Dossier Meta IA — page 3

L’IA de Meta censée tout changer sera en retard et c’est à cause de ChatGPT

Le prochain grand modèle d'intelligence artificielle de Meta, connu en interne sous le nom de « Muse Spark », accuserait des retards répétés avant son déploiement dans les applications du groupe. C'est ce que révèle le Wall Street Journal, qui indique que le lancement a été repoussé à plusieurs reprises. Initialement conçu comme un système multimodal de pointe, Muse Spark devait être capable de traiter simultanément du texte, des images, du raisonnement complexe et des interactions avancées au sein des plateformes Meta. Le groupe prévoyait également de l'ouvrir aux développeurs externes afin qu'ils puissent construire leurs propres services à partir de ce socle technologique. Mark Zuckerberg lui-même en avait fait l'une des priorités stratégiques absolues de l'entreprise, justifiant des investissements de plusieurs dizaines de milliards de dollars dans les centres de données, les infrastructures et les puces spécialisées. Ces retards révèlent la difficulté croissante pour Meta de tenir le rythme face à une concurrence qui ne ralentit pas. En interne, des responsables estiment que Muse Spark demeure en retrait sur plusieurs critères essentiels, notamment la qualité du raisonnement et la stabilité des résultats. Ce n'est pas qu'une question de performances techniques : c'est surtout la capacité du modèle à rivaliser frontalement avec ChatGPT d'OpenAI, Gemini de Google et Claude d'Anthropic qui pose problème. Pour un groupe dont les applications touchent plus de trois milliards d'utilisateurs, lancer un modèle perçu comme inférieur aux alternatives disponibles pourrait nuire à la crédibilité de Meta dans la course à l'IA et freiner l'adoption auprès des développeurs. Ce retard s'inscrit dans une dynamique de marché particulièrement tendue. OpenAI poursuit l'expansion de l'écosystème ChatGPT, Google accélère l'intégration de Gemini dans Android et Workspace, et Anthropic gagne progressivement du terrain dans les entreprises. Meta, malgré des ressources financières considérables, paie le prix d'une compétition qui s'est durcie bien plus vite qu'anticipé. Le groupe avait misé sur une fenêtre d'opportunité pour s'imposer avec un modèle souverain, intégré nativement dans ses plateformes sociales et ouvert à l'écosystème tiers. Si Muse Spark continue à prendre du retard, Meta risque de se retrouver à lancer un modèle dans un paysage où les positions dominantes seront déjà consolidées, rendant la tâche encore plus ardue pour rattraper les leaders actuels.

Meta et Stanford présentent Fast Byte Latent Transformer : 50% de bande passante mémoire en moins, sans tokenisation

Des chercheurs de Meta, de Stanford University et de l'Université de Washington ont présenté trois nouvelles méthodes pour accélérer significativement le Byte Latent Transformer (BLT), une architecture de modèle de langage qui traite directement le texte en octets bruts plutôt qu'en tokens. La contribution principale s'appelle BLT Diffusion (BLT-D) et s'attaque à un problème central du BLT : son décodeur local génère les octets un à un, de manière autoregressive, ce qui implique plusieurs passes mémoire là où un modèle tokenisé n'en nécessite qu'une seule. Sur les serveurs modernes de LLM, le goulot d'étranglement n'est pas la puissance de calcul brute mais la bande passante mémoire, c'est-à-dire le coût répété de charger les poids du modèle et les caches KV depuis la mémoire. La solution proposée remplace ce décodage octet par octet par une diffusion discrète par blocs : au lieu de prédire un seul octet à la fois, le modèle génère simultanément des blocs de 4, 8 ou 16 octets en démasquant progressivement les positions les plus certaines à chaque étape, selon deux stratégies, l'une basée sur un seuil de confiance, l'autre sur une contrainte d'entropie cumulative. L'enjeu pratique est considérable. Selon les chercheurs, ces méthodes permettent de réduire la bande passante mémoire à l'inférence de plus de 50%, ce qui se traduit directement par une accélération de la génération de texte. Pour les entreprises qui déploient des LLM à grande échelle, où le coût d'inférence est un facteur économique déterminant, ce gain représente une réduction significative de la latence et des coûts opérationnels. Au-delà de la vitesse, les modèles octet-niveau comme BLT présentent des avantages intrinsèques que les architectures tokenisées peinent à égaler : meilleure gestion du texte multilingue, robustesse accrue face au bruit dans les entrées, et traitement naturel du code, des chiffres et des caractères spéciaux, sans les artefacts produits par les tokenizers comme le byte-pair encoding (BPE). Le BLT avait déjà constitué une avancée notable en démontrant qu'un modèle opérant sur des octets bruts pouvait atteindre les performances des modèles tokenisés à grande échelle, grâce à une segmentation dynamique en patches de longueur variable pilotée par l'entropie locale du texte. Les régions difficiles à prédire reçoivent des patches courts, les passages plus prévisibles des patches plus longs, avec une taille moyenne de 4 octets et un maximum de 8. La majeure partie du calcul s'effectue sur des représentations latentes compressées via trois composants : un encodeur local, un Transformer global, et un décodeur local. Le principal frein à l'adoption industrielle de cette approche restait sa lenteur à l'inférence, rendue pénalisante par le nombre élevé de passes décodeur nécessaires. Les trois techniques introduites dans ce nouveau travail visent directement ce verrou, ouvrant concrètement la voie au déploiement des modèles octet-niveau dans des environnements de production exigeants, où vitesse et coût ne sont pas négociables.

Meta lance Autodata : un framework à base d'agents qui transforme les modèles IA en data scientists autonomes pour créer des données d'entraînement de haute qualité

L'équipe RAM (Reasoning, Alignment and Memory) de Meta AI a présenté Autodata, un cadre de génération de données d'entraînement reposant sur des agents IA autonomes. Plutôt que de produire des données synthétiques en une seule passe, Autodata confie à un agent le rôle d'un data scientist humain : il crée des exemples, les analyse, en évalue la qualité, puis affine sa méthode de génération en boucle fermée. La première implémentation concrète du système, baptisée Agentic Self-Instruct, s'appuie sur un LLM orchestrateur qui coordonne quatre sous-agents spécialisés : un Challenger LLM qui génère des exemples d'entraînement, un Weak Solver (modèle plus faible censé échouer sur ces exemples), un Strong Solver (modèle plus capable censé réussir), et un Evaluator qui valide la pertinence et la difficulté des exemples produits. Testée sur des problèmes de raisonnement scientifique complexe, cette approche surpasse significativement les méthodes classiques de génération de données synthétiques comme Self-Instruct ou ses variantes Chain-of-Thought. L'enjeu est de taille : la qualité des données d'entraînement a toujours été un goulot d'étranglement dans le développement des grands modèles de langage, autant que la puissance de calcul. Autodata ouvre une voie pour convertir du calcul d'inférence supplémentaire en données de meilleure qualité, plus on alloue de ressources à l'agent, plus les données produites sont pertinentes. Pour les équipes qui développent des modèles IA, c'est une rupture méthodologique : il devient possible de piloter et d'améliorer la qualité des données en cours de génération, et non plus seulement de filtrer ou corriger après coup. Cela réduit également la dépendance à l'annotation humaine, coûteuse et difficile à scaler, tout en maintenant un contrôle itératif sur la distribution et la difficulté des exemples générés. Jusqu'ici, la génération de données synthétiques suivait des pipelines largement statiques : on promptait un LLM avec des exemples zéro-shot ou few-shot, parfois en s'appuyant sur des documents source pour limiter les hallucinations. Les méthodes dites "Self-Challenging" avaient commencé à introduire une dynamique agent-outil, mais sans boucle de feedback réelle sur la qualité globale du jeu de données. Autodata représente l'étape suivante en intégrant cette rétroaction directement dans le processus de création. Meta s'inscrit ici dans une tendance plus large du secteur : utiliser des agents IA pour automatiser des tâches d'ingénierie complexes, y compris la construction des données qui servent à entraîner ces mêmes agents. La publication est portée par l'équipe RAM de Meta AI Research, ce qui signale une ambition de long terme autour de l'autonomie des systèmes d'apprentissage.

Meta FAIR publie NeuralSet : un package Python pour la neuro-IA compatible fMRI, M/EEG, signaux neuronaux et embeddings HuggingFace

Le laboratoire FAIR de Meta a publié NeuralSet, un framework Python destiné à la recherche en Neuro-IA, dont l'objectif est de résoudre l'un des obstacles les plus tenaces du domaine : l'intégration des données cérébrales dans les pipelines d'apprentissage profond. Le projet s'appuie sur cinq abstractions centrales, Events, Extractors, Segments, Batch Data et une couche Backend, pour représenter toute expérience neuroscientifique sous forme de métadonnées légères et pilotées par événements, entièrement dissociées des signaux bruts, volumineux et coûteux en mémoire. Chaque enregistrement, qu'il s'agisse d'une session fMRI, d'un mot prononcé lors d'une tâche cognitive ou d'un stimulus vidéo, est modélisé comme un dictionnaire Python léger contenant un type, un temps de début, une durée et un identifiant de session. L'ensemble d'une étude est compilé dans un DataFrame pandas unique, ce qui permet de filtrer et de recombiner des jeux de données massifs sans charger un seul octet de signal en mémoire. Au moment du calcul effectif, des Extractors font le lien avec les bibliothèques spécialisées existantes : FmriExtractor délègue à Nilearn, tandis que MegExtractor et EegExtractor s'appuient sur MNE-Python. L'intégration native de l'écosystème HuggingFace permet d'aligner automatiquement les signaux neuronaux avec des embeddings issus de modèles comme DINOv2, CLIP, Wav2Vec, Whisper, GPT-2 ou LLaMA. L'enjeu est considérable pour la communauté scientifique. Jusqu'à présent, les chercheurs en Neuro-IA devaient construire des pipelines ad hoc pour chaque expérience, avec manipulation manuelle des données, mise en cache artisanale et configurations backend complexes. NeuralSet rend ce travail d'infrastructure partageable et reproductible via des objets Chain chaînables et cachables. Pour les laboratoires qui travaillent avec les jeux de données publics d'OpenNeuro, désormais à l'échelle du téraoctet, ou avec des protocoles expérimentaux intégrant de la parole continue et de la vidéo, ce gain de temps représente des semaines de développement économisées par projet. Cela ouvre également la voie à des comparaisons directes entre modalités cérébrales différentes, fMRI, EEG, iEEG, fNIRS, EMG, spikes, en ne changeant qu'un paramètre de configuration. La sortie de NeuralSet s'inscrit dans un mouvement plus large d'industrialisation des outils Neuro-IA, un champ à l'intersection des neurosciences computationnelles et des grands modèles de langage. Les outils historiques comme MNE-Python, Nilearn ou fMRIPrep, conçus avant l'ère du deep learning, n'étaient pas pensés pour l'alignement temporel avec des embeddings haute dimension ni pour le chargement paresseux de datasets massifs. FAIR, qui mène depuis plusieurs années des travaux sur la correspondance entre activité cérébrale et représentations de modèles d'IA, positionne NeuralSet comme une infrastructure commune pour accélérer cette recherche. Le framework est compatible avec les datasets au format BIDS, standard ouvert dominant en neuroimagerie, ce qui facilite son adoption immédiate sur les grandes bases publiques existantes.

La Chine bloque le rachat de Manus par Meta pour contenir les transferts d’IA

Pékin a opposé son veto à l'acquisition de Manus, startup chinoise spécialisée dans l'IA agentique, par le géant américain Meta Platforms. L'opération, valorisée à environ 2 milliards de dollars (1,7 milliard d'euros), a été bloquée par la National Development and Reform Commission, l'organisme de planification économique chinois, au nom des règles encadrant les investissements étrangers dans les secteurs stratégiques. La décision intervient alors que Manus s'était fait remarquer début 2025 comme l'un des systèmes d'IA agentique les plus avancés, capable d'exécuter des tâches complexes de manière autonome sans supervision humaine constante. Ce blocage marque un signal fort de Pékin : les technologies d'IA jugées stratégiques ne doivent pas migrer vers des acteurs américains, quelle que soit la valorisation proposée. Pour Meta, qui cherche activement à renforcer ses capacités en IA agentique face à OpenAI et Google, c'est un coup d'arrêt majeur. Pour l'écosystème tech mondial, cette décision illustre comment les deux premières puissances mondiales utilisent désormais la régulation des investissements comme outil de guerre technologique, au-delà des simples droits de douane. Ce veto s'inscrit dans une tendance lourde : depuis 2023, la Chine a considérablement renforcé son contrôle sur les sorties de technologies sensibles, en miroir des restrictions américaines sur les exportations de semi-conducteurs vers Pékin. Manus, fondée par des ingénieurs issus de grandes universités chinoises, représente précisément le type d'actif que Pékin entend protéger. La question reste ouverte de savoir si Meta cherchera une alternative via un partenariat ou se tournera vers d'autres cibles d'acquisition en dehors de la Chine.

Meta AI lance Sapiens2 : un modèle de vision haute résolution centré sur l'humain

Meta AI a publié Sapiens2, la deuxième génération de son modèle de vision centré sur les humains, entraîné sur un milliard d'images humaines baptisé Humans-1B. Le modèle existe en quatre tailles allant de 0,4 milliard à 5 milliards de paramètres, opère nativement en résolution 1K et dispose de variantes hiérarchiques capables de traiter des images en 4K. La version à 5 milliards de paramètres est, selon l'équipe de recherche, le transformeur de vision le plus lourd jamais publié avec 15,722 téraflops. Sapiens2 couvre simultanément plusieurs tâches : estimation de pose, segmentation, calcul des normales de surface, reconstruction de la géométrie (pointmap) et estimation de l'albédo, c'est-à-dire la couleur vraie d'une surface indépendamment de l'éclairage. Ces résultats sont décrits dans un article préimprimé mis en ligne fin avril 2026 sur arXiv. L'intérêt de Sapiens2 réside dans sa capacité à traiter la complexité du corps humain à grande échelle, là où les modèles généralistes échouent régulièrement. Distinguer les doigts d'une main, les dents des gencives, ou encore reconstituer la couleur de peau réelle sous un éclairage complexe sont des tâches que les approches classiques gèrent mal. En combinant deux objectifs d'entraînement complémentaires, un apprentissage par masquage (MAE) pour conserver la fidélité des détails fins, et un apprentissage contrastif basé sur une architecture étudiant-professeur dérivée de DINOv3 pour structurer les représentations sémantiques, Meta a résolu un problème que les chercheurs appellent la dérive de représentation : les méthodes contrastives seules effacent des indices d'apparence critiques comme le teint ou les conditions lumineuses, rendant certaines tâches photoréalistes impossibles. L'équipe a contourné ce problème en n'appliquant pas les augmentations de couleur sur les vues globales utilisées pour l'objectif MAE. Le premier Sapiens, sorti en 2024, reposait uniquement sur le préentraînement MAE, une approche efficace pour les détails de texture mais limitée sur le plan sémantique. Pour construire Humans-1B, Meta est parti d'un pool web d'environ 4 milliards d'images, puis a appliqué un pipeline de filtrage en plusieurs étapes incluant détection de boîtes englobantes, estimation de pose de la tête, scores d'esthétique et de réalisme, filtrage par CLIP et détection de texte superposé. La déduplication a été réalisée par hachage perceptuel et élagage par plus proche voisin en espace de features profondes, avant un rééchantillonnage par clusters pour équilibrer poses, occlusions, types de vêtements et conditions d'éclairage. Pour la résolution 4K, l'équipe a adopté une attention locale par fenêtres dans les premières couches du transformeur, permettant de capturer textures fines et contours sans exploser le coût de calcul quadratique de l'attention globale. Sapiens2 positionne Meta comme acteur sérieux dans la vision humaine haute résolution, un domaine stratégique pour la réalité augmentée, le gaming, et les interfaces corporelles.

Votre ado confie tout à l’IA ? Meta vous laisse enfin regarder

Meta a annoncé le lancement d'une nouvelle fonctionnalité de contrôle parental appelée "Insights", permettant aux parents de suivre les échanges entre leurs adolescents et l'assistant Meta AI. Disponible dès maintenant dans plusieurs pays anglophones, cet outil donne accès à un résumé hebdomadaire des grands thèmes abordés par les mineurs lors de leurs conversations avec l'IA sur les sept derniers jours. Les catégories proposées incluent l'école, le sport, les voyages, le divertissement, l'écriture, la santé et le bien-être. L'accès ne se fait pas mot à mot : les parents reçoivent une synthèse thématique, non une retranscription intégrale des échanges. Le déploiement à l'international est prévu dans les semaines à venir. Cette initiative répond à une préoccupation croissante autour de l'usage intensif des assistants IA par les adolescents, qui y confient parfois des sujets sensibles que leurs parents ignorent. En offrant une fenêtre partielle sur ces échanges, Meta cherche à rassurer les familles sans sacrifier complètement la vie privée des mineurs. L'outil est également conçu pour rester actif même lorsque l'IA refuse de répondre à certaines demandes : les parents peuvent voir qu'un sujet a été abordé, même si l'assistant n'a pas fourni de réponse directe. Sur les thématiques les plus délicates, notamment le suicide et l'automutilation, Meta prépare des alertes spécifiques pour prévenir les parents en temps réel si leur enfant tente d'aborder ces sujets avec l'IA. Cette annonce s'inscrit dans un contexte de pression croissante sur les géants du numérique pour mieux protéger les mineurs en ligne, alors que les législateurs américains et européens multiplient les initiatives de régulation. Meta, souvent accusé de négliger la sécurité des adolescents sur ses plateformes, avait déjà mis en place des comptes adolescents avec des restrictions intégrées. Une étude interne de l'entreprise avait pourtant suggéré que la supervision parentale n'avait qu'un impact limité sur l'usage excessif des réseaux sociaux chez les jeunes, ce qui n'a pas empêché le groupe de renforcer son dispositif. En collaboration avec le Cyberbullying Research Center, Meta prévoit également de proposer des "amorces de conversation" pour aider les parents à aborder le sujet de l'IA avec leurs enfants. La fonctionnalité Insights sera améliorée progressivement, sur la base des retours des familles et d'experts, dans une approche que Meta présente comme évolutive plutôt que définitive.

Les agents IA unifiés de Meta optimisent les performances à grande échelle

Meta a développé une plateforme d'agents IA unifiée pour automatiser la détection et la résolution des problèmes de performance à l'échelle de son infrastructure mondiale, qui sert plus de 3 milliards d'utilisateurs. Ce programme, baptisé Capacity Efficiency Program, repose sur des agents capables d'encoder l'expertise de ses ingénieurs seniors en compétences réutilisables et composables. Résultat concret : des centaines de mégawatts (MW) de puissance électrique récupérés, soit de quoi alimenter des centaines de milliers de foyers américains pendant un an. L'outil interne FBDetect détecte chaque semaine des milliers de régressions de performance, et les agents IA prennent désormais en charge leur résolution automatisée, compressant environ dix heures d'investigation manuelle en trente minutes. Les agents vont même jusqu'à générer des pull requests prêtes à révision, couvrant l'intégralité du chemin depuis la détection d'une opportunité d'optimisation jusqu'à la correction du code. L'impact est double : économique et opérationnel. Côté défense, chaque régression non résolue rapidement se traduit par une consommation électrique supplémentaire qui s'accumule sur l'ensemble du parc de serveurs de Meta. Côté offensif, les agents permettent désormais d'explorer proactivement des optimisations dans un nombre croissant de domaines produits, des opportunités que les ingénieurs n'auraient jamais le temps de traiter manuellement. Le programme peut ainsi augmenter sa capacité de livraison de mégawatts sans augmenter proportionnellement les effectifs humains, ce qui représente un levier de scalabilité majeur pour une infrastructure de cette taille. Libérés des tâches d'investigation répétitives, les ingénieurs peuvent se concentrer sur l'innovation produit. Ce projet s'inscrit dans une tendance plus large chez les grandes plateformes technologiques : automatiser la gestion de la complexité interne à mesure que l'infrastructure croît plus vite que les équipes humaines. Chez Meta, la découverte clé a été que l'offense (recherche proactive d'optimisations) et la défense (détection de régressions) partagent la même structure de problème, ce qui a permis de construire une plateforme unique plutôt que deux systèmes séparés. L'interface d'outils standardisée est au cœur de l'architecture : elle permet aux agents de combiner investigation de données de profilage, consultation de documentation interne, analyse des déploiements récents et recherche de discussions liées. L'objectif à terme est un moteur d'efficacité autonome où l'IA gère la longue traîne des problèmes de performance, un modèle qui pourrait inspirer d'autres hyperscalers confrontés aux mêmes contraintes d'échelle.

Un clone virtuel pour le patron : Meta développe une IA de Mark Zuckerberg pour ses employés

Meta développe actuellement une version IA photoréaliste de Mark Zuckerberg destinée à interagir avec les quelque 79 000 employés du groupe à travers le monde. Ce clone numérique permettrait aux collaborateurs d'obtenir des réponses ou des orientations de la part du PDG, même lorsque celui-ci est indisponible. Le projet s'inscrit dans les efforts plus larges de Meta pour déployer des agents conversationnels au sein de ses propres opérations internes. L'initiative soulève des questions profondes sur la nature de la communication managériale en entreprise. Déléguer la voix d'un dirigeant à un système d'IA représente un changement de paradigme majeur : les employés ne sauront plus avec certitude si les réponses qu'ils reçoivent émanent de leur patron réel ou de son avatar algorithmique. Pour une organisation de la taille de Meta, cela pourrait accélérer la diffusion de décisions et de directives, mais au risque de diluer l'authenticité des échanges humains et de créer une confusion sur l'accountability réelle. Cette démarche survient alors que Meta investit massivement dans les agents IA, aussi bien pour ses produits grand public que pour ses usages internes. Zuckerberg lui-même a multiplié les déclarations sur l'intégration de l'IA dans le fonctionnement quotidien de l'entreprise. Plusieurs grands groupes technologiques explorent des systèmes similaires pour automatiser des interactions internes, mais Meta serait l'un des premiers à pousser l'idée jusqu'à créer un double numérique du PDG en personne. Les implications éthiques, notamment en termes de transparence et de consentement des employés, restent entières.

Meta AI et KAUST proposent des ordinateurs neuronaux réunissant calcul, mémoire et entrées-sorties dans un seul modèle

Des chercheurs de Meta AI et de l'Université des sciences et technologies du roi Abdallah (KAUST) ont publié un article proposant un nouveau paradigme informatique qu'ils appellent les "Neural Computers" (NC). Contrairement à un agent IA classique qui s'appuie sur un système d'exploitation, des API et des terminaux existants, un Neural Computer est un réseau de neurones qui joue lui-même le rôle de l'ordinateur en cours d'exécution. L'équipe présente un cadre théorique formel ainsi que deux prototypes fonctionnels basés sur la génération vidéo : NC CLIGen, qui simule une interaction en ligne de commande, et NC GUIWorld, qui modélise des interfaces graphiques. Ces deux systèmes ont été construits sur Wan2.1, le modèle de génération vidéo de référence au moment des expériences. L'entraînement de NC CLIGen sur un jeu de données de près de 824 000 flux vidéo (environ 1 100 heures d'enregistrements de terminaux) a nécessité environ 15 000 heures de calcul sur GPU H100. Les résultats montrent une précision au niveau des caractères passant de 0,03 en début d'entraînement à 0,54 après 60 000 étapes, avec une qualité de reconstruction atteignant un PSNR moyen de 40,77 dB. L'enjeu central de cette recherche est de savoir si une machine apprenante peut commencer à assumer le rôle de l'ordinateur lui-même, plutôt que de simplement s'exécuter par-dessus lui. Dans un Neural Computer, l'état latent du modèle porte ce que la pile logicielle classique gère habituellement en dehors du modèle : le contexte d'exécution, la mémoire de travail et l'état de l'interface. L'objectif à long terme, baptisé "Completely Neural Computer" (CNC), vise un système Turing-complet, universellement programmable, cohérent dans son comportement sauf reprogrammation explicite, et respectant des sémantiques proches des architectures machines traditionnelles. Une exigence clé est un contrat run/update : les entrées ordinaires doivent exécuter les capacités installées sans les modifier silencieusement, tandis que tout changement de comportement doit passer par une interface de programmation explicite, traçable et réversible. Ce travail s'inscrit dans une trajectoire de recherche plus large qui cherche à repenser fondamentalement la frontière entre logiciel et modèle d'intelligence artificielle. Les chercheurs prennent soin de distinguer leur approche des Neural Turing Machines et des Differentiable Neural Computers des années 2010, qui visaient eux une mémoire externe différentiable plutôt qu'une fusion complète calcul-mémoire-interface. Meta AI, qui investit massivement dans la recherche fondamentale en IA depuis plusieurs années, s'associe ici à une institution académique du Golfe de plus en plus présente dans les publications de premier plan. Les prototypes actuels fonctionnent encore en mode ouvert, sans interaction en temps réel avec un environnement live, ce qui souligne le caractère exploratoire de la démarche. Si ce paradigme venait à mûrir, il pourrait remettre en question des décennies d'architecture logicielle en dissolvant la distinction entre programme et modèle.

Meta AI publie EUPE : une famille de vision encodeurs compacts de moins de 100M de parametres, rivaux des modeles specialises

Les équipes de recherche de Meta AI ont présenté EUPE (Efficient Universal Perception Encoder), une famille d'encodeurs visuels compacts de moins de 100 millions de paramètres capables de rivaliser avec des modèles spécialisés sur des tâches variées : classification d'images, segmentation dense, et questions-réponses visuelles. La publication, disponible sur arXiv sous la référence 2503.22387, expose une approche radicalement différente des méthodes existantes, notamment face à AM-RADIO et RADIOv2.5, les références actuelles en distillation multi-enseignants. Là où RADIOv2.5-B, sa variante à l'échelle ViT-B, accuse des écarts notables face aux experts de domaine sur les tâches denses, EUPE parvient à combler ces lacunes dans un format adapté aux appareils embarqués comme les smartphones ou les casques de réalité augmentée. L'enjeu est concret : déployer plusieurs encodeurs spécialisés en parallèle sur un appareil mobile est trop coûteux en calcul, mais n'en déployer qu'un seul signifie accepter des performances dégradées sur la plupart des tâches. EUPE change cette équation. Un seul modèle léger peut désormais gérer simultanément la compréhension visuelle globale, la détection de structures spatiales précises au niveau du pixel, et l'interaction avec des systèmes de langage visuel. Pour les développeurs d'applications mobiles, les fabricants de dispositifs AR ou les ingénieurs travaillant sur des pipelines d'IA embarquée, cela représente un gain substantiel en ressources sans sacrifice de polyvalence. La difficulté centrale que résout EUPE tient à un problème de capacité. Les modèles comme CLIP, SigLIP 2, DINOv2 ou SAM ont chacun été entraînés avec des objectifs distincts : paires texte-image pour les premiers, apprentissage auto-supervisé structurel pour le second, segmentation massive pour le troisième. Les tentatives précédentes de fusionner ces expertises par distillation agglomérative, où un modèle étudiant imite plusieurs enseignants spécialistes simultanément, donnaient de bons résultats sur de grands encodeurs dépassant 300 millions de paramètres, mais échouaient sur les architectures efficientes. La solution proposée par Meta suit un principe en deux temps : agrandir d'abord, puis réduire. Un modèle intermédiaire de grande taille absorbe les représentations des différents enseignants, avant d'être distillé à son tour dans l'encodeur compact final. Cette étape intermédiaire fournit au petit modèle une représentation unifiée et déjà réconciliée, plutôt qu'une collection brute de signaux contradictoires. La publication positionne EUPE comme une brique fondamentale pour la prochaine génération d'IA on-device, dans un contexte où Apple, Google et Qualcomm intensifient également leurs efforts pour faire tourner des modèles multimodaux directement sur le matériel utilisateur.

💬 Le problème des encodeurs visuels embarqués, c'est exactement ça : soit tu empiles plusieurs spécialistes et ça explose ton budget calcul, soit tu fais des compromis douloureux. L'approche "agrandir puis distiller" de Meta est maline, parce qu'elle donne au petit modèle une représentation déjà digérée plutôt que de lui coller des signaux contradictoires à réconcilier lui-même. Reste à voir ce que ça donne sur du vrai hardware, pas juste sur les benchmarks arXiv.

Meta utilise l'IA pour cartographier les connaissances tacites dans ses pipelines de données

Meta a développé un système original pour rendre ses agents IA capables de travailler efficacement sur une base de code massive : un pipeline de données couvrant quatre dépôts, trois langages de programmation et plus de 4 100 fichiers. Face à l'inefficacité des assistants IA classiques sur ce terrain, incapables de produire des modifications utiles rapidement, les ingénieurs ont conçu un moteur de pré-calcul composé de plus de 50 agents IA spécialisés. Ces agents ont systématiquement parcouru l'ensemble du code pour produire 59 fichiers de contexte condensés, encodant ce que les développeurs appellent le « tribal knowledge » : les règles implicites et les conventions qui n'existent que dans la tête des ingénieurs. Résultat : la couverture structurée du code est passée de 5 % à 100 % des modules, soit les 4 100 fichiers des trois dépôts. Plus de 50 patterns « non-évidents » ont été documentés pour la première fois, et les tests préliminaires montrent une réduction de 40 % des appels d'outils par les agents IA pour chaque tâche. L'enjeu n'est pas anodin. Sans cette cartographie, les agents IA se comportaient comme des développeurs juniors largués sur un projet inconnu : ils compilaient du code fonctionnel en apparence, mais subtilement incorrect. Par exemple, deux modes de configuration utilisent des noms de champs différents pour la même opération, les inverser produit une erreur silencieuse. Ou encore, des dizaines de valeurs d'énumération marquées « deprecated » ne peuvent jamais être supprimées, car la compatibilité de sérialisation en dépend. Aucune de ces règles n'était écrite nulle part. En les formalisant, Meta permet désormais à des modèles IA variés de naviguer le codebase de manière fiable, le système de connaissance étant indépendant du modèle utilisé. L'infrastructure se maintient aussi elle-même : toutes les quelques semaines, des jobs automatisés valident les chemins de fichiers, détectent les lacunes de couverture et corrigent les références obsolètes. Ce projet s'inscrit dans une tendance plus large où les grandes entreprises tech cherchent à industrialiser l'usage des agents IA sur des codebases de production réels, bien au-delà des démos. Meta avait déjà déployé des systèmes IA pour des tâches opérationnelles, surveillance de dashboards, reconnaissance de patterns incidents, suggestions de corrections, mais l'extension aux tâches de développement butait sur ce problème fondamental d'absence de contexte. La solution choisie, baptisée « compass, not encyclopedia », repose sur des fichiers ultra-compacts de 25 à 35 lignes environ 1 000 tokens chacun, organisés en quatre sections : commandes clés, fichiers essentiels, patterns non-évidents, et références croisées. Les 59 fichiers réunis pèsent moins d'un contexte de modèle standard. C'est cette sobriété délibérée, chaque ligne justifie sa présence, qui permet au système de rester maintenable et scalable à mesure que le codebase évolue.

Les salariés de Meta se disputent le statut de « légende des tokens » en IA

Chez Meta Platforms, un classement interne baptisé "Claudeonomics" transforme l'utilisation de l'intelligence artificielle en compétition entre employés. Mis en place par un salarié de l'entreprise sur son intranet à partir de données internes, ce tableau de bord mesure le nombre de tokens, les unités de données traitées par les modèles d'IA, consommés par chaque utilisateur. Les 250 plus gros consommateurs parmi les quelque 85 000 employés de Meta y figurent, avec des titres honorifiques à la clé : "Session Immortal" pour les plus assidus, et "Token Legend" pour les véritables champions de l'outil. Le nom "Claudeonomics" est une référence directe à Claude, le modèle phare d'Anthropic, le concurrent d'OpenAI dont Meta a vraisemblablement adopté les outils en interne. Ce type de mécanisme de gamification révèle une tendance de fond dans les grandes entreprises tech : encourager l'adoption massive des outils d'IA par les employés en jouant sur la compétition et la reconnaissance sociale. Pour Meta, qui investit massivement dans l'IA générative, afficher des statistiques d'usage aussi élevées est aussi un signal fort sur la culture interne de l'entreprise. Cette initiative s'inscrit dans un contexte où les géants de la tech cherchent à mesurer et accélérer l'intégration de l'IA dans leurs workflows quotidiens. Meta, qui développe ses propres modèles Llama tout en recourant à des outils tiers, fait face à la même question que l'ensemble de l'industrie : comment transformer des outils puissants en réflexes productifs pour des dizaines de milliers de salariés ? Les classements internes, aussi anecdotiques qu'ils paraissent, sont l'un des leviers expérimentés.

Meta Adaptive Ranking Model : infléchir la courbe d'inférence pour déployer des LLM dans la publicité

Meta a dévoilé l'Adaptive Ranking Model (ARM), un nouveau système de recommandation publicitaire fonctionnant à l'échelle des grands modèles de langage (LLM). Déployé sur Instagram au quatrième trimestre 2025, ARM a généré une hausse de 3 % des conversions publicitaires et de 5 % du taux de clics pour les utilisateurs ciblés. Le système atteint une complexité de calcul équivalente à celle des meilleurs LLMs — environ 10 GFLOPs par token — tout en maintenant une latence inférieure à 100 millisecondes, soit un ordre de grandeur plus rapide que l'inférence LLM standard. L'enjeu central qu'ARM résout est ce que Meta appelle le « trilemme de l'inférence » : comment faire tourner des modèles d'une complexité comparable à GPT-4 ou Llama dans un environnement publicitaire temps réel, où chaque requête doit aboutir en moins d'une seconde, pour des milliards d'utilisateurs, sans exploser les coûts d'infrastructure. La solution repose sur un routage intelligent des requêtes : plutôt que d'appliquer le même modèle à chaque impression publicitaire, ARM analyse le contexte et l'intention de l'utilisateur pour décider dynamiquement du niveau de complexité nécessaire. Les requêtes simples consomment peu de ressources ; les requêtes complexes mobilisent toute la puissance du modèle LLM-scale. Ce principe d'alignement dynamique entre complexité et contexte permet de maximiser la qualité des prédictions sans surcharger les serveurs. Trois innovations techniques rendent cela possible. Premièrement, une architecture centrée sur la requête plutôt que sur le modèle, permettant de servir un modèle à un trillion de paramètres (O(1T)) de façon économiquement viable. Deuxièmement, une co-conception modèle-matériel : les architectures sont conçues en tenant compte des contraintes précises du silicium utilisé, ce qui améliore significativement l'utilisation des GPU dans des environnements matériels hétérogènes. Troisièmement, une infrastructure de serving repensée autour d'architectures multi-cartes et d'optimisations bas-niveau spécifiques au hardware. Ce développement s'inscrit dans la course que se livrent les grandes plateformes pour intégrer l'intelligence des LLMs dans leurs systèmes de recommandation — un marché où chaque fraction de point de taux de conversion se traduit en milliards de dollars de revenus publicitaires. Pour Meta, dont plus de 98 % des revenus proviennent de la publicité, ARM représente une avancée structurelle : la preuve qu'il est désormais possible de faire fonctionner des modèles de la taille de ceux utilisés pour les chatbots dans des pipelines industriels ultra-contraints en latence et en coût.

MetaClaw entraîne des agents IA pendant vos réunions en consultant Google Calendar

Des chercheurs issus de quatre universités américaines ont mis au point MetaClaw, un framework conçu pour entraîner des agents d'intelligence artificielle de manière continue, sans interrompre leur utilisation. La particularité du système : il consulte le calendrier Google de l'utilisateur pour identifier les créneaux d'inactivité — réunions, pauses, déplacements — et en profite pour lancer des cycles d'apprentissage en arrière-plan. L'entraînement se déroule donc pendant que l'utilisateur est occupé, sans mobiliser de ressources au moment où il sollicite l'agent. Cette approche résout un problème fondamental des agents IA déployés en production : l'amélioration continue sans interruption de service. Jusqu'ici, mettre à jour un modèle impliquait soit de l'arrêter, soit d'accepter des dégradations temporaires de performance. MetaClaw permet d'optimiser l'agent en temps réel, en s'adaptant au rythme de travail réel de l'utilisateur. Pour les entreprises qui dépendent d'assistants IA dans leurs workflows quotidiens, cela représente un gain notable de fiabilité et d'efficacité opérationnelle. Ce travail s'inscrit dans un courant de recherche croissant autour de l'apprentissage continu (continual learning) et des agents IA adaptatifs — deux domaines en pleine effervescence depuis la multiplication des assistants déployés en environnement professionnel. L'intégration d'un signal aussi concret que l'agenda personnel pour orchestrer l'entraînement illustre une tendance plus large : ancrer les systèmes IA dans les contraintes réelles des utilisateurs plutôt que dans des cycles de mise à jour planifiés. La publication n'a pas encore précisé de date de diffusion du code ni de calendrier de déploiement commercial.

💬 L'idée est maline : utiliser les trous de calendrier pour entraîner l'agent en arrière-plan, sans jamais couper le service. C'est exactement le genre de contrainte qu'on contourne en prod à grands coups de maintenances nocturnes. Bon, pas de code dispo pour l'instant, donc on attend de voir si ça tient hors conditions de labo.

TRIBE v2 (Meta) : l'IA qui lit le cerveau humain

Meta FAIR publie TRIBE v2, un modèle qui anticipe les zones cérébrales activées en regardant une vidéo, écoutant un son ou lisant un texte. Architecture trimodale (LLaMA 3.2-3B + V-JEPA2 + Wav2Vec) entraînée sur 80 sujets. Performances supérieures aux versions séparées : c'est l'ouverture d'une IA qui « voit » dans le cerveau.

Les gros paris de Disney sur le metaverse et l'IA médiocre ne paient pas

Josh D'Amaro, nouveau PDG de Disney depuis moins d'une semaine, fait déjà face à deux crises simultanées. OpenAI ferme son programme de génération d'images Sora, quelques mois seulement après que Disney a annoncé un partenariat d'un milliard de dollars pour intégrer cette technologie à Disney+. Parallèlement, Epic Games — partenaire d'un accord à 1,5 milliard de dollars pour construire un métaverse commun — licencie 1 000 employés, et le projet n'a pratiquement donné aucun signe de vie depuis son annonce. Ces deux revers soulèvent des questions sérieuses sur la stratégie technologique de Disney. L'intégration de l'IA générative dans le streaming reste possible, mais perd son partenaire phare. Quant au métaverse, l'hémorragie chez Epic fragilise davantage un projet déjà flou. Pour D'Amaro, qui hérite de paris coûteux engagés sous son prédécesseur, la facture risque d'être lourde — financièrement et en termes de crédibilité. Ces déboires s'inscrivent dans un contexte plus large de désillusion autour du métaverse et des promesses parfois excessives de l'IA générative, deux secteurs où de nombreuses entreprises ont investi massivement sans résultats concrets à la hauteur des attentes.

Meta fait appel à l'IA pour simplifier les achats sur Instagram et Facebook

Meta intègre l'IA générative dans ses applications Instagram et Facebook pour enrichir l'expérience d'achat de ses utilisateurs. Cette fonctionnalité permet désormais d'afficher des informations détaillées sur les produits et les marques directement au sein des deux plateformes, au moment où les utilisateurs naviguent et font leurs achats. Pour les marques et les consommateurs, ce changement simplifie le parcours d'achat en réduisant la friction entre la découverte d'un produit et la décision d'achat. En centralisant les informations commerciales via l'IA, Meta renforce son positionnement comme plateforme de commerce social et ouvre de nouvelles opportunités publicitaires pour les annonceurs. Cette initiative s'inscrit dans la tendance générale des grandes plateformes technologiques à monétiser leurs milliards d'utilisateurs via le commerce intégré, un marché en pleine expansion face à la concurrence de TikTok Shop et Amazon.

Meta et OpenAI annoncent l'achat du premier chip IA d'Arm pour serveurs

Meta Platforms et OpenAI ont annoncé qu'ils achèteront le premier chip serveur IA d'Arm, qui jusqu'ici se contentait d'aider d'autres entreprises à concevoir des processeurs. Arm, propriété de SoftBank, lancera cette année un CPU optimisé pour les tâches IA, plus efficace que les GPU traditionnels.

Meta recrute une équipe star de l’IA pour créer les assistants du futur

Meta renforce ses capacités en agents IA en recrutant une équipe spécialisée, dans une démarche qui s'apparente à une acquisition sans rachat formel. Cette initiative s'inscrit dans la tendance générale autour des assistants IA, illustrée par des projets comme OpenClaw et NemoClaw (Nvidia). Meta cherche ainsi à rester compétitif dans la course aux agents IA du futur.

Meta : Mark Zuckerberg va laisser un agent IA diriger l’entreprise à sa place

Mark Zuckerberg développe un agent IA personnel destiné à l'aider à diriger Meta, selon le Wall Street Journal. Cet assistant est conçu pour accéder instantanément aux données et synthétiser l'information, court-circuitant les circuits internes jugés trop lents. Meta intègre déjà l'IA profondément dans ses opérations, jusqu'à l'évaluation des performances des salariés.

Rohit Patel (Meta) : « L’IA actuelle est une base largement suffisante pour transformer profondément la société »

Rohit Patel, directeur du Superintelligence Labs de Meta, estime que les grands modèles de langage actuels (Llama, ChatGPT, Gemini) constituent une base suffisante pour transformer profondément la société, contrairement à Yann LeCun qui juge nécessaire d'aller au-delà de l'IA générative. Il reconnaît cependant des limitations importantes à ces modèles, notamment l'absence de mémoire robuste et l'incapacité à percevoir le passage du temps.

Meta recrute l'équipe de la startup IA Dreamer

Meta a recruté les fondateurs et l'équipe de la startup d'agents IA Dreamer, dont Hugo Barra, David Singleton et Nicholas Jitkoff, qui rejoignent le groupe Meta Superintelligence Labs. Dans le cadre de l'accord, Dreamer accordera une licence de sa technologie à Meta.

Meta recrute toute l'équipe de Dreamer pour renforcer ses ambitions en agents IA

Meta recrute toute l'équipe de la startup Dreamer au sein de ses Meta Superintelligence Labs, dans le cadre d'une stratégie pour rattraper son retard en matière d'agents IA. Le co-fondateur de Dreamer, Hugo Barra — ancien vice-président de Meta — fait ainsi son retour dans l'entreprise de Mark Zuckerberg. Il s'agit de la deuxième acquisition liée aux agents IA réalisée par Meta cette année.

Mark Zuckerberg développerait un agent IA pour l’aider à diriger Meta

Mark Zuckerberg développe un agent IA personnel pour l'aider à diriger Meta, montrant l'exemple à ses employés. Cette initiative s'inscrit dans la stratégie de Meta qui encourage l'ensemble de ses équipes à intégrer l'IA dans leur travail quotidien.

Meta : Zuckerberg développe son propre agent IA et envisage des hiérarchies plus plates

Mark Zuckerberg développe un agent IA personnel pour l'aider à gérer Meta. L'entreprise préparerait également des suppressions massives de postes dans le cadre d'une restructuration vers des hiérarchies plus plates.

Meta réduit le recours aux modérateurs tiers et mise davantage sur l'IA

Meta réduit le recours aux modérateurs tiers sur Facebook, Instagram et Threads au profit de systèmes d'intelligence artificielle. L'entreprise déploiera davantage d'IA pour examiner les contenus sur ses plateformes. Cette décision marque un tournant majeur dans la stratégie de modération du groupe.

Avec Manus, Meta transforme votre PC en assistant autonome capable d’agir à votre place

Meta accélère sur les agents autonomes avec Manus, une start-up récemment acquise, qui propose désormais un assistant IA capable d'exécuter des tâches complexes directement sur PC sans intervention constante de l'utilisateur. Cette évolution marque un tournant dans la stratégie offensive de Meta dans le domaine de l'IA, avec une approche plus concrète et accessible. Manus représente ainsi le dernier mouvement notable de Meta pour s'imposer sur le marché des agents autonomes.

Ranking Engineer Agent (REA) : l'agent IA autonome qui accélère l'innovation publicitaire de Meta

Meta a développé le Ranking Engineer Agent (REA), un agent IA autonome qui pilote l'intégralité du cycle de vie machine learning pour les modèles de classement publicitaire, de la génération d'hypothèses au débogage des résultats. Lors de son premier déploiement en production, REA a doublé la précision moyenne des modèles sur six architectures et multiplié par 5 la productivité ingénierie — trois ingénieurs ont livré des améliorations pour huit modèles, un travail qui nécessitait historiquement deux ingénieurs par modèle. Contrairement aux assistants IA classiques limités à une session, REA gère des workflows asynchrones s'étalant sur plusieurs jours via un mécanisme de hibernation/réveil, avec supervision humaine uniquement aux décisions stratégiques clés.

Meta prépare un outil pour détecter les contenus IA

Meta développe un outil de détection des contenus générés par IA, alors que ces derniers représentent désormais plus de 50% des contenus sur le web. L'entreprise, qui a largement contribué à démocratiser ces usages, cherche désormais à mieux les encadrer.

Meta envisagerait de supprimer jusqu’à 16 000 emplois pour accélérer sa stratégie dans l’IA

Meta envisage de supprimer jusqu'à 20% de ses effectifs, soit environ 16 000 postes, dans le cadre d'une nouvelle vague de licenciements après celle de 2025. Cette restructuration massive viserait à accélérer la stratégie de l'entreprise dans le domaine de l'intelligence artificielle. Aucune annonce officielle n'a encore été faite.

« On passe de la peste au choléra » : l’IA française Simone AI dénonce les pratiques de WhatsApp (Meta)

Jérémy André, fondateur de Simone AI, critique Meta pour avoir réouvert WhatsApp aux chatbots IA tiers, mais imposé des tarifs jugés exagérés. Simone AI, dépendant de WhatsApp, espère une intervention de l'autorité européenne antitrust.

Meta signe de nouveaux accords avec des médias pour intégrer leurs contenus à son assistant IA

Meta a conclu de nouveaux accords avec des médias pour intégrer leurs contenus dans son assistant IA, Bard, en pleine expansion. Ces partenariats visent à améliorer la pertinence et la diversité des informations fournies par l'IA aux utilisateurs. Des noms de médias partenaires n'ont pas été spécifiés dans le communiqué, mais ces accords sont cruciaux pour la stratégie de Meta de concurrencer le leader actuel, Google, dans le domaine des assistants vocaux intelligents.

Meta repousse son modèle d'IA Avocado, distancé par Google et OpenAI lors de tests internes

Meta remet le lancement de son prochain modèle AI "Avocado" en raison de ses performances inférieures à celles de Google, OpenAI et Anthropic lors de tests internes.

Meta dévoile quatre générations de puces IA maison pour réduire les coûts d'inférence pour des milliards d'utilisateurs

Meta dévoile quatre nouvelles générations de puces IA personnalisées dédiées à l'inférence, visant à réduire sa dépendance envers les fabricants de GPU comme Nvidia et AMD. L'objectif est de diminuer les coûts d'inférence pour ses milliards d'utilisateurs. Cette initiative s'inscrit dans la stratégie de Meta pour maîtriser davantage son infrastructure matérielle d'IA.

Meta rachète Moltbook, le réseau social pour IA : génie ou move idiot comme le métavers ?

Meta a acquis Moltbook, une plateforme expérimentale de type Reddit où des agents IA (connectés via OpenClaw à ChatGPT, Claude, Gemini, Grok) publient et interagissent entre eux — les fondateurs Matt Schlicht et Ben Parr rejoignent Meta Superintelligence Labs. L'objectif de Meta serait de créer un annuaire permanent d'agents IA capables de collaborer automatiquement sur des tâches complexes. La plateforme avait fait polémique suite à un post viral suggérant que des agents créaient un langage chiffré secret, mais des chercheurs en cybersécurité ont révélé que c'était surtout dû à de graves failles de sécurité exposant des données d'authentification.

L’IA Meta va lire vos discussions WhatsApp et Messenger… mais c’est pour la bonne cause

Meta annonce le 11 mars 2026 de nouveaux outils IA de détection des escroqueries sur WhatsApp, Messenger et Facebook. Sur WhatsApp, sans lire les messages chiffrés, l'application analyse les signaux de connexion pour détecter des comportements suspects (ex. : liaison d'appareil depuis une zone géographique inhabituelle) et alerte l'utilisateur en temps réel. Sur Facebook, un système d'alerte teste la détection de demandes d'amis douteuses en analysant les amis en commun et la localisation géographique de l'émetteur.

Meta développe 4 nouvelles puces pour alimenter ses systèmes d'IA et de recommandation

Meta a développé 4 nouveaux processeurs MTIA destinés à alimenter ses systèmes d'IA et de recommandation. Cette initiative marque la dernière tentative du géant technologique de produire son propre matériel IA, tout en continuant à investir des milliards dans les équipements de leaders du secteur comme Nvidia.

Meta rachète Moltbook, le surprenant réseau social… où les utilisateurs sont des intelligences artificielles

Meta confirme le rachat de Moltbook, un réseau social atypique dont la particularité est que ses utilisateurs sont des intelligences artificielles. Cette acquisition s'inscrit dans la stratégie offensive de Meta dans le domaine de l'IA, après le rachat de Manus. Moltbook avait suscité un fort engouement en début d'année.

Meta met la main sur Moltbook, l’étrange forum où les agents IA discutent entre eux

Meta a racheté Moltbook, une plateforme surnommée le « Reddit des agents IA », conçue exclusivement pour les interactions entre intelligences artificielles sans intervention humaine. L'acquisition surprend par sa nature atypique, le géant des réseaux sociaux s'intéressant à un espace où les humains sont explicitement exclus. Les raisons stratégiques derrière ce rachat restent floues.

Meta rachète Moltbook, le réseau social de l'agent IA

Meta a acquis Moltbook, un réseau social simulé composé d'agents IA qui avait fait le buzz récemment. Les fondateurs Matt Schlicht et Ben Parr rejoignent les Meta Superintelligence Labs. Ce qui a attiré Meta est notamment l'"approche pour connecter les agents via un répertoire toujours actif", jugée novatrice dans l'espace agentique.

Personne ne l’a vu venir : Meta rachète Moltbook, le faux réseau social où des IA parlent pour de faux

Meta rachète Moltbook, un réseau social dystopique où des instances d'IA conversent entre elles. Les deux fondateurs, Matt Schlicht et Ben Parr, rejoignent également le groupe de Mark Zuckerberg dans le cadre de cette acquisition.

Meta acquiert Moltbook, la plateforme de réseau social de type Reddit dédiée aux agents IA

Meta acquiert Moltbook, une plateforme de type Reddit permettant aux agents IA de publier et commenter des posts de manière autonome. L'équipe fondatrice, Matt Schlicht et Ben Parr, rejoindra Meta Superintelligence Labs pour explorer de nouvelles façons dont les agents IA peuvent servir particuliers et entreprises. La plateforme, propulsée par l'assistant open-source OpenClaw, avait fait parler d'elle plus tôt cette année avec des posts viraux sur la conscience de l'IA.

Meta s'empare de Moltbook, le réseau social d'agents IA qui a fait sensation avec des publications trompeuses

Meta a acquis Moltbook, un réseau social d'agents IA qui avait fait parler de lui pour ses publications trompeuses. La plateforme se distingue par son approche innovante consistant à connecter des agents via un répertoire permanent ("always-on-directory"). Meta souligne le caractère inédit de cette technologie.

Meta rachète Moltbook, la plateforme similaire à Reddit conçue pour les agents intelligents

Meta a acquis Moltbook, une plateforme conçue comme un Reddit destiné aux agents IA. Cette acquisition renforce la stratégie de Meta dans le domaine de l'intelligence artificielle agentique.

Les données textuelles pour les LLM s'épuisent : Meta mise sur les vidéos non étiquetées comme prochain grand terrain d'entraînement

Une équipe de recherche de Meta FAIR et de l'Université de New York a entraîné un modèle d'IA multimodal from scratch, remettant en question plusieurs hypothèses courantes sur la construction de ces modèles. Face à l'épuisement des données textuelles pour entraîner les LLM, Meta mise sur la vidéo non étiquetée comme prochain grand gisement d'entraînement. Cette approche pourrait ouvrir une nouvelle frontière pour le développement de modèles d'IA à grande échelle.

WhatsApp : Meta réintègre ChatGPT et Copilot face à la pression de l’UE

Meta a réintroduit ChatGPT et Copilot sur WhatsApp après avoir assoupli ses restrictions contre les chatbots concurrents, dans un effort pour répondre à la pression de la Commission européenne. Cependant, cette mesure reste limitée et ne concerne pas tous les modèles de chatbots.