Actualités IA — page 114

9 310 articles au fil, du plus récent au plus ancien.

48

Illustration générée par IA

2261Latent Space 

AMD rachète Taalas

AMD a annoncé le rachat de Taalas, une entreprise spécialisée dans les puces ASIC dédiées à l'inférence de modèles de langage, validant les prédictions formulées ces derniers mois sur la percée des semi-conducteurs sur mesure pour l'IA. L'opération, portée par la directrice générale Lisa Su, a été rendue publique les 5 et 6 août 2026. Le même jour, Meta a présenté les performances de son modèle Muse Spark 1.2, entré directement dans le top 5 du classement Vals Index à 0,69 dollar par test, soit trois fois moins cher que Kimi et plus de dix fois moins cher que Fable, Opus ou GPT 5.6 Sol. Il est aussi devenu le premier modèle à dépasser 60% sur l'évaluation Finance Agent v2, pour 0,77 dollar par test contre 5,12 dollars pour Opus 5, le précédent leader, avec une vitesse double. Meta revendique par ailleurs des résultats de niveau médaille d'or dans cinq olympiades scientifiques de physique, mathématiques et chimie, sans recours à des outils externes. De son côté, OpenAI a fusionné ses modes "instantané" et "raisonnement" en un seul modèle, GPT 5.6 Sol, désormais commun aux abonnés Plus et Pro de ChatGPT, avec 68% d'erreurs factuelles en moins que GPT 5.5 Instant sur des tests en finance, médecine et droit, et a ouvert l'accès illimité à GPT 5.6 Luna pour les utilisateurs gratuits à partir du 7 août. Ce triple mouvement illustre un basculement du marché de l'IA vers l'efficacité économique autant que la performance brute. Pour AMD, l'acquisition de Taalas lui permet de concurrencer Nvidia sur le terrain des puces spécialisées, potentiellement moins chères et plus rapides que les GPU génériques pour l'inférence. Pour Meta, la combinaison d'un modèle bon marché et de résultats scientifiques de haut niveau, obtenus grâce à une orchestration multi-agents plutôt qu'à la seule taille du modèle, relance le débat sur ce qui détermine vraiment la qualité perçue d'une IA, le modèle seul ou le système qui l'entoure. Pour OpenAI, unifier ses modes de conversation et élargir l'accès gratuit vise à retenir des utilisateurs face à une concurrence de plus en plus agressive sur les prix, un choix confirmé par ARC Prize qui a mesuré des scores inchangés pour GPT 5.6 Luna malgré une baisse de tarif de 80%. Cette accélération s'inscrit dans une course où Google, OpenAI et Meta rivalisent désormais autant sur le coût par requête que sur les scores bruts, un critère validé par des évaluateurs indépendants comme Vals Index, Artificial Analysis et ARC Prize. OpenAI a aussi lancé Agent Plugins, un standard ouvert coconçu avec AWS, Cursor, GitHub et Vercel pour uniformiser les compétences d'agents et les configurations de serveurs MCP, ainsi qu'un outil de revue de sécurité automatisée pour les pull requests GitHub baptisé Codex Security Review, encore en préversion. Ces annonces simultanées traduisent une pression concurrentielle intense entre laboratoires, où chaque acteur cherche à conjuguer puissance de calcul propriétaire, modèles moins coûteux et outillage pour développeurs, alors que la génération suivante de modèles, dont un "Watermelon" plus massif chez Meta, est déjà attendue.

Infrastructure⚡Actu

1 source

47

Illustration générée par IA

2262Le Big Data 

ChatGPT : les conversations deviennent enfin illimitées avec le compte gratuit

OpenAI a annoncé le 6 août 2026, via un message publié sur son compte X officiel, la suppression de la limite de conversations textuelles pour les utilisateurs du compte gratuit de ChatGPT. Jusqu'ici, ces utilisateurs recevaient régulièrement un message du type « Vous avez atteint votre limite d'analyse, réessayez à 14h30 », qui interrompait les échanges même en cours de question importante. Le déploiement se fait progressivement sur toute la semaine, avec un objectif de disponibilité générale dès la semaine suivante. Ce changement s'accompagne du remplacement du modèle par défaut : les comptes Free et Go passent de GPT-5.5 à GPT-5.6 Luna, une version qu'OpenAI dit avoir testée en interne avec 62% d'erreurs factuelles en moins par rapport à GPT-5.5-Instant. Une nouvelle option nommée « Think » fait aussi son apparition, permettant de demander un raisonnement plus poussé sur les questions complexes. Les abonnés payants Plus et Pro ne sont pas oubliés : ils reçoivent une version améliorée baptisée GPT-5.6 Sol, plus rapide et plus concise selon l'entreprise, ainsi qu'un curseur pour ajuster le temps de réflexion accordé au modèle avant chaque réponse. Cette évolution change concrètement l'expérience quotidienne de millions d'utilisateurs gratuits, qui pourront désormais mener des conversations textuelles aussi longues que nécessaire sans interruption artificielle. Seuls certains usages restent bridés sur le compte gratuit : l'envoi de fichiers, l'analyse d'images, les conversations vocales et la génération d'images demeurent limités, ce qui préserve une incitation claire à passer aux offres payantes. L'annonce intervient peu après qu'OpenAI a revendiqué avoir dépassé le milliard d'utilisateurs hebdomadaires sur ChatGPT, un seuil qui pousse l'entreprise à muscler l'accessibilité de son produit gratuit pour ne pas perdre de terrain face à la concurrence, tout en réservant les fonctions les plus coûteuses en calcul, comme le raisonnement approfondi et le traitement multimodal, aux abonnements Plus et Pro. Cette décision s'inscrit dans une compétition de plus en plus intense entre grands acteurs de l'IA conversationnelle, où Google avec Gemini et d'autres assistants gratuits cherchent eux aussi à capter des usagers en assouplissant leurs propres restrictions. Pour OpenAI, l'enjeu est double : retenir une base d'utilisateurs gratuits massive tout en convertissant une partie d'entre eux vers des offres payantes grâce à des fonctionnalités exclusives comme GPT-5.6 Sol ou le curseur de réflexion. La stratégie illustre aussi la course technologique en cours sur la réduction des erreurs factuelles, un point faible historique des modèles de langage. Reste à voir si cette gratuité élargie modifiera durablement les habitudes des utilisateurs ou si elle ne fait que retarder la pression commerciale vers les abonnements payants.

LLMs⚡Actu

Aussi surLes Numériques IA,Presse-citron,Siècle Digital

36

Illustration générée par IA

2263MarkTechPost 

Liquid AI lance LFM2.5-2.6B, un modèle embarqué à base d'agents avec contexte 128K, appels d'outils et poids ouverts

Liquid AI a dévoilé LFM2.5-2.6B, un modèle agentique conçu pour fonctionner entièrement en local, sur téléphones, ordinateurs portables, PC et robots. Le modèle compte 2,69 milliards de paramètres, une fenêtre de contexte de 131 072 tokens et un vocabulaire de 128 000 tokens, pour un pré-entraînement portant sur environ 34 000 milliards de tokens. Deux versions sont publiées sur Hugging Face sous licence lfm1.0 : LFM2.5-2.6B-Base, destinée au fine-tuning, et LFM2.5-2.6B, déjà post-entraînée pour les tâches agentiques. Les poids sont disponibles aux formats natif, GGUF, MLX et ONNX, avec un support dès le premier jour dans llama.cpp, vLLM, SGLang et LM Studio. Côté performances, le modèle atteint 220 tokens par seconde sur une puce M5 Max en utilisant moins de 2,5 Go de mémoire, et environ 30 tokens par seconde sur smartphone. Son architecture repose sur 30 couches combinant 22 blocs de convolution courte à double portail et 8 blocs d'attention par groupes de requêtes. Il couvre 16 langues, en format texte uniquement. L'intérêt principal tient à l'exécution locale : aucune donnée ne quitte l'appareil, et le coût marginal de chaque requête devient quasi nul. Liquid AI affirme que son modèle rivalise, sur l'usage d'outils et le suivi d'instructions, avec des modèles jusqu'à quatre fois plus volumineux. L'entreprise vise en priorité l'automobile, l'électronique grand public, la robotique industrielle, la santé, la finance, le e-commerce et la défense, des secteurs souvent soumis à des contraintes réglementaires ou à des environnements isolés du réseau, où l'absence totale d'appel à une API tierce constitue un avantage décisif. Pour l'auto-hébergement, un seul GPU Nvidia H100 SXM5 peut traiter environ 1,3 milliard de tokens par jour, un fine-tuning via LoRA étant possible avec TRL ou Unsloth. Liquid AI déconseille en revanche ce modèle pour le développement de code agentique ou les tâches à forte densité de connaissances : sur LiveCodeBench, il obtient 59,41 contre 69,86 pour Qwen3.5-9B. Le modèle est né d'un post-entraînement en quatre étapes : deux cycles successifs de fine-tuning supervisé, une spécialisation par domaine via apprentissage par renforcement à récompenses vérifiables, une distillation multi-domaines où le modèle apprend directement sous sa propre politique, puis un apprentissage par renforcement agentique via GRPO au sein d'environnements réels comme Hermes Agent et OpenClaw. Sur les benchmarks, LFM2.5-2.6B devance gemma-4-E4B-it et Qwen3.5-9B sur ToolSandbox (77,83), Multi-IF (80,07), IFStruct (85,49) et IFBench (59,17), ne cédant du terrain que sur BFCLv4 face à Qwen3.5-9B (56,88 contre 60,13). Cette sortie illustre la course engagée par les acteurs de l'IA pour proposer des modèles compacts capables de tourner en continu sur des appareils, sans dépendre des API cloud ni de leurs coûts récurrents par token.

LLMs⚡Actu

1 source

34

Illustration générée par IA

2264Apple Machine Learning 

Diffusion vs autorégression : comparaison des performances des modèles de langage au-delà de la prédiction du prochain jeton

Une nouvelle étude technique intitulée "Beyond Next-Token Prediction: A Performance Characterization of Diffusion versus Autoregressive Language Models" compare les performances matérielles de deux familles de grands modèles de langage : les modèles autorégressifs (ARM), qui dominent le secteur depuis l'essor de GPT et de ses successeurs, et les modèles de diffusion (DLM), une approche plus récente. Les ARM génèrent le texte token par token, chaque prédiction dépendant de tous les tokens précédents, un mécanisme qui a permis d'atteindre des performances de pointe sur de nombreuses tâches de traitement du langage naturel, de la génération de documents à l'écriture de code. Les chercheurs pointent toutefois une limite structurelle de ce paradigme : une intensité arithmétique faible, c'est-à-dire une sous-exploitation de la puissance de calcul des processeurs, due à la dépendance séquentielle inhérente à la prédiction du prochain token. Cette caractérisation compte parce que l'intensité arithmétique détermine directement la vitesse et le coût d'inférence des modèles de langage à grande échelle. Un modèle qui exploite mal le matériel (GPU, accélérateurs) génère du texte plus lentement et consomme plus de ressources pour un même résultat, ce qui pèse sur les coûts d'exploitation des entreprises qui déploient ces systèmes en production, des fournisseurs de cloud aux éditeurs d'applications d'IA générative. Si les modèles de diffusion, qui opèrent par débruitage itératif et permettent en théorie une génération plus parallèle du texte, confirment un avantage de performance, cela pourrait redistribuer les priorités d'investissement dans l'infrastructure d'inférence. Ce travail s'inscrit dans un mouvement plus large de recherche cherchant des alternatives à l'architecture autorégressive dominante, alors que des laboratoires explorent depuis peu les modèles de diffusion appliqués au texte, un terrain jusqu'ici réservé principalement à la génération d'images. La suite logique de ces travaux consistera à mesurer si les gains d'efficacité matérielle des DLM se traduisent par une qualité de génération comparable à celle des ARM sur des tâches réelles, condition nécessaire à une adoption à grande échelle par l'industrie.

Recherche❖Paper

1 source

34

Illustration générée par IA

2265Apple Machine Learning 

Arbitrage : un raisonnement efficace grâce à la spéculation consciente de l'avantage

Le laboratoire de recherche à l'origine du système "Arbitrage" propose une nouvelle méthode pour accélérer le raisonnement des grands modèles de langage sans sacrifier la qualité des réponses. La technique s'appuie sur le décodage spéculatif (spéculative decoding), une approche déjà connue qui fait collaborer deux modèles : un modèle "brouillon" rapide mais peu précis, qui propose des tokens de façon autonome, et un modèle cible plus puissant, qui vérifie ces propositions en parallèle. Le problème identifié par les chercheurs est que la méthode classique de décodage spéculatif, au niveau du token, rejette inutilement de nombreuses propositions valides lorsque deux formulations différentes expriment la même idée mathématique ou logique, ce qui limite les gains de vitesse obtenus en pratique sur les longues chaînes de raisonnement (Chain of Thought) désormais courantes dans les modèles récents. Cette avancée s'inscrit dans un enjeu économique central pour l'industrie de l'IA : le coût de calcul exponentiel des modèles qui raisonnent longuement avant de répondre. Plus un modèle génère d'étapes intermédiaires pour résoudre un problème complexe, plus il consomme de puissance de calcul et de temps, ce qui pèse directement sur les coûts d'exploitation des entreprises qui déploient ces systèmes à grande échelle. Une méthode capable de conserver la qualité du raisonnement tout en réduisant la latence et la facture de calcul intéresserait directement les fournisseurs de modèles comme les entreprises clientes, notamment celles qui utilisent l'IA pour des tâches mathématiques, du code ou de l'analyse complexe où le raisonnement pas à pas est indispensable. Le décodage spéculatif s'est imposé ces dernières années comme l'une des principales pistes d'optimisation de l'inférence, aux côtés de la quantification ou de la distillation de modèles. Mais son efficacité reste bridée par la rigidité des critères de vérification token par token, un problème que plusieurs équipes de recherche cherchent à résoudre en assouplissant les règles d'acceptation sans compromettre la fidélité du résultat final. La méthode "Arbitrage" s'inscrit dans cette tendance en introduisant une notion de sensibilité à l'avantage sémantique plutôt qu'à l'identité stricte des tokens, une piste qui pourrait inspirer de futures architectures d'inférence optimisée à mesure que les modèles de raisonnement se généralisent dans les produits commerciaux.

Recherche❖Paper

1 source

33

Illustration générée par IA

2266Apple Machine Learning 

Mise à l'échelle des cartes de flux catégorielles

Les modèles de diffusion continue et de flow matching pourraient constituer une alternative sérieuse aux approches autorégressives utilisées aujourd'hui pour la modélisation du langage. Des travaux de recherche récents montrent qu'il est possible de générer des données discrètes, comme du texte, par un processus continu de flow matching reliant une distribution gaussienne à la distribution des données encodées en one-hot. Cette approche a permis de développer les Categorical Flow Maps (CFM), une technique qui accélère l'échantillonnage tout en produisant des résultats de qualité comparable aux méthodes existantes. L'enjeu de ces travaux est désormais de faire passer cette technique à l'échelle, c'est-à-dire de vérifier qu'elle reste efficace et compétitive lorsqu'elle est appliquée à des modèles de langage de grande taille, au-delà des démonstrations initiales à plus petite échelle. Cette avancée compte parce qu'elle pourrait transférer au traitement du texte des avantages jusqu'ici réservés aux modalités continues comme l'image ou la vidéo, notamment une génération beaucoup plus rapide et un meilleur contrôle du contenu produit, ce que les chercheurs appellent le tilting. Pour l'industrie, cela ouvrirait la voie à des modèles de langage capables de produire du texte en moins d'étapes de calcul que les architectures autorégressives classiques, réduisant les coûts d'inférence tout en conservant la flexibilité nécessaire pour orienter finement les sorties générées, un enjeu central pour les applications commerciales des grands modèles. Ces recherches s'inscrivent dans un mouvement plus large qui cherche à unifier les techniques de génération entre modalités continues et discrètes. Les modèles de diffusion dominent déjà la génération d'images et de vidéos, tandis que les architectures autorégressives de type transformeur restent la norme pour le texte. En démontrant que le flow matching catégoriel peut rivaliser avec ces dernières tout en accélérant l'échantillonnage, ces travaux alimentent un débat en cours sur l'avenir architectural des modèles de langage, avec des implications potentielles pour la prochaine génération de systèmes conversationnels à grande échelle.

Recherche❖Paper

1 source

42

Illustration générée par IA

2267VentureBeat AI 

Liquid AI lance LFM2.5-2.6B, un modèle IA pour agents autonomes sur appareils légers comme le Raspberry Pi

La startup Liquid AI, fondée en 2023 par d'anciens chercheurs du MIT, a dévoilé cette semaine LFM2.5-2.6B, un modèle de langage à poids ouverts conçu pour les tâches agentiques. Il compte 2,6 milliards de paramètres, gère une fenêtre de contexte de 128 000 tokens et intègre l'appel d'outils natif. Disponibles sur Hugging Face, la version post-entraînée et le checkpoint de base LFM2.5-2.6B-Base sont compatibles dès leur sortie avec llama.cpp, MLX, vLLM, SGLang et ONNX. Selon Liquid AI, le modèle atteint environ 220 tokens par seconde sur une puce Apple M5 Max, 113 tokens par seconde sur un processeur AMD Ryzen AI Max+ 395, en consommant moins de 2,5 Go de mémoire, et environ 30 tokens par seconde sur smartphone via l'application Apollo. Sur un GPU Nvidia H100, l'entreprise revendique près de 15 000 tokens par seconde, soit environ 1,3 milliard de tokens par jour et par carte, des chiffres non vérifiés de façon indépendante. Sa particularité: fonctionner entièrement en local, sur smartphone, ordinateur portable ou même un Raspberry Pi, sans cloud ni GPU. Selon Maxime Labonne, responsable du post-entraînement chez Liquid AI, l'architecture LFM2 a été conçue autour des performances réelles sur CPU plutôt que sur les benchmarks GPU classiques. Cette approche ouvre l'IA en périphérie aux entreprises de secteurs régulés ou manipulant des données sensibles qu'elles refusent d'envoyer vers le cloud, et permet à toute entreprise de faire tourner des agents spécialisés au simple coût de l'électricité consommée. Le modèle vise les tâches agentiques à fort volume et bien définies: appel d'outils, gestion documentaire, automatisation d'agendas et de flux de travail, routines en arrière-plan, ainsi que les environnements à connectivité limitée comme les véhicules ou la robotique. Les tâches de programmation intensive restent, elles, réservées aux modèles plus volumineux. Liquid AI ne présente pas LFM2.5-2.6B comme un concurrent des plus grands modèles frontières, mais défend l'idée qu'un petit modèle suffisamment performant peut ouvrir des usages d'entreprise où la latence, la confidentialité ou le coût d'inférence comptent plus que les scores de benchmarks. "Les meilleurs modèles resteront dans le cloud, et ce n'est pas un problème", a déclaré Maxime Labonne. "Nous voulons créer des modèles pour un autre type d'utilisateur: il faut utiliser l'IA en périphérie quand on ne peut pas utiliser un modèle cloud." Cette course aux modèles compacts est aussi portée par d'autres acteurs, comme Moonshot avec Kimi K3. Un point mérite l'attention des juristes: comme Kimi K3, LFM2.5-2.6B est distribué sous une licence de poids ouverts personnalisée, dont les termes devront être examinés avant tout déploiement commercial.

LLMs⚡Actu

1 source

38

Illustration générée par IA

2268The Information AI 

Canva confronté à une hausse des coûts de l'IA et à la concurrence de ChatGPT

Canva, l'application de conception graphique revendiquant plus de 200 millions d'utilisateurs, traverse une passe difficile après le plus grand lancement de produit de ses treize ans d'existence, une série d'outils fondés sur l'intelligence artificielle. La popularité inattendue de ces nouvelles fonctionnalités a fait exploser les coûts de l'entreprise, au point que ses dirigeants ont dû ralentir leur déploiement auprès de nouveaux utilisateurs. Cette semaine, ils ont annoncé aux investisseurs une révision à la baisse de leurs prévisions de croissance du chiffre d'affaires pour l'année, désormais fixées à 20%. Autre problème, jusqu'ici non révélé : selon une personne au fait du dossier, un nombre croissant d'utilisateurs de Canva se seraient tournés ces derniers mois vers ChatGPT plutôt que vers l'outil de la startup, depuis qu'OpenAI a lancé en avril un nouveau modèle de génération d'images jugé plus performant pour créer des visuels pratiques comme des affiches. Ces déboires illustrent un défi que rencontrent de nombreuses entreprises technologiques : l'intelligence artificielle générative coûte cher à faire tourner à grande échelle, surtout lorsque son adoption dépasse les prévisions initiales. Pour Canva, société privée dont la valorisation repose largement sur sa base massive d'utilisateurs professionnels et grand public, ce ralentissement budgétaire interroge la rentabilité de sa stratégie IA au moment même où elle affronte des concurrents capables d'attirer ses propres utilisateurs. La montée en puissance de ChatGPT comme alternative pour la création visuelle simple menace en particulier le cœur de métier de Canva, à savoir la conception rapide et accessible de supports comme des affiches, présentations ou publications pour les réseaux sociaux. Ce coup de frein survient alors que la course à l'intelligence artificielle générative s'intensifie entre géants technologiques et startups spécialisées. En améliorant continuellement ses modèles de génération d'images, OpenAI empiète progressivement sur des marchés jusque là dominés par des outils dédiés comme Canva, Adobe ou Figma. Pour Canva, qui a construit son succès en misant sur la simplicité et l'accessibilité du design, l'enjeu consiste désormais à trouver un équilibre entre investissement dans l'IA, maîtrise des coûts et différenciation face à des concurrents capables d'intégrer des capacités similaires dans des interfaces conversationnelles génériques. Les prochains trimestres diront si l'entreprise parvient à convertir ses difficultés actuelles en avantage stratégique durable.

Business⚡Actu

1 source

48

Illustration générée par IA

2269Ars Technica AI 

Suno veut se légitimer avec des filigranes pour la musique générée par IA

Suno, une des plateformes les plus utilisées pour générer de la musique par intelligence artificielle, annonce l'ajout de filigranes (watermarks) sur l'ensemble des morceaux produits par ses modèles. Dans un billet de blog, le PDG et cofondateur de l'entreprise, Mikey Shulman, explique que ce changement répond aux "normes émergentes" du secteur en matière d'étiquetage des contenus générés par IA. Concrètement, les plateformes de streaming pourront bientôt identifier automatiquement les morceaux issus de Suno grâce à ces marqueurs invisibles, et choisir soit de les signaler comme contenu IA, soit de les bloquer purement et simplement. Shulman n'a pas précisé si Suno développera sa propre technologie de filigrane ou s'appuiera sur une solution existante, comme SynthID de Google, que la firme de Mountain View a récemment commencé à concéder sous licence à d'autres entreprises. Cette décision intervient alors que les services de streaming comme Spotify sont submergés par un flot croissant de morceaux générés par IA, dont une part significative provient justement de Suno. En s'imposant volontairement des filigranes, l'entreprise cherche à se positionner comme un acteur responsable face à la multiplication des contenus IA de mauvaise qualité, souvent qualifiés de "slop", qui inondent les plateformes musicales et brouillent la frontière entre créations humaines et artificielles. Pour les auditeurs comme pour les ayants droit, cette traçabilité pourrait permettre de mieux distinguer les productions authentiques et de limiter la dilution de la valeur créative dans un marché déjà saturé. L'initiative de Suno s'inscrit dans une tendance plus large de régulation volontaire du contenu généré par IA, à l'image de Google, qui affirme avoir utilisé SynthID pour étiqueter l'équivalent de 60 000 années de contenu audio produit par ses modèles Gemini, ainsi que plus de 100 milliards d'images et de vidéos. Face à la pression croissante des plateformes, des artistes et des régulateurs, ces mécanismes de marquage pourraient devenir un standard incontournable de l'industrie, forçant les autres générateurs de musique par IA à emboîter le pas pour conserver l'accès aux grandes plateformes de streaming.

Création⚒Outil

Aussi surNext INpact

38

Illustration générée par IA

2270Ars Technica AI 

Anthropic va concevoir son propre matériel pour faire fonctionner Claude

Anthropic recrute une équipe dédiée à la conception de puces sur mesure pour faire fonctionner ses modèles Claude, a révélé l'entreprise cette semaine. Business Insider a repéré une offre d'emploi visant un ingénieur senior justifiant d'une expérience dans la production de designs de semi-conducteurs. Le site carrières d'Anthropic affiche actuellement plusieurs postes liés à ce projet, dont un poste d'ingénieur silicium et un poste de responsable de programme technique spécialisé silicium. Un porte-parole de l'entreprise a confirmé ces intentions aussi bien à Business Insider qu'à TechCrunch, sans détailler pour l'instant le calendrier ni l'ampleur des investissements prévus. Cette annonce marque une étape importante pour Anthropic, jusqu'ici entièrement dépendante de fournisseurs externes comme Nvidia et de partenaires cloud tels qu'Amazon et Google pour la puissance de calcul nécessaire à l'entraînement et à l'exécution de ses modèles. Concevoir ses propres puces permettrait à l'entreprise de réduire ses coûts d'inférence, d'optimiser le matériel spécifiquement pour l'architecture de Claude, et de gagner en indépendance vis à vis des géants des semi-conducteurs, dans un contexte de pénurie et de forte demande mondiale en composants dédiés à l'intelligence artificielle. Cette démarche rapproche Anthropic d'autres grands noms du secteur qui ont déjà emprunté cette voie: Google développe ses puces TPU depuis plusieurs années, Amazon mise sur ses processeurs Trainium et Inferentia, Microsoft a lancé sa puce Maia, et OpenAI travaille avec Broadcom sur ses propres accélérateurs. Face à des besoins en calcul toujours croissants et à des coûts d'infrastructure considérables, la maîtrise du matériel devient un enjeu stratégique majeur pour les entreprises d'IA générative les plus avancées.

Infrastructure⚡Actu

Aussi surNumerama

36

Illustration générée par IA

2271Le Big Data 

Reddit mise désormais l’IA pour débusquer le harcèlement et les règles implicites

Reddit vient d'ouvrir son nouvel outil de modération, le Rules Hub, à toutes les communautés nouvellement créées sur la plateforme. Ce système remplace progressivement l'Automoderator historique, qui reposait uniquement sur des listes de mots-clés et d'expressions figées, parfois définies des années plus tôt par des modérateurs devenus inactifs. Le directeur général de Reddit, Steve Huffman, a lui-même critiqué cet ancien outil, jugé selon ses propos relayés par IBTimes UK « difficile à apprendre et à maintenir » pour des équipes de modération majoritairement bénévoles. Avec Rules Hub, les modérateurs rédigent désormais leurs règles en langage naturel, par exemple pour viser le harcèlement déguisé en humour ou les remarques passives-agressives, et une IA analyse chaque publication pour en saisir le contexte plutôt que de chercher de simples correspondances textuelles. L'outil a été testé ces derniers mois auprès de plus de 700 communautés, avec la participation de membres du Mod Council Network, avant ce déploiement plus large annoncé aujourd'hui. Cette évolution touche un écosystème considérable : Reddit revendique plus de 130 millions de visiteurs quotidiens et plus de 100 000 communautés actives, dont la modération repose en grande partie sur des bénévoles souvent démunis face à des règles complexes ou des contenus ambigus. En permettant à l'IA de comprendre l'intention derrière un message plutôt que de se limiter à des mots interdits, Reddit espère réduire la charge de travail des modérateurs et améliorer la détection de comportements toxiques qui échappaient jusqu'ici aux filtres automatiques. Le contrôle humain reste toutefois central : les équipes choisissent la réaction appropriée, qu'il s'agisse d'une mise en file d'attente pour vérification, d'un masquage automatique ou d'une suppression directe, et peuvent tester une règle sur d'anciennes publications avant de l'activer, tout en consultant un journal détaillé des décisions prises par l'IA. Ce lancement s'inscrit dans une stratégie plus large de Reddit visant à automatiser la sécurité de la plateforme grâce à l'intelligence artificielle, aux côtés d'outils déjà déployés comme Post and Comment Guidance, qui rappelle les règles aux utilisateurs avant publication, et Safety Filters, dédié à la détection de contenus problématiques. Le déploiement du Rules Hub se fera de façon progressive : les communautés les plus importantes ou dotées de règles particulièrement complexes devront attendre avant d'y accéder pleinement. Cette prudence reflète les enjeux propres à une modération assistée par IA, où la fiabilité des décisions automatisées et la confiance des équipes bénévoles restent déterminantes. L'initiative s'inscrit également dans un mouvement plus général des grandes plateformes sociales, confrontées à une pression croissante pour lutter contre le harcèlement en ligne tout en allégeant la charge pesant sur des modérateurs non rémunérés.

Outils⚒Outil

1 source

41

Illustration générée par IA

2272MarkTechPost 

Cloudflare lance Kitesurf, un navigateur web conçu pour les agents, fonctionnant entièrement dans des isolats V8 sur Cloudflare Workers

Cloudflare a dévoilé Kitesurf, un navigateur web conçu spécifiquement pour les agents d'intelligence artificielle, entièrement exécuté dans des isolats V8 sur Cloudflare Workers, sans aucun moteur Chromium sous le capot. L'outil a déjà passé plus de 215 000 tests du Web Platform Tests et est disponible dès maintenant, gratuitement en version bêta, via le service Browser Run. Son architecture repose sur quatre composants isolés dans les Workers : le moteur (Engine), seule brique exposée publiquement, qui communique via le protocole Chrome DevTools (CDP) en WebSocket et REST HTTP et conserve l'état de chaque session ; PageScript, qui attribue à chaque page ou iframe un isolat dédié utilisant le moteur de rendu Rust Blitz et l'analyseur CSS Stylo de Firefox, avec le moteur ECMAScript Boa JS pour gérer les appels eval que Workers ne supporte pas nativement ; PageRenderer, qui transforme la scène calculée en JPEG, PNG ou PDF grâce à blitz-paint et à Parley pour la mise en forme du texte ; et SandboxOutbound, seul composant autorisé à communiquer avec le réseau, chargé d'appliquer les règles CORS, d'injecter des en-têtes réalistes et de renvoyer une erreur 403 en cas de violation de politique. Sur un corpus de test de 14 URL, Kitesurf consomme 380 millisecondes de temps CPU par capture d'écran contre 1 173 pour Chromium, soit 3,1 fois moins, et 229 millisecondes contre 877 pour l'extraction HTML, soit 3,8 fois moins ; côté mémoire, la consommation chute de 271 à 57,8 Mio pour les captures (4,7 fois moins) et de 273,7 à 39,4 Mio pour l'extraction (7 fois moins), au prix d'un temps d'exécution 1,7 à 1,8 fois plus lent, principalement lors du rendu des images. Pour Cloudflare, les navigateurs classiques comme Chromium ont été pensés pour des humains, avec des onglets, des extensions et un rendu à 60 images par seconde, ce qui rend le déploiement d'un navigateur par agent prohibitif en coûts de mémoire et de calcul. Les agents IA, eux, n'ont besoin que d'un contenu exploitable par une machine, d'un faible surcoût en tokens, d'une bonne capacité de montée en charge et d'une isolation contre des menaces comme l'injection de prompts. En réduisant drastiquement l'empreinte CPU et mémoire, Kitesurf cible en priorité les startups et développeurs indépendants construisant des agents web, ainsi que les entreprises déjà présentes sur Cloudflare Workers, qui peuvent basculer certaines charges de travail simplement en ajoutant le paramètre browser=kitesurf à leurs clients Puppeteer, Playwright ou MCP existants. Les cas d'usage visés incluent l'extraction de données web, l'automatisation SaaS, la surveillance concurrentielle, la génération de documents PDF et les pipelines de recherche ou de RAG. L'outil reste toutefois limité : il ne gère pas la vidéo, le WebGL, les défis anti-bots basés sur l'empreinte TLS, ni les sessions authentifiées longues et persistantes, domaines où Chromium demeure la solution par défaut. Kitesurf sait déjà afficher correctement des sites comme Wikipedia, Hacker News ou plusieurs versions de TodoMVC, et Cloudflare affirme que sa couverture des tests s'étoffe de plusieurs centaines de cas chaque semaine. Un terrain de jeu public, doté d'outils de développement Chrome intégrés, permet d'inspecter le DOM, la console, le réseau et la mémoire WebAssembly de chaque isolat, signe que le projet est encore présenté comme une bêta amenée à évoluer rapidement plutôt qu'une solution figée.

Outils⚒Outil

1 source

35

Illustration générée par IA

2273AWS ML Blog 

Sécuriser les agents IA avec des politiques temporelles dans Amazon Bedrock AgentCore

Amazon vient d'annoncer les « temporal policies » (politiques temporelles) au sein d'Amazon Bedrock AgentCore, une nouvelle couche de contrôle d'accès destinée à sécuriser les agents IA au niveau d'AgentCore Gateway. Contrairement aux contrôles classiques, qui évaluent chaque appel d'outil de façon isolée et déterministe, ces politiques analysent la trajectoire complète d'une session, c'est-à-dire l'historique ordonné des actions déjà exécutées par l'agent, avant d'autoriser ou non une nouvelle requête. Elles s'exécutent au niveau de la passerelle, en dehors du code de l'agent lui-même, ce qui les rend impossibles à contourner, quels que soient les prompts utilisés ou les bugs présents dans le code de l'agent. Amazon cite plusieurs cas d'usage concrets : imposer l'ordre d'exécution des outils pour respecter une procédure standard, exiger qu'un argument transmis à un outil corresponde exactement à la sortie d'un appel précédent, plafonner l'exposition financière cumulée sur une session, ou encore bloquer toute action sensible tant qu'une validation humaine explicite n'a pas été enregistrée dans la trajectoire. Ce dispositif répond à un problème spécifique aux agents IA : contrairement aux applications traditionnelles, un agent décide en temps réel quels outils appeler, avec quels paramètres et dans quel ordre, ce qui rend les erreurs beaucoup plus difficiles à anticiper. Amazon illustre le risque avec plusieurs scénarios où les contrôles classiques échouent : un agent qui invente un numéro de compte différent de celui retourné par un outil de recherche client et l'utilise pour virer des fonds vers le mauvais destinataire, un agent livré à lui-même qui enchaîne des dizaines de transactions en boucle sans jamais vérifier que le seuil de risque global a été dépassé, ou encore un agent qui approuve puis rejette la même demande d'assurance en quelques secondes. Pris individuellement, chacun de ces appels passerait sans problème un contrôle statique classique ; seule une lecture de l'ensemble de la séquence permet de détecter l'anomalie. Cette annonce s'inscrit dans un mouvement plus large de sécurisation de l'infrastructure agentique chez les grands fournisseurs cloud, à mesure que les entreprises déploient des agents autonomes sur des tâches sensibles, notamment dans la finance et l'assurance. AgentCore disposait déjà d'un système de politiques statiques déterminant qui peut appeler quel outil et sous quelles conditions, mais Amazon reconnaît que cela reste insuffisant face à des agents capables d'halluciner des données ou de s'enchaîner en boucle. Les temporal policies visent aussi à durcir automatiquement les permissions lorsqu'un agent opère sans supervision humaine directe, une approche qui pourrait devenir un standard à mesure que les régulateurs et les entreprises exigent davantage de garanties sur la fiabilité des systèmes agentiques déployés en production.

Sécurité⚡Actu

1 source

43

Illustration générée par IA

2274The Decoder 

OpenAI améliore GPT-5.6 Sol dans ChatGPT et limite les utilisateurs gratuits à son modèle le plus faible

OpenAI a mis à jour GPT-5.6 Sol dans ChatGPT, avec des réponses plus ciblées et un curseur de raisonnement permettant aux utilisateurs de régler la profondeur de réflexion du modèle selon leurs besoins. Dès la semaine prochaine, les utilisateurs de la version gratuite de ChatGPT auront accès à des conversations textuelles illimitées avec GPT-5.6 Luna, un modèle plus léger, accompagné d'un bouton pour prolonger son temps de raisonnement sur les questions complexes. Malgré cette amélioration, Luna reste nettement en retrait face à Sol et aux autres modèles plus puissants de la gamme GPT-5.6, qui demeurent réservés aux abonnés payants. Cette évolution illustre la stratégie de segmentation d'OpenAI entre offre gratuite et payante, à un moment où la pression concurrentielle sur les coûts d'inférence pousse les grands acteurs de l'IA à affiner leurs modèles les moins chers plutôt qu'à les abandonner. Pour les utilisateurs gratuits, l'accès illimité au texte représente une avancée réelle, même si les capacités de raisonnement approfondi restent hors de portée sans abonnement. Pour OpenAI, c'est un moyen de fidéliser une base d'utilisateurs massive tout en réservant ses modèles les plus performants comme argument commercial. Cette annonce s'inscrit dans la compétition permanente entre OpenAI, Google avec Gemini et Anthropic avec Claude, où chaque acteur ajuste régulièrement ses niveaux de service gratuits pour retenir les utilisateurs sans cannibaliser ses revenus d'abonnement. Le curseur de raisonnement, en particulier, reflète une tendance plus large du secteur à donner aux utilisateurs un contrôle explicite sur le compromis entre vitesse de réponse et qualité du raisonnement.

LLMs❧Opinion

Aussi surOpenAI Blog

50

Illustration générée par IA

2275Le Big Data 

WeatherNext : cette IA de DeepMind prévoit les cyclones avec un jour d’avance

Google DeepMind a dévoilé le 6 août 2026 WeatherNext, un modèle d'intelligence artificielle destiné à améliorer la prévision des cyclones. Publiés dans la revue scientifique Nature, les résultats montrent qu'une prévision réalisée trois jours à l'avance avec ce système atteint une fiabilité équivalente à celle des modèles classiques établis à deux jours d'échéance, soit un gain moyen de 24 heures d'anticipation. Le modèle ne se limite pas à calculer une trajectoire unique : il génère jusqu'à 1 000 scénarios possibles pour chaque tempête, offrant aux prévisionnistes une vision beaucoup plus complète des risques d'évolution. Pour y parvenir, WeatherNext s'appuie sur environ 20 téraoctets de données atmosphériques et une base historique couvrant près de 5 000 tempêtes passées. Fait notable, le modèle conserve une précision élevée même avec des données moins détaillées que celles utilisées par les systèmes traditionnels, un phénomène que les chercheurs n'expliquent pas encore totalement. Google a également annoncé la mise en open source de trois versions du système, WeatherNext Cyclones, WeatherNext 2 et WeatherNext 2-mini, rendant code et poids accessibles aux chercheurs et aux agences météorologiques. Ce gain de 24 heures représente un enjeu concret pour la gestion des catastrophes naturelles. Chaque heure supplémentaire d'anticipation permet aux autorités locales d'organiser des évacuations plus ordonnées, de sécuriser des infrastructures critiques et de diffuser des alertes mieux ciblées auprès des populations exposées. DeepMind évalue ce progrès à l'équivalent d'une décennie d'avancées en météorologie cyclonique, un secteur où la fiabilité des trajectoires reste historiquement difficile à établir en raison de la rapidité d'évolution de ces phénomènes et du grand nombre de paramètres atmosphériques en jeu. La mise à disposition open source du modèle pourrait aussi permettre à des agences météorologiques nationales, notamment dans des régions moins dotées en ressources de calcul, d'adapter l'outil à leurs réalités locales et de développer des variantes spécialisées. Cette annonce s'inscrit dans la stratégie plus large de DeepMind, qui multiplie depuis plusieurs années les modèles d'IA appliqués aux sciences du climat et de la météorologie, après des projets comme GraphCast. Le choix de publier une étude évaluée par les pairs dans Nature tout en libérant le code renforce la crédibilité scientifique de l'initiative, dans un contexte où les grandes entreprises technologiques cherchent à démontrer l'utilité sociétale de leurs modèles d'IA générative. DeepMind précise toutefois que les prévisions officielles resteront émises par les agences météorologiques nationales, WeatherNext étant conçu comme un outil d'aide à la décision plutôt qu'un substitut aux autorités compétentes. Reste à voir comment ces agences intégreront concrètement cette technologie dans leurs chaînes d'alerte opérationnelles.

Recherche❖Paper

1 source

35

Illustration générée par IA

2276AWS ML Blog 

Configurez des limites de débit pour le trafic IA sur la passerelle AgentCore

Amazon a annoncé le support de la limitation de débit sur AgentCore gateway, la passerelle IA entièrement gérée et sans serveur d'Amazon Bedrock. Cette passerelle sert de point d'entrée unique et sécurisé pour le trafic IA, qu'il s'agisse de recherche web gérée, de bases de connaissances, de serveurs MCP, de modèles d'inférence ou d'agents. La nouvelle fonctionnalité permet de définir des règles basées sur OAuth ou IAM pour contrôler, par utilisateur, les requêtes par minute, les connexions simultanées et le débit de tokens. Trois types de cibles sont pris en charge : les cibles MCP, les cibles d'inférence et les cibles HTTP passthrough. Trois métriques sont disponibles. Les requêtes par seconde ou par minute s'appliquent à tous les types de cibles, chaque requête comptant pour une unité quelle que soit sa durée d'exécution. Les tokens par minute, réservés aux cibles d'inférence, comptabilisent à la fois les tokens d'entrée et de sortie : la passerelle estime d'abord la consommation via un tokenizer générique avant l'appel, puis ajuste le compte une fois la réponse réelle du modèle reçue. Les connexions par seconde, applicables à tous les types de cibles, mesurent la durée d'occupation d'une connexion plutôt que le nombre de requêtes, une session de streaming de 100 secondes bloquant un emplacement pendant toute sa durée. Cette fonctionnalité permet aux entreprises qui déploient des agents IA à grande échelle de protéger leurs services en aval contre les pics de trafic, tout en différenciant l'accès selon les profils d'utilisateurs. Amazon illustre le cas d'usage avec trois groupes, Basic, Advanced et Beta, gérés via AgentCore Identity, qui authentifie les utilisateurs par jetons JWT avec Microsoft Entra ID comme fournisseur d'identité et sert aussi de service de distribution de jetons pour les cibles sortantes. Le contrôle d'accès basé sur les rôles, appliqué via les politiques d'Amazon Bedrock AgentCore, restreint l'accès de chaque groupe à des cibles et modèles spécifiques. Les utilisateurs Basic reçoivent des limites plus strictes que les utilisateurs Advanced, tandis que les utilisateurs Beta bénéficient de seuils élevés sur des modèles restreints, ce qui permet à une organisation de tester leurs performances avant un déploiement plus large. Concrètement, cela offre une meilleure maîtrise des coûts d'inférence, une disponibilité garantie des services critiques en cas de forte demande, et la possibilité de piloter des déploiements progressifs de nouveaux modèles sans saturer l'infrastructure. Cette annonce s'inscrit dans la montée en puissance des architectures d'agents IA en entreprise, où la gestion fine du trafic devient critique à mesure que les organisations multiplient les intégrations vers des LLM, des bases de connaissances et des outils tiers via le protocole MCP. La configuration d'une limite de débit repose sur deux éléments : les clés de dimension, qui définissent comment le trafic entrant est réparti en compartiments, et les entrées, qui fixent le débit autorisé pour chaque compartiment. Amazon détaille la mise en place de ces règles via l'interface en ligne de commande AWS. En combinant identité, politique d'accès et limitation de débit dans une seule passerelle managée, AWS cherche à simplifier la gouvernance des déploiements d'agents IA à grande échelle, un terrain sur lequel Google Cloud et Microsoft Azure investissent également face à la demande croissante des entreprises pour des infrastructures d'IA générative mieux contrôlées et sécurisées.

Infrastructure⚡Actu

1 source

35

Illustration générée par IA

2277The Verge AI 

Suno dévoile son plan pour lutter contre la musique IA indésirable

Suno, la startup spécialisée dans la génération musicale par intelligence artificielle, a annoncé de nouvelles mesures pour lutter contre la prolifération de morceaux IA de mauvaise qualité ou frauduleux sur les plateformes de streaming. Dans un long billet de blog, le PDG et cofondateur Mikey Shulman a détaillé les principes de l'entreprise et les prochaines étapes de sa stratégie, alors que Suno cherche à asseoir sa légitimité dans l'industrie musicale. Concrètement, la société va déployer de nouveaux outils de transparence ainsi que des technologies de filigrane numérique et d'empreinte permettant d'identifier plus facilement les morceaux générés par Suno, accompagnées d'une nouvelle politique de téléchargement. Selon Shulman, cette démarche s'aligne sur des standards émergents de l'industrie visant à faciliter la traçabilité des contenus produits par IA. L'entreprise dit aussi vouloir nouer des partenariats avec des plateformes de distribution musicale pour lutter conjointement contre la fraude et les usages abusifs de sa technologie. Cette initiative répond à une critique récurrente adressée à Suno et à des concurrents comme Udio : la facilité avec laquelle leurs outils permettent de générer en masse des morceaux qui inondent ensuite des plateformes comme Spotify, souvent dans le but de capter des revenus publicitaires ou de streaming sans réel travail créatif. Pour les artistes et les labels, ce phénomène de spam musical dilue la découvrabilité et pose des questions de rémunération équitable. En rendant les morceaux générés par IA identifiables grâce à un filigrane technique, Suno espère donner aux plateformes de distribution les moyens de détecter et filtrer les contenus frauduleux ou de faible qualité, tout en évitant que l'ensemble du secteur de la musique générative ne soit stigmatisé à cause d'un usage minoritaire mais très visible. Suno a levé des centaines de millions de dollars et fait face depuis ses débuts à des poursuites judiciaires de grandes maisons de disques, qui l'accusent d'avoir entraîné ses modèles sur des enregistrements protégés par le droit d'auteur sans autorisation. Dans ce climat de tension avec l'industrie musicale traditionnelle, regagner la confiance des plateformes de streaming et des ayants droit devient une priorité stratégique. L'adoption de standards de traçabilité comme le watermarking s'inscrit dans un mouvement plus large observé chez d'autres acteurs de l'IA générative, confrontés à des pressions similaires pour distinguer contenus humains et contenus synthétiques. Reste à voir si ces mesures suffiront à convaincre plateformes et régulateurs, alors que l'encadrement légal de la musique générée par IA reste largement à construire.

Création⚡Actu

1 source

46

Illustration générée par IA

2278The Decoder 

Microsoft dépendrait d'OpenAI pour 70 % de ses revenus en IA

Microsoft a généré 24,1 milliards de dollars de revenus liés à l'intelligence artificielle grâce à son partenariat avec OpenAI, sur l'exercice fiscal clos en juin. Selon une analyse de Bloomberg, cette somme représente environ 70 % de l'ensemble du chiffre d'affaires généré par les activités IA du géant de Redmond. Autrement dit, plus des deux tiers de l'argent que Microsoft tire de l'intelligence artificielle proviennent, directement ou indirectement, de sa relation avec la société dirigée par Sam Altman, que ce soit via Azure OpenAI Service, les revenus partagés issus des abonnements ChatGPT ou les licences technologiques accordées à Microsoft. Cette dépendance massive à un seul partenaire est révélatrice d'un changement stratégique chez Microsoft. L'entreprise, longtemps réputée pour verrouiller ses clients dans son propre écosystème logiciel, s'est mise ces derniers mois à défendre publiquement les modèles à poids ouverts et à critiquer les approches propriétaires fermées, y compris celles pratiquées par certains de ses propres partenaires. Ce virage n'est pas anodin: en s'appuyant autant sur OpenAI pour ses revenus IA, Microsoft s'expose à un risque de concentration que la promotion de modèles ouverts et de solutions alternatives permettrait de limiter, en diversifiant les technologies sur lesquelles reposent ses offres cloud et entreprise. Le contexte reste celui d'une relation complexe entre les deux entreprises, où Microsoft a investi des dizaines de milliards de dollars dans OpenAI tout en développant ses propres capacités internes en IA, notamment via l'équipe Microsoft AI dirigée par Mustafa Suleyman. À mesure que la concurrence s'intensifie face à Google, Amazon ou Meta, la question de la diversification des sources de revenus IA et de la réduction de la dépendance à un fournisseur unique devient un enjeu stratégique majeur pour l'avenir du groupe.

Business⚡Actu

1 source

33

Illustration générée par IA

2279MarkTechPost 

Adaptive experimentation avec Ax de Meta : guide pratique

Un tutoriel publié récemment détaille l'utilisation de la bibliothèque Ax de Meta, via sa Client API moderne, pour l'expérimentation adaptative et l'optimisation d'hyperparamètres. La démonstration s'appuie sur un jeu de données synthétique de classification généré avec 1 400 échantillons et 20 caractéristiques, dont 8 informatives et 4 redondantes, réparties en 3 classes. Un classifieur RandomForest de scikit-learn est optimisé simultanément sur deux objectifs : la précision prédictive, mesurée par validation croisée stratifiée à 3 plis, et la taille du modèle, calculée comme le produit du nombre d'arbres (nestimators) par leur profondeur maximale (maxdepth). L'espace de recherche mêle six paramètres de nature différente : trois entiers (nestimators entre 50 et 300, maxdepth entre 3 et 24, minsamplesleaf entre 1 et 12), un flottant (maxfeatures entre 0,2 et 1,0), un paramètre à échelle logarithmique (ccpalpha entre 1e-5 et 1e-1) et un paramètre catégoriel, criterion, avec les valeurs gini, entropy et logloss. L'optimisation tourne par lots de quatre essais grâce à une boucle dite ask-tell : le client propose des combinaisons de paramètres via getnexttrials, puis reçoit les résultats mesurés via completetrial. Cette démarche illustre un enjeu central du machine learning appliqué, celui de trouver un compromis entre performance et coût plutôt que d'optimiser un seul indicateur isolé. En traitant précision et taille comme deux objectifs concurrents, le tutoriel montre comment obtenir une frontière de Pareto, c'est-à-dire un ensemble de modèles où aucun gain de précision n'est possible sans dégrader la compacité, et inversement. Pour les équipes qui déploient des modèles en production, notamment dans des environnements contraints en mémoire ou en latence comme le edge computing ou les applications mobiles, cette méthode permet de choisir consciemment un point de fonctionnement plutôt que de subir un compromis mal maîtrisé. Elle rend aussi reproductible et automatisable un travail de réglage d'hyperparamètres traditionnellement manuel et chronophage, grâce à l'optimisation bayésienne qui converge plus vite qu'une recherche par grille ou aléatoire. Ax, développé par Meta, appartient à une famille d'outils d'optimisation expérimentale utilisés en interne pour des tests A/B et des réglages de systèmes à grande échelle, avant d'être publiés en open source. La Client API mise en avant dans ce tutoriel simplifie l'ancienne interface d'Ax en unifiant la définition de l'espace de recherche, le lancement des essais et la sauvegarde de l'expérience pour une réutilisation ultérieure. Ce type d'outil s'inscrit dans une tendance plus large de l'écosystème du machine learning, où des bibliothèques comme Optuna ou Ray Tune occupent un terrain voisin, autour de l'optimisation bayésienne et multi-objectif. À mesure que les modèles doivent répondre à des contraintes multiples, précision, coût de calcul, empreinte mémoire ou latence, ces frameworks d'expérimentation adaptative devraient prendre une place croissante dans les chaînes de production des équipes de data science, qui cherchent à industrialiser des étapes encore souvent traitées de façon artisanale.

Outils≡Tuto

1 source

46

Illustration générée par IA

2280The Verge AI 

OpenAI offre un accès illimité aux discussions textuelles aux utilisateurs gratuits de ChatGPT

Selon The Verge, OpenAI annonce un changement majeur pour les utilisateurs de ChatGPT sur ses offres gratuite et Go : dès la semaine prochaine, ces utilisateurs pourront échanger des messages texte avec le chatbot sans aucune limite. Actuellement, ces deux formules imposent des plafonds de messages qui bloquent les utilisateurs après un certain nombre d'échanges textuels sur une période donnée. Cette restriction disparaît, mais uniquement pour le texte : les fonctionnalités impliquant l'envoi de fichiers ou d'images resteront soumises à des quotas. Toujours la semaine prochaine, OpenAI ajoutera aussi un bouton "Think" pour ces mêmes utilisateurs, leur donnant accès à un mode de raisonnement renforcé pour traiter des questions plus complexes. Cette évolution réduit un frein important à l'adoption quotidienne de ChatGPT pour les millions d'utilisateurs qui n'ont jamais souscrit d'abonnement payant. En supprimant les limites de conversation textuelle, OpenAI mise sur un usage plus intensif et régulier de son assistant gratuit, ce qui pourrait renforcer l'engagement face à la concurrence de Google Gemini, Claude d'Anthropic ou Grok de xAI, tous engagés dans une bataille pour capter les utilisateurs non payants. Cette annonce s'inscrit dans une stratégie plus large d'OpenAI visant à démocratiser l'accès à ses outils tout en réservant les fonctionnalités les plus coûteuses en calcul, comme le traitement d'images ou de fichiers volumineux, aux formules payantes. L'entreprise cherche ainsi à élargir sa base d'utilisateurs gratuits tout en préservant un modèle économique différencié, dans un contexte de concurrence croissante entre géants de l'IA générative.

Outils⚒Outil

Aussi surTechCrunch AI