Dossier Alibaba — page 4

Zhipu : après le succès de son IA GLM, le laboratoire chinois préparerait sa propre puce IA

Zhipu, le laboratoire chinois derrière le modèle GLM, envisagerait de développer sa propre puce IA, selon des informations rapportées par The Information. Le projet en serait au stade des discussions préliminaires : l'entreprise aurait entamé des échanges avec plusieurs concepteurs chinois de semi-conducteurs, sans qu'aucun partenaire n'ait été retenu à ce jour. L'objectif viserait la conception d'un processeur ASIC, un circuit spécialisé et non un GPU polyvalent, taillé sur mesure pour faire fonctionner les modèles GLM. Le calendrier resterait long : plus de deux ans seraient nécessaires pour constituer une équipe dédiée, concevoir la puce, la tester, puis adapter l'ensemble de la couche logicielle qui l'exploite. Cette réflexion intervient alors que le dernier modèle de Zhipu, GLM-5.2, connaît une adoption fulgurante, avec un volume quotidien de tokens traités multiplié par 27 en une seule semaine après son déploiement sur la plateforme Vercel. Cette accélération soudaine change la donne pour Zhipu. Une demande de calcul qui explose implique des besoins en puissance considérablement accrus, dans un contexte où les laboratoires chinois doivent composer avec les restrictions américaines sur l'exportation des GPU Nvidia les plus avancés. Concevoir sa propre puce ne relèverait donc plus d'un simple choix stratégique mais d'une nécessité pour sécuriser l'accès au calcul et réduire une dépendance technologique jugée risquée. Un ASIC, conçu spécifiquement pour les modèles GLM, promettrait en théorie une meilleure efficacité énergétique et un coût d'inférence réduit une fois les modèles stabilisés, un enjeu direct pour la rentabilité de Zhipu à mesure que son usage se généralise auprès des développeurs et des entreprises. Cette démarche s'inscrit dans un mouvement plus large de course à l'indépendance matérielle dans l'IA. Google, OpenAI, ByteDance et Alibaba ont déjà développé leurs propres puces pour limiter leur dépendance aux fournisseurs externes, OpenAI ayant récemment dévoilé la sienne. BYD a de son côté conçu une puce autonome maison, et Reuters a récemment révélé que DeepSeek explorerait également des puces personnalisées afin de réduire sa dépendance envers Huawei et Nvidia. Zhipu ne ferait donc que suivre une tendance déjà bien engagée chez les géants technologiques, chinois comme américains. Reste à savoir si l'entreprise parviendra à transformer ce projet encore embryonnaire en réalité industrielle, dans un secteur des semi-conducteurs où deux années peuvent suffire à rebattre entièrement les cartes du marché.

L'ancien responsable de Qwen explique les erreurs du hybrid thinking et pourquoi il mise desormais sur les agents

Junyang Lin, qui dirigeait le projet Qwen chez Alibaba, a annoncé son départ le 3 mars 2026 et se présente désormais comme chercheur indépendant. Dans une conférence intitulée "Qwen : vers un modèle ou agent généraliste", il retrace toute la famille Qwen, de QwQ-32B à Qwen2.5-Max, en passant par Qwen3, Qwen2.5-VL et Qwen2.5-Omni, en comparant leurs performances à celles de DeepSeek-R1, Grok 3 Beta, Gemini 2.5 Pro et la série o d'OpenAI. Qwen3 occupe la place centrale de l'exposé : Lin y détaille les modes de raisonnement hybrides, avec un mode "réflexion" pour le raisonnement pas à pas et un mode "instruction" pour des réponses quasi instantanées, ainsi que des budgets de réflexion ajustables par l'utilisateur. La famille couvre désormais 119 langues et dialectes contre 29 auparavant, avec des tailles allant de 0,6 à 235 milliards de paramètres, disponibles en versions quantifiées GGUF, GPTQ, AWQ et MLX, toutes sous licence Apache 2.0. Les architectures présentées montrent que les petits modèles denses partagent leurs embeddings d'entrée et de sortie avec un contexte de 32 000 tokens, tandis que les modèles plus grands, denses ou à mélange d'experts, abandonnent ce partage et étendent le contexte à 128 000 tokens. Ce que Lin détaille surtout, c'est la difficulté technique derrière cette fusion des modes de réflexion, un enjeu qui dépasse largement Qwen. Un modèle optimisé pour l'instruction est récompensé pour sa rapidité et sa concision, tandis qu'un modèle de raisonnement est récompensé pour le temps qu'il consacre aux problèmes complexes. Fusionner les deux sans précaution dégrade les deux comportements à la fois. Qwen3 a d'abord tenté cette fusion via un pipeline de post-entraînement en quatre étapes, avant que la lignée 2507, plus tard en 2025, ne revienne à des variantes séparées, une pour l'instruction et une pour le raisonnement. Lin y voit avant tout un problème de données plutôt que d'architecture, et cite en contrepoint la trajectoire d'Anthropic, qui a conservé une approche hybride avec Claude 3.7 Sonnet et son budget de réflexion réglable, puis avec Claude 4 qui entrelace raisonnement et usage d'outils pour le code et les tâches longues. Cette réflexion s'inscrit dans un basculement plus large que Lin situe entre deux époques. La première, portée par o1 et DeepSeek-R1, a établi que l'apprentissage par renforcement exige des récompenses vérifiables, plaçant les mathématiques, le code et la logique au centre des efforts. La seconde, qu'il appelle la pensée agentique, consiste à raisonner pour agir : planifier, décider quand utiliser un outil, lire les retours de l'environnement et ajuster sa trajectoire. Ses pistes pour la suite incluent davantage de pré-entraînement, du renforcement fondé sur des retours d'environnement, des contextes plus longs et davantage de modalités, résumées dans sa formule finale : entraîner des agents plutôt que de simples modèles.

💬 L'aveu est rare : le mec qui a dirigé Qwen pendant deux ans dit texto que fusionner mode rapide et mode raisonnement, ça marche pas encore proprement, et qu'ils sont revenus en arrière avec la lignée 2507. Ce que ça révèle, c'est que le hybrid thinking vendu partout comme la norme (Claude, et bientôt tout le monde) reste un problème de données non résolu, pas une simple question d'architecture qu'on règle avec plus de compute. Et son pivot vers "entraîner des agents plutôt que des modèles" confirme un truc que je sens depuis des mois : la course au meilleur benchmark de raisonnement pur touche à sa fin.

Créer un espace de travail d'agents QwenPaw : compétences personnalisées, fournisseurs de modèles et API en streaming

Un tutoriel détaillé publié récemment présente QwenPaw, un environnement de travail destiné aux développeurs souhaitant construire et tester des assistants pilotés par des agents IA. Le guide explique pas à pas comment installer et initialiser QwenPaw dans un environnement Google Colab, configurer un répertoire de travail structuré, activer l'authentification sécurisée avec génération automatique d'un mot de passe aléatoire, et connecter des fournisseurs de modèles externes via les secrets Colab. L'architecture repose sur une organisation en répertoires distincts, espace de travail, secrets, journaux, et expose le service sur un port configurable (par défaut le 8088), avec la possibilité de rendre la console accessible publiquement via un tunnel Cloudflare. Ce type d'environnement répond à un besoin concret des équipes de développement IA : disposer d'un espace intégré pour concevoir des agents, tester leurs compétences personnalisées (« skills »), et valider le comportement de l'API de chat en streaming, le tout sans sortir de l'environnement de développement. En permettant de connecter différents fournisseurs de modèles à la volée et d'exposer une interface console accessible via URL, QwenPaw réduit la friction entre la phase de prototypage et celle de mise en production. La prise en charge native du streaming d'API et d'un garde-fou sur les outils (QWENPAWTOOLGUARD_ENABLED) montre une attention particulière à la robustesse en environnement multi-agents, où les appels d'outils mal contrôlés peuvent rapidement devenir une source d'erreurs coûteuses. QwenPaw s'inscrit dans l'écosystème grandissant des frameworks d'agents IA, qui cherchent à standardiser la façon dont les modèles de langage interagissent avec des outils, des bases de connaissances locales et des API externes. Son nom évoque une parenté avec les modèles Qwen, la famille de LLM développée par Alibaba/Tongyi, très utilisée dans les contextes où l'on cherche des alternatives aux modèles d'OpenAI ou Anthropic. Le fait que le tutoriel soit conçu pour fonctionner directement dans Google Colab, environnement d'exécution gratuit et largement adopté, suggère une volonté de rendre ce framework accessible à un public plus large, au-delà des équipes disposant d'infrastructure dédiée. La direction prise, avec des fonctionnalités comme le scan de compétences en mode « warn » et la gestion fine des permissions, laisse anticiper une montée en maturité vers des cas d'usage de production.

💬 Le QWENPAWTOOLGUARD_ENABLED, c'est le genre de détail qui dit que les auteurs ont déjà mis les mains dans des pipelines multi-agents foireux. Que ça tourne directement dans Colab c'est malin, ça ouvre le truc aux équipes qui n'ont pas de GPU en local. Reste à voir ce que ça vaut une fois sorti du sandbox.

Concevoir un pipeline de récupération et reclassement haute précision avec le reranker Zerank-2 de ZeroEntropy

ZeroEntropy a publié Zerank-2, un modèle de reranking basé sur l'architecture Qwen3 avec 4 milliards de paramètres, conçu pour améliorer la précision des systèmes de recherche documentaire. Ce cross-encoder fonctionne selon une logique différente des modèles de récupération classiques : au lieu de comparer des vecteurs d'embeddings indépendants, il analyse conjointement chaque paire requête-document pour produire un score de pertinence calibré. Le modèle, accessible via l'identifiant zeroentropy/zerank-2-reranker sur HuggingFace, pèse environ 8 Go en mémoire GPU et s'intègre directement dans la bibliothèque sentence-transformers. Un tutoriel complet illustre son usage à travers des cas concrets en finance, droit et code, avec une évaluation quantitative via la métrique NDCG@10. L'apport principal de ce type de système réside dans l'architecture en deux étapes qu'il rend possible. Un premier modèle léger dit bi-encoder récupère rapidement un ensemble de candidats depuis une large base documentaire, puis Zerank-2 reclasse ces candidats avec une précision bien supérieure, au prix d'un calcul plus intensif mais limité à un sous-ensemble réduit. Cette combinaison permet d'atteindre la précision d'un cross-encoder sans en subir le coût computationnel à grande échelle. Pour les équipes qui construisent des moteurs de recherche d'entreprise, des pipelines RAG (Retrieval-Augmented Generation) ou des systèmes de questions-réponses, ce gain de précision peut être décisif : un reranker bien calibré réduit les hallucinations des LLM en leur fournissant des passages réellement pertinents, et améliore la satisfaction des utilisateurs finaux sur des requêtes complexes ou ambiguës. Le reranking est devenu un composant central dans l'écosystème RAG depuis que les limites des bi-encoders seuls sont bien documentées : ces modèles encodent requête et document séparément, perdant les interactions fines entre les deux. Des acteurs comme Cohere avec son modèle rerank-v3, ou Jina AI avec jina-reranker-v2, ont popularisé cette approche ces deux dernières années. ZeroEntropy entre sur ce marché avec un modèle open-source de 4 milliards de paramètres, une taille qui le rend déployable sur des GPU grand public tout en offrant des performances compétitives. La base Qwen3, développée par Alibaba et reconnue pour son efficacité en contexte multilingue, confère à Zerank-2 une robustesse potentielle sur des corpus non exclusivement anglophones. La prochaine étape naturelle pour les équipes qui adoptent cet outil sera d'évaluer ses performances sur des benchmarks standardisés comme BEIR, et d'explorer son intégration dans des frameworks RAG populaires tels que LangChain ou LlamaIndex.

Comment créer des workflows AgentScope prêts pour la production avec agents ReAct, outils personnalisés, débat multi-agents, sorties structurées et pipelines concurrents

AgentScope, le framework open-source de gestion d'agents IA développé par Alibaba DAMO Academy, dispose désormais d'un tutoriel complet permettant de construire des workflows multi-agents prêts pour la production. Publié début 2026 et conçu pour tourner intégralement dans Google Colab, ce guide pas à pas couvre cinq niveaux de complexité croissante : de l'appel basique à un modèle OpenAI jusqu'à un pipeline concurrent où plusieurs agents spécialistes travaillent en parallèle. La stack technique repose sur Python 3, les bibliothèques agentscope, openai, pydantic et nest_asyncio, avec le modèle gpt-4o-mini comme moteur de raisonnement. Le tutoriel montre comment enregistrer des fonctions Python personnalisées — calcul mathématique, horodatage — dans un Toolkit, inspecter les schémas JSON générés automatiquement, puis connecter ces outils à un agent ReActAgent capable de décider dynamiquement quand les appeler. Ce type de ressource répond à un besoin concret dans l'écosystème des agents IA : la majorité des développeurs savent appeler un LLM, mais peinent à passer à une architecture robuste et modulaire en production. Le tutoriel introduit notamment MsgHub, la primitive d'AgentScope pour orchestrer des débats structurés entre agents — un pattern utile pour la vérification de faits, la critique de code ou la validation de décisions critiques. L'intégration de Pydantic pour forcer des sorties structurées élimine l'un des problèmes les plus fréquents en production : les réponses libres d'un LLM qui cassent le parsing aval. Enfin, le pipeline concurrent — plusieurs spécialistes analysent un problème en parallèle, un synthétiseur agrège leurs conclusions — réduit significativement la latence pour les tâches décomposables, ce qui est central dans les systèmes d'analyse ou de veille automatisée. AgentScope s'inscrit dans une compétition féroce entre frameworks d'orchestration d'agents : LangChain, LlamaIndex, AutoGen de Microsoft ou CrewAI occupent déjà le terrain, mais AgentScope mise sur une API asynchrone native, une gestion mémoire intégrée (InMemoryMemory) et des formateurs de messages spécifiques aux providers (OpenAIChatFormatter, OpenAIMultiAgentFormatter). Le choix de gpt-4o-mini comme modèle de référence dans le tutoriel reflète l'orientation coût/performance qui domine les déploiements réels en 2025-2026. La prochaine étape logique pour ce type de workflow serait l'intégration de mémoire persistante externe et de mécanismes de supervision — deux angles sur lesquels la communauté AgentScope est activement attendue.

💬 AgentScope commence à ressembler à quelque chose de sérieux. Le pattern `MsgHub` pour les débats structurés entre agents, c'est exactement ce qui manque quand tu essaies de faire de la validation critique sans que tout parte en freestyle. Reste à voir si ça tient face à AutoGen ou CrewAI en conditions réelles, parce que sur le papier, tous ces frameworks ont l'air bien jusqu'au premier bug de prod.

Faire tourner les modèles de raisonnement Qwen3.5 distillés façon Claude en GGUF avec quantification 4 bits

Des développeurs ont publié un tutoriel détaillé expliquant comment déployer les modèles Qwen3.5 distillés avec le style de raisonnement de Claude — notamment les variantes 27B en format GGUF et 2B en quantification 4 bits — directement dans Google Colab. Le pipeline proposé permet de basculer entre les deux variantes via un simple indicateur booléen, offrant ainsi une flexibilité rare entre puissance de raisonnement et contraintes matérielles. Le modèle 27B, hébergé sur Hugging Face sous l'identifiant Jackrong/Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled-GGUF, pèse environ 16,5 Go une fois compressé en Q4KM, tandis que la version 2B s'appuie sur les librairies transformers et bitsandbytes pour une empreinte mémoire bien plus légère. Les deux chemins d'exécution sont unifiés derrière des interfaces communes generatefn et streamfn, auxquelles s'ajoute une classe ChatSession gérant les conversations multi-tours et un parseur de traces ` pour séparer explicitement le raisonnement intermédiaire de la réponse finale. Ce type d'implémentation ouvre concrètement l'accès à des modèles de raisonnement avancés à des développeurs qui ne disposent pas d'infrastructure dédiée. La quantification 4 bits permet de faire tourner un modèle de 27 milliards de paramètres sur un simple GPU T4 de Colab, ce qui était inaccessible il y a encore deux ans. La possibilité d'inspecter les traces de raisonnement — les chaînes de pensée encapsulées dans les balises ` — est particulièrement précieuse pour le débogage, l'évaluation et la recherche sur les comportements des LLM. Pour les équipes souhaitant intégrer du raisonnement structuré dans leurs applications sans dépendre d'API propriétaires, cette approche locale représente une alternative sérieuse. Ce tutoriel s'inscrit dans une tendance de fond : la distillation de comportements propres aux grands modèles commerciaux vers des modèles open source plus petits et autonomes. Qwen3.5, développé par Alibaba, fait partie des modèles open weight les plus performants du moment, et sa distillation avec le style de raisonnement de Claude 4.6 Opus illustre comment les techniques d'entraînement des laboratoires de pointe — Anthropic en tête — se diffusent rapidement dans l'écosystème ouvert. La quantification GGUF via llama.cpp, couplée aux outils Hugging Face, est désormais la voie standard pour démocratiser ces modèles. La prochaine étape naturelle sera l'intégration de ces pipelines dans des agents autonomes capables de raisonner en plusieurs étapes sur des tâches complexes, sans appel à des services cloud.

J'ai développé mon propre agent IA sur site grâce à OpenClaw et Obsidian : les éléments cruciaux que l'on me cache

Un développeur a publié un retour d'expérience détaillé sur l'installation d'OpenClaw, un agent IA open-source auto-hébergé, sur une VM Ubuntu via Docker avec Telegram comme interface et Obsidian pour la mémoire persistante. Le guide liste les quatre erreurs critiques à éviter : problèmes de permissions lors de l'exécution avec sudo, crash loop de la gateway en mode Loopback (Docker), agent en mode "messaging" incapable d'écrire des fichiers, et clé de configuration non reconnue pour l'API Alibaba. La motivation centrale : arrêter de payer des abonnements IA (ChatGPT, Claude) utilisés seulement 10 minutes par jour, en faveur d'une solution locale où toutes les données restent sur la machine.