LLMs

Recursive lance Flint, un modèle de code local open-weight de 40 milliards de paramètres (MoE, 2,5 milliards actifs) pour agents

Recursive Superintelligence, la société dirigée par Richard Socher, a dévoilé le 21 octobre 2026 Flint, son premier modèle, publié en poids ouverts sur Hugging Face sous licence Apache 2.0. Il s'agit d'un Transformer décodeur de type mixture d'experts (MoE) de 39,8 milliards de paramètres au total, dont environ 2,5 milliards actifs par token, conçu pour les agents de programmation : explorer une base de code, corriger des bogues, implémenter des fonctionnalités et écrire des tests. Texte uniquement, il gère le raisonnement et les appels d'outils compatibles OpenAI. Son architecture compte 49 couches, dont 2 denses et 47 MoE à 256 experts routés, 6 étant sélectionnés par token, plus un expert partagé toujours actif.

💬 Un modèle de 23 Go qui tient sur un Mac de 48 Go et bat les autres MoE sous 50 milliards en codage agentique, ça change la question : l'assistant de code local n'est plus un gadget de démo. Mais bon, sur le papier. Terminal-Bench à 54,9 % contre 73 % pour Qwen 3.8, l'écart avec les gros modèles denses reste net, et tous les scores sont ceux de Recursive elle-même. Selon moi, le vrai sujet n'est pas le modèle mais la Eureka Machine : si une boucle de recherche automatisée peut sortir un modèle compétitif, quantification et noyaux Metal compris, l'avantage va se déplacer vers ceux qui possèdent la meilleure machine à itérer, pas vers ceux qui alignent le plus de GPU. Reste à voir si ça tient en prod.

Le modèle de diffusion Mercury 3 d'Inception serait plus performant que GPT-6 Luna et Claude Haiku 5.5, avec un temps d'attente bien moindre

Inception, la start-up spécialisée dans les modèles de langage à diffusion, présente Mercury 3 comme le modèle de ce type le plus performant publié à ce jour. Selon l'entreprise, il tourne de quatre à huit fois plus vite que GPT-6 Luna d'OpenAI et Claude Haiku 5.5 d'Anthropic. Il les devancerait aussi sur huit des douze benchmarks retenus. Ces chiffres proviennent uniquement d'Inception : aucun test indépendant n'a encore confirmé ces résultats. L'enjeu est d'abord celui de la latence. GPT-6 Luna et Claude Haiku 5.5 appartiennent à la catégorie des modèles compacts, que les développeurs utilisent pour les tâches où le temps de réponse et le coût comptent autant que la qualité : assistants conversationnels, agents, outils d'aide au code.

💬 Quatre à huit fois plus vite, mais chiffres maison et huit benchmarks sur douze : bon, sur le papier, c'est joli. Ce que ça montre surtout, c'est que la bataille des modèles compacts ne se joue plus sur la qualité brute, mais sur la latence, et que c'est l'architecture qui devient l'arme, pas la taille. La diffusion pour le texte, on en parle depuis un moment, et si un test indépendant confirme, Haiku et Luna auront un vrai problème sur les agents temps réel. Reste à voir si ça tient en prod.

Migration du COBOL : ce que valent les 86,6 % revendiqués par OpenAI

OpenAI affirme que GPT-6.1 Sol parvient à migrer 86,6 % des programmes COBOL de son banc d'essai interne avec des sorties identiques à l'octet près, contre 5,4 % pour GPT-5.6 Sol. Ce résultat est obtenu avec un effort de raisonnement faible et pour 61 % du coût d'API de son prédécesseur. Le test a toutefois été conçu et mesuré par OpenAI elle-même, il n'est pas publié, et l'entreprise ne précise ni le nombre de programmes, ni leur origine, ni leur taille. Selon un calcul d'ActuIA fondé sur les grilles tarifaires officielles, l'économie tient au prix du jeton, divisé par deux, alors que le modèle consomme environ 22 % de jetons supplémentaires.