Blackwell· sujet

Block dévoile Dessa, un modèle vocal full-duplex entraîné uniquement sur de la parole

Block a dévoilé le 23 octobre 2026 Dessa, un modèle vocal « full-duplex » issu de son laboratoire de recherche en IA, présenté sous forme d'aperçu de recherche. Il s'agit d'un modèle de parole à parole : l'audio entre, l'audio sort, et le système écoute et parle simultanément. Block affirme l'avoir entraîné uniquement sur des conversations humaines, sans aucun texte ni modèle pré-entraîné. L'entraînement a mobilisé un seul rack NVIDIA GB200 NVL72, soit 72 GPU Blackwell et 36 CPU Grace. Le modèle tourne localement, plus vite que le temps réel, sur un MacBook Pro M4 Max ou supérieur. Les démonstrations montrent des interjections du type « ouais » ou « d'accord », des rires en milieu de phrase, des interruptions naturelles et une voix qui monte quand on lui demande de parler plus fort. Un extrait met en scène un échange avec GPT-Live-1 d'OpenAI, et Block assure que rien n'a été guidé. En revanche, aucun score de benchmark, nombre de paramètres, poids, article scientifique, API ni tarif n'a été publié, et l'accès passe par une liste d'attente. L'enjeu tient à la rupture avec l'architecture dominante des agents vocaux, qui enchaînent reconnaissance vocale, modèle de texte puis synthèse vocale. Selon l'équipe de Block, cette chaîne élimine l'émotion, le sarcasme, le rire et les soupirs, que Dessa percevrait et produirait directement. Le modèle apprendrait aussi, à partir de conversations réelles, quand couper la parole ou quand acquiescer. Block affirme en outre que Dessa a appris le langage à partir de centaines de fois moins de mots que les grands modèles de langage. Si ces affirmations se confirmaient, elles abaisseraient nettement le coût d'entrée pour des assistants vocaux plus naturels et exécutables sur un ordinateur portable. Pour l'heure, tout repose sur des démonstrations que personne ne peut reproduire, ce qui impose la prudence. Le contexte est celui d'une course aux modèles vocaux conversationnels. Le Moshi de Kyutai, référence des modèles full-duplex ouverts, part d'un modèle de texte (Helium, 8 milliards de paramètres) et prédit des jetons de texte alignés dans le temps avant les jetons audio. Il a été pré-entraîné sur 7 millions d'heures d'audio avec 1 016 GPU H100, pour une latence d'environ 200 ms, et il est distribué librement sous licence CC-BY 4.0. PersonaPlex-7B-v1 de NVIDIA, affiné à partir de Moshi, revendique 0,170 s de latence de prise de parole et 0,240 s pour l'interruption sur FullDuplexBench. GPT-Live-1 d'OpenAI reste fermé, accessible par API à 0,05 dollar la minute pour la couche vocale, et délègue le raisonnement à un agent en arrière-plan. Les choix de Block, entraînement sans texte et sur très peu de calcul, sont difficiles, car la parole ne se répète jamais à l'identique et un mot parlé pèse des milliers de fois plus d'octets que son équivalent écrit. La suite dépendra de la publication éventuelle de l'architecture, de benchmarks et de poids, seuls moyens de vérifier ces promesses.

L’humain, goulot d’étranglement des gains de productivité par l’IA

Le 24 octobre, Torsten Slok, économiste en chef du gestionnaire d'actifs Apollo Global Management, a publié dans sa lettre quotidienne The Daily Spark un billet qui conclut que l'intelligence artificielle n'a produit aucun gain financier mesurable pour les entreprises américaines hors du secteur technologique. Son analyse repose sur cinq constats. Le chiffre d'affaires par salarié progresse pour les sept grandes valeurs technologiques surnommées « Mag 7 » (Alphabet, Amazon, Apple, Meta, Microsoft, NVIDIA et Tesla), mais stagne pour les 493 autres sociétés du S&P 500. Les marges bénéficiaires montrent la même divergence. La productivité globale des facteurs, mesurée avec la série corrigée du taux d'utilisation de la Fed de San Francisco, ne s'accélère pas. Enfin, les dépenses d'IA sont très concentrées et en partie circulaires. Apollo n'est pas un observateur extérieur : en janvier 2026, ses fonds ont mené un financement de 3,5 milliards de dollars pour des processeurs GB200 de NVIDIA loués à une filiale de xAI. Pour Slok, tant que les dépenses en IA agentique et en tokens resteront cantonnées à une petite partie de l'économie, les effets macroéconomiques demeureront très limités. Les entreprises soutenues par le capital-risque consomment de plus en plus de tokens, mais l'entreprise américaine grand public n'a pas besoin du dernier modèle et refuse de le payer. L'économiste explique ce décalage par la nature même du travail en entreprise : l'IA serait « une excellente calculatrice », mais l'intelligence en entreprise relève surtout du jugement, donc du contexte. Responsabilité, confiance, culture, règles non écrites, arbitrages éthiques : autant de facteurs qui façonnent le risque réputationnel, puis les revenus et les marges, et que l'IA ne saisit pas. Selon lui, l'histoire de l'IA se jouera dans le « S&P 493 », alors qu'elle se lit pour l'instant surtout dans l'investissement et les valorisations. Ce diagnostic rejoint des constats du New York Times publiés le 10 octobre. La journaliste Sarah Kessler s'y demandait pourquoi, si l'IA devait anéantir des tâches inutiles et rendre des professions obsolètes, on ne le voit pas sur le terrain. Elle citait une enquête auprès de 6 000 cadres supérieurs, dont 90 % jugeaient que l'IA n'avait eu aucun impact sur l'emploi ni sur la productivité, ainsi qu'une remarque antérieure de Slok pour qui le rendement productif de l'IA « reste une prévision plutôt qu'une observation ». Le quotidien avance deux explications. La première est que les entreprises ont besoin de temps pour adapter leurs processus. La seconde, plus complexe, touche au facteur humain, qui fait office de goulot d'étranglement, par exemple à travers le temps consacré à vérifier les productions des modèles. Le débat s'inscrit dans les craintes d'une bulle alimentées par les contrats croisés entre NVIDIA, OpenAI et leurs partenaires, et par l'écart entre les dépenses annoncées par les dirigeants du secteur et leurs appels à lever le pied.

💬 Le goulot, c'est pas le modèle, c'est la tête de celui qui doit relire ce que le modèle sort. Selon Le Fil IA, tant que vérifier une production coûte presque aussi cher que la faire soi-même, l'IA reste un gain de productivité pour ceux qui vendent les tokens, pas pour ceux qui les achètent. Le S&P 493 qui stagne, ça me parle, j'ai vu des boîtes brancher un copilote partout et rien changer dans leurs process. Bon, Slok investit lui-même dans les puces, donc il n'est pas neutre, mais le constat tient.

Liquid AI lance RIPL, un moteur d'inférence en temps réel pour des LFM sous les 50 ms

Liquid AI a annoncé Liquid RIPL (Real-time Inference Pipeline), un moteur d'inférence conçu pour servir ses modèles Liquid Foundation Models (LFM) directement dans le chemin d'une requête en production. Il renvoie une réponse générée complète, de bout en bout, en moins de 50 ms, et l'entreprise affirme que cette latence tient même sous un trafic continu à pleine charge. Le moteur sert les modèles LFM2.5, de 230 millions à 2,6 milliards de paramètres, sur des GPU NVIDIA H100, H200, B200 et RTX PRO 6000 en déploiement entreprise. Les benchmarks ont été réalisés sur un seul B200, avec des arrivées de requêtes de type Poisson en boucle ouverte. Selon les tests de Liquid AI, la latence p95 est de 5,6 à 28,4 fois inférieure à celle de Qwen3.5 sur vLLM. Le meilleur écart concerne LFM2.5-1.2B, à 155,8 ms contre 4 431 ms pour Qwen3.5-0.8B (256 jetons en entrée, 128 en sortie, 400 req/s). Le plus faible concerne LFM2.5-2.6B, à 449,1 ms contre 2 499 ms pour Qwen3.5-2B, soit un gain de 5,6x. Sur des requêtes courtes (32 en entrée, 32 en sortie, 1 000 req/s), LFM2.5-1.2B atteint 34,6 ms contre 498 ms, et le 2,6B affiche 76,4 ms contre 586,8 ms. La barre des 50 ms n'est donc pas tenue sur les requêtes longues. L'enjeu touche les applications où la réponse doit arriver en quelques millisecondes : classement de recherche, détection de fraude, autorisation de paiement. Les piles de serving actuelles sont pensées pour de gros lots et de longues tâches agentiques, où quelques secondes par requête sont tolérables. Faute de mieux, les équipes se rabattent sur des modèles classiques comme les arbres de gradient boosting. Liquid AI veut supprimer ce compromis et permettre de remplacer ces modèles par un modèle génératif sans dépasser le budget de latence. L'entreprise a cartographié six charges réelles avec leur budget : réécriture de requêtes publicitaires (50 ms, LFM2.5-350M), classification d'intention de recherche (20 ms), reranking (30 ms), scoring de risque de paiement (50 ms, LFM2.5-1.2B), décision de crédit (150 ms, 8 000 jetons en entrée) et génération de texte alternatif d'image (100 ms, LFM2.5-VL-450M). Shopify déploie déjà des LFM sur des charges de commerce sensibles à la latence : en amélioration de recherche, l'inférence passe sous les 20 ms sur du trafic de production, avec environ 50 % de paramètres en moins et une inférence 2 à 10 fois plus rapide que les alternatives, selon Liquid AI. Les chiffres sont toutefois publiés par l'entreprise elle-même et la comparaison n'est pas strictement équivalente. RIPL est un moteur commercial réservé aux entreprises, face à vLLM, open source. Les modèles diffèrent aussi : LFM2.5-1.2B dispose d'un contexte de 32 768 jetons et d'une licence LFM Open License v1.0, quand Qwen3.5 offre 262 144 jetons, du multimodal (texte, image, vidéo) et une licence Apache 2.0. Pour isoler la part du moteur, Liquid AI a comparé le même modèle, LFM2.5-350M, sur vLLM et sur RIPL, et la courbe p95 de RIPL reste nettement en dessous dans chaque cas. Les gains tiennent aussi à l'architecture hybride des LFM2.5 : le 1.2B compte 16 couches, dont 10 blocs de convolution à double porte et 6 blocs GQA, et le 2.6B en compte 30, avec 22 blocs de convolution et 8 blocs GQA. Liquid AI mise ainsi sur des petits modèles efficaces, optimisés sur tout le trajet de la requête, pour conquérir des usages que les grands modèles servis par lots ne peuvent pas atteindre.

Dans Prometheus : comment Meta a construit un supercalculateur d'un gigawatt

Meta a achevé la première phase de Prometheus, son supercluster d'IA à l'échelle du gigawatt installé à New Albany, dans l'Ohio, et vise à terme environ un million de GPU fonctionnant en parallèle. Ce site, qui servait encore il y a deux ans à héberger du trafic web classique, a été reconverti grâce aux avancées en matériel, en réseau et en conception de bâtiments. Cette première phase a servi à entraîner la famille de modèles fondamentaux Muse, dont Muse Wonder, présenté comme le nouveau modèle de pointe de Meta pour les tâches agentiques personnelles et professionnelles. Prometheus compte aujourd'hui des centaines de milliers de GPU répartis dans plusieurs bâtiments interconnectés par des kilomètres de fibre : centres de données traditionnels, bâtiments optimisés pour l'IA et structures à déploiement rapide. L'ensemble fonctionne comme une seule machine. Sur Muse Wonder, Meta annonce un « goodput » supérieur à 85 % pour le pré-entraînement et à 90 % pour l'apprentissage par renforcement, avec un temps moyen entre interruptions d'environ 47 000 heures-GPU. Des correctifs de firmware déployés depuis ont porté ce chiffre au-delà de 54 000 heures-GPU. Le cluster utilise un refroidissement liquide en boucle fermée pour limiter sa consommation. La plateforme repose pour l'instant sur deux générations de GPU NVIDIA, une troisième, basée sur le Vera Rubin NVL72, devant arriver prochainement. La première, baptisée Catalina, s'appuie sur le GB200 NVL72 dans sa variante Ariel : deux racks de 36 GPU reliés par NVLink forment un domaine unifié de 72 GPU, au format Open Rack V3 à haute puissance, conçu par Meta et confié à l'Open Compute Project. Chaque GPU Blackwell y est associé à un CPU Grace (ratio 1:1) et à deux cartes réseau ConnectX-7 de 400G, soit 800G d'entrées-sorties par GPU, une configuration que Meta affirme avoir déployée avant le reste du secteur. Ce choix répondait au fait que le GB200 NVL72 augmentait presque toutes les dimensions par rapport au H100 (calcul, bande passante mémoire HBM, bande passante et taille du domaine de montée en charge verticale), alors que la bande passante horizontale par GPU serait restée à 400G. Ces performances comptent parce qu'un seul serveur défaillant peut ralentir ou arrêter un entraînement entier : à cette échelle, la fiabilité détermine directement le coût et le calendrier des modèles. Un cluster aussi vaste permet aussi d'envisager des modèles plus grands et des fenêtres de contexte plus longues que ce qui était praticable jusqu'ici, avec l'ambition d'apporter de nouvelles expériences d'IA à des milliards d'utilisateurs. Prometheus s'inscrit dans la course aux infrastructures que se livrent les grands acteurs de l'IA, où la capacité de calcul est devenue un avantage stratégique. Le chantier se poursuit en pensant aux prochains modèles de pointe de Meta Superintelligence Labs, la division qui pilote désormais les efforts de Meta sur l'IA de frontière.

💬 Un gigawatt, un million de GPU visés, et le chiffre qui compte vraiment dans l'article, c'est 47 000 heures-GPU entre deux pannes. À cette échelle, la fiabilité du cluster décide du coût d'un modèle bien plus que la puissance brute. Selon Le Fil IA, la course à l'IA de frontière ne se joue plus sur le nombre de puces achetées mais sur la part du temps où elles tournent sans tomber, donc sur l'ingénierie qui les tient ensemble. Un site qui hébergeait du trafic web il y a deux ans, bon, ça montre aussi que Meta a mis les bouchées doubles. Reste à voir si Muse Wonder justifie la facture.

[AINews] Premiers « High Taste Testers » (épisode 1)

Meta a publié Muse Spark Open, un modèle à poids ouverts de type mélange d'experts (MoE) totalisant 816 milliards de paramètres, dont 42 milliards actifs. Il compte 62 couches, une attention GQA à 16 têtes KV, 8 experts actifs par token sur 256, un encodeur de perception de 1,8 milliard de paramètres et un contexte de 1 million de tokens. Il accepte texte, image, vidéo et audio, et produit du texte. Les poids en BF16 pèsent environ 1,6 To, contre 530 Go pour le point de contrôle NVFP4 de Meta, qui ne quantifie que les experts. Meta affirme qu'il tient sur 4 GPU Blackwell Ultra, 8 H200 ou deux Mac Studio M5 Ultra de 512 Go. Artificial Analysis lui attribue 39 sur son Intelligence Index, le meilleur score pour un modèle ouvert américain, soit 13 points de plus que le Nemotron 3.5 Super VL de NVIDIA (26). Together, Fireworks et Baseten facturent 1,25 $ par million de tokens en entrée et 4,25 $ en sortie. Le coût s'établit à 0,84 $ par tâche de l'indice, contre 2,01 $ pour GLM-5.3 et 0,27 $ pour DeepSeek V4.1 Flash. Muse Spark Open consomme 40 000 tokens de sortie par tâche, le plus faible volume parmi les neuf meilleurs modèles ouverts. Il se classe pourtant dernier de ce groupe sur les quatre évaluations agentiques d'AA, tout en dominant AA-Omniscience. Vals le place 12e parmi les modèles ouverts et 38e au total, tandis qu'Arena le met en tête des modèles ouverts américains sur Code Arena WebDev, avec 1511 points. Le même jour, Reflection a dévoilé Beam 1.0, un MoE de 501 milliards de paramètres dont 23 milliards actifs, avec 1 million de tokens de contexte, sous licence Apache 2.0. La publication comprend des poids BF16, FP8 et NVFP4, un modèle de brouillon DFlash2, le harnais open source Mirror CLI sur lequel Beam a été entraîné et un rapport de sécurité. Artificial Analysis lui donne 30 points, deuxième rang parmi les modèles ouverts américains, pour environ 26 000 tokens par tâche. Il atteint 48,5 % sur AutomationBench-AA mais seulement 3,0 % sur Terminal-Bench 4.0, et sur AA-Omniscience il répond juste dans 33 % des cas en hallucinant dans 47 %. Arena le classe 12e des modèles ouverts dans Agent Arena et en fait le seul modèle non chinois du top 25 ouvert sur Code WebDev. Sur 4 B300 en NVFP4, vLLM mesure 1 769 tokens de sortie par seconde à concurrence 16, et SkyRL annonce un gain de 62 % en débit de décodage LoRA (de 276 à 447 tok/s par GPU). Ces sorties comptent parce que le haut du classement des modèles ouverts était jusque-là dominé par des laboratoires chinois, et que deux acteurs américains y reviennent simultanément avec des approches différentes. La licence de Meta impose la mention « Built with Muse Spark Open » et un accord séparé pour les services de modèles dépassant 20 millions de dollars de revenus annuels, ce qui la distingue nettement de l'Apache 2.0 de Reflection et de la licence MIT de DeepSeek V4.1 Flash. Le support dès le premier jour dans mlx-lm, vLLM et SemiAnalysis InferenceX montre que l'écosystème d'inférence est prêt. Les critiques ne manquent pas : @teortaxesTex juge le modèle de Meta « DOA » face au plus petit V4.1 Flash, dont le coût par tâche est trois fois inférieur, et avance sans preuve que Meta aurait retenu Spark 1.3 par crainte d'une distillation à partir d'OpenAI. @alexandr_wang présente de son côté Meta Superintelligence Labs comme une « machine qui fabrique de nouveaux modèles ». Cette actualité figure dans la lettre AINews du 15 au 16 octobre 2026, qui annonce aussi High Taste Testers, un nouveau programme de Latent Space consacré aux conversations de déjeuner à San Francisco.

💬 Meta et Reflection reviennent en même temps dans le haut du classement ouvert, et c'est surtout un signal de marché : les modèles ouverts ne sont plus un monopole chinois, mais les Américains y reviennent avec des philosophies opposées, une licence à conditions chez Meta, de l'Apache 2.0 chez Reflection. Bon, sur le papier, Muse Spark Open sort en tête chez les Américains avec 39 à l'Intelligence Index. Enfin presque : dernier du groupe sur les évals agentiques, et trois fois plus cher par tâche que DeepSeek V4.1 Flash. Reste à voir si ça tient en prod, parce qu'un modèle ouvert qui ne gagne ni sur le prix ni sur l'agentique, c'est surtout un argument de souveraineté.

[AINews] Premier épisode des « High Taste Testers

Meta a publié Muse Spark Open, un modèle à mélange d'experts de 816 milliards de paramètres au total dont 42 milliards actifs, distribué avec ses poids ouverts. Selon Artificial Analysis, il obtient 39 à son Intelligence Index, le meilleur score pour un modèle américain à poids ouverts, soit 13 points de plus que le Nemotron 3.5 Super VL de NVIDIA (26). Le modèle compte 62 couches, 8 experts actifs sur 256 par jeton, un encodeur de perception de 1,8 milliard de paramètres et un contexte de 1 million de jetons. Il accepte texte, image, vidéo et audio, et produit du texte. Les poids en BF16 pèsent environ 1,6 To, et le point de contrôle NVFP4 de Meta, qui ne quantifie que les experts, les ramène à 530 Go. Ils tiennent alors sur 4 GPU Blackwell Ultra, 8 H200 ou deux Mac Studio M5 Ultra de 512 Go. Together, Fireworks et Baseten facturent 1,25 $ par million de jetons en entrée et 4,25 $ en sortie. Le même jour, Reflection a lancé Beam 1.0, un modèle de 501 milliards de paramètres dont 23 milliards actifs, sous licence Apache 2.0, avec des poids BF16, FP8 et NVFP4, un drafter DFlash2, le harnais open source Mirror et un rapport de sécurité. Ces sorties renforcent le camp américain des modèles ouverts, longtemps distancé par les laboratoires chinois. Muse Spark Open se montre économe : 0,84 $ par tâche de l'indice, contre 2,01 $ pour GLM-5.3 mais 0,27 $ pour DeepSeek V4.1 Flash, avec 40 000 jetons de sortie par tâche, le plus bas des neuf meilleurs modèles ouverts. Son point faible est l'usage agentique : il arrive dernier de ce groupe sur les quatre évaluations agentiques d'Artificial Analysis, alors qu'il domine les modèles ouverts sur AA-Omniscience. Vals le classe 12e parmi les modèles ouverts et 38e au total, tandis qu'Arena en fait le meilleur modèle ouvert américain sur Code Arena WebDev avec 1511 points. Beam obtient 30 chez Artificial Analysis, 2e modèle ouvert américain, avec environ 26 000 jetons par tâche. Il atteint 48,5 % sur AutomationBench-AA mais seulement 3,0 % sur Terminal-Bench 4.0, et hallucine dans 47 % des cas sur AA-Omniscience. C'est le seul modèle non chinois du top 25 des modèles ouverts sur Code WebDev. Le contexte est celui d'une course où les licences comptent autant que les scores. La licence maison Muse Model impose la mention « Built with Muse Spark Open » et exige un accord séparé pour les services de modèle dépassant 20 millions de dollars de revenu annuel, ce qui contraste avec l'Apache 2.0 de Reflection et la licence MIT de DeepSeek V4.1 Flash. Certains observateurs jugent le modèle de Meta dépassé face à ce dernier, plus petit et plus permissif, tandis qu'Alexandr Wang décrit les Meta Superintelligence Labs comme une « machine qui construit de nouveaux modèles ». L'écosystème a suivi dès le lancement : mlx-lm, vLLM et SemiAnalysis ont ajouté leur prise en charge, et vLLM a mesuré 1 769 jetons par seconde pour Beam sur 4 B300 en NVFP4. Sur le plan technique, Beam combine attention à fenêtre glissante de 512 jetons selon un rythme 5:1, absence de RoPE, attention gated et normalisation QK, sans expert partagé.

[AINews] Des agents réfutent la polysémanticité et améliorent nettement l'interprétabilité et l'alignement

Meta a publié le 15 octobre 2026 Muse Spark Open, un modèle à mélange d'experts de 816 milliards de paramètres au total dont 42 milliards actifs, doté d'une fenêtre de contexte d'un million de tokens. Il accepte en entrée du texte, des images, de la vidéo et de l'audio, et vise le code, les agents à longue durée d'exécution et le raisonnement en plusieurs étapes. Il compte 62 couches de décodeur, toutes de type MoE, avec 256 experts par couche dont 8 actifs par token. Selon Artificial Analysis, il obtient 39 à son indice d'intelligence, ce qui en fait le meilleur modèle à poids ouverts américain, mais il reste derrière GLM-5.3 (45) et Kimi K3 (44). Il consomme seulement 40 000 tokens de sortie par tâche et mène les modèles ouverts sur AA-Omniscience (25), mais termine dernier parmi les neuf meilleurs sur les quatre évaluations agentiques, ce qui explique l'intégralité des 6 points d'avance de GLM-5.3. Le tarif de lancement chez Together, Fireworks et Baseten est de 1,25 $ en entrée et 4,25 $ en sortie par million de tokens, soit 0,84 $ par tâche de l'indice, contre 2,01 $ pour GLM-5.3. Les poids en BF16 pèsent environ 1,6 To, et la version quantifiée NVFP4 environ 530 Go. Le support de llama.cpp, vLLM et Unsloth était disponible dès le premier jour. Pour l'écosystème ouvert, c'est la première réponse américaine crédible face aux modèles chinois qui dominent le classement, avec un coût par tâche nettement inférieur à celui de ses rivaux directs. Les 530 Go de la version NVFP4 tiennent sur quatre GPU Blackwell Ultra, huit H200 ou deux Mac Studio M5 Ultra de 512 Go, ce qui le met à portée de nombreuses organisations. Son point faible en tâches agentiques limite toutefois son intérêt pour les usages où l'autonomie compte le plus. La licence maison, qui exige la mention « Built with Muse Spark Open » et un accord séparé pour les services de modèle dépassant 20 millions de dollars de revenus annuels, a été jugée mauvaise par Nathan Lambert. Elle freinera sans doute une partie des intégrateurs commerciaux. Ce lancement tient la promesse faite par Meta de publier une version ouverte de sa famille Muse, mais avec un modèle plus faible que son Spark 1.3, plutôt comparable à un Spark 1.2. Selon Jack Rae, il s'agit du premier modèle de base entraîné sous la nouvelle organisation MSL, avec un entraînement complémentaire pour la version ouverte. Sur le plan architectural, Muse est le seul grand modèle ouvert américain sans experts partagés, et il recourt à des résidus à portes et à des multiplicateurs de type muP. Le même jour, un autre sujet a retenu l'attention : Nick Cammarata, de Goodfire, a publié un essai défendant que « les réseaux de neurones sont déjà propres ». Selon lui, de nombreux cas connus de polysémanticité et de superposition, ces nœuds de poids rebelles à l'interprétation humaine, cèdent face à une analyse agentique plus poussée. Si cette thèse se confirme, elle ouvrirait la voie à une interprétabilité et un alignement bien meilleurs, et justifierait une baisse globale des estimations de risque catastrophique.

💬 Le vrai sujet de Muse Spark Open, c'est que Meta sort le meilleur modèle ouvert américain en étant battu sur les tâches agentiques, celles qui comptent le plus aujourd'hui. Bon, sur le papier, 0,84 $ par tâche contre 2,01 $ pour GLM-5.3, ça fait envie, et 530 Go qui tiennent sur deux Mac Studio, c'est enfin du concret. Mais une licence avec mention obligatoire et plafond à 20 M$, plus un modèle qui rame dès qu'il doit agir seul : l'ouvert américain rattrape le prix, pas encore l'autonomie. Reste à voir si ça tient en prod.

Microsoft présente de nouveaux appareils conçus pour l'IA et des changements dans Windows

Lors de son premier événement en direct depuis deux ans, Microsoft a dévoilé son nouvel ordinateur portable Surface, détaillé une série de changements à venir dans Windows 11 et présenté sa vision de la manière dont l'IA locale et les flux de travail agentiques pourraient transformer l'informatique personnelle, aussi bien pour les développeurs que pour les passionnés. Le Surface Laptop Ultra, teasé dès mai 2026, sera le premier appareil de Microsoft à reposer sur la nouvelle puce Nvidia RTX Spark. Il est proposé à partir de 2 599 dollars, avec plusieurs configurations de processeur et de mémoire : un GPU Blackwell de 5 120 ou de 6 144 cœurs, et jusqu'à 128 Go de mémoire unifiée LPDDR5x. Les précommandes sont ouvertes et les livraisons débuteront le 16 octobre. Cette machine vise d'abord les développeurs, mais Microsoft a tenu à montrer qu'elle ne sacrifie pas les performances graphiques. Plutôt que de s'en remettre aux limites physiques de la VRAM d'un GPU classique, l'appareil s'appuie sur une allocation de mémoire unifiée, qui lui permet de répartir ses ressources entre les jeux modernes et les tâches de développement et de déploiement d'IA en local. Lors de la présentation, le nouveau Gears of War: E-Day a tourné sur le système, ce qui indique que des titres AAA restent accessibles même sans carte graphique de jeu traditionnelle. Pour les professionnels, cela signifie qu'un seul portable peut servir à la fois de poste de développement, de plateforme d'exécution de modèles d'IA et de machine de loisir. Ce lancement s'inscrit dans une stratégie plus large où l'IA quitte progressivement le cloud pour s'exécuter directement sur l'appareil de l'utilisateur. En associant son matériel à une puce Nvidia, Microsoft cherche à occuper un terrain disputé par Apple et ses puces à mémoire unifiée, ainsi que par les fabricants de PC qui multiplient les machines dites « IA ». La mémoire unifiée, qui permet de charger de gros modèles sans être limité par la VRAM d'une carte dédiée, est devenue un argument central pour les développeurs qui veulent tester des agents et des modèles localement. Les évolutions annoncées de Windows 11 devraient accompagner ce virage, en rendant le système plus adapté aux usages agentiques. Reste à voir si les développeurs adopteront cette plateforme face à une concurrence bien établie, et si son prix élevé trouvera son public au-delà d'un cercle d'initiés.

💬 Un portable à 2 599 dollars avec 128 Go de mémoire unifiée, c'est surtout Microsoft qui admet que la VRAM d'un GPU classique est devenue le vrai goulot pour l'IA locale. Selon moi, la bataille du PC IA ne se joue plus sur les TOPS d'un NPU de plaquette marketing mais sur la quantité de mémoire accessible au modèle, et là Apple avait une longueur d'avance depuis trois ans. Bon, sur le papier, Gears of War et des agents locaux sur la même machine, c'est séduisant. Reste à voir si Windows 11 suit côté usages agentiques, parce que le matériel sans le système, on a déjà donné.

[AINews] OpenAI publie 722 articles de mathématiques résolvant 90 des 500 principaux problèmes ouverts, un moment « sans précédent » en plus de 100 ans

OpenAI a publié sur un dépôt GitHub public 722 manuscrits mathématiques produits par un modèle interne non commercialisé, regroupés en 372 familles de résultats apparentés. Ils sont issus d'une évaluation portant sur environ 4 000 problèmes de recherche, avec en moyenne trois heures de calcul de raisonnement ChatGPT Pro par résultat. La collection comprend des articles, des preuves formalisées et une sélection de résumés de raisonnement. Selon les commentateurs, elle résout une part notable des 500 principaux problèmes ouverts des mathématiques, environ 90 d'entre eux. Parmi les résultats cités figurent le « résultat 003 », une quasi-hypothèse de Riemann, un algorithme de multiplication d'entiers plus rapide que n log n, et un résultat d'unicité sur le problème inverse élastique en 3D, ouvert depuis 1994. Des avancées partielles sur Riemann, Hodge et Birch et Swinnerton-Dyer sont aussi évoquées. OpenAI dit avoir consulté le groupe consultatif indépendant sur les mathématiques et l'IA de l'Institute for Advanced Study pour décider des modalités de publication. Sam Altman parle d'« une nouvelle ère de découverte ». L'ampleur et le coût de l'opération marquent une rupture. Là où la démonstration sur Navier-Stokes avait mobilisé 88 heures et 10 000 agents, ces résultats ont demandé quelques heures de calcul chacun, ce qui laisse penser que la production de mathématiques de pointe devient bon marché. Le mathématicien Levent Alpöge, qui travaille chez Anthropic, concurrent d'OpenAI, a salué les résultats sur la quasi-hypothèse de Riemann et l'absence de zéros de Siegel, parlant du « moment le plus important de l'histoire des mathématiques ». Certains placent le résultat 003 entre un travail digne d'une médaille Fields et la plus grande avancée en théorie des nombres depuis 200 ans. Une analyse estime qu'environ 20 % des résultats sont des réfutations ou des contre-exemples, ce qui contredit l'idée que les succès de l'IA relèvent surtout de la recherche par force brute. Alpöge signale aussi des problèmes d'antériorité et de conflits d'intérêts impliquant des utilisateurs d'autres laboratoires. Les réserves restent nombreuses. Aucun de ces résultats n'a été vérifié de façon indépendante, et Will Depue s'attend à ce que certains ne résistent pas à l'examen. Il a créé citedbyagi.com pour suivre les articles humains cités par la publication. Teortaxes juge que trois heures de calcul « ne sont pas grand-chose », tandis que François Chollet se demande si les gains obtenus en mathématiques et en code, où l'apprentissage par renforcement dispose de récompenses vérifiables, se transposeront aux domaines non vérifiables, limités par les données humaines. Cette annonce a éclipsé Mistral Large 4, surnommé « Le Chonk », un modèle multimodal de 1 000 milliards de paramètres dont 49 milliards actifs. Il est entraîné sur environ 3 800 puces Grace Blackwell en Europe et facturé 1,36 $ par million de tokens en entrée et 4,18 $ en sortie. Ses poids ouverts sont promis pour fin octobre et un modèle plus grand est déjà en entraînement. La vérification par la communauté mathématique dira dans les semaines à venir si la publication d'OpenAI tient ses promesses.

💬 Le vrai changement n'est pas dans les théorèmes, c'est dans le prix : quand un résultat de recherche coûte trois heures de calcul, la rareté de la preuve mathématique disparaît et c'est la vérification humaine qui devient le goulot. Bon, sur le papier, 90 problèmes ouverts sur 500, ça donne le vertige. Mais zéro relecture indépendante à ce stade, et Depue s'attend déjà à des ppépins, donc je garde mon enthousiasme au frigo jusqu'à ce que les mathématiciens aient passé les preuves au crible. Reste à voir si ça tient quand quelqu'un d'autre que le labo les lit.

Mistral AI lance Mistral Large 4 (Le Chonk) : un modèle multimodal MoE de 1 050 milliards de paramètres

Mistral AI a lancé le 6 octobre 2026, en préversion publique, Mistral Large 4, surnommé en interne « Le Chonk ». Il s'agit d'un modèle à mélange d'experts granulaire de 1,05 billion de paramètres au total, dont 49 milliards sont actifs par token. Il embarque un encodeur de vision de 1,6 milliard de paramètres et une fenêtre de contexte d'un million de tokens. Entraîné de zéro sur 3 800 GPU NVIDIA Grace Blackwell dans les centres de données européens de Mistral, il a été formé sur plus de 160 langues, dont toutes les langues officielles de l'UE. L'API est ouverte dès maintenant à 1,36 dollar le million de tokens en entrée et 4,18 dollars en sortie, et 0,14 dollar pour les entrées en cache. Les poids ne seront publiés qu'à la fin octobre, ce qui exclut pour l'instant l'auto-hébergement. Mistral n'a pas encore détaillé le nombre d'experts, le routage ni l'architecture des couches, ni la licence. Les résultats les plus marquants concernent la cybersécurité : 93 % sur Cybench et 82 % sur CyberGym-E2E, ce qui place le modèle dans le top 5 mondial de l'Artificial Analysis Cyber Index. Mistral affirme que plusieurs modèles fermés de pointe obtiennent un score proche de zéro sur CyberGym-E2E parce qu'ils refusent la tâche, alors que reproduire une vulnérabilité pour en prouver l'existence relève du travail défensif courant. En codage agentique, le modèle atteint 61,7 % sur DeepSWE v1.1, 59,4 % sur SWE-Atlas-QnA et 28,3 % sur Terminal-Bench 4.0, soit 49,8 % à l'indice Coding Agent d'Artificial Analysis, mais ces mesures ont été réalisées en privé et ne sont pas encore reproductibles. Une évaluation humaine en aveugle menée avec Surge AI lui donne 3,74 sur 5, deuxième place sur cinq modèles, devant GLM-5.3 (3,60) et Kimi K3 (3,59), mais derrière Claude Opus 5 (4,22). Côté sécurité, il résiste à 93,3 % des attaques du benchmark B3 de Lakera et obtient 1,691 sur 2,0 à KORABench. Cette sortie compte d'abord par son rapport coût-performance. Seuls 4,7 % des poids s'activent par token, ce qui permet de servir un modèle de la classe du billion à un tarif intermédiaire. Il faut toutefois garder en mémoire les 1,05 billion de paramètres, si bien que l'activation réduit le calcul, pas la facture matérielle. Le prix du cache change l'économie des boucles d'agents sur de longs contextes. Pour les équipes de sécurité, un modèle qui ne refuse pas les tâches défensives légitimes comble un manque réel face aux acteurs fermés. L'entraînement sur infrastructure européenne renforce aussi l'argument de souveraineté. Mistral se positionne face aux modèles à poids ouverts : DeepSeek V4 Pro (1,6 billion de paramètres, 49 milliards actifs, licence MIT, sans image native), Kimi K3 (2,8 billions, environ 104 milliards actifs, sorti le 16 juillet 2026, à 3 et 15 dollars) et GLM-5.3 (1,40 et 4,40 dollars, sorti le 14 août 2026). Mistral Large 4 est le seul de ce groupe à accepter nativement les images, mais ses poids et sa licence restent à confirmer. La publication de fin octobre dira si la promesse d'ouverture est tenue, et la reproduction indépendante des scores de codage et de cybersécurité permettra de départager les chiffres annoncés de la performance réelle.

💬 Un billion de paramètres dont 4,7 % actifs, ça baisse la facture de calcul, pas celle du matériel : le vrai pari de Mistral est ailleurs, dans le fait de ne pas refuser les tâches de cybersécurité défensive. Selon moi, un modèle qui refuse de reproduire une faille pour la prouver est inutilisable pour une équipe sécurité, et c'est là que les modèles fermés se tirent une balle dans le pied. Bon, sur le papier, 93 % sur Cybench et 82 % sur CyberGym, c'est superbe. Mais les scores de codage sont mesurés en privé, et les poids n'arrivent qu'à la fin du mois : reste à voir si ça tient en prod.

Mistral lance une préversion de son LLM frontière Mistral Large 4, surnommé « Le Chonk »

Mistral vient de lancer une préversion publique de Mistral Large 4, son nouveau modèle de frontière surnommé « Le Chonk », après de longs mois de quasi-silence sur les grands modèles. Il compte 1 050 milliards de paramètres, dont 49 milliards actifs simultanément, dans une architecture Mixture of Experts, et offre une fenêtre de contexte d'un million de tokens. Selon l'entreprise, il a été entraîné depuis zéro sur 3 800 puces Grace Blackwell de NVIDIA, dans ses propres centres de calcul en Europe. L'entraînement n'est pas terminé. Jusqu'à la publication de la version finale, le 26 octobre, une version privée est confiée à des partenaires sélectionnés, avec une modération allégée, des fonctions de cybersécurité avancées et les poids de la préversion. Les poids seront publiés le 26 octobre. Côté benchmarks, Mistral annonce 61,7 % sur DeepSWE v1.1, 59,4 % sur SWE-Atlas-QnA et 28,3 % sur Terminal-Bench 4, soit 49,8 % à l'indice combiné, devant DeepSeek V4 Pro 0813 et Qwen3.8 Max. Artificial Analysis le place dans la moyenne haute en intelligence et en rapidité, mais le juge très verbeux. Il mentionne aussi une fenêtre de contexte de 524 000 jetons, chiffre qui pourrait venir d'une préversion antérieure. Mistral met en avant la cybersécurité. Le modèle figure dans le Top 5 du Cyber Index d'Artificial Analysis, avec 82 %, le meilleur score à ce jour selon l'entreprise, et 93 % sur Cybench. Il devancerait largement les modèles à poids ouverts développés hors de Chine. Il revendique aussi 59,9 % sur AutomationBench pour le travail de bureau, ainsi qu'un niveau de pointe parmi les modèles ouverts sur l'industrie, la finance et le multimodal. Pour les professionnels, l'enjeu est concret. Les défenseurs disposeraient d'un outil capable d'exécuter des tâches offensives de test sans refus. À l'inverse, Claude Opus 5.5 et GPT-6 Astra obtiennent zéro au Cyber Index, car ils refusent d'exécuter les tâches. Côté tarifs, le modèle est facturé 1,36 dollar par million de jetons en entrée et 4,18 dollars en sortie. Ce prix attractif peut toutefois être réduit à néant par la verbosité du modèle, puisque la facture dépend du nombre de jetons générés. Cette orientation s'explique par un incident récent. Hugging Face, victime d'une attaque, s'était plainte de ne pas avoir pu faire analyser les premières traces par des modèles fermés, qui se cabraient devant les questions de cybersécurité. L'entreprise s'était alors tournée vers un modèle chinois, GLM 5.2. Mistral, sans citer cet épisode, argue que les acteurs malveillants contournent de plus en plus ces modèles par jailbreak. Selon lui, les défenseurs ont donc besoin de systèmes aussi capables, sans les mêmes refus. Le risque d'un tel positionnement reste pourtant réel, puisqu'un modèle aux poids ouverts et à la modération allégée sert aussi des usages offensifs. Mistral minimise le sujet en rappelant que l'usage est avant tout défensif. Les chiffres annoncés, qui viennent en partie de l'entreprise elle-même, devront être confirmés par des évaluations indépendantes après la publication des poids, le 26 octobre. Le modèle devra alors prouver qu'il peut faire revenir l'Europe dans la course face aux acteurs américains et chinois.

💬 Les modèles fermés qui refusent de t'aider à analyser une attaque, c'est le vrai sujet, et Mistral l'a compris avant les autres. Un défenseur qui se fait recaler par son outil pendant que l'attaquant, lui, jailbreake sans état d'âme, ça n'a aucun sens : la modération ferme protège surtout le fournisseur, pas la victime. Bon, sur le papier le prix est sympa, mais un modèle très verbeux, ça gonfle la facture en sortie. Et les scores viennent en grande partie de Mistral lui-même, donc rendez-vous le 26 octobre avec les poids pour voir si ça tient en prod.

Aleph Alpha lance Kolibri, un modèle MoE anglais-allemand en poids ouverts de 78,1 milliards de paramètres (3,46 milliards actifs)

Aleph Alpha a publié Kolibri, un modèle de langage open-weight de type Mixture-of-Experts conçu pour l'allemand et l'anglais. Il compte 78,1 milliards de paramètres au total, mais n'en active que 3,46 milliards par token, soit 4,4 %. Il accepte jusqu'à 1 048 576 tokens de contexte et permet de régler l'effort de raisonnement à chaque requête. Il est distribué sur Hugging Face sous licence Apache 2.0. Le checkpoint FP8 pèse environ 78 Go et tourne sur un seul GPU B200, B300 ou H200, ou sur deux H100 SXM5, via vLLM avec des parseurs dédiés au raisonnement et aux appels d'outils. L'architecture empile 50 blocs de largeur 2 560. Chaque couche d'experts évalue 384 experts routés avec un routeur sigmoïde, envoie chaque token vers les 6 meilleurs et fait toujours intervenir un expert partagé. Un bloc sur cinq utilise une attention complète sans encodage positionnel. Les 40 autres recourent à une fenêtre glissante de 512 tokens avec RoPE, si bien que seules 10 couches voient leur cache KV croître avec le contexte. Le vocabulaire de 128 000 tokens atteint 4,90 octets par token en allemand, contre 4,35 pour le tokenizer de GPT-5, soit 11,2 % de tokens en moins. En anglais, il obtient 4,58 contre 4,67. Le pré-entraînement a porté sur 20 000 milliards de tokens avec 768 GPU B200, suivis de 3,44 billions de tokens de mi-entraînement, puis d'une phase longue de 201 milliards de tokens sur des séquences de 262 144 tokens. Plus de 2 billions de tokens allemands ont été ajoutés. Le post-entraînement combine fine-tuning supervisé et apprentissage par renforcement sur plus de 1,2 million de tâches internes. Sur les benchmarks anglais, Kolibri mène sur GPQA Diamond (84,3), AIME 2025 (96,9) et AIME 2026 (96,0). Il égale Qwen3.5 35B-A3B sur la moyenne agentique anglaise (63,4), mais reste derrière sur BFCL v4 (61,4 contre 70,5). Le modèle dense Qwen3.8 27B obtient un meilleur score global (80,2 en anglais, 79,9 en allemand), au prix d'environ huit fois plus de paramètres actifs par token. Face à son prédécesseur interne Kolibri Origin, le nouveau modèle décode environ 2,7 fois plus de texte par GPU et gagne 21,4 points en anglais. Son intérêt pratique tient à la combinaison d'un coût d'inférence réduit, d'un contexte d'un million de tokens et d'un déploiement sur un ou deux GPU seulement. Cela le rend accessible à des organisations qui doivent héberger leurs modèles elles-mêmes, comme les administrations, l'industrie ou l'aérospatiale. Le protocole Merlin-Arthur apprend en outre au modèle à s'abstenir lorsque le contexte récupéré ne permet pas de répondre, ce qui limite les réponses inventées dans les usages documentaires. Kolibri s'inscrit dans la quête de souveraineté numérique européenne. Aleph Alpha affirme avoir maîtrisé toute la chaîne, des données à l'évaluation, avec un entraînement mené sur des infrastructures en Allemagne et en Finlande. La conception vise le Code de bonnes pratiques de l'UE pour l'IA à usage général, l'AI Act et le RGPD. L'entreprise est signataire de ce Code, et son pipeline de données supprime les informations personnelles avant l'entraînement. Le modèle se mesure à des concurrents aux architectures variées : Qwen3.6 35B-A3B d'Alibaba (environ 35 milliards de paramètres, 3 milliards actifs), Nemotron 3 Super de NVIDIA (120 milliards, 12 milliards actifs, architecture hybride Mamba-2) et Mistral Small 4 du français Mistral AI (119 milliards, 6,5 milliards actifs, 256 000 tokens de contexte). Kolibri se distingue par son contexte maximal d'environ un million de tokens et par quatre niveaux de raisonnement (aucun, faible, moyen, élevé). Reste à voir si cette approche bilingue et réglementaire suffira à séduire face à des modèles généralistes, souvent plus performants sur les appels d'outils.

💬 Un modèle de 78 milliards de paramètres qui n'en réveille que 3,46 à chaque token et tient sur un seul GPU, c'est ça, l'argument. Selon Le Fil IA, la souveraineté européenne en IA se jouera moins sur les benchmarks que sur ce que l'administration ou l'industriel peut héberger chez lui sans négocier avec personne. Le tokenizer allemand (11 % de tokens en moins que GPT-5) est du concret, pas du flan. Bon, sur le papier, Qwen reste devant sur les appels d'outils, donc reste à voir si ça tient en prod.

Prime Intellect lance Prime Inference : accès serverless et réservé aux modèles ouverts de pointe

Prime Intellect a lancé Prime Inference, une plateforme de service de modèles open source de pointe, proposée en deux modes : des endpoints serverless pour les demandes variables et de la capacité réservée pour les charges soutenues, sur les GPU de l'entreprise répartis dans plusieurs centres de données. Avant son ouverture publique, le système traitait en interne près d'un trillion de tokens par jour, issus de rollouts d'apprentissage par renforcement, de génération de données synthétiques, d'évaluations et d'agents de code longue durée. L'API est compatible OpenAI (il suffit de pointer un SDK vers api.pinference.ai), un basculement automatique entre centres de données réachemine le trafic vers les déploiements sains, et la facturation est unifiée avec suivi par équipe. Le matériel actuel est NVIDIA Blackwell, Vera Rubin étant annoncé. Prime affirme que son endpoint GLM-5.3 figure parmi les plus rapides d'OpenRouter, avec un taux d'erreur d'appels d'outils proche de zéro et 100 % de disponibilité depuis le lancement. Les tarifs par modèle ne sont pas encore entièrement publiés. Sur le plan technique, la pile associe NVIDIA Dynamo, vLLM, Mooncake et FlashInfer, développée avec Inferact et NVIDIA, les correctifs étant reversés en amont. Elle vise les charges agentiques : un tour d'agent ajoute en moyenne 6 000 tokens à un prompt de 140 000, profil évalué avec SemiAnalysis AgentX. La séparation du prefill et du décodé sur des groupes de GPU distincts réduit d'environ 40 % la latence inter-token au p90. Sur GLM-5.3 avec GB200 NVL72, un ratio prefill/décodé de 1:4 a servi le plus d'utilisateurs à l'objectif de 100 tokens par seconde : 66 sessions par groupe de prefill à 101 tok/s par utilisateur. Réduire le budget de prefill de 8K à 4K tokens par GPU a fait chuter l'attente médiane en file de 550 à 110 ms. La compression NVFP4 du cache KV a ramené chaque ligne de 576 à 352 octets, portant les tokens en cache par décodeur de 1,09 à 1,63 million. Une nouvelle disposition du cache a divisé les descripteurs de transfert par dix environ (de 19 559 à 1 940), et le temps moyen de transfert est passé de 146 à 78 ms. L'enjeu est la fiabilité des agents, qui échouent dès qu'un appel d'outil comporte un nom erroné ou des arguments corrompus. Prime a contribué à Dynamo un constructeur de balises structurelles pour le format d'outils de GLM, tandis que vLLM s'appuie sur xgrammar pour masquer les tokens qui violent le schéma. Des bogues d'analyse ont aussi été corrigés, notamment la conversion de < en < dans le code. Pour les développeurs, cela signifie une alternative ouverte et optimisée aux services propriétaires pour exécuter des agents longs, avec un cache de préfixe bien exploité. Prime Inference constitue la couche de service de la pile d'entraînement ouverte de Prime Intellect, qui comprend déjà prime-rl, verifiers et des sandboxes. L'idée est de boucler le cycle : les modèles déployés produisent des traces de production qui peuvent alimenter de nouveaux entraînements. La plateforme affronte Together AI, Fireworks AI et Baseten, qui proposent tous GLM-5.3 en serverless à 1,40 dollar l'entrée et 4,40 dollars la sortie par million de tokens. Prime ne publie pas encore de prix, propose de la capacité réservée (les déploiements dédiés en un clic sont sur la feuille de route, tout comme l'inférence par lots), et devra convaincre sur le coût autant que sur la vitesse.

💬 Un trillion de tokens par jour en interne avant d'ouvrir au public : c'est ça le vrai argument, pas le benchmark. Prime Intellect vend de l'inférence qui a déjà encaissé ses propres agents et ses rollouts RL, donc la fiabilité des appels d'outils est testée sur du vrai trafic. Selon Le Fil IA, la bataille de l'inférence open source ne se joue plus sur la vitesse brute mais sur la capacité à ne jamais casser un agent long en pleine tâche. Bon, sur le papier c'est solide, mais sans prix publiés face à Together et Fireworks à 1,40 / 4,40 dollars, reste à voir si ça tient côté facture.

De l'entraînement à la production, NVIDIA et CoreWeave bouclent la chaîne pour l'IA à base d'agents

CoreWeave a annoncé cette semaine, lors de sa conférence Fully Connected à San Francisco, la disponibilité des systèmes NVIDIA Vera Rubin NVL72 équipés du réseau Ethernet Spectrum-X 102.4T sur son cloud. Cognition, le laboratoire derrière l'ingénieur logiciel d'IA Devin, est le premier client à faire tourner des charges de production sur cette plateforme. CoreWeave proposera aussi le NVIDIA Vera, présenté comme le premier processeur conçu pour les agents d'IA, et lance CoreWeave Forge, un environnement connecté pour entraîner, évaluer et améliorer modèles et agents. Les premiers racks Vera Rubin NVL72 de production ont été reçus plus tôt ce mois-ci. Cognition a ensuite comparé ses performances d'inférence à une base GB200 NVL72, avec des tâches tirées de FrontierCode résolues par des agents. Résultat : jusqu'à 4,8 fois plus de débit total de jetons pour les charges d'inférence SWE-2. CoreWeave a monté en quelques jours un cluster de production pour Cognition, exploitable via CoreWeave Kubernetes Service, SUNK, Mission Control, Sandboxes et Inference. Un rack Vera y regroupe 128 CPU et 11 264 coeurs, soit plus de 11 000 environnements simultanés à raison d'un coeur chacun. Les tests annoncent des démarrages de bacs à sable d'agents plus de trois fois plus rapides. Pour Cognition, ces gains se traduisent par une génération de code plus rapide en temps réel et un raisonnement multi-étapes plus réactif dans Devin. Le codage agentique est une charge exigeante, avec des contextes longs, une forte concurrence et des volumes de jetons où le coût par jeton détermine ce que l'entreprise peut livrer, explique Silas Alberti, membre de l'équipe fondatrice. Plus largement, l'IA agentique sollicite l'infrastructure dans deux directions : servir des agents demande du calcul à faible latence à grande échelle, tandis que leur amélioration par post-entraînement exige des milliers d'environnements isolés fonctionnant en parallèle. La capacité d'exécuter de nombreux environnements à la fois, tout en gardant des performances régulières, devient donc un critère central, que cible le processeur Vera. Pour les clients, disposer du calcul GPU, du CPU et des outils d'évaluation sur une seule plateforme simplifie la boucle entre entraînement et production. Cette annonce prolonge près d'une décennie de co-ingénierie entre NVIDIA et CoreWeave, dont le cloud dédié à l'IA continue de rentabiliser les investissements sur plusieurs générations de matériel. Ian Buck, vice-président de NVIDIA pour l'hyperscale et le calcul haute performance, rappelle que les GPU V100 de CoreWeave exécutent encore des charges clients près de dix ans après le lancement de Volta, alors même que Vera Rubin entre en production. L'argument vise aussi les inquiétudes sur la durée de vie économique des GPU, un enjeu majeur pour les fournisseurs de cloud qui financent des infrastructures coûteuses. CoreWeave se positionne ainsi parmi les premiers fournisseurs à livrer Vera Rubin à des clients, dans une course où l'accès rapide aux nouvelles générations de puces fait la différence. La suite dépendra de la confirmation des résultats de Cognition sur d'autres charges et de l'arrivée du processeur Vera dans le cloud de CoreWeave.

Nebius lance ses Physical AI Awards 2026 : cinq prix de 150 000 $ en crédits de calcul

Nebius, la société cotée au Nasdaq (NBIS), a ouvert les candidatures de ses Physical AI Awards 2026, un programme mené avec NVIDIA et destiné aux startups d'IA physique disposant d'un produit démontrable, d'une traction significative et d'un plan de croissance. Les dossiers sont acceptés jusqu'au 25 octobre 2026, et les finalistes et lauréats seront annoncés à la mi-novembre. Le concours est mondial, gratuit et sans catégorie sponsorisée. Chacune des cinq catégories récompense un lauréat avec 150 000 dollars de crédits de calcul Nebius. S'y ajoutent une promotion conjointe par Nebius et NVIDIA, un mentorat avec un dirigeant de Nebius, un article dans la rubrique Winners Circle et deux places à un dîner réservé aux dirigeants de l'écosystème l'an prochain. Les catégories sont les modèles d'IA physique (VLA, VLM, modèles du monde, apprentissage par renforcement), la perception et l'intelligence spatiale, la simulation et les données synthétiques, les systèmes et le déploiement (humanoïdes, robots industriels, robots mobiles autonomes, entrepôts), ainsi que les logiciels, outils et orchestration. Nebius publie ses tarifs, ce qui permet de chiffrer la dotation. Aux prix à la demande, 150 000 dollars représentent environ 38 960 heures de GPU H100 (3,85 dollars l'heure), 33 330 heures en H200 (4,50 dollars), 20 980 heures en B200 (7,15 dollars) ou 19 100 heures en B300 (7,85 dollars). Pour une équipe qui entraîne déjà sur plusieurs nœuds, cela correspond à environ 521 heures sur un cluster de 64 H200, soit près de trois semaines de calcul continu. Avec les H200 interruptibles à 2,45 dollars l'heure, l'enveloppe atteint environ 61 200 heures de GPU, adaptée aux tâches reprenables comme l'apprentissage par renforcement ou la génération de données. Le processeur et la mémoire sont inclus dans le tarif du GPU. Pour une jeune entreprise, c'est donc une réserve de calcul immédiatement exploitable pour le prochain cycle d'entraînement, sans coût de location annexe. Le programme vise un moment précis de la vie d'un produit de robotique ou d'IA physique. Une fois déployé, les données de flotte arrivent plus vite qu'on ne peut les annoter, chaque réentraînement doit être validé avant de passer sur le matériel, et la boucle entre simulation et réel devient un processus de livraison plutôt qu'un exercice de recherche. Pour être éligibles, les candidats doivent présenter un cas d'usage clair en IA physique, un produit minimal en usage ou en test actif, une entité juridique enregistrée et un site public en ligne, avec une candidature par produit. Les dossiers sont d'abord filtrés en interne, puis notés par un panel choisi par Nebius et NVIDIA selon quatre critères : profondeur d'innovation, ampleur de la mise en œuvre, potentiel de marché et impact réel. Un jury départage ensuite les finalistes. Il comprend notamment Evan Helda et Anu Maheshwari de Nebius, Sumay Parikh de NVIDIA, Amber Yang de Lightspeed, ainsi que les dirigeants de Foxglove, Voxel51, Encord, Antioch et RoboForce. D'autres jurés doivent être ajoutés avant la clôture. Ce panel penche vers des opérateurs, dont plusieurs vendent déjà des outils de données et d'infrastructure aux équipes d'IA physique, ce qui reflète l'ancrage industriel du concours.

Nebius lance ses Physical AI Awards 2026 : cinq prix de 150 000 $ en crédits de calcul, candidatures jusqu'au 25 octobre

Nebius, cotée au Nasdaq sous le symbole NBIS, lance avec NVIDIA l'édition 2026 de ses Physical AI Awards, un concours mondial destiné aux startups d'IA physique disposant d'un produit démontrable, d'une traction réelle et d'un plan de croissance. Les candidatures sont ouvertes et closes le 25 octobre 2026, les finalistes et lauréats étant annoncés à la mi-novembre. Cinq catégories sont proposées : modèles d'IA physique (VLA, VLM, modèles du monde, apprentissage par renforcement), perception et intelligence spatiale, simulation et données synthétiques, systèmes et déploiement (humanoïdes, robots industriels, robots mobiles autonomes, automatisation d'entrepôt), et logiciels, outils et orchestration. Chaque lauréat reçoit 150 000 dollars de crédits de calcul Nebius, une promotion conjointe de Nebius et NVIDIA, un mentorat avec un dirigeant de Nebius, un article dédié dans la rubrique « Winners Circle » et deux places à un dîner réservé aux dirigeants de l'écosystème l'an prochain. Il n'y a ni frais d'inscription ni catégorie parrainée. Les conditions d'éligibilité exigent un cas d'usage clair d'IA physique, un MVP utilisé ou testé, une entité juridique enregistrée et un site web public, pour un seul produit par candidature. Le montant se traduit en calcul concret, car Nebius publie ses tarifs. Aux prix à la demande, 150 000 dollars représentent environ 38 960 heures de GPU H100 (3,85 dollars l'heure), 33 330 heures en H200 (4,50 dollars), 20 980 heures en B200 (7,15 dollars) et 19 100 heures en B300 (7,85 dollars). Sur H200, cela équivaut à environ 521 heures sur un cluster de 64 GPU, soit près de trois semaines de calcul continu. Avec les tarifs préemptibles des H200 (2,45 dollars l'heure), l'enveloppe monte à environ 61 200 heures, adaptée aux tâches d'apprentissage par renforcement et de génération de données qui reprennent depuis des points de sauvegarde. Le processeur et la mémoire étant inclus dans le prix du GPU, la somme n'est pas diluée par des frais d'instance séparés. Pour une équipe dont le produit est déjà sur le terrain, ce calcul répond à un vrai goulot : les données de flotte arrivent plus vite qu'on ne peut les annoter, chaque réentraînement doit être validé avant d'être poussé vers le matériel, et la boucle entre simulation et réel devient un processus de livraison. Les candidatures sont d'abord filtrées en interne, puis un jury choisi par Nebius et NVIDIA les note selon quatre critères : profondeur de l'innovation, étendue de la mise en œuvre, potentiel de marché et impact réel. Les finalistes passent ensuite au vote du jury. Le comité comprend Evan Helda et Anu Maheshwari (Nebius), Sumay Parikh (NVIDIA), Amber Yang (associée chez Lightspeed), Adrian Macneil (Foxglove), Brian Moore (Voxel51), Ulrik Stig Hansen (Encord), Harry Mellsop (Antioch) et Calvin Zhou (RoboForce). Nebius prévoit d'ajouter d'autres juges avant la date limite. La composition penche vers des opérateurs : Macneil, Moore et Hansen dirigent des entreprises qui vendent des outils et infrastructures de données aux équipes d'IA physique. Le programme illustre la stratégie de Nebius, qui cherche à s'imposer comme le fournisseur de calcul de référence de ce secteur en pleine croissance, en s'appuyant sur le partenariat avec NVIDIA.

Nunchux AI dévoile VC-Attention, un noyau d'attention low-bit sans entraînement qui accélère les transformeurs de diffusion vidéo

Nunchux AI a présenté VC-Attention, un noyau d'attention à faible précision numérique conçu pour accélérer les modèles de diffusion transformeurs (DiT) vidéo, sans nécessiter le moindre réentraînement. L'outil s'attaque à deux goulots d'étranglement bien identifiés du calcul d'attention : les erreurs de quantification sur les valeurs et la lenteur de l'étape softmax. Le problème est concret : un clip de cinq secondes en 720p généré par Wan2.2-14B représente environ 70 000 tokens spatio-temporels, et sur une RTX 5090 le calcul d'attention occupe plus de 64 % du temps de génération total ; sur un GPU B200, il représente environ les deux tiers de chaque étape de débruitage du modèle MiniMax-H3. VC-Attention combine deux techniques, V-Smooth et ExpCast-FP8, testées sur quatre modèles vidéo ouverts (Wan2.2-T2V-A14B, LongCat-Video, HunyuanVideo-1.5, MiniMax-H3) avec une évaluation de fidélité sur 100 prompts face à une référence BF16 FlashAttention-4. Les gains mesurés sont substantiels : sur un GPU B200, l'attention est accélérée 1,59 fois en 8 bits, pour un gain de bout en bout de 1,19 fois, et jusqu'à 3,58 fois sur une RTX 5090 en 4 bits, pour un gain global de 1,70 fois. Face à SageAttention2, la référence du secteur, VC-Attention va jusqu'à 6,02 fois plus vite sur B200, une carte pour laquelle SageAttention2 ne propose aucun noyau optimisé. Ces accélérations n'entament pas la qualité : en 8 bits, V-Smooth gagne 2,3 dB de PSNR sur Wan2.2 et 2,8 dB sur HunyuanVideo-1.5 par rapport à SageAttention2, et en 4 bits il dépasse SageAttention3 de 2,9 dB sur Wan2.2 et 3,6 dB sur LongCat-Video. L'enjeu est direct pour l'industrie de la vidéo générée par IA, où le coût de l'attention croît avec le carré du nombre de tokens : le réduire sans réentraînement ni perte de qualité rend la production vidéo plus rapide et moins coûteuse à grande échelle. Techniquement, V-Smooth comble un angle mort des méthodes existantes comme SageAttention2 : une fois les requêtes et les clés lissées, les valeurs concentrent à elles seules 82 % de l'erreur de sortie sur Wan2.2, un défaut qu'une simple rotation de Hadamard ne corrige pas. La méthode regroupe les tokens par k-means en ligne, retire la moyenne de chaque bloc de 128 tokens avant quantification puis la restaure via le softmax, pour un surcoût de 3 à 4 % du temps d'attention. ExpCast-FP8 règle de son côté le goulot du softmax en écrivant directement l'octet FP8 depuis le score logarithmique, une optimisation CUDA qui fait passer un appel V-Smooth de 42,2 à 4,8 millisecondes sur B200. Ces travaux s'inscrivent dans une course à la quantification bas-bit de l'attention face à SageAttention2, SageAttention3 et l'entraînement quantifié Attn-QAT, alors que les GPU Blackwell et Hopper misent sur des Tensor Cores FP8 et FP4 pour la génération vidéo par IA.

💬 Le vrai goulot d'étranglement de la vidéo générée par IA, c'est le calcul d'attention, pas la taille des modèles : sur RTX 5090 ou B200, il bouffe jusqu'à deux tiers du temps de génération. Sans réentraînement et avec une qualité qui progresse plutôt que de reculer, diviser ce coût par trois ou six change vraiment l'équation économique de la vidéo IA à grande échelle. Bon, sur le papier ça a l'air trop beau : reste à voir si ces gains survivent une fois branchés dans un vrai pipeline de prod, loin des benchmarks maison.

+70 % pour Nvidia, mais quel ROI pour vous ? Le dilemme des DSI face au coût de l’IA générative

Lors de la conférence Goldman Sachs Communacopia, début septembre 2026, Jensen Huang, PDG de Nvidia, a réaffirmé devant les investisseurs une prévision de croissance de 70 % du chiffre d'affaires pour le prochain exercice fiscal, visant un total record de 680 milliards de dollars. Cette progression s'appuie notamment sur les systèmes combinant 36 processeurs Grace et 72 puces Blackwell, dont les ventes progressent de 27 % par mois. Ces infrastructures ne se vendent plus à la puce mais sous forme de serveurs complets, facturés plusieurs millions d'euros et consommant jusqu'à 250 kilowatts par cluster. Selon l'analyste Shay Boloor, relayant des propos tenus par Nvidia auprès de JPMorgan, l'entreprise estime que son activité pourrait même plus que doubler d'une année sur l'autre en l'absence de contraintes d'approvisionnement, signe que le marché sous-estimait encore ses prévisions. Côté entreprises clientes, l'accès aux modèles d'IA et aux infrastructures associées coûte en moyenne entre 13 000 et 110 000 dollars par an, un montant qui exclut les charges d'ingénierie interne et de sécurisation des données. Cette dynamique financière déplace le centre de gravité économique du secteur de l'IA vers Nvidia, qui capte l'essentiel de la valeur créée, tandis que les hébergeurs cloud répercutent la hausse du coût du matériel sur leurs clients finaux. Pour les directions informatiques, la situation devient un casse-tête : soutenir de fait la croissance du fabricant de puces tout en peinant à démontrer un retour sur investissement mesurable pour leurs propres projets d'IA générative. Le rythme d'innovation imposé par Nvidia accentue le risque d'obsolescence accélérée : des architectures commandées aujourd'hui pourraient devenir dépassées avant même d'avoir amorti leur coût d'achat, ce qui complique l'atteinte d'un ROI positif pour des projets aux cycles d'adoption plus longs que le rythme de renouvellement matériel. Cette dépendance croissante à un fournisseur qui contrôle désormais l'ensemble de la chaîne, puces, systèmes et logiciels, inquiète des décideurs déjà confrontés à une escalade continue de leurs investissements en capital. Cette tension survient alors que l'adoption de l'intelligence artificielle générative progresse rapidement en entreprise : une étude de McKinsey sur l'état de l'IA indique que 78 % des organisations déclarent désormais utiliser ces technologies. Pourtant, la majorité des déploiements engagés ne dégagent pas encore de gains financiers mesurables, un écart que McKinsey attribue à une dispersion des efforts sur des expérimentations vagues plutôt que sur des processus métier ciblés. Certains usages précis échappent toutefois à ce constat : l'automatisation du support client de premier niveau génère par exemple un retour sur investissement supérieur à 150 %. Ce contraste entre la promesse de gains rapides sur des cas d'usage ciblés et la difficulté générale à rentabiliser des déploiements plus larges illustre l'enjeu central auquel les entreprises devront répondre dans les prochains mois : concentrer leurs investissements en IA sur des applications à forte valeur ajoutée plutôt que sur une adoption diffuse, afin de justifier des coûts d'infrastructure qui continuent de grimper au rythme imposé par Nvidia et ses partenaires cloud.

NVIDIA passe OSMO en open source : un seul fichier YAML pilote entraînement, simulation et tests robotiques

NVIDIA a mis en open source OSMO, un orchestrateur de workflows natif Kubernetes destine a l'IA physique et a la robotique, sous licence Apache 2.0, avec des charts Helm et des conteneurs disponibles sur NGC, et un démarrage rapide local via KIND executable sur une simple station de travail. L'outil répond a ce que NVIDIA appelle le problème des trois ordinateurs : l'entrainement des politiques se fait sur des clusters GB200 ou H100 en datacenter, la simulation et le rendu de capteurs se déroulent sur des GPU RTX via Isaac Sim, puis la validation finale a lieu sur des cartes embarquées comme le Jetson AGX Thor, montées sur le robot réel. Chaque niveau nécessitait jusque-la son propre ordonnanceur et ses propres scripts de liaison. Avec OSMO, une équipe décrit tout le pipeline dans un seul fichier YAML : les taches nomment une plateforme (gb200, rtx-pro-6000, jetson-agx-thor) plutôt qu'un cluster, et l'orchestrateur route automatiquement le travail vers le pool correspondant. L'exemple type de NVIDIA enchaine une simulation Isaac Sim sur rtx-pro-6000, un entrainement PyTorch sur huit GPU gb200, puis une évaluation ROS sur jetson-agx-thor. Les versions récentes ont ajoute un placement sensible a la topologie NVLink et une couche RBAC avec authentification OAuth2 (6.2.8), un script de déploiement multi-cloud vers Azure AKS, AWS EKS ou microk8s, la synchronisation de fichiers avec barre de progression, des délais d'expiration configurables par groupe de taches, ainsi que le chiffrement TLS et une gestion d'identité cloud native via Azure Workload Identity ou AWS IRSA (6.3.0). Cette ouverture vise a réduire une friction bien connue des équipes de robotique, qui perdent un temps considérable a maintenir des scripts reliant trois environnements de calcul distincts. En unifiant l'orchestration derrière un format YAML portable, exécutable aussi bien sur un ordinateur portable qu'en environnement cloud ou air-gapped, NVIDIA facilite le passage a l'échelle des projets d'IA physique tout en abaissant la barrière d'entrée pour les petites équipes de robotique. L'entreprise a aussi annonce l'intégration d'agents de codage, Claude Code, OpenAI Codex et Cursor pouvant désormais soumettre, surveiller et déboguer des pipelines OSMO directement, ce qui rapproche développement logiciel classique et orchestration robotique. L'annonce, faite lors de la conférence GTC 2026, s'inscrit dans la stratégie plus large de NVIDIA autour de l'IA physique, aux cotes d'Isaac Sim et de la plateforme Jetson Thor. En ouvrant le code d'OSMO tout en le concevant pour fonctionner sur son propre matériel, GB200, GPU RTX, Jetson, NVIDIA cherche a s'imposer comme la couche d'infrastructure de référence pour la robotique, un rôle comparable a celui de Kubernetes dans le cloud. Certaines fonctionnalités restent en mouvement : l'API et la ligne de commande dédiées aux jeux de données ont été dépréciées dans la version 6.3.0 et seront retirées en 6.4, au profit d'une gestion des données intégrée directement aux workflows, avec une promesse de déduplication réduisant le stockage jusqu'a cent fois. La feuille de route suggère que NVIDIA continuera d'étoffer la sécurité, la gestion d'identité et l'intégration aux agents IA dans les prochaines versions.

Fin du cloud centralisé ? Le pari fou d’Equinix pour faire tourner 200 modèles open source

Equinix a annoncé la semaine du 1er septembre 2026 un partenariat majeur avec Nvidia et Together AI pour lancer une plateforme baptisée Inference Exchange, destinée à héberger plus de 200 modèles d'intelligence artificielle open source. Le dispositif s'appuiera sur les architectures de référence de Nvidia, notamment les puces Blackwell Ultra B300 et un système de refroidissement liquide conçu pour les futures puces Vera Rubin, tandis que Together AI gérera la couche logicielle donnant accès aux modèles. L'infrastructure sera déployée sur les 281 centres de données urbains d'Equinix à travers le monde, avec une disponibilité générale annoncée pour le premier trimestre 2027. Jensen Huang, le patron de Nvidia, a publiquement salué cette architecture maillée la semaine dernière, saluant sa capacité à traiter les données au plus près des utilisateurs et des capteurs plutôt que dans de gigantesques fermes de serveurs centralisées. Cette annonce marque un tournant stratégique dans l'industrie du cloud pour l'IA. Alors que l'entraînement des grands modèles reste l'apanage de méga data centers centralisés, la phase d'inférence, c'est à dire l'utilisation quotidienne des modèles par les applications, exige au contraire une faible latence et une proximité géographique avec les utilisateurs. En misant sur son maillage urbain existant plutôt que sur la course aux méga sites de plusieurs gigawatts menée par des acteurs comme CoreWeave, Equinix propose une alternative économique et rapide aux entreprises qui déploient des services d'IA générative. Pour les décideurs informatiques, cela signifie potentiellement des coûts d'inférence réduits et des temps de réponse plus courts pour leurs applications, sans avoir à dépendre exclusivement des géants du cloud comme Amazon ou Google. Ce choix s'inscrit dans un contexte financier contrasté au sein du secteur. L'action Equinix a bondi de 33 % depuis le début de l'année 2026, portant sa capitalisation boursière au delà de 100 milliards de dollars et dépassant celle de son concurrent Digital Realty. Son dernier trimestre affiche 477 millions de dollars de bénéfice net pour un chiffre d'affaires de 2,63 milliards de dollars, une rentabilité que certains analystes, comme Vlad Galabov, jugent pourtant trop prudente face à des rivaux comme CoreWeave, qui a accusé 626 millions de dollars de pertes sur la même période mais investit massivement dans des usines à IA de plusieurs gigawatts. Le vendeur à découvert Jim Chanos reste sceptique sur la rentabilité réelle des capitaux engagés dans ce secteur. En évitant l'affrontement direct avec les hyperscalers et en misant sur l'inférence de proximité, Equinix cherche à sécuriser une position de niche rentable dans un marché encore volatile.

En Corée du Sud, l’IA générative bientôt érigée en service public

La Corée du Sud s'apprête à offrir à ses citoyens un accès gratuit et illimité à des services de chatbots basés sur l'intelligence artificielle générative, dans le cadre d'un vaste programme gouvernemental visant la « souveraineté IA ». Selon le Wall Street Journal, Séoul a sélectionné trois consortiums pour développer ces outils : l'un mené par l'opérateur télécom SK Telecom, un autre par KT, et le troisième par le groupe Kakao, éditeur de la super-app KakaoTalk déjà utilisée pour la messagerie, la réservation de VTC ou la gestion bancaire. Ces chatbots offriront des fonctionnalités classiques d'IA générative, mais aussi des services connectés aux plateformes publiques : prise de rendez-vous médicaux, petites annonces immobilières, conseils financiers, recommandations de contenus éducatifs pour les parents, ou encore calcul d'impôts et vérification d'éligibilité à des aides pour les petites entreprises. Les bêta-tests débuteront dès septembre 2026, avec un déploiement grand public prévu avant la fin de l'année. Pour soutenir cet effort, l'État coréen mettra à disposition des trois consortiums jusqu'à 512 puces B200 de NVIDIA, et financera une partie des coûts de service à partir de 2027. Cette initiative marque une étape inédite dans la manière dont un État conçoit l'IA générative : non plus comme un simple outil commercial, mais comme un service public au même titre que la santé ou l'éducation. Plus de 20 millions de Coréens utilisent déjà une version gratuite d'un chatbot IA, ce qui donne à ce projet une portée immédiate et massive. Pour les entreprises technologiques locales, c'est aussi une opportunité de consolider leur position face aux géants américains (OpenAI, Google, Microsoft) et chinois (Alibaba, DeepSeek), qui dominent largement le marché mondial des modèles de langage. Pour les citoyens, cela signifie un accès démocratisé à des outils d'IA sans les barrières de coût ni la dépendance à des plateformes étrangères, mais soulève aussi des questions sur la protection des données personnelles, ces bots étant connectés à des services gouvernementaux sensibles. Ce projet s'inscrit dans une stratégie plus large de « souveraineté IA » portée par le président sud-coréen Lee Jae-myung, qui a averti en novembre 2025 devant les parlementaires qu'un jour de retard dans la course à l'IA pourrait se traduire par un retard d'une génération entière, évoquant une véritable « question de survie ». Fin juin 2026, il a réaffirmé cette urgence en annonçant un plan massif d'investissement dans les usines de mémoire vive, désignant semi-conducteurs, IA physique et centres de données comme les trois piliers de cette ambition nationale. Le budget alloué à l'ensemble du programme s'élève à l'équivalent de 6,8 milliards de dollars pour la seule année 2026. Cette stratégie coréenne, qui combine infrastructures, puces, modèles de langage nationaux et formation des compétences, est observée de près par d'autres pays soucieux de ne pas dépendre entièrement des systèmes américains ou chinois, même si la promesse d'une IA gratuite pour tous au service du bien commun reste, selon certains observateurs, fragile à long terme.

💬 La Corée du Sud ne finance pas un chatbot, elle érige l'IA générative en service public au même rang que la santé ou l'éducation, et ça déplace la vraie bataille : oublie la course au meilleur modèle, la vraie question devient qui peut se permettre de le distribuer gratuitement à des dizaines de millions de citoyens. Sur le papier, 512 puces NVIDIA et trois consortiums locaux face à OpenAI et Alibaba, ça a de l'allure. Mais brancher ce bot sur les impôts, la santé et les aides sociales, c'est un pari sur la confiance qu'aucun pays occidental n'a encore osé tenter à cette échelle.

Hot Chips : le Jalapeño d'OpenAI, le CS-5 de Cerebras, le LPX de Groq 3 et l'Apple M6

Lors de la 37e édition de la conférence Hot Chips, OpenAI a dévoilé les premiers résultats de benchmarks de sa propre puce d'inférence, baptisée Jalapeño, moins d'un an après avoir annoncé son partenariat avec Broadcom pour concevoir des semi-conducteurs maison. Selon les chiffres publiés par l'entreprise, la puce affiche un rendement de 1,5 à 1,9 fois supérieur par watt, une latence de bout en bout réduite de 1,7 à 3,6 fois, et des performances jusqu'à 4,1 fois plus élevées sur les charges de travail interactives, comparée aux systèmes Nvidia GB200 et GB300. Classée pour une puissance de 700 watts, Jalapeño serait restée à 550 watts ou moins lors des tests réels. OpenAI prévoit de déployer la puce dans sa propre infrastructure d'ici la fin de l'année, avec une deuxième génération déjà bien avancée et une troisième en préparation, selon Sam Altman et les communications officielles de l'entreprise. Autre détail marquant, les modèles GPT-Astra et Codex ont directement participé à l'écriture et à l'optimisation des noyaux de calcul bas niveau de la puce, permettant de porter trois modèles à poids ouverts à haute performance en seulement deux mois, avec certains blocs d'attention et de mélange d'experts jusqu'à 1,8 fois plus rapides que le code écrit par des ingénieurs humains. La même conférence a aussi vu passer des annonces de Cerebras avec son CS-5, de Groq avec la puce 3 LPX, et d'Apple avec le M6. L'enjeu dépasse la simple performance brute. En réduisant l'habituel compromis entre débit et latence, OpenAI signale que les grands laboratoires d'intelligence artificielle ne sont plus forcément dépendants de Nvidia pour l'économie de leurs coûts d'inférence, un poste de dépense devenu central à mesure que les modèles sont déployés à grande échelle auprès de millions d'utilisateurs. Cela pourrait rebattre les cartes d'un marché des puces d'IA aujourd'hui largement dominé par Nvidia, en particulier si d'autres laboratoires suivent cette voie de la conception interne. Le fait que des modèles comme GPT-Astra et Codex participent eux-mêmes à l'optimisation du code bas niveau illustre aussi une tendance plus large, celle de l'automatisation croissante du travail d'ingénierie logicielle et matérielle par l'IA elle-même. Cette annonce s'inscrit dans la continuité du partenariat OpenAI-Broadcom révélé il y a moins d'un an, et des analystes comme ceux de SemiAnalysis ont jugé les résultats inhabituellement solides pour un circuit spécialisé de première génération, le comparant aux GB200 et GB300 de Nvidia, le rapprochement avec la future gamme Rubin reposant sur des chiffres publiés séparément. Un bémol de taille subsiste toutefois, la capacité de packaging avancé et de fabrication chez des fondeurs comme TSMC reste un goulot d'étranglement pour toute l'industrie. La conférence a par ailleurs mis en lumière une autre tendance de fond, celle de l'importance croissante des architectures logicielles entourant les modèles d'IA: une étude menée par Microsoft sur un système nommé AutoSaddler a montré que corriger automatiquement les invites, la configuration des outils et la logique de contrôle d'un agent pouvait apporter des gains de 9 à 10 points sur des tests comme GAIA2, SWE-Bench Pro et Terminal-Bench 2.0, parfois davantage que ne le ferait un changement de modèle sous-jacent.

💬 Le chiffre qui compte, c'est pas le 1,9x par watt, c'est que GPT-Astra et Codex ont écrit eux-mêmes une partie du code bas niveau de la puce. Selon Le Fil IA, OpenAI vient de montrer que sa dépendance à Nvidia n'est plus une fatalité technique, juste un calcul économique, à condition que TSMC suive côté fonderie. Sur le papier c'est du lourd pour un premier jet de puce maison, reste à voir si ça tient une fois Jalapeño déployée en vrai sur ChatGPT.

IBM lance Granite 4.2 : raisonnement natif et RL à base d'agents pour ses modèles ouverts d'entreprise

IBM a annoncé la sortie de Granite 4.2, une nouvelle famille de modèles de langage open source disponibles en trois tailles : 3, 8 et 30 milliards de paramètres. Contrairement aux versions précédentes de Granite, conçues comme de simples assistants suivant des instructions, cette génération intègre un raisonnement explicite : chaque modèle peut produire une chaîne de pensée avant de répondre et propose un mode "réflexion" activable ou non, ainsi qu'un mode à faible effort pour les questions simples. Ces modèles sont des transformeurs denses entraînés à partir de zéro sur environ 15 000 milliards de tokens, puis affinés via une chaîne d'apprentissage par renforcement multi-étapes. Pour les versions 8B et 30B, cet entraînement inclut un volet d'apprentissage par renforcement agentique, où le modèle apprend à éditer du code, manipuler un terminal et effectuer des recherches web dans des environnements simulés réels. Les trois modèles sont publiés sous licence Apache 2.0, aux côtés de deux modèles vocaux Granite Speech 5.0 Turbo CTC de 470 millions de paramètres. Sur le plan des performances, le modèle 30B atteint 57% sur SWE-Bench Verified, 29,24% sur Terminal-Bench 2.1 et 89,17% sur AIME25. Cette annonce marque un tournant stratégique pour IBM sur le marché de l'IA d'entreprise : en misant sur des modèles ouverts, sous licence permissive et déployables localement, l'entreprise cible directement les organisations soumises à des contraintes réglementaires fortes, comme la finance, la santé ou le secteur public, qui ne peuvent pas toujours envoyer leurs données vers des API propriétaires. La licence Apache 2.0 lève tout obstacle juridique au téléchargement, au fine-tuning et à l'usage commercial, ce qui rend ces modèles accessibles aussi bien aux développeurs indépendants, qui peuvent faire tourner le 3B sur un simple ordinateur portable via Ollama ou LM Studio, qu'aux grandes entreprises disposant de clusters GPU haut de gamme pour le modèle 30B. En intégrant des capacités agentiques directement dans les modèles de taille moyenne et grande, IBM répond à une demande croissante pour des agents logiciels autonomes capables d'automatiser des tâches de développement, de DevOps ou de recherche documentaire, un segment jusqu'ici dominé par des modèles propriétaires plus coûteux. Le choix technique le plus révélateur de cette sortie réside dans le pipeline d'entraînement lui-même plutôt que dans l'architecture, restée un transformeur dense classique avec attention par groupes de requêtes et normalisation RMSNorm. L'affinage supervisé s'appuie sur 7,2 millions d'exemples, dont près de 70% concernent l'ingénierie logicielle, générés à partir de plusieurs environnements comme OpenHands, SWE-agent ou Codex, avec un contrôle qualité assuré par les modèles GPT-OSS-120B et Gemma 4 utilisés comme juges. La phase d'apprentissage par renforcement suit une séquence précise, de l'alignement général jusqu'à des blocs spécialisés en ingénierie logicielle, terminal et recherche, mais ce bloc agentique n'est appliqué qu'aux versions 8B et 30B, ce qui explique l'essentiel de l'écart de performance avec le modèle 3B. L'entraînement a mobilisé un cluster NVIDIA GB200 NVL72 hébergé par CoreWeave, ainsi que mille milliards de tokens de code synthétique issus du pipeline maison CodeAlchemy d'IBM, illustrant la course actuelle des grands acteurs technologiques pour combiner ouverture des modèles et compétitivité face aux offres fermées d'OpenAI, Google ou Anthropic.

💬 IBM joue une carte différente d'OpenAI ou Google : au lieu d'un modèle fermé toujours plus gros, elle sort du open source Apache 2.0 avec du raisonnement et de l'agentique intégrés dès la génération. Pour une banque ou un hôpital qui ne peut pas balancer ses données sur une API tierce, c'est exactement le genre de compromis qu'on attendait, du 30B qui code et navigue un terminal, sans sortir du datacenter maison. Reste à voir si les scores SWE-Bench tiennent la route sur du code métier réel, parce qu'un benchmark et une prod, ce sont deux histoires différentes.

Les prix des puces IA Nvidia vont augmenter d'environ 17%, selon des fabricants de serveurs

Les prix de certains systèmes de puces IA phares de Nvidia vont augmenter d'environ 17%, selon deux personnes dont les entreprises ont été informées par des fabricants de serveurs fournissant ces systèmes. Ces hausses concernent principalement les systèmes à base de puces Grace Blackwell 300 et Vera Rubin 200, dont la livraison est prévue l'an prochain. Selon les prix actuels des systèmes de puces destinés à un data center d'une capacité d'un gigawatt, ces changements pourraient faire grimper le coût total d'une telle installation d'au moins 5 milliards de dollars. Cette hausse tarifaire a des répercussions directes sur l'ensemble de la chaîne de valeur de l'intelligence artificielle, des hyperscalers qui construisent des infrastructures massives jusqu'aux entreprises clientes qui louent de la puissance de calcul. Les géants du cloud et les développeurs de grands modèles de langage, déjà engagés dans une course aux investissements colossaux pour bâtir des centres de données capables d'alimenter l'IA générative, verront leurs budgets d'infrastructure encore alourdis. Une telle augmentation risque aussi de peser sur la rentabilité des projets de data centers en cours de planification et pourrait inciter certains acteurs à revoir leurs calendriers ou à chercher des alternatives auprès d'autres fournisseurs de puces. Ces hausses interviennent dans un contexte de demande toujours extrêmement forte pour les puces Nvidia, qui dominent largement le marché des processeurs dédiés à l'entraînement et à l'inférence des modèles d'IA. Les fabricants de serveurs jouent un rôle d'intermédiaire clé entre Nvidia et les grands opérateurs de data centers, et leurs annonces aux clients donnent souvent un premier aperçu des évolutions tarifaires avant toute communication officielle de Nvidia. Alors que les investissements dans l'infrastructure IA se comptent déjà en dizaines de milliards de dollars pour les principaux acteurs du secteur, cette nouvelle hausse des coûts pourrait raviver les débats sur la soutenabilité financière de la course actuelle aux capacités de calcul.

💬 5 milliards de dollars, c'est ce que coûterait cette hausse de 17% sur un seul data center d'un gigawatt. Nvidia n'a même plus besoin de forcer, la demande est tellement forte que les fabricants de serveurs préviennent leurs clients avant même une annonce officielle. Reste que ça vient s'ajouter à des budgets déjà démentiels, et à un moment donné quelqu'un va devoir expliquer pourquoi la rentabilité de tout ça reste une hypothèse.

Nvidia lance Nemotron 3.5 Lightning : Claude pourrait devenir beaucoup trop cher

Nvidia a présenté le 11 août 2026 Nemotron 3.5 Lightning, un modèle en poids ouverts de type mixture-of-experts à 30 milliards de paramètres dont seulement 3 milliards activés à chaque passage, doté d'un contexte d'un million de tokens et déployable sur un DGX Spark, une carte H100 ou une GeForce RTX 5090. L'entreprise revendique jusqu'à quatre fois plus de vitesse et 30% de temps en moins sur des tâches agentiques face à des modèles ouverts comparables, avec poids et recettes d'entraînement publiés sous licence OpenMDW-1.1 sur Hugging Face. L'annonce s'accompagne de NeMo Switchyard, une bibliothèque qui choisit automatiquement quel modèle doit traiter chaque étape d'un agent selon la difficulté, le coût ou la latence, réservant les modèles premium comme Claude Opus aux tâches les plus complexes. Testé avec LangChain sur 145 tâches agentiques multi-étapes, ce routage entre Lightning et Claude Opus 4.8 a réduit le coût de 74%, avec seulement 7% des appels envoyés au modèle frontier, pour environ six points de précision perdus. Artificial Analysis attribue par ailleurs à Lightning un score de 24 sur son Intelligence Index, équivalent à gpt-oss-120b obtenu avec environ quatre fois moins de paramètres, et mesure près de 670 tokens par seconde avec les poids finaux au format NVFP4. Cette annonce vise le coût d'exploitation des agents IA en entreprise, où les tâches répétitives (appels d'outils, validation de résultats, revue de code) finissent par exploser la facture lorsqu'elles sont envoyées à un modèle frontier comme Claude Opus. En confiant l'essentiel du volume à Lightning et en ne remontant vers un modèle premium que les cas réellement difficiles, Switchyard promet de diviser les coûts par plusieurs sans sacrifier la qualité globale, selon les chiffres avancés par Nvidia. La licence ouverte permet en plus un hébergement local, un argument qui compte pour les entreprises réticentes à envoyer leur propriété intellectuelle vers une API externe. Pour Anthropic et les autres fournisseurs de modèles premium, le risque est de voir leur usage réduit aux seules tâches complexes, pendant que Nvidia capte l'essentiel du volume avec du matériel et des modèles qu'il maîtrise de bout en bout. Cette sortie s'inscrit dans une stratégie à double face : fin juin 2026, Nvidia avait annoncé l'arrivée de Claude sur ses GPU Blackwell Ultra, consolidant sa position de fournisseur d'infrastructure incontournable pour Anthropic. Six semaines plus tard, l'entreprise propose aux mêmes clients un moyen de limiter leur recours à Claude en misant sur ses propres modèles Nemotron, dont Lightning est présenté comme le successeur de Nemotron 3 Nano 30B. Sur le terrain des modèles ouverts concurrents, Qwen3.6 35B et Muse Glimmer restent devant Lightning sur l'intelligence générale mesurée par Artificial Analysis, qui a publié ses propres résultats indépendants dès le lancement. La suite dépendra de l'adoption réelle de Switchyard par les équipes qui construisent des agents en production, et de la réponse des fournisseurs de modèles premium face à cette pression nouvelle sur les prix.

💬 Ce qui me frappe, c'est que Nvidia vend l'infra qui fait tourner Claude et propose au même client de quoi s'en passer, tu sens le coup en deux temps. Lightning tout seul, c'est correct sans plus, il traîne derrière Qwen3.6 sur l'intelligence pure. Mais Switchyard change la donne : 74% d'économie pour six points de précision perdus, et le vrai risque pour Anthropic c'est de finir cantonné aux tâches compliquées pendant que Nvidia récupère tout le volume du quotidien.

NVIDIA : le calcul d'IA en usine devient une classe d'actifs à part entière

Le géant américain des semi-conducteurs NVIDIA a annoncé le 12 août 2026 des partenariats avec six des plus grands gestionnaires d'actifs et fonds d'investissement mondiaux, Apollo, BlackRock, Blackstone, Brookfield, Goldman Sachs et KKR, pour créer des plateformes de financement indépendantes destinées à mobiliser plus de 500 milliards de dollars de capitaux tiers afin de soutenir la construction d'infrastructures d'intelligence artificielle. L'entreprise présente ce mouvement comme un basculement d'un modèle où les sociétés achetaient des puces et bâtissaient des centres de données projet par projet, vers un modèle où ses usines d'IA, baptisées AI factories, deviennent des infrastructures productives financées comme des actifs à part entière. NVIDIA appuie sa démonstration sur des données de marché concrètes : le tarif de location d'un GPU H100 sur un an est passé d'environ 1,70 dollar de l'heure en octobre 2025 à 2,35 dollars en mars 2026, tandis que le prix médian à la demande, toutes plates-formes confondues, est passé de 2,00 à 2,70 dollars par heure entre octobre 2025 et juin 2026. Les puces Blackwell, plus récentes, se négocient avec une prime, entre 5,30 et 7,05 dollars par heure pour un GPU B200. L'entreprise rappelle aussi que ses puces A100, lancées en 2020, restent exploitées commercialement six ans plus tard, avec des engagements clients pluriannuels qui prolongent leur durée de vie économique vers une décennie. Cette annonce marque une étape importante pour l'industrie de l'IA car elle transforme la nature même du calcul informatique : au lieu d'être un simple poste de dépense en capital qui se déprécie, il devient une classe d'actifs générant des revenus récurrents, comparable à des infrastructures comme les routes à péage ou les réseaux électriques. Pour les investisseurs institutionnels que sont Apollo, BlackRock ou KKR, cela ouvre un nouveau terrain de déploiement de capitaux à long terme, avec un rendement adossé à la demande de calcul plutôt qu'à des actifs traditionnels. Pour les entreprises d'IA, cloud providers et laboratoires qui manquent aujourd'hui d'accès à des financements suffisants pour construire rapidement leurs propres capacités, ces plateformes promettent un accès facilité à des montants massifs de capitaux externes, sans que NVIDIA n'ait à financer elle-même l'ensemble de la demande mondiale en puces. Cette initiative s'inscrit dans un contexte où la demande en infrastructures d'IA dépasse largement les capacités de financement disponibles, alors que l'IA générative bascule de la phase de recherche vers une phase de production à grande échelle. NVIDIA cherche à démontrer que ses puces et son écosystème logiciel CUDA, qui améliore continuellement les performances du matériel déjà installé, constituent un socle suffisamment stable et rentable pour attirer des capitaux patients et non plus seulement des budgets d'investissement technologique classiques. L'entreprise s'appuie sur son architecture largement adoptée par les grands fournisseurs cloud, les fabricants de systèmes et les entreprises du monde entier pour argumenter que ses usines d'IA peuvent être redéployées auprès d'autres clients en cas de besoin, limitant ainsi le risque pour les investisseurs. Les modalités précises d'accès des laboratoires d'IA qualifiés à ces nouvelles plateformes de financement restent à préciser dans les prochains mois.

💬 Le vrai signal ici, c'est le prix de location du H100 qui grimpe (1,70 à 2,35 dollars de l'heure en cinq mois) alors que la puce a cinq ans : ça veut dire que la demande de calcul dépasse la dépréciation technique, et c'est ça qui rend l'histoire "actif financier" crédible aux yeux de BlackRock ou KKR. Bon, sur le papier, 500 milliards ça fait rêver, mais faut voir combien de labos d'IA qualifiés auront vraiment accès à ces plateformes, les modalités restent floues. Reste que si NVIDIA arrive à faire financer ses usines comme des autoroutes à péage, elle sort du rôle de simple vendeur de puces pour devenir opérateur d'infrastructure, et ça change toute la mécanique de risque du secteur.

LTX-2.5 : les poids ouverts d'un modèle monde accélérés par NVIDIA tiennent sur un seul bureau

La société LTX a lancé LTX-2.5, un modèle de génération vidéo dit "world model" à poids ouverts, conçu pour la production créative, les applications temps réel et l'IA physique. Optimisé pour tourner localement sur les cartes graphiques grand public NVIDIA RTX ainsi que sur le NVIDIA DGX Spark, il réduit fortement les besoins en mémoire vidéo (VRAM), permettant à un modèle de pointe de fonctionner sur du matériel que les créateurs possèdent déjà, directement dans l'interface ComfyUI. La sortie s'inscrit dans une série d'annonces de NVIDIA consacrée à l'IA locale tout au long du mois d'août, et coïncide avec le lancement, le même jour, du modèle d'agents ouvert Nemotron 3.5 Lightning. LTX-2.5 introduit une génération multishot native qui garantit la cohérence d'un personnage ou d'un style sur toute une séquence, s'appuie sur un backbone linguistique Gemma 4 amélioré et un nouveau décodeur limitant les artefacts dans les scènes à mouvement rapide. Sur le plan des performances, LTX affirme qu'un clip de 10 secondes est généré en 6,8 secondes en local sur deux GPU NVIDIA GB200, contre 23,7 secondes via son API. À titre de comparaison, les modèles fermés Omni Flash, Grok 1.5 et Veo 3.1 mettent entre 52 et 70 secondes, tandis que Seedance 2.0, FLUX 3, Seedance 2.5 et Kling 3.0 Pro nécessitent respectivement 196, 259, 317 et 398 secondes, soit un modèle jusqu'à 58 fois plus rapide que le plus lent. Cette rapidité change concrètement la manière de produire du contenu vidéo. Un créateur seul ou une petite équipe peut désormais générer, sans frais par clip ni abonnement au cloud, des dizaines de variantes d'une même publicité en une nuit, tester plusieurs accroches et adapter des campagnes à différents marchés avant même que la lassitude publicitaire, qui s'installe généralement en sept à dix jours selon LTX, ne s'installe. La propriété intellectuelle reste sur la machine locale, un argument de poids pour les studios et marques soucieux de confidentialité. Ce qui exigeait auparavant une équipe de tournage, une salle de rendu et une facture cloud tient désormais sur un seul poste équipé d'une carte RTX, avec un fine-tuning LoRA rapide suffisant pour verrouiller un style de marque. Ce lancement illustre une stratégie plus large de NVIDIA, qui pousse ses modèles ouverts accélérés du PC de bureau aux centres de données. Le même jour, l'entreprise a dévoilé Nemotron 3.5 Lightning, un modèle d'agents à mélange d'experts de 30 milliards de paramètres, ainsi que NeMo Switchyard, une bibliothèque open source qui répartit chaque étape d'un flux d'agents vers le modèle le plus adapté. LTX décrit sa famille de modèles comme fondatrice pour le cinéma, la publicité, le jeu vidéo, la simulation et la robotique, les "world models" cherchant à prédire non pas le mot suivant, comme les modèles de langage, mais le prochain instant d'un environnement simulé.

LTX-2.5 génère une vidéo IA de 10 secondes à partir d'une image en 6,8 secondes sur les superpuces Nvidia, et c'est open weights

LTX, la société de modèles de monde en open source issue de Lightricks, a lancé LTX-2.5, la nouvelle version de son modèle vidéo et de monde à poids ouverts. Le modèle s'intègre nativement dans ComfyUI, l'outil de workflow par nœuds devenu la référence pour prototyper des générations open source, dans le cadre d'un partenariat de lancement entre les deux entreprises. LTX-2.5 est disponible en accès libre sur Hugging Face, dans ComfyUI, et via l'API de LTX pour les équipes qui veulent une génération managée : gratuit pour les organisations sous 10 millions de dollars de revenus récurrents annuels, avec licence négociée au-delà. LTX revendique déjà 33 millions de téléchargements pour sa famille de modèles, ce qui en ferait la ligne de "modèles de monde" open source la plus utilisée du marché. Le co-fondateur et PDG de LTX, Zeev Farbman, a présenté en exclusivité à VentureBeat les nouveautés : un nouveau décodeur vidéo par diffusion qui réduit les artefacts visuels sur les scènes à fort mouvement, un support natif du multi-plans qui garde personnages, décor et voix cohérents sur une séquence entière, un socle de langage Gemma 4 personnalisé pour mieux traiter les prompts complexes, un checkpoint pré-entraîné pour l'IA physique et la robotique, ainsi qu'un modèle distillé amélioré tournant localement sur les GPU Nvidia RTX. Sur le plan des performances, LTX annonce la génération d'un clip de 10 secondes en 720p à partir d'une image en 6,8 secondes sur deux puces Nvidia GB200 haut de gamme auto-hébergées, plus rapide que le temps réel, contre 23,7 secondes via son API managée en 1080p. Cette accélération et cette ouverture des poids changent la donne pour les studios, développeurs indépendants et équipes de recherche qui veulent générer de la vidéo par IA sans dépendre exclusivement d'API fermées et coûteuses. LTX affirme que son modèle coûte environ huit fois moins cher et rend sept fois plus vite que des modèles comparables, avec un fonctionnement possible aussi bien sur des GPU de datacenter que sur un Mac. Dans des tests de préférence humaine à l'aveugle, LTX-2.5 obtient un taux de victoire de 67%, devant Seedance 2.5 (65%), Gemini Omni Flash de Google (55%), MiniMax H3 (50%), Seedance 2.0 (44%), Wan 2.6 (42%) et FLUX 3 (28%). Comparé à la concurrence sur la vitesse de génération, LTX cite des temps nettement supérieurs pour Gemini Omni Flash (52 secondes), Grok 1.5 de xAI (63 secondes), Veo 3.1 de Google (70 secondes pour un clip de 8 secondes), MiniMax H3 (180 secondes), Seedance 2.5 de ByteDance (317 secondes) et Kling 3.0 Pro de Kuaishou (398 secondes). Ce lancement s'inscrit dans une bataille plus large entre modèles vidéo à poids ouverts et API fermées, où LTX et ComfyUI parient que l'accessibilité et la personnalisation locale l'emporteront sur les services propriétaires verrouillés de géants comme Google, xAI, ByteDance ou Kuaishou. L'ajout d'un checkpoint dédié à la robotique et à l'IA physique signale aussi une ambition dépassant la simple génération de vidéos cinématographiques, en visant des usages industriels où les équipes pourront affiner le modèle sur leurs propres données. Toutes les mesures de vitesse et de qualité citées proviennent de LTX lui-même ou de tests commandités par l'entreprise, ce qui invite à la prudence en attendant des comparatifs indépendants. Reste à voir si l'écosystème ComfyUI, déjà central dans la communauté open source de génération d'images et de vidéos, parviendra à consolider LTX comme standard face à la pression des géants du cloud qui investissent massivement dans leurs propres modèles fermés.

💬 Ce qui compte ici c'est le chiffre : 6,8 secondes pour générer 10 secondes de vidéo, donc plus rapide que le temps réel. Sur le papier c'est la première fois qu'un modèle open weights bat ce seuil, et ça change le calcul pour les studios qui hésitaient entre API fermée et self-hosting. Reste que tous les benchmarks viennent de LTX elle-même, alors j'attends les tests indépendants avant de crier victoire, mais l'intégration ComfyUI day one, ça sent le vrai lancement, pas juste un paper.

NVIDIA lance NemotronLabs VoiceChat 11B, un modèle vocal en duplex intégral avec 450 ms de latence et appel d'outils en direct

NVIDIA a publié NemotronLabs VoiceChat 11B, un modèle ouvert de 11 milliards de paramètres capable de conversation vocale en duplex intégral, c'est à dire que l'agent écoute pendant qu'il parle. Contrairement aux architectures classiques qui enchaînent reconnaissance vocale, modèle de langage et synthèse vocale dans trois systèmes séparés, ce modèle traite la compréhension et la génération de parole dans un seul réseau unifié, ce qui supprime les échanges entre API et réduit la latence. Sur le benchmark Full-Duplex-Bench 1.0, la latence de transition de tour de parole mesurée est de 448 millisecondes, et le taux de prise de parole lorsqu'un utilisateur interrompt l'agent atteint 1,00 en 480 millisecondes. Le modèle est le premier système ouvert en duplex intégral à permettre l'appel d'outils pendant que la conversation continue, via un canal de sortie séparé dédié aux scripts au format TOOLCALL, complété par des phrases d'attente prédéfinies par l'opérateur pour éviter les silences pendant qu'une requête API s'exécute. L'architecture combine un encodeur vocal Fast Conformer issu de Nemotron-Speech-Streaming-En-0.6b, le modèle de langage Nemotron Nano v2 comme colonne vertébrale, et un décodeur de synthèse vocale NVIDIA produisant de l'audio à 22,05 kHz. L'entraînement a mobilisé environ 550 000 heures d'audio réel et synthétique, en s'appuyant sur les travaux SALM-Duplex et Audio Flamingo 3. Cette sortie compte parce qu'elle abaisse concrètement la barrière technique pour construire des agents vocaux réactifs capables d'interruption naturelle et d'actions en temps réel, un défi resté largement non résolu dans l'écosystème open source. Les secteurs visés sont nombreux: centres d'appels, assistants embarqués dans les véhicules, commande vocale en restauration rapide, modernisation des serveurs vocaux télécoms, dialogues de personnages non joueurs dans le jeu vidéo, et outils d'accessibilité. Mais NVIDIA précise que le modèle reste destiné à la recherche uniquement, pas à la production: le contexte audio est plafonné à deux minutes, le système peut dégénérer en réponses incohérentes après plusieurs tours d'échange, et des erreurs de transcription ou des prises de parole intempestives de l'agent après la fin d'un tour ont été documentées. L'accès reste réservé aux équipes disposant d'au moins un GPU de 80 Go de VRAM, comme les puces A100, H100, RTX 6000 Pro ou B200 sous Linux x86_64, puisqu'aucune API hébergée ni fournisseur d'inférence ne propose actuellement le modèle. Sur les benchmarks d'appel d'outils vocaux BFCL-v3, les scores restent modestes, avec 58,5% de réussite sur les appels simples et seulement 27,5% sur les appels multiples et parallèles combinés, tandis que NVIDIA recommande de limiter chaque session à cinq outils maximum. Le modèle se classe deuxième parmi les systèmes ouverts en duplex intégral sur les classements VoiceBench et Full-Duplex-Bench 1.0, ce qui en fait une base de travail prometteuse mais encore expérimentale pour les laboratoires de recherche, startups spécialisées en IA vocale et fournisseurs de cloud GPU qui voudront l'affiner avant tout déploiement réel.

💬 Le duplex intégral qui marche à 448 ms, c'est le vrai déblocage ici, pas le nombre de paramètres. Ça fait des années que l'appel d'outils en conversation vocale butait sur le silence gênant pendant qu'une API répond, et là ils le masquent avec des phrases d'attente, c'est bricolé mais ça fonctionne. Reste que "recherche uniquement", contexte à deux minutes et 27,5% de réussite sur les appels d'outils multiples, faut pas se leurrer, on est encore loin d'un centre d'appels en prod avec ça.

Pokee AI lance Pokee-Isaac 28B, un modèle à agents avec un contexte de 10 millions de tokens conçu pour tourner chez le client

La start-up Pokee AI a dévoilé Pokee-Isaac 28B, un modèle de fondation texte de 28 milliards de paramètres doté d'une fenêtre de contexte de 10 millions de tokens, conçu pour tourner à l'intérieur du périmètre informatique du client plutôt que sur un cloud externe. Il atteint 93,3% sur le benchmark RULER à 10 millions de tokens, score maintenu à chaque palier testé, alors que GPT-5.6 Luna et Gemini 3.5 Flash Lite décrochent dès le million de tokens après avoir tenu jusqu'à 512 000. Distribué sous licence et non en poids ouverts, Isaac est accessible via une API compatible OpenAI, déployable en VPC, sur site ou en local, avec support dès le lancement pour vLLM et SGLang, et fonctionnerait sur un seul GPU grand public type RTX 4090, bien que les mesures publiées proviennent uniquement d'un GPU de classe B200. Le tarif annoncé, provisoire, est de 0,15 dollar par million de tokens en entrée et 1 dollar en sortie. Cette architecture vise les organisations où les données ne peuvent réglementairement pas quitter un périmètre défini : santé et assurance, services financiers, défense et secteur public, cabinets juridiques, recherche pharmaceutique ou semi-conducteurs. Pour ces acteurs, un agent capable de traiter des dizaines de millions de tokens sans passer par une API externe ouvre des usages jusque-là impossibles : revue complète d'un dépôt de code, analyse de contrats sur plusieurs années, ou investigation forensique sur des archives de logs entières, sans recourir au résumé du contexte. Sur les benchmarks agentiques, Isaac affiche une quasi-parité avec les meilleurs modèles cloud, avec 70,94 contre 70,61 pour Luna sur BFCL v4, et enregistre les taux de réussite d'attaques les plus bas de son panel en test de sécurité, tout en restant en retrait sur Terminal-Bench 2.1 avec 56 tâches résolues sur 86 contre 60 pour Luna. Cette sortie illustre une tension propre aux agents IA à long horizon : plus une tâche s'étire, plus elle accumule d'observations dans la fenêtre de contexte, une contrainte que seuls quelques modèles propriétaires hébergés dans le cloud géraient jusqu'ici à grande échelle, excluant de fait les secteurs régulés et les applications embarquées. En rendant un modèle à contexte massif exploitable sur une seule carte graphique et déployable localement, y compris sur des puces comme l'Intel Arc Pro B70, le Core Ultra Series 3 « Panther Lake » ou le Snapdragon X2 Elite de Qualcomm, Pokee AI cible les entreprises et fabricants d'appareils disposant déjà de leur propre infrastructure plutôt que les développeurs sans matériel sur site. Le rapport reconnaît lui-même une limite : les résultats de sécurité d'Isaac ont été obtenus avec le harnais logiciel propre à Pokee, contrairement aux modèles concurrents testés dans l'environnement standard.

💬 Pokee-Isaac règle un vrai problème, pas un problème de démo : 10 millions de tokens de contexte tenus jusqu'au bout, là où GPT-5.6 et Gemini 3.5 flanchent dès le million. Et le coup malin, c'est le déploiement on-prem sur une seule RTX 4090, ça parle direct à la santé, la finance ou la défense qui ne peuvent pas envoyer leurs données chez OpenAI. Reste que les benchmarks de sécurité tournent sur leur propre harnais maison, pas l'environnement standard, donc avant de crier victoire j'attendrais des tests indépendants.

Moonshot cherche davantage de puces Nvidia Blackwell pour son prochain modèle

La startup chinoise Moonshot AI, basée à Pékin, discute déjà des plans pour son prochain modèle d'intelligence artificielle, Kimi K4, qui serait nettement plus grand que son prédécesseur, selon deux personnes proches du dossier. Cette annonce intervient dans la foulée du succès retentissant de Kimi K3, lancé récemment et devenu le plus grand modèle open source au monde avec 2,8 billions de paramètres. Selon trois sources informées, Moonshot a entraîné K3 en utilisant des puces Nvidia, y compris les modèles Blackwell les plus avancés, confirmant ainsi en partie une déclaration publiée sur X par Michael Kratsios, haut responsable de la Maison-Blanche. Or ces puces sont censées être inaccessibles aux entreprises chinoises en vertu des restrictions à l'exportation imposées par les autorités américaines. Pour développer K4, Moonshot chercherait désormais à obtenir davantage de puces Blackwell, selon deux des personnes citées. Cette affaire illustre les failles persistantes du régime de contrôle des exportations américain censé freiner l'accès de la Chine aux technologies d'IA les plus avancées. Si une startup chinoise parvient à entraîner le plus grand modèle open source au monde sur du matériel Nvidia de pointe malgré l'embargo, cela remet en question l'efficacité réelle des sanctions et alimente les inquiétudes à Washington sur les contournements possibles des restrictions. Pour l'industrie, cela confirme aussi que la Chine reste capable de rivaliser au plus haut niveau en matière de modèles de langage, avec des conséquences directes sur la compétition technologique sino-américaine. Le contrôle des exportations de semi-conducteurs vers la Chine est devenu un axe central de la politique américaine sous plusieurs administrations, Nvidia étant régulièrement sommée d'adapter ses gammes de puces pour respecter les seuils autorisés. Le cas Moonshot, avec sa demande de nouvelles puces Blackwell pour K4, place à nouveau la question du contournement des règles au centre du débat, alors que les autorités américaines et Nvidia devront potentiellement clarifier comment de tels approvisionnements ont pu avoir lieu.

💬 Nvidia Blackwell dans un modèle chinois qui bat les records open source, ça dit tout de l'efficacité réelle des restrictions à l'export américaines. Sur le papier, l'embargo devait ralentir la Chine sur l'IA de pointe, dans les faits Moonshot construit le plus gros modèle open source du monde avec le matériel censé lui être interdit. Washington va devoir soit fermer les fuites, soit admettre que le contrôle des exportations ne contrôle plus grand-chose.

Open Dreamer : une reproduction JAX/Flax du modèle Dreamer 4, avec la recette d'entraînement complète publiée

Un petit groupe de chercheurs en IA, l'équipe Reactor, a publié Open Dreamer, une implémentation ouverte du pipeline de modèle du monde Dreamer 4, codée en JAX et Flax NNX. Deux dépôts ont été mis en ligne: next-state/open-dreamer contient le pipeline d'entraînement complet, avec un tokenizer vidéo causal, un modèle de dynamique latente conditionné par l'action, la génération de rollouts et le calcul du score FVD, tandis que reactor-team/open-dreamer propose un harnais de rollout local minimal qui génère des images à partir d'un fichier MP4 et d'un fichier d'actions associé. Un troisième élément, une démo dans le navigateur hébergée sur l'infrastructure Reactor, diffuse en temps réel un monde Minecraft généré et propose un bouton pour basculer entre le jeu réel et le rêve, image par image. L'équipe a délibérément limité ses méthodes à celles décrites dans l'article de recherche original sur Dreamer 4, en commençant par CoinRun, un jeu de plateforme 2D procédural entraînable sur un seul GPU, avant d'étendre le pipeline à des séquences de jeu Minecraft au format VPT. L'architecture repose sur un même squelette transformeur causal par blocs, utilisé à la fois pour le tokenizer et le modèle de dynamique, alternant des couches spatiales qui propagent l'information au sein d'une image et des couches temporelles causales qui relient les images entre elles. Le tokenizer, un auto-encodeur masqué plutôt qu'un VAE classique, atteint une compression d'environ 100 fois sans perte de qualité liée aux pertes KL ou adversariales, le masquage rendant selon l'équipe l'espace latent plus facile à diffuser. Le modèle de dynamique prédit l'image suivante via diffusion forcing, flow matching et modèles shortcut, tout en anticipant la prochaine action; les jetons du modèle du monde n'ont toutefois pas accès au jeton de l'agent, si bien que la politique n'influence le futur qu'à travers l'action suivante. Concrètement, le modèle de dynamique Minecraft compte 1,6 milliard de paramètres répartis sur 30 couches, avec 30 têtes d'attention et une attention par requêtes groupées à 3 têtes clé-valeur, entraîné pendant 200 000 étapes avec l'optimiseur Muon et un taux d'apprentissage de pointe de 3e-4. Cette publication détaillée offre à la communauté open source une reproduction fidèle et documentée d'une architecture jusque-là propriétaire, avec des choix d'ingénierie précis sur le parallélisme et l'utilisation du matériel. L'équipe rapporte une utilisation des FLOPs du modèle de 57 à 58 %, proche du seuil de 60 % jugé sain pour l'entraînement de transformeurs, et explique avoir dû composer avec un mur mémoire sur les activations plutôt que sur l'état du modèle, qui tient en environ 24 Gio sur un GPU B200. Ce travail s'inscrit dans une course plus large à la reproduction ouverte des modèles du monde utilisés pour la génération d'environnements interactifs et l'entraînement d'agents.

💬 Le vrai signal ici, c'est que Dreamer 4 sort du placard propriétaire avec la recette d'entraînement complète, pas juste des poids. Ça compte, parce que jusqu'ici les modèles du monde restaient des boîtes noires qu'on citait sans pouvoir vérifier. 57-58% d'utilisation FLOPs sur B200, c'est du sérieux, pas du proof-of-concept bricolé. Reste à voir si ça tient quand quelqu'un d'autre que l'équipe Reactor essaie de le reproduire sur son propre matériel.

L'article valide des benchmarks de service LLM distribué avec NVIDIA srt-slurm, des recettes SLURM, des balayages de paramètres et une analyse de Pareto

Voici la traduction/résumé en français, sans titres ni tirets cadratins. NVIDIA a publié srt-slurm, un framework open source qui permet de transformer des configurations YAML déclaratives en workflows SLURM reproductibles pour le déploiement de grands modèles de langage distribués. L'outil en ligne de commande, srtctl, orchestre l'ensemble du processus : génération de scripts sbatch, gestion des recettes de benchmark prêtes à l'emploi, et interaction avec une API Python typée. Un tutoriel récent montre comment installer le projet directement dans Google Colab, en clonant le dépôt GitHub et en l'exécutant en mode éditable, avant d'explorer son architecture interne organisée en modules distincts : cli pour les commandes d'application et de simulation, core pour les schémas de configuration et la génération SLURM, backends pour les adaptateurs de moteurs d'inférence comme SGLang, TensorRT-LLM et vLLM, et analysis pour un tableau de bord Streamlit dédié à l'analyse des résultats. Le tutoriel détaille ensuite la création d'un fichier de configuration de cluster définissant les comptes, partitions, limites de temps, conteneurs et chemins de modèles, avant de modéliser un déploiement dissocié de type prefill-and-decode pour DeepSeek-R1, l'un des modèles de raisonnement open source les plus utilisés actuellement. Cette démarche répond à un besoin concret des équipes qui déploient des modèles de langage à grande échelle sur des clusters GPU : pouvoir valider et affiner leurs configurations de benchmark avant de les soumettre à une infrastructure de production coûteuse à mobiliser. En permettant de générer des balayages de paramètres (parameter sweeps), de valider les configurations étendues et d'analyser les résultats simulés via une analyse de frontière de Pareto opposant débit et latence, srt-slurm réduit le risque d'erreurs coûteuses lors du passage à l'échelle réelle. Pour les équipes MLOps et les fournisseurs de cloud GPU, cela représente un gain de temps significatif dans l'optimisation des déploiements d'inférence distribuée, un enjeu central alors que les coûts de calcul liés aux modèles de raisonnement comme DeepSeek-R1 continuent d'augmenter. Ce projet s'inscrit dans la tendance plus large de NVIDIA à outiller l'écosystème de l'inférence distribuée, aux côtés de son framework Dynamo pour le routage de requêtes entre nœuds. Le choix de Google Colab comme environnement de démonstration est révélateur : bien que Colab ne dispose pas d'un véritable environnement SLURM, il sert d'espace de développement pratique pour comprendre et préparer des recettes de benchmark de qualité production. Cette approche pourrait faciliter l'adoption de srt-slurm par des équipes ne disposant pas encore d'un accès direct à un cluster SLURM, en abaissant la barrière à l'entrée avant un déploiement réel sur des GPU comme les gammes H100, B200 ou GB200 de NVIDIA.

Le consortium Soofi publie Soofi S 30B-A3B, un modèle hybride Mamba-Transformer MoE ouvert pour l'allemand et l'anglais

Souveraineté numérique allemande et europ­éenne en IA : un consortium mené par la fédération professionnelle KI Bundesverband, avec le soutien du ministère fédéral allemand de l'Économie et de l'Énergie, vient de publier le rapport de pré-entraînement de Soofi S 30B-A3B, un nouveau modèle de fondation ouvert bilingue allemand-anglais. Développé avec Fraunhofer IAIS, le DFKI, l'université technique de Darmstadt, ellamind et Merantix Momentum, l'entraînement s'est déroulé intégralement sur l'Industrial AI Cloud de Deutsche Telekom à Munich, entre le 24 mars et le 13 mai 2026, mobilisant jusqu'à 512 GPU NVIDIA B200 pour un total d'environ 253 000 heures de calcul. Les poids en préversion sont disponibles sur Hugging Face. Techniquement, il s'agit d'un modèle hybride Mamba-Transformer à mélange d'experts (MoE), totalisant 31,6 milliards de paramètres dont seulement 3,2 milliards activés par token. Son architecture reprend sans modification le design de référence Nemotron 3 Nano de Nvidia : 52 couches réparties entre 23 couches Mamba-2, 23 couches MoE et seulement 6 couches d'attention GQA, ces dernières étant les seules à conserver un cache clé-valeur. Chaque couche MoE dispose de 128 experts routés, dont 6 sont activés par token, complétés par 2 experts partagés. Le modèle a ingéré environ 26 680 milliards de tokens en trois phases, avec une part de l'allemand passant de 7,2% à 15,32% des tokens entre les deux premières phases, contre à peine 5% pour toutes les langues non anglaises réunies dans la référence Nemotron, notamment grâce à Genios, qui fournit 193 millions d'articles issus de 916 archives de presse et de titres spécialisés sous licence commerciale. Cette approche paie sur les benchmarks : testé face à 16 autres modèles de base ouverts avec le même protocole d'évaluation, Soofi S affiche les meilleurs scores agrégés en anglais (70,1%) et en allemand (79,1%) parmi les modèles entièrement ouverts, devançant Olmo 3 32B, Apertus 70B, EuroLLM 22B et Alia 40B, avec des écarts particulièrement marqués en programmation, en mathématiques et en compréhension de texte allemand. Comparé à une version Nemotron 3 Nano entraînée sur les données de référence habituelles, le gain net attribuable uniquement à la recette de données allemande est de 1,8 point en anglais, 4,2 points en allemand et 6,7 points sur les tâches inédites en anglais, ce qui démontre que la performance vient bien du corpus et non de l'architecture. Pour l'industrie européenne de l'IA, ce résultat est significatif : il prouve qu'un modèle entraîné avec des ressources publiques et une gouvernance souveraine peut rivaliser avec des modèles bien plus gros comme Apertus 70B ou Alia 40B, tout en restant totalement ouvert et reproductible. Soofi S s'inscrit dans une dynamique plus large de modèles de fondation souverains, portée en réaction à la dépendance de l'Europe envers les modèles américains et chinois. Face aux meilleurs modèles ouverts toutes tailles confondues, il reste toutefois derrière Qwen3.5 35B-A3B, et se situe au coude à coude avec Gemma 3 27B et Ministral 3 14B en anglais, tout en les dépassant en allemand. S'agissant d'un modèle de base sans alignement ni réglage d'instructions, son usage direct reste réservé aux équipes techniques : les poids sont distribués en accès restreint avec un code de modélisation personnalisé, pensé pour être déployé sur des infrastructures comme vLLM. Les prochaines étapes attendues incluent probablement des versions instruites et alignées, ainsi qu'une adoption par des acteurs industriels allemands soucieux de disposer d'une alternative locale aux grands modèles propriétaires.

💬 Ce qui est intéressant ici, c'est que le gain vient à 100% de la recette de données allemande, pas de l'architecture (ils ont juste repris Nemotron 3 Nano tel quel). Autrement dit : la souveraineté en IA, ça se joue sur le corpus et les accords de licence presse, pas sur un exploit d'ingénierie exotique. Reste que c'est un modèle de base sans instruction, en accès restreint, donc pour l'instant c'est une preuve de concept pour labos et industriels allemands, pas un outil qu'on branche demain.

« Nemotron Labs 3 Puzzle 75B A9B : un LLM MoE hybride compressé qui multiplie par 2,03 le débit serveur »

NVIDIA a dévoilé Nemotron-Labs-3-Puzzle-75B-A9B, une version compressée de son modèle hybride Nemotron-3-Super, combinant architecture Mamba et Transformer avec un système de mélange d'experts (MoE). Le modèle parent comptait 120,7 milliards de paramètres au total, dont 12,8 milliards actifs par requête. La version compressée descend à 75,3 milliards de paramètres au total et 9,3 milliards actifs, soit une réduction à 62,4% et 73,1% respectivement. L'équipe a fixé deux objectifs avant de lancer la recherche d'architecture : doubler le débit serveur à 100 tokens par seconde et par utilisateur, et permettre huit requêtes simultanées d'un million de tokens sur un seul GPU H100. Trois versions du modèle sont disponibles sur Hugging Face, en BF16, FP8 et NVFP4. La structure en 88 blocs du modèle d'origine, répartis entre 40 blocs Mamba, 40 blocs MoE et 8 blocs d'attention, a été conservée telle quelle ; seule la capacité interne de chaque bloc a été réduite, notamment la taille de l'état Mamba, ramenée de 128 à 96, et le nombre d'experts activés par token, passé de 22 à une moyenne de 4 à 18. Les gains de performance sont substantiels. Sur un nœud à huit GPU B200, le débit total grimpe de 1,60 à 2,14 fois par rapport à Nemotron-3-Super, à format NVFP4 et débit par utilisateur équivalents, avec les meilleurs résultats dans les scénarios à forte génération de texte (8K tokens en entrée, 64K en sortie). Sur un seul GPU H100 traitant des contextes d'un million de tokens, la contrainte bascule du calcul vers la mémoire : les poids NVFP4 du modèle Super occupent environ 70 Go sur les 80 Go de mémoire HBM disponibles, ne laissant de la place que pour une seule requête simultanée. La version Puzzle, avec des poids réduits à 44,5 Go, permet de traiter huit requêtes en parallèle, soit un débit de décodage agrégé environ quatre fois supérieur. Le préremplissage d'un prompt de 990 000 tokens est également environ 1,2 fois plus rapide. La méthode de recherche itérative employée, baptisée Puzzletron, surpasse une approche en une seule étape de 0,57 point en moyenne sur les benchmarks, pour un même niveau de compression. Le coût de cette compression n'est cependant pas nul : les scores reculent de 4,2 points sur Arena-Hard-V2 et de 2,6 points sur SWE-Bench, tandis que les benchmarks de contexte long comme RULER et AA-LCR restent quasiment stables. Cette avancée répond à un problème économique concret pour les fournisseurs d'infrastructure IA : les modèles hybrides massifs comme Nemotron-3-Super, bien que précis, coûtent cher à déployer en production, leurs paramètres actifs et leur cache mémoire limitant le nombre d'utilisateurs qu'un serveur peut servir à un débit donné. En réduisant la taille du modèle sans repenser sa structure fondamentale, NVIDIA cherche à rendre l'inférence à grande échelle plus abordable, notamment pour les cas d'usage à contexte très long comme l'analyse de documents volumineux ou les agents conversationnels de longue durée. Puzzletron s'inscrit dans un mouvement plus large de recherche d'architecture neuronale appliquée à la compression de modèles, où un programme d'optimisation mixte sélectionne, bloc par bloc, la meilleure configuration possible sous une contrainte de taille donnée. La méthode illustre une tendance de fond dans l'industrie : plutôt que de simplement réduire uniformément la taille des modèles, les équipes de recherche cherchent désormais à identifier précisément quelles parties d'un réseau neuronal peuvent être compressées sans sacrifier les capacités jugées essentielles, ouvrant la voie à des déploiements plus efficaces à mesure que les contextes traités par les modèles de langage continuent de s'allonger.

NVIDIA lance Nemotron-Labs-3-Puzzle-75B-A9B : un LLM MoE hybride compressé qui double le débit serveur à débit utilisateur égal

NVIDIA a publié Nemotron-Labs-3-Puzzle-75B-A9B, une version compressée de son modèle hybride Mamba-Transformer à mélange d'experts Nemotron-3-Super. Le modèle d'origine comptait 120,7 milliards de paramètres au total, dont 12,8 milliards actifs par requête. La version compressée tombe à 75,3 milliards de paramètres au total et 9,3 milliards actifs, soit une réduction respective à 62,4% et 73,1% de la taille initiale. L'architecture en 88 blocs (40 blocs Mamba, 40 blocs MoE, 8 blocs d'attention) a été préservée telle quelle ; seule la capacité interne de chaque bloc a été réduite, notamment la taille de l'état des couches Mamba (de 128 à 96) et le nombre d'experts routés activés par token (de 22 à une moyenne de 11). Le modèle est disponible sur Hugging Face en trois versions : BF16, FP8 et NVFP4. Les objectifs de conception avaient été fixés avant même la recherche d'architecture : doubler le débit serveur à 100 tokens par seconde et par utilisateur, et permettre huit requêtes simultanées de 1 million de tokens de contexte sur un seul GPU H100. Les gains mesurés dépassent l'objectif initial. Sur un nœud à huit GPU B200, le débit total grimpe de 1,60 à 2,14 fois celui du modèle Super, à format numérique et débit utilisateur équivalents, les meilleurs résultats se situant dans les scénarios à forte génération (jusqu'à 42 601 tokens par seconde contre 20 939 pour Super). Sur un H100 unique avec un contexte d'un million de tokens, le poids des paramètres NVFP4 passe de 70 Go à 44,5 Go, ce qui fait chuter la contrainte mémoire dominante et fait passer la concurrence de requêtes traitables simultanément de 1 à 8, avec un débit de décodage agrégé environ quadruplé. Cette efficacité a un coût en qualité : les scores chutent de 4,2 points sur Arena-Hard-V2 et de 2,6 points sur SWE-Bench, alors que les benchmarks de contexte long comme RULER restent quasiment stables. Pour les entreprises qui déploient de grands modèles hybrides à grande échelle, cela représente une réduction significative des coûts d'infrastructure par utilisateur servi. Cette compression repose sur Puzzletron, un framework de recherche d'architecture neuronale développé par NVIDIA qui explore différentes implémentations possibles pour chaque couche du modèle, leur attribue un score de qualité, puis sélectionne la combinaison optimale via un programme d'optimisation en nombres entiers mixtes sous contrainte de taille cible. L'équipe a par ailleurs démontré qu'une approche itérative de cette recherche surpasse une approche en une seule étape de 0,57 point en moyenne, pour un même niveau de compression. Les couches Mamba ont été élaguées de façon uniforme, faute de support actuel des frameworks d'inférence pour des tailles d'état variables selon les couches, tandis que les couches d'attention sont restées intactes, l'équipe jugeant Nemotron-3-Super déjà très efficace en matière de cache KV. Les détails complets figurent dans un article publié sur arXiv.

Optimiser l'entraînement des modèles sur Amazon SageMaker AI avec NVIDIA Blackwell

Amazon Web Services a rendu disponibles sur Amazon SageMaker AI les instances P6-B200, équipées de huit GPU NVIDIA Blackwell B200, pour l'entraînement de modèles de machine learning à grande échelle. Ces GPU de nouvelle génération embarquent 180 Go de mémoire HBM par puce (268 Go sur le B300), contre des capacités bien inférieures sur les générations précédentes, et s'interconnectent via NVLink 5 qui atteint 1,8 To/s de bande passante bidirectionnelle entre GPU. La configuration cible des modèles Transformer allant de 1 à 64 milliards de paramètres, entraînés en parallélisme de données fragmentées (FSDP de PyTorch) sur un nœud unique à huit GPU. L'accès à ces instances peut être réservé via le programme Flexible Training Plan d'AWS pour bénéficier d'une capacité prévisible et d'une gestion automatisée des ressources. Cette architecture modifie concrètement ce qui est réalisable dans l'entraînement de grands modèles. Jusqu'ici, les ingénieurs se heurtaient à trois contraintes classiques : des tailles de batch limitées par la mémoire GPU, des séquences tronquées pour éviter les erreurs out-of-memory, et un fractionnement du modèle sur plusieurs nœuds qui génère une surcharge réseau importante. Avec 180 Go par GPU, certains modèles qui nécessitaient auparavant plusieurs nœuds peuvent désormais tenir sur un seul nœud à huit GPU, ce qui réduit la latence de communication, accélère les cycles d'itération et diminue les coûts d'infrastructure. Des séquences plus longues deviennent viables pour les tâches de dépendances à longue portée, et le nombre d'étapes de synchronisation des gradients diminue avec des batchs plus grands, améliorant le débit global. NVIDIA Blackwell représente la cinquième génération de Tensor Cores de la marque, et son architecture dual-chip marque une rupture par rapport aux générations Ampere et Hopper. L'explosion de la taille des modèles ces trois dernières années, de GPT-3 à 175 milliards de paramètres jusqu'aux modèles actuels dépassant le trillion, a poussé les fournisseurs cloud et les fabricants de puces à repenser conjointement leurs offres. AWS et NVIDIA ont renforcé leur partenariat autour de SageMaker pour proposer une intégration clé en main qui abstrait la gestion de l'infrastructure. Les prochaines étapes pratiques pour les équipes ML consistent à calibrer le format de précision (FP8, BF16 ou FP16 selon la taille du modèle), ajuster le checkpointing d'activations pour équilibrer mémoire et calcul, et décider si la priorité est le débit, la réduction des communications inter-GPU ou la longueur de contexte. L'enjeu pour AWS est de capter une part croissante des budgets d'entraînement de modèles fondationnels, un marché où Google Cloud et Microsoft Azure jouent également des capacités GPU Blackwell.

Micron Technology atteint un chiffre d’affaires record et vise désormais 50 milliards de dollars

Micron Technology a publié le 24 juin 2026 des résultats trimestriels qui ont dépassé toutes les prévisions de Wall Street. Le fabricant américain de mémoires a enregistré 41,46 milliards de dollars de chiffre d'affaires au troisième trimestre de son exercice fiscal 2026, contre 9,3 milliards un an plus tôt, soit une progression de 346 % en glissement annuel. Le bénéfice par action s'est établi à 25,11 dollars, contre 20,39 dollars attendus. La marge brute a atteint 84,6 %, la marge opérationnelle 80,4 %, et le bénéfice net 28,2 milliards de dollars. Surtout, Micron a annoncé viser 50 milliards de dollars de chiffre d'affaires pour son quatrième trimestre fiscal, avec une marge brute proche de 86 %, là où les analystes anticipaient environ 43 milliards. L'action a bondi de plus de 15 % après la clôture des marchés. Ces résultats révèlent la rentabilité exceptionnelle des mémoires à haute bande passante (HBM), devenues indispensables aux accélérateurs d'intelligence artificielle équipant les grands centres de données. L'offre reste structurellement insuffisante face à une demande portée par les déploiements massifs d'infrastructure IA chez les hyperscalers, ce qui permet à Micron d'appliquer des prix bien supérieurs aux mémoires conventionnelles. La création de valeur ne vient donc pas d'une hausse des volumes, les marchés PC et smartphone restent atones, mais d'une montée en gamme accélérée des produits et de leur rareté persistante. Pour les investisseurs en semiconducteurs, Micron s'impose comme l'un des baromètres les plus fiables de la santé réelle de l'écosystème IA. Ces résultats interviennent dans un contexte où le marché s'interrogeait depuis plusieurs semaines sur la durabilité des dépenses en infrastructure IA. Certains analystes craignaient un plateau après deux années de croissance soutenue. La guidance de Micron dissipe temporairement ces inquiétudes. Le groupe rivalise directement avec les sud-coréens Samsung et SK Hynix sur le segment HBM, un marché en pleine consolidation où les délais de production limitent la capacité à répondre rapidement à la demande. Nvidia, principal client de ces puces mémoire, continue d'absorber la quasi-totalité de la production disponible pour ses GPU H100 et Blackwell. Les prochains trimestres dépendront de la vitesse à laquelle Micron peut accroître ses capacités de production HBM, et de la pérennité des budgets d'investissement des géants du cloud, dont les annonces récentes suggèrent qu'ils n'entendent pas ralentir.

DFlash accélère le décodage spéculatif par blocs de tokens en parallèle, jusqu'à 15x plus de débit sur NVIDIA Blackwell

Une équipe de chercheurs de l'UC San Diego (z-lab) a publié DFlash, une nouvelle technique d'inférence qui accélère radicalement la génération de texte par les grands modèles de langage. Là où les approches classiques de décodage spéculatif, comme EAGLE-3, proposent encore les tokens futurs un par un, DFlash adopte une logique de diffusion par blocs : un modèle léger génère un bloc entier de tokens en une seule passe parallèle, puis le grand modèle cible vérifie ce bloc simultanément. Les gains mesurés dépassent 6x d'accélération sans perte de qualité sur une variété de modèles et de tâches. Sur Qwen3-8B avec décodage glouton, DFlash atteint une accélération moyenne de 4,86x, contre 2,02x pour EAGLE-3 dans sa meilleure configuration. Sur les architectures NVIDIA Blackwell, les équipes d'ingénierie de NVIDIA rapportent jusqu'à 15x de débit supplémentaire sur gpt-oss-120b, à cible d'interactivité utilisateur constante, soit environ 2,5x mieux qu'EAGLE-3. Cette progression est significative pour toute l'industrie de l'inférence LLM, notamment pour les modèles de raisonnement à longue chaîne de pensée (Chain-of-Thought), dont la lenteur de génération est devenue le principal goulot d'étranglement opérationnel. Le principal avantage de DFlash réside dans son architecture : son drafter ne comporte que cinq couches (huit pour Qwen3-Coder), là où des approches antérieures comme DiffuSpec ou SpecDiff-2 mobilisaient des drafters de 7 milliards de paramètres pour plafonner à 3-4x. En injectant les représentations internes du modèle cible directement dans les projections Key et Value de chaque couche du drafter, DFlash maintient un signal fort quel que soit la profondeur de génération. Un drafter DFlash à cinq couches générant 16 tokens surpasse EAGLE-3 générant 8 tokens, à la fois en latence et en taux d'acceptation. Le décodage spéculatif existe depuis plusieurs années comme réponse à la sous-utilisation chronique des GPU modernes lors de l'inférence autoregressive : un petit modèle propose, un grand modèle vérifie en parallèle, et les tokens acceptés préservent la distribution de sortie originale. Mais la contrainte autoregressif du drafter limitait les gains réels à 2-3x en production. DFlash contourne ce plafond en empruntant aux modèles de diffusion leur capacité à débruiter un bloc masqué en une passe, sans assumer les inconvénients habituels des LLM diffusion purs, souvent moins précis et nécessitant de nombreuses étapes. La prochaine étape pour z-lab et NVIDIA sera de valider ces résultats en production multi-flux et à grande échelle, mais les chiffres actuels font de DFlash un candidat sérieux à l'adoption dans les infrastructures d'inférence haute performance.

💬 Le décodage spéculatif tournait en rond depuis des années, coincé à 2-3x de gain en production. DFlash passe à autre chose : un drafter de 5 couches génère des blocs entiers en parallèle et dépasse EAGLE-3 sous tous les angles, ce qui explique les 15x rapportés sur Blackwell et redéfinit ce que "inférence pas chère" peut vouloir dire pour des modèles de raisonnement. Si vLLM l'intègre vite, quelques acteurs cloud européens vont souffler.

NVIDIA et AWS s'associent pour déployer l'IA en production à grande échelle

NVIDIA et Amazon Web Services (AWS) ont annoncé un approfondissement de leur collaboration pour faciliter le déploiement de l'intelligence artificielle à grande échelle en production. Les nouvelles instances Amazon EC2 G7, équipées des GPU NVIDIA RTX PRO 4500 Blackwell Server Edition, offrent jusqu'à 4,6 fois les performances d'inférence IA et 2,1 fois les performances graphiques par rapport aux instances G6 précédentes. Ces instances supportent jusqu'à huit GPU, 256 Go de mémoire GPU totale, 700 Gbps de réseau EFA et jusqu'à 7,6 To de stockage NVMe local, dans des configurations allant d'un à huit GPU. Parallèlement, la bibliothèque NVIDIA cuVS devient le moteur par défaut de l'indexation vectorielle dans Amazon OpenSearch Serverless, avec des performances jusqu'à dix fois supérieures à un coût quatre fois inférieur aux solutions CPU seules. AWS a par ailleurs obtenu le statut NVIDIA Exemplar Cloud sur les GPU GB300, certification attestant que la plateforme répond aux seuils de performance de référence de NVIDIA pour les charges d'entraînement. Ces avancées changent concrètement la donne pour les équipes qui construisent des systèmes d'IA en production. L'intégration de cuVS comme choix par défaut dans OpenSearch Serverless transforme la recherche vectorielle accélérée par GPU d'un projet d'optimisation spécialisé en une capacité AWS standard. Cela signifie que des bases de données vectorielles à l'échelle du milliard d'entrées deviennent réalisables en moins d'une heure, ce qui rend les applications de type RAG (retrieval-augmented generation), recherche sémantique ou IA agentique accessibles à un bien plus grand nombre d'entreprises. Pour les équipes médias et data, les instances G7 permettent également de traiter des workflows vidéo haute résolution, du rendu 3D et des pipelines analytiques sur le même type d'instance, réduisant la complexité opérationnelle. Cette collaboration s'inscrit dans une course entre les grands fournisseurs cloud à offrir la meilleure infrastructure IA clé en main. NVIDIA cherche à s'imposer comme couche matérielle incontournable, aussi bien pour l'entraînement que pour l'inférence et la recherche vectorielle, tandis qu'AWS veut simplifier le passage de l'expérimentation à la production. Le statut Exemplar Cloud sur les GB300, fruit d'un co-engineering approfondi entre les deux entreprises, positionne AWS comme plateforme de référence pour les charges d'entraînement les plus exigeantes. Les instances G7 seront prochainement disponibles sur Amazon SageMaker AI, ce qui étendra encore leur portée. L'enjeu sous-jacent est de réduire la friction entre infrastructure et application pour les entreprises qui n'ont pas les ressources pour gérer leurs propres clusters GPU.

SpaceX est déjà un fournisseur cloud de 28 milliards de dollars par an

SpaceX vient de signer un troisième contrat de location de GPU, cette fois avec la startup Reflection AI, s'ajoutant aux accords déjà connus avec Anthropic et Google. L'analyste Jamin Ball a compilé les chiffres : les trois contrats totalisent 2,32 milliards de dollars par mois, à plus de 10 dollars de l'heure pour des GPU Blackwell de Nvidia. Annualisé, ce montant atteint 28 milliards de dollars par an, soit environ le double du revenu actuel de Coreweave, le spécialiste du cloud GPU introduit en bourse il y a un an pour une valorisation de 60 milliards. Baseten, de son côté, a officialisé une levée de fonds de 13 milliards de dollars en Série F, confirmant l'appétit massif des investisseurs pour l'infrastructure d'IA. L'émergence de SpaceX comme fournisseur cloud de premier plan redistribue les cartes dans un marché jusqu'ici dominé par AWS, Azure et Google Cloud. Le fait qu'Anthropic et Google, concurrents directs sur le terrain des modèles, louent simultanément de la capacité chez SpaceX révèle une pénurie structurelle de GPU Blackwell que les hyperscalers peinent à absorber seuls. Pour les startups d'IA, cette nouvelle offre réduit la dépendance à un fournisseur unique et pourrait, à terme, peser sur les tarifs. Le tarif actuel, supérieur à 10 dollars de l'heure, reste néanmoins très élevé, signe que la demande dépasse largement l'offre disponible sur le marché. Cette percée de SpaceX s'inscrit dans un moment de transformation accélérée de l'ensemble de l'écosystème. OpenAI a étendu son programme Daybreak avec le lancement de GPT-5.5-Cyber, un modèle dédié à la cybersécurité déjà revendiqué comme état de l'art sur le benchmark CyberGym, accompagné d'un plugin Codex Security couvrant plus de 30 millions de commits et 30 000 dépôts, avec pour ambition de passer de la simple détection de vulnérabilités à leur correction automatisée en boucle fermée. Sakana AI a de son côté lancé Fugu, une couche d'orchestration qui sélectionne et combine dynamiquement plusieurs modèles frontier via une API unique, rapidement intégrée par Vercel dans son AI Gateway. Les benchmarks présentés ont toutefois suscité une vive controverse, des observateurs pointant des baselines opaques, l'absence de comptabilisation des coûts et un retard d'environ dix points sur Opus dans SWE-Bench Pro. La question de qui manque encore à la liste des clients de SpaceX, notamment Meta ou Microsoft, reste posée et pourrait bien définir la prochaine vague de contrats.

💬 Quand Anthropic et Google louent des GPU au même fournisseur en même temps, c'est pas un choix stratégique, c'est une pénurie. SpaceX ramasse 28 milliards annualisés sans avoir sorti un seul modèle, juste en achetant des Blackwell au bon moment pendant que les hyperscalers étaient à court, et ça dit quelque chose de net sur qui a compris que le calcul allait devenir la vraie contrainte. Meta et Microsoft sont absents de la liste.

De la simulation des matériaux à l'astronomie : NVIDIA lance un logiciel d'IA pour la découverte scientifique

Lors de la conférence ISC qui se tient cette semaine à Hambourg, NVIDIA a annoncé plusieurs nouvelles bibliothèques logicielles destinées à accélérer la recherche scientifique grâce à l'IA et au calcul GPU. Parmi elles : la bibliothèque DAQIRI (Data Acquisition for Integrated Real-time Instruments), les microservices ALCHEMI NIM, et le code de référence cuPhoton, bientôt disponible. Ces outils font partie de l'écosystème CUDA-X de NVIDIA. Les gains de performance sont spectaculaires : cuPhoton, testé sur des systèmes GB200 NVL72, accélère le chargement et l'analyse des images astronomiques au format FITS par un facteur 14 900 pour les données du Rubin Observatory, et offre un traitement du signal jusqu'à 8 400 fois plus rapide avec 32 superchips Grace Blackwell. DAQIRI, de son côté, a été utilisé dans le cadre du projet A-GHOST, développé par le CERN, l'Université de Chicago et l'University College London, pour analyser en temps réel les données de collisions de l'expérience ATLAS, données qui étaient auparavant rejetées à plus de 99 % faute de capacité de stockage. ALCHEMI, quant à lui, propose déjà deux microservices pour la simulation moléculaire (relaxation de géométrie et dynamique moléculaire par lots), avec un support du logiciel VASP prévu prochainement. Ces outils changent fondamentalement l'échelle à laquelle la science peut opérer. Le Rubin Observatory et son instrument LSST, la plus grande caméra numérique jamais construite, génèrent des pétaoctets de données sur des milliards de galaxies et d'objets faiblement lumineux. Transformer ces flux massifs en résultats analysables en temps quasi réel ouvre des possibilités inédites pour la recherche sur la matière noire et l'énergie sombre. De même, A-GHOST permettra au CERN de récupérer des signaux potentiellement cruciaux qui disparaissaient jusqu'ici dans les filtres de sélection. Pour la chimie computationnelle, ALCHEMI permet de simuler des millions de molécules simultanément, ce qui accélère la découverte de nouveaux matériaux pour les batteries, les catalyseurs, les écrans OLED ou encore les formulations cosmétiques. Ces annonces s'inscrivent dans une tendance de fond : depuis plusieurs années, le calcul GPU migre des centres de données commerciaux vers les laboratoires scientifiques, portés par des projets comme AlphaFold ou les grands modèles de fondation pour la physique. NVIDIA positionne CUDA-X comme l'infrastructure transversale de cette transformation, en couvrant aussi bien l'astrophysique que la chimie ou la physique des particules. Les partenariats avec Princeton, Harvard et le CERN donnent une légitimité institutionnelle forte à ces outils. La prochaine intégration de VASP dans ALCHEMI, logiciel de référence mondial pour les simulations de matériaux ab initio, est particulièrement significative : elle signale que NVIDIA vise désormais le cœur des workflows scientifiques établis, et pas seulement leurs marges computationnelles.

💬 99 % des données de collision de l'expérience ATLAS au CERN finissaient à la poubelle faute de capacité de traitement en temps réel. DAQIRI change ça, et c'est la stat la plus vertigineuse dans un article qui en compte pourtant beaucoup. L'intégration de VASP dans ALCHEMI dit le reste : NVIDIA ne vend plus des GPUs aux labos scientifiques, il en devient le système nerveux.

Databricks et Nvidia préparent ensemble l’avenir de l’IA agentique

Databricks et Nvidia ont annoncé lors du Data + AI Summit un renforcement significatif de leur partenariat, centré sur le déploiement industriel de l'IA agentique en entreprise. Les deux groupes intègrent désormais plus profondément leurs infrastructures matérielles et logicielles, avec un accès serverless aux GPU Nvidia A10 et H100 directement dans la plateforme Databricks via un environnement baptisé AI Runtime (AIR). Les GPU Hopper, couplés au réseau Quantum InfiniBand, prennent en charge les entraînements distribués à grande échelle, tandis que la compatibilité avec l'architecture Blackwell prépare l'accès aux prochaines générations de puissance de calcul. Databricks a également annoncé la prise en charge des GPU Nvidia dans son édition gratuite, ainsi que le support prochain des conteneurs NGC et des environnements CUDA personnalisés, permettant aux équipes d'exécuter leurs stacks spécialisées sans multiplier les couches d'infrastructure externes. Ce tournant est stratégique pour les entreprises qui ne se contentent plus d'expérimenter l'IA générative : elles cherchent à industrialiser des agents capables de raisonner, d'agir et d'interagir avec leurs données métier dans des environnements sécurisés et gouvernés. L'accès GPU dans l'édition gratuite de Databricks abaisse concrètement la barrière d'entrée pour les startups, développeurs indépendants et équipes de recherche à budgets limités, ce qui pourrait accélérer significativement l'adoption de l'IA avancée hors des grandes entreprises. La réduction de la complexité opérationnelle, en rapprochant entraînement et déploiement des données gouvernées, répond à l'un des freins majeurs identifiés dans les projets d'IA en production. Le partenariat entre Databricks et Nvidia s'inscrit dans une mutation plus profonde des architectures d'IA. Les grands modèles de langage ont jusqu'ici concentré l'attention sur les GPU pour l'inférence, mais les agents autonomes de nouvelle génération exigent bien davantage : exécution d'appels d'outils, interrogation de bases de données, coordination de plusieurs étapes de raisonnement en temps réel, interaction avec des systèmes métiers hétérogènes. C'est dans ce contexte que Nvidia met en avant Vera, son futur processeur conçu pour ces charges de travail agentiques hybrides, combinant CPU et GPU dans une même puce. Databricks, valorisé 62 milliards de dollars lors de sa dernière levée de fonds en 2024, positionne ainsi sa plateforme comme la couche d'orchestration centrale pour les entreprises qui construisent la prochaine vague d'IA, au moment où la concurrence avec Snowflake, Google et Microsoft s'intensifie sur ce segment précis du marché.

La France fait progresser l'avenir de l'IA en Europe avec les technologies NVIDIA

La France accélère son infrastructure d'intelligence artificielle à grande échelle, avec plusieurs annonces majeures dévoilées cette semaine à VivaTech 2026. Mistral, la licorne française de l'IA, a mis en service son premier centre de données à Bruyères-le-Châtel, en région parisienne, équipé de 18 000 systèmes NVIDIA GB200. Ce site de 44 mégawatts constitue la première étape d'un plan visant 200 mégawatts de capacité de calcul répartis à travers l'Europe d'ici 2027. Mistral collabore par ailleurs avec la banque publique Bpifrance, la société d'investissement MGX et NVIDIA pour développer Campus AI, un réseau d'usines d'IA dont l'élément central devrait atteindre 1,4 gigawatt. Bull et Foxconn ont annoncé la production en Europe du supercalculateur NVIDIA Vera Rubin NVL72 : les systèmes seront fabriqués en République tchèque puis assemblés et validés dans l'usine Bull d'Angers. Le fournisseur de cloud Scaleway propose désormais des instances NVIDIA Blackwell B300-SXM, et un consortium de huit entreprises françaises a soumis une candidature pour accueillir une gigafactory européenne de l'IA sur le sol français. Ces investissements positionnent la France comme l'un des pivots de l'infrastructure IA en Europe, dans un contexte de compétition mondiale intense pour la puissance de calcul. Pour les entreprises et développeurs du continent, disposer de ces ressources localement réduit la dépendance aux infrastructures américaines et répond aux exigences de souveraineté et de conformité imposées par la réglementation européenne. L'essor de modèles ouverts, adaptés aux langues et aux cadres juridiques locaux, donne aux organisations publiques et privées la capacité d'inspecter, d'adapter et d'auditer leurs systèmes d'IA. Schneider Electric, associé à NVIDIA pour concevoir des plans de déploiement de centres de données à l'échelle du gigawatt, entend industrialiser ces infrastructures pour répondre à une demande qui ne cesse d'accélérer. Ce déploiement prolonge la dynamique lancée à GTC Paris lors de VivaTech 2025, où la France avait annoncé ses ambitions nationales en matière d'IA. Le programme France 2030, le Sommet pour l'action sur l'IA de 2025 et le sommet Choose France ont depuis mobilisé des milliards d'euros d'engagements d'investissement. Sur scène à VivaTech cette année, des responsables de Gradium, H Company, LINAGORA et Pleias ont débattu du rôle des modèles ouverts dans l'écosystème européen. Pierre-Carl Langlais, directeur technique de Pleias, a résumé l'enjeu : "On passe de la construction d'un modèle isolé à une infrastructure de modèles en continu, où les modèles s'entraînent mutuellement, gèrent les données et valident l'apprentissage par renforcement." L'objectif affiché est que les pratiques de pointe en IA se diffusent à l'ensemble de l'économie européenne, en dehors de toute dépendance exclusive aux acteurs américains.

💬 18 000 GB200 à Bruyères-le-Châtel, un supercalculateur assemblé à Angers, Scaleway avec du Blackwell en prod, là on parle d'infrastructure qui existe vraiment. Ce que ça change pour les entreprises européennes, c'est la possibilité de faire tourner des modèles lourds sans passer par un datacenter américain, ce qui n'est pas qu'un argument marketing quand l'AI Act t'impose des audits de tes systèmes. Bon, les gigawatts annoncés pour 2027, on verra si les délais tiennent.

Paralléliser le décodage spéculatif avec P-EAGLE sur Amazon SageMaker AI

Amazon Web Services a mis en open source une nouvelle méthode d'inférence appelée P-EAGLE (Parallel-EAGLE), désormais intégrée nativement dans Amazon SageMaker JumpStart pour accélérer le déploiement de grands modèles de langage en production. Basée sur la technique du décodage spéculatif, P-EAGLE transforme une étape jusqu'ici séquentielle en opération entièrement parallèle : au lieu de générer les tokens candidats un par un via plusieurs passes successives, elle les prédit tous simultanément en une seule passe vers l'avant. Sur des GPU NVIDIA B200 avec quantification FP8, des benchmarks réalisés sur le modèle Qwen3-Coder-30B-A3B-Instruct montrent des gains allant jusqu'à 1,69x de débit supplémentaire par rapport à EAGLE-3, le framework de référence précédent. À une concurrence de 1, P-EAGLE avec K=11 tokens spéculatifs atteint 1 167 tokens de sortie par seconde, contre 955 pour EAGLE-3 et seulement 294 sans spéculation. Cette avancée répond à un problème concret qui freinait les déploiements à grande échelle : plus on voulait spéculer loin dans la séquence, plus la latence augmentait de façon linéaire, annulant une partie du gain. P-EAGLE casse cette contrainte en remplissant les positions intermédiaires avec des marqueurs appris, permettant de prédire plusieurs tokens à la fois sans coût séquentiel supplémentaire. Pour les entreprises qui servent des millions de requêtes quotidiennes sur des modèles de code ou de génération longue, un gain de 1,69x de débit se traduit directement en réduction de coûts d'infrastructure ou en capacité à absorber davantage de trafic sans redimensionner le parc de GPU. L'intégration dans SageMaker JumpStart simplifie encore l'adoption : les développeurs peuvent déployer un endpoint optimisé P-EAGLE sans gérer manuellement les kernels CUDA sous-jacents ni les configurations de serving distribué. Le décodage spéculatif existe depuis plusieurs années comme technique d'optimisation d'inférence, et EAGLE en était devenu l'implémentation la plus performante, avec EAGLE-3 introduisant des prédictions directes de tokens et la fusion de représentations issues de plusieurs couches du modèle cible. Mais toutes ces versions conservaient une limite architecturale fondamentale héritée de l'autoregressivité du modèle brouillon. AWS a contourné ce plafond avec P-EAGLE, qu'il a choisi de reverser à la communauté open source plutôt que d'en faire un avantage exclusif. La méthode s'inscrit dans une compétition intense entre fournisseurs cloud pour offrir l'inférence la plus rapide et la moins coûteuse, notamment sur les modèles de code et de raisonnement qui génèrent des séquences longues. Avec son intégration SageMaker, AWS positionne P-EAGLE comme la voie par défaut pour les déploiements de modèles open-weight en production, au moment où des modèles comme Qwen3 et leurs successeurs s'imposent comme alternatives sérieuses aux modèles propriétaires.