barrière d'entrée pour les utilisateurs non experts, qui obtiennent de meilleurs résultats sans avoir à maîtriser l'art du prompt engineering. Alibaba s'inscrit dans une course intense à la génération d'images où Midjourney, Stability AI, Adobe Firefly et les modèles de Google et Meta rivalisent pour la suprématie technique. La stratégie de Qwen combine efficacité computationnelle et facilité d'usage, deux axes devenus centraux pour séduire les développeurs et les entreprises. La publication du rapport technique suggère qu'Alibaba cherche à attirer l'adoption internationale, notamment hors de Chine, en jouant la carte de la transparence.

💬 40 étapes à 4, sans perte de qualité, c'est le genre d'annonce qui mérite qu'on s'y arrête. L'extension automatique des prompts, c'est moins impressionnant que ça en a l'air (d'autres le font déjà), mais combinée au gain de vitesse, ça ouvre des usages temps réel qui n'étaient pas viables avant. Le 9e rang sur LMArena tempère un peu l'enthousiasme, faut pas se mentir.

Metis d'Alibaba réduit les appels d'outils IA redondants de 98 % à 2 %, avec une meilleure précision

Des chercheurs d'Alibaba ont publié un cadre d'apprentissage par renforcement appelé HDPO (Hierarchical Decoupled Policy Optimization), conçu pour entraîner des agents IA à mieux décider quand utiliser des outils externes et quand s'appuyer sur leurs propres connaissances. Appliqué à leur modèle multimodal Metis, ce framework réduit les appels d'outils redondants de 98 % à seulement 2 %, tout en améliorant la précision sur les benchmarks de référence du secteur. L'enjeu est concret : les agents IA actuels ont tendance à invoquer systématiquement des utilitaires externes comme la recherche web ou l'exécution de code, même lorsque la question posée ne le nécessite pas. Chaque appel inutile crée un goulet d'étranglement de traitement séquentiel, alourdit les coûts d'API et injecte du bruit dans le contexte du modèle, ce qui dégrade la qualité du raisonnement final. Ce problème touche directement les entreprises qui déploient des agents IA en production : des systèmes techniquement capables deviennent lents et coûteux à opérer, sans que cela se traduise par de meilleures réponses. Les approches précédentes tentaient de corriger ce comportement en combinant précision et efficacité dans un seul signal de récompense, mais cette conception créait un dilemme d'optimisation insoluble. Une pénalité trop forte sur l'usage des outils rend le modèle trop conservateur et nuit à sa précision sur les tâches complexes, tandis qu'une pénalité trop faible ne change rien au comportement. Pire, ce signal mélangé crée une ambiguïté sémantique : une réponse incorrecte sans aucun appel d'outil pouvait obtenir la même récompense qu'une réponse correcte avec un usage excessif. HDPO résout ce paradoxe en séparant les deux objectifs dans des canaux d'optimisation indépendants. Le canal de précision maximise la justesse des réponses sur l'ensemble des rollouts, tandis que le canal d'efficacité minimise les appels superflus. Les deux signaux ne sont combinés qu'à la dernière étape du calcul de la perte, et surtout, l'efficacité reste conditionnelle à la précision : une réponse incorrecte n'est jamais récompensée simplement parce qu'elle a été rapide ou économe en appels. Cette décorrélation offre au modèle des gradients d'apprentissage propres pour chaque objectif, sans interférence. Alibaba s'inscrit dans une course intense au développement d'agents IA fiables et économiques, où la maîtrise du coût opérationnel est devenue aussi stratégique que la performance brute. HDPO représente une avancée méthodologique qui pourrait influencer la façon dont l'ensemble de l'industrie entraîne ses agents à instrumenter le monde extérieur avec discernement plutôt qu'automatisme.

Dopés par l’IA, les géants du cloud projettent 700 milliards $ d’investissements en 2026

Microsoft, Meta, Amazon et Alphabet ont publié simultanément leurs résultats financiers le 29 avril 2026, tous supérieurs aux attentes, et tous accompagnés d'une révision à la hausse de leurs prévisions d'investissement dans l'intelligence artificielle. Additionnées, leurs enveloppes atteignent désormais 700 milliards de dollars pour l'année en cours. Google Cloud se distingue particulièrement avec un chiffre d'affaires bondissant de 12,26 à 20 milliards de dollars sur le seul premier trimestre, soit une progression de 60 %, adossée à un carnet de commandes dépassant 460 milliards. La maison mère Alphabet clôture le trimestre à près de 110 milliards de chiffre d'affaires, en hausse de 22 % sur un an, portée aussi bien par la publicité search (+20 %, à 60 milliards) que par YouTube. Amazon Web Services, leader mondial du cloud, enregistre pour sa part une croissance de 28 % sur un an, à 37,6 milliards de dollars, sa meilleure performance depuis quinze trimestres. Le trimestre a également vu AWS signer une trentaine de partenariats stratégiques avec OpenAI, Anthropic, NVIDIA, Meta, l'armée américaine et le groupe français Veolia. Ces chiffres signalent que l'IA n'est plus seulement un poste de dépenses pour les géants du cloud : elle est devenue un moteur de revenus mesurable. Sundar Pichai indique que les modèles Gemini traitent désormais plus de 16 milliards de tokens par minute via l'API, soit une hausse de 60 % par rapport au trimestre précédent. Chez Amazon, la division Bedrock aurait traité sur ce seul trimestre plus de tokens que sur toutes les années précédentes cumulées. Au-delà du cloud stricto sensu, l'IA irrigue désormais la publicité programmatique et les outils d'automatisation des achats médias, élargissant son impact à l'ensemble de l'écosystème numérique. Amazon monte également en puissance dans les semiconducteurs, avec une activité projetée à plus de 20 milliards de dollars annuels, positionnant le groupe comme fournisseur et premier client de ses propres puces. Cette publication groupée intervient dans un contexte où les interrogations sur une éventuelle bulle spéculative autour de l'IA se multiplient, sans que les résultats opérationnels ne les confirment pour l'instant. Les quatre groupes ont massivement investi dans les data centers et les infrastructures GPU depuis 2023, des dépenses qui commencent à se traduire en revenus récurrents via les contrats cloud longue durée. La concentration des investissements autour de quelques acteurs, AWS, Google Cloud, Azure, renforce une logique d'oligopole qui rend l'entrée sur ce marché structurellement difficile pour les challengers. Les prochains trimestres seront déterminants pour confirmer si cette dynamique tient face aux incertitudes tarifaires américaines et à la montée en puissance de concurrents chinois comme Alibaba Cloud ou Huawei.

💬 700 milliards, c'est plus une promesse, c'est du revenu qui rentre. AWS à +28 %, Google Cloud à +60 % sur un seul trimestre, bon, le discours sur la bulle spéculative devient difficile à tenir. Le vrai sujet, c'est l'oligopole qui se cimente, et pour les entreprises et États européens, cette dépendance va coûter cher.

L'équipe Qwen publie FlashQLA : une bibliothèque de noyaux d'attention linéaire atteignant jusqu'à 3x d'accélération sur les GPU NVIDIA Hopper

L'équipe Qwen a publié FlashQLA, une bibliothèque open source de kernels GPU haute performance, sous licence MIT. Construite sur le framework de compilation TileLang, elle est spécifiquement optimisée pour le mécanisme d'attention linéaire Gated Delta Network (GDN), qui est au coeur des modèles hybrides Qwen3.5 et Qwen3.6. Sur les GPU NVIDIA de la génération Hopper (H100, H200), FlashQLA atteint une accélération de 2 à 3 fois sur la passe avant (inference et entraînement) et de 2 fois sur la passe arrière (calcul des gradients), par rapport à la bibliothèque de référence Flash Linear Attention (FLA) et ses kernels Triton. Ces gains reposent sur deux innovations principales documentées : un parallélisme de contexte intra-carte déclenché automatiquement par les propriétés mathématiques du gate exponentiel du GDN, et une reformulation algébrique optimisée pour les unités de calcul matérielles de l'architecture Hopper. Ces résultats ont une portée concrète pour quiconque entraîne ou déploie des modèles de langage sur des séquences longues. L'attention classique de type softmax souffre d'une complexité quadratique en O(n²) : doubler la longueur de la séquence multiplie le coût de calcul par quatre. L'attention linéaire ramène ce coût à O(n), ce qui rend le traitement de longs documents, de code ou de conversations beaucoup moins onéreux. Or, l'efficacité de l'attention linéaire dépend en grande partie de la qualité des kernels GPU sous-jacents. En exploitant les instructions warpgroup-level des Tensor Cores et les pipelines de données asynchrones propres à Hopper, fonctionnalités que Triton ne peut pas toujours exploiter pleinement, FlashQLA libère une partie du potentiel matériel que les implémentations existantes laissaient sur la table. Ce travail s'inscrit dans une compétition intense autour de l'optimisation bas niveau des modèles de langage, un terrain souvent invisible mais décisif. Depuis FlashAttention (2022), plusieurs équipes cherchent à accélérer les opérations d'attention directement au niveau du kernel, c'est-à-dire la routine de calcul qui s'exécute réellement sur le processeur graphique. Qwen, développé par Alibaba Cloud, a fait le choix d'une architecture hybride pour ses derniers modèles : des couches GDN alternent avec des couches d'attention complète, combinant efficacité sur les longues séquences et expressivité là où elle est le plus utile. En publiant FlashQLA sous MIT, l'équipe ouvre cette optimisation à l'ensemble de la communauté, y compris aux chercheurs et entreprises qui construisent des pipelines sur ces architectures hybrides. La prochaine étape probable est l'intégration dans les frameworks d'entraînement dominants comme vLLM ou SGLang, ce qui élargirait significativement l'impact de cette bibliothèque.

FlashQLA : Alibaba dévoile une arme secrète qui accélère l’IA jusqu’à 3 fois

L'équipe Qwen d'Alibaba a présenté le 29 avril 2026 FlashQLA, une bibliothèque de noyaux d'attention linéaire haute performance construite sur TileLang, un langage de programmation optimisé pour le calcul parallèle. Les chiffres avancés sont nets : la propagation avant des modèles est accélérée de 2 à 3 fois, tandis que la rétropropagation, phase critique de l'entraînement, voit sa vitesse pratiquement doubler. L'architecture repose sur une division des calculs en deux noyaux distincts plutôt qu'un bloc unifié, ce qui se traduit par une légère surcharge mémoire mais des performances réelles supérieures sur machines modestes. La rétropropagation bénéficie en particulier d'un pipeline en 16 étapes optimisé au niveau du warp avec des contraintes mémoire très faibles. Ce qui distingue FlashQLA des solutions concurrentes est sa cible explicite : les appareils personnels et l'edge computing, pas les data centers. Alibaba positionne cet outil pour faire tourner des modèles d'IA agentielle directement sur des ordinateurs portables et machines locales, réduisant la dépendance aux serveurs cloud. Les gains sont particulièrement marqués pour les petits modèles et les tâches à contexte long, deux cas d'usage centraux pour l'IA embarquée. Pour les développeurs et les entreprises qui déploient des agents IA en production, cela signifie des coûts d'inférence réduits, des latences plus faibles et une meilleure utilisation de la mémoire sans changement de matériel. FlashQLA s'inscrit dans une tendance de fond qui traverse l'ensemble de l'industrie depuis 2024 : la course à l'efficacité des modèles en dehors du cloud. Face à des coûts d'inférence toujours élevés et à des préoccupations croissantes autour de la souveraineté des données, les grandes entreprises technologiques cherchent à rapprocher la puissance de calcul de l'utilisateur final. Alibaba, via son équipe Qwen déjà connue pour ses modèles ouverts compétitifs face à GPT-4, renforce ici sa position dans l'écosystème open source en proposant une brique d'optimisation bas niveau directement utilisable par la communauté. La publication fait suite à plusieurs annonces similaires dans l'industrie, dont FlashAttention de Tri Dao ou les optimisations kernel de Meta pour Llama. Si FlashQLA tient ses promesses à l'échelle, il pourrait accélérer la migration d'une partie des charges d'inférence vers le local, rééquilibrant durablement le rapport entre cloud centralisé et calcul distribué.

Alibaba renforce son IA médicale avec un nouvel outil de détection précoce du cancer colorectal

Alibaba Group a dévoilé mardi un nouveau modèle d'intelligence artificielle baptisé Coca, développé par son laboratoire de recherche Damo Academy, capable de détecter les cancers colorectaux à un stade précoce à partir de scanners CT sans contraste. Testé sur plus de 27 000 examens, le modèle a permis d'identifier cinq cas de cancer colorectal qui avaient été manqués par des radiologistes humains, affichant ainsi une sensibilité supérieure à celle des spécialistes pour cette tâche précise. Cette avancée représente un enjeu médical considérable : le cancer colorectal est l'un des cancers les plus meurtriers au monde, et son pronostic s'améliore drastiquement lorsqu'il est détecté tôt. Un outil capable de réduire les faux négatifs dans l'analyse de scanners de routine pourrait alléger la charge cognitive des radiologistes, accélérer les diagnostics et potentiellement sauver des vies, notamment dans les systèmes de santé où le volume d'examens dépasse la capacité humaine disponible. Alibaba s'inscrit avec Coca dans une stratégie plus large de déploiement de l'IA médicale, un secteur où les géants technologiques chinois investissent massivement pour rivaliser avec des acteurs comme Google Health ou Microsoft. La Chine fait face à une pression démographique et sanitaire croissante, avec des taux de cancer colorectal en hausse, ce qui rend ces outils particulièrement stratégiques. Coca s'appuie sur les scanners CT non contrastés, des examens courants et moins coûteux que leurs homologues avec produit de contraste, ce qui élargit son potentiel de déploiement à grande échelle dans des contextes hospitaliers variés.

Alibaba DAMO Academy présente un modèle d'IA pour le dépistage non invasif du cancer colorectal

Le 28 avril, l'Alibaba DAMO Academy a dévoilé DAMO COCA, un modèle d'intelligence artificielle pour le dépistage du cancer colorectal, développé en collaboration avec l'Hôpital général provincial du Guangdong et d'autres institutions médicales chinoises. Ce système analyse des scanners CT sans contraste, supprimant ainsi la nécessité d'une injection de produit de contraste ou d'une préparation intestinale préalable, deux contraintes lourdes imposées par les méthodes de dépistage classiques. Publié dans la revue Annals of Oncology, le modèle affiche une sensibilité de 86,6 % et une spécificité de 99,8 %, deux indicateurs qui mesurent sa capacité à détecter les cas réels tout en limitant les faux positifs. L'étude a analysé plus de 27 000 scanners CT et a permis d'identifier des cas de cancers non détectés dans des données cliniques réelles. Cette performance est particulièrement significative car le cancer colorectal figure parmi les cancers les plus répandus au monde, avec un taux de dépistage insuffisant lié aux contraintes des méthodes existantes, notamment la coloscopie invasive. En supprimant ces obstacles, DAMO COCA pourrait élargir considérablement l'accès au dépistage, notamment dans les régions où les ressources médicales sont limitées. La capacité du modèle à détecter des lésions dans des zones anatomiquement complexes, là où les radiologues manquent le plus fréquemment des anomalies, représente une avancée clinique concrète susceptible de réduire les diagnostics tardifs. DAMO COCA s'inscrit dans une initiative plus large de l'Alibaba DAMO Academy baptisée "CT + AI", visant à développer des outils de dépistage multi-cancer à partir de scanners CT standard. L'académie avait déjà publié des modèles comparables pour le cancer du pancréas et le cancer gastrique. Le système repose sur un cadre d'apprentissage profond en deux étapes, conçu pour mieux interpréter la complexité des structures intestinales. Cette stratégie rejoint un mouvement mondial dans lequel les grandes entreprises technologiques investissent massivement dans l'imagerie médicale assistée par IA, avec l'ambition de transformer le scanner CT en outil de détection systématique de multiples cancers à partir d'un seul examen.

Alibaba lance la bêta de son modèle de génération vidéo HappyHorse 1.0

Le 27 avril 2026, Alibaba a annoncé le lancement en bêta de HappyHorse 1.0, son nouveau modèle de génération vidéo par intelligence artificielle. Actuellement accessible aux créateurs professionnels et aux entreprises via inscription, le modèle est également disponible au grand public dans l'application Qwen. HappyHorse 1.0 prend en charge la génération vidéo à partir de texte, d'images ou d'audio, avec des séquences pouvant atteindre 15 secondes, un upscaling en 1080p, plusieurs formats d'image et une narration multi-plans. Le tarif de référence est fixé à 0,9 yuan par seconde pour une vidéo en 720p. Le modèle supporte également plusieurs langues, dont le cantonais, l'anglais, le français et le coréen. Un déploiement commercial est prévu pour le mois de mai, après une phase d'élargissement des tests d'ici fin avril. L'arrivée de HappyHorse 1.0 sur le marché illustre la montée en puissance des géants technologiques asiatiques dans la course à la vidéo générative, un segment en pleine explosion. Pour les créateurs de contenu et les entreprises, un outil capable de produire des vidéos courtes de qualité professionnelle à moins d'un yuan la seconde représente une baisse significative des coûts de production. La prise en charge multilingue native, notamment du français, élargit considérablement le périmètre commercial potentiel au-delà de la Chine. HappyHorse 1.0 a été développé par l'unité ATH d'Alibaba en collaboration avec plusieurs équipes internes, une information confirmée par le groupe le 10 avril. Avant son annonce officielle, le modèle avait déjà figuré sous un nom anonyme dans le classement AI Video Arena d'Artificial Analysis, ce qui suggère qu'Alibaba cherchait à valider ses performances en conditions réelles avant tout lancement public. Cette stratégie s'inscrit dans un contexte de concurrence intense entre acteurs comme Sora (OpenAI), Kling (Kuaishou) ou Vidu (Tencent), tous engagés dans une course à la qualité et à l'accessibilité tarifaire pour s'imposer comme référence de la vidéo générée par IA.

Conduire ou choisir son resto ? Alibaba ne veut plus que vous choisissiez

Alibaba a annoncé lors de l'ouverture du Salon de l'automobile de Pékin 2026 l'intégration de son intelligence artificielle Qwen dans les véhicules de neuf constructeurs automobiles chinois majeurs : BYD, Geely, Li Auto, Changan, Dongfeng, BAIC, Great Wall Motor, SAIC Volkswagen et SAIC IM Motors. Le système permet aux conducteurs de piloter vocalement un large éventail de services du quotidien sans quitter la route des yeux : réservation de table au restaurant, réservation de chambre d'hôtel, achat de billets pour des événements, suivi de livraisons. Techniquement, l'architecture repose sur une combinaison de traitement embarqué local et de calcul cloud, avec les puces automobiles Nvidia en support, et Alibaba précise que le système reste opérationnel même en cas de connectivité réseau dégradée. Ce n'est pas le premier déploiement de Qwen dans l'habitacle : le modèle avait déjà été intégré plus tôt cette année dans le SUV hybride rechargeable Hongqi HS6. Cette intégration transforme le véhicule en terminal de services connectés actif, capable de gérer des transactions commerciales en temps réel pendant la conduite. Pour les conducteurs, l'enjeu est concret : déléguer à la voix des démarches qui nécessitaient jusqu'ici de manipuler un smartphone au volant, donc de prendre un risque. Pour l'industrie, la portée est plus large encore : cela positionne l'IA embarquée non plus comme un assistant de navigation amélioré, mais comme un agent autonome capable d'agir sur des plateformes tierces, de réserver, d'acheter, de suivre des commandes. Alibaba devient ainsi un intermédiaire invisible entre le conducteur et l'ensemble de l'écosystème e-commerce et services en ligne, ce qui représente une opportunité commerciale considérable pour le groupe. Cette initiative s'inscrit dans un contexte de ralentissement notable des ventes de véhicules électriques en Chine, marché pourtant pionnier mondial dans ce secteur. Face à une concurrence technique de plus en plus homogène entre constructeurs, les acteurs du marché cherchent à se différencier par la couche logicielle et les services embarqués plutôt que par les seules performances de la batterie ou la puissance moteur. Alibaba, qui dispose déjà d'un écosystème massif couvrant le e-commerce, le cloud et les paiements, se retrouve dans une position idéale pour monétiser cette intégration automobile à grande échelle. La course à l'IA dans l'habitacle est désormais ouverte en Chine, avec Huawei, Baidu et d'autres acteurs technologiques qui développent des stratégies similaires, faisant du cockpit connecté le nouveau terrain de jeu des géants de la tech chinoise.