Actualités IA — page 115

7 616 articles au fil, du plus récent au plus ancien.

53

2281FrenchWeb 

Washington interdit Mythos 5 : l’Amérique veut contrôler les modèles, quelle sera la réponse des acteurs de l’IA?

Le gouvernement américain a ordonné vendredi soir à Anthropic de suspendre immédiatement l'accès à Mythos 5 et Fable 5, ses deux modèles les plus avancés dans le domaine de la cybersécurité. La directive s'appuie sur des impératifs de sécurité nationale et mobilise les pouvoirs de contrôle des exportations dont dispose Washington, un arsenal juridique habituellement réservé aux technologies militaires et aux semi-conducteurs. Anthropic, dont le siège est à San Francisco, n'a eu d'autre choix que de se conformer dans l'immédiat. Cette décision marque un tournant dans la régulation de l'IA générative aux États-Unis. En ciblant spécifiquement les capacités cyber des modèles, Washington envoie un signal clair : certaines aptitudes de l'IA, jugées trop sensibles, relèvent désormais du domaine régalien. Pour les entreprises qui utilisaient ces modèles dans leurs outils de sécurité informatique, la coupure est immédiate et sans alternative garantie. Pour l'industrie dans son ensemble, le précédent est considérable : si les autorités peuvent suspendre un produit commercial au nom de la sécurité nationale, chaque laboratoire d'IA doit désormais intégrer ce risque réglementaire dans sa stratégie produit. Ce mouvement s'inscrit dans une tendance de fond observée depuis 2023, où Washington tente de reprendre la main sur la diffusion des technologies d'IA les plus puissantes, notamment face à la concurrence chinoise. Les contrôles à l'exportation des puces Nvidia avaient ouvert la voie ; le ciblage des modèles eux-mêmes constitue une étape supplémentaire. La question qui se pose désormais est celle de la réponse des autres acteurs du secteur : OpenAI, Google DeepMind et Meta développent tous des modèles aux capacités similaires, et observent attentivement la façon dont Anthropic négocie la suite.

Régulation⚖Reglementation

1 source

44

2282MarkTechPost 

Moonshot AI publie Kimi K2.7-Code : un modèle de code avec +21,8 % sur Kimi Code Bench v2 par rapport à K2.6

Moonshot AI a publié cette semaine Kimi K2.7-Code, un nouveau modèle d'intelligence artificielle spécialisé dans la programmation et conçu pour des tâches d'ingénierie logicielle longues et complexes. Disponible sur Hugging Face sous licence MIT modifiée et accessible via l'API Kimi, le modèle repose sur une architecture Mixture-of-Experts avec 1 000 milliards de paramètres au total, dont 32 milliards activés par token. Il intègre 384 experts, une fenêtre de contexte de 256 000 tokens, et un encodeur visuel MoonViT de 400 millions de paramètres permettant de traiter texte, images et vidéos dans un même prompt. Le modèle pèse environ 595 Go sur disque, une cible clairement réservée aux serveurs, déployable via vLLM, SGLang ou KTransformers. Sur le Kimi Code Bench v2, il progresse de 50,9 à 62,0, soit une hausse de 21,8 % par rapport à son prédécesseur K2.6. Il surpasse également Claude Opus 4.8 sur le benchmark MCP Mark Verified (81,1 contre 76,4) et se rapproche de GPT-5.5 sur MLS Bench Lite. Ce qui distingue K2.7-Code des modèles de génération de code classiques, c'est sa capacité à enchaîner de nombreuses étapes autonomes : lire des fichiers, modifier du code sur plusieurs modules, exécuter des outils, puis vérifier les résultats jusqu'à correction. Moonshot revendique également une réduction d'environ 30 % de la consommation de tokens de raisonnement par rapport à K2.6, un gain qui se répercute directement sur les coûts dans les workflows agentiques où chaque étape de planification, de retry et de vérification est facturée comme des tokens de sortie. Pour les équipes qui utilisent ce type de modèle sur des centaines ou milliers de cycles, cet effet est significatif : coût unitaire plus bas, étapes plus rapides, et davantage de marge avant d'atteindre les limites de contexte. Le modèle est également intégré à Kimi Code, une plateforme de codage par abonnement. Kimi K2.7-Code s'inscrit dans une course intense entre laboratoires asiatiques et américains sur les modèles de codage agentique. Moonshot AI, startup chinoise fondée en 2023 et déjà connue pour ses modèles Kimi à très longue fenêtre de contexte, accélère sur ce segment en ciblant explicitement des cas d'usage professionnels : refactorisation à l'échelle d'un dépôt entier, revue de code sur de grandes pull requests, intégration CI/CD via le protocole MCP, et analyse combinée de logs, captures d'écran et code source. La contrainte du mode de raisonnement obligatoire, le désactiver provoque une erreur API, trahit une philosophie assumée : le modèle est pensé pour l'autonomie, pas pour la réponse instantanée. Face à GPT-5.5 et Claude Opus 4.8, K2.7-Code comble une partie de l'écart mais ne les dépasse pas sur la majorité des benchmarks, laissant ouverte la question de sa position réelle dans des conditions de production indépendantes.

LLMs❧Opinion

1 source

60

2283Latent Space 

Fable et Mythos officiellement jugés trop dangereux pour être publiés

Trois jours seulement après leur lancement, Anthropic a dû suspendre l'accès à ses modèles Fable 5 et Mythos 5 pour l'ensemble de ses clients mondiaux, sur injonction verbale du gouvernement américain. Les autorités américaines ont invoqué un risque potentiel pour la cybersécurité nationale, lié à une supposée faille de type "jailbreak" qui rendrait ces modèles trop dangereux à diffuser librement. Anthropic a publiquement contesté cette décision, affirmant que le gouvernement ne lui a fourni que des preuves verbales d'une vulnérabilité "étroite et non universelle" et que la société "croit à un malentendu". L'entreprise a par ailleurs souligné que des capacités comparables sont disponibles dans d'autres modèles largement accessibles, dont GPT-5.5 d'OpenAI. Dans la foulée, des produits tiers comme Cognition/Devin et la plateforme Agent Arena ont immédiatement retiré ces modèles de leurs offres. L'événement illustre de façon brutale un risque jusqu'ici théorique pour l'industrie tech : une API frontier fermée peut disparaître du jour au lendemain pour des raisons géopolitiques, sans préavis opérationnel. Pour les équipes d'ingénierie et les entreprises qui ont bâti des produits sur ces modèles, la disruption est immédiate et difficilement réversible. Anthropic a tenté de limiter les dégâts en réinitialisant les limites d'utilisation hebdomadaires et horaires de ses autres modèles, mais le signal envoyé à l'industrie est clair : dépendre d'un seul fournisseur frontier expose désormais à un risque géopolitique explicite. Des voix influentes comme celles de Nathan Lambert, Theo et Cohere ont convergé vers la même conclusion : "posséder sa propre infrastructure compte." La plateforme Artificial Analysis a résumé la situation sans détour, notant qu'il s'agit de "la première fois que notre graphique Intelligence Frontier recule." Cet épisode n'est pas sans précédent pour Anthropic, qui avait déjà eu affaire aux autorités américaines, mais c'est la première fois qu'une restriction d'export frappe l'ensemble des clients dans le monde. Le débat sur la "souveraineté des modèles" a pris une nouvelle ampleur, notamment parmi les défenseurs de l'IA open source qui estiment que cette situation valide leur position. En parallèle, la semaine a également été marquée par une refonte des benchmarks de codage : Artificial Analysis a remplacé SWE-Bench Pro par DeepSWE dans son index d'agents de code, au motif que le premier benchmark était devenu manipulable par fuite de l'historique des dépôts. Ce changement a redistribué les classements, avec Claude Code associé à Fable 5 atteignant 77 points, devant Codex couplé à GPT-5.5 à 76. Ces deux événements simultanés posent une question de fond pour l'industrie : dans quelle mesure les classements mesurent-ils vraiment la capacité des modèles, plutôt que celle des infrastructures et des acteurs politiques qui les contrôlent.

Régulation⚖Reglementation

1 source

58

2284Ars Technica AI 

Anthropic met fin aux modèles Fable et Mythos sur directive de l'administration Trump

Anthropic a brutalement coupé l'accès à ses deux nouveaux modèles Fable 5 et Mythos 5 vendredi soir, quelques jours à peine après leur lancement public. La décision fait suite à une directive du département américain du Commerce reçue ce même vendredi, soumettant ces modèles à des contrôles à l'exportation qui en interdisent l'utilisation hors des États-Unis. Dans un message publié en urgence, Anthropic a indiqué que la seule façon de garantir le respect immédiat de cet ordre gouvernemental était de désactiver Fable 5 et Mythos 5 pour l'ensemble de ses clients, sans distinction. Les autres modèles de la société, dont Claude Sonnet et Claude Haiku, ne sont pas concernés par cette restriction. La décision illustre à quel point les gouvernements sont désormais prêts à intervenir directement et rapidement sur la disponibilité des modèles d'IA les plus puissants. Selon un responsable de l'administration cité par Axios, les autorités américaines s'inquiètent d'une faille de type jailbreak qui permettrait de contourner les filtres de sécurité larges mis en place par Anthropic pour bloquer les requêtes sensibles liées à la cybersécurité, à la chimie et à la biologie. L'administration aurait demandé une pause dans le déploiement pour laisser le temps à l'appareil de sécurité nationale d'être renforcé contre ce type de menace, une opération qui pourrait prendre, selon la même source, quelques semaines. Cette intervention s'inscrit dans un contexte de surveillance croissante des modèles de frontière par les gouvernements occidentaux, préoccupés par leur potentiel de double usage. Anthropic, cofondée par d'anciens membres d'OpenAI et positionnée comme un acteur de l'IA dite sûre, se retrouve paradoxalement au coeur d'un bras de fer réglementaire sur ses modèles les plus avancés. La situation relance le débat sur les mécanismes de contrôle à l'exportation appliqués à l'IA, un sujet sur lequel Washington cherche depuis plusieurs années à établir un cadre comparable à celui existant pour les puces et les semi-conducteurs. La reprise d'accès à Fable 5 et Mythos 5 dépendra désormais du calendrier des agences de sécurité américaines, et non plus de celui d'Anthropic.

Régulation⚖Reglementation

Aussi surActuIA,Presse-citron

41

2285VentureBeat AI 

Kimi K2.7-Code réduit les tokens de raisonnement de 30 %, mais les praticiens contestent les benchmarks

Moonshot AI a publié cette semaine Kimi K2.7-Code, une mise à jour open source de sa famille de modèles de codage K2. Construit sur la même architecture mixture-of-experts à un trillion de paramètres que son prédécesseur K2.6, le modèle est disponible sous licence Modified MIT, téléchargeable sur HuggingFace et déployable via vLLM ou SGLang. Il s'intègre via une API compatible OpenAI, ce qui facilite la migration pour les équipes déjà en production avec K2.6. La principale promesse de Moonshot AI : une réduction de 30 % des tokens de raisonnement ("thinking tokens") par rapport à K2.6, ce qui se traduirait directement par une baisse des coûts d'inférence dans les workflows agentiques. Sur ses propres benchmarks propriétaires, l'entreprise annonce des gains de 21,8 % sur Kimi Code Bench v2, 11 % sur Program Bench et 31,5 % sur MLS Bench Lite. Sur le plan technique, le modèle génère désormais du code bas niveau en l'écrivant directement, là où K2.6 s'appuyait sur des wrappers de bibliothèques existantes, une approche censée améliorer la généralisation sur Rust, Go et Python. Le problème, soulevé immédiatement par des praticiens, est que ces chiffres proviennent exclusivement de benchmarks internes à Moonshot. Le chercheur Elliot Arledge a testé K2.7-Code face à K2.6 et à Claude Fable 5 sur KernelBench-Hard, un benchmark public spécialisé dans l'optimisation de kernels GPU, et a publié ses logs complets. Son verdict : "K2.7 est plus honnête, mais pas plus capable." Sur cinq des six problèmes testés, K2.7-Code a bien produit des kernels Triton réels là où K2.6 utilisait des wrappers, mais deux de ces kernels ont échoué à cause de bugs du modèle lui-même. Sur le kernel MoE, le score a même régressé, passant de 0,222 à 0,157 par rapport à K2.6. Claude Fable 5, lui, "arrive en tête sur chaque cellule où il n'échoue pas honnêtement", note Arledge. Sugumaran Balasubramaniyan, développeur d'un routeur de tâches pour la plateforme Hermes Agent, a interpellé Moonshot directement : "Avec tout le respect dû, chaque modèle 'progresse' de deux chiffres sur sa propre suite de tests." Il a rappelé que K2.6 ne score que 24 % sur DeepSWE, un benchmark indépendant bien plus discriminant, au même niveau que GPT-5.4-mini, et a demandé si K2.7-Code serait soumis au même test. Cette situation illustre un problème structurel dans l'évaluation des modèles de codage : la prolifération des benchmarks propriétaires rend les comparaisons quasi impossibles, tandis que des outils indépendants comme DeepSWE, qui produit un écart de 70 points entre modèles contre seulement 30 pour SWE-Bench Pro, restent sous-utilisés. Moonshot AI avait réussi une percée remarquée en avril lorsque K2.6 était arrivé en tête du classement hebdomadaire d'OpenRouter, fondé sur les décisions réelles de routage des développeurs. K2.7-Code, lui, n'a pas encore été soumis à ce type de validation externe. Pour les équipes en production, la bonne nouvelle est concrète : la réduction des tokens de raisonnement est testable immédiatement via l'API compatible OpenAI, sans refonte d'architecture. Mais la question de savoir si ces gains se maintiennent sur des tâches réelles, et si le modèle dépasse effectivement K2.6 sur des benchmarks indépendants, reste entière.

LLMs❧Opinion

1 source

48

2286VentureBeat AI 

Des chercheurs de Google présentent l'incertitude fidèle, pour que les LLMs estiment plutôt qu'hallucinent

Des chercheurs de Google ont publié un article proposant une approche nouvelle pour lutter contre les hallucinations des grands modèles de langage, baptisée "faithful uncertainty" (incertitude fidèle). La technique, présentée par Gal Yona, chercheur scientifique chez Google et co-auteur de l'étude, repose sur un principe métacognitif : aligner les réponses d'un modèle sur sa confiance interne réelle. Concrètement, plutôt que de forcer le modèle à choisir entre répondre avec assurance ou s'abstenir entièrement, cette approche lui permet d'exprimer des hypothèses nuancées comme "si je ne me trompe pas" ou "je pense que, mais je n'en suis pas certain". Le modèle peut ainsi partager des informations partielles tout en signalant leur degré de fiabilité, y compris dans des systèmes d'IA agentique où des décisions s'enchaînent sans supervision humaine constante. L'enjeu est considérable pour les applications d'entreprise, qui se heurtent à ce que les auteurs appellent le "utility tax", ou coût en utilité. Les stratégies actuelles de réduction des hallucinations imposent un compromis brutal : pour abaisser un taux d'erreur de 25 % à un seuil strict de 5 %, les développeurs doivent sacrifier 52 % des réponses correctes du modèle. En pratique, les équipes techniques refusent ce compromis et configurent leurs systèmes pour maximiser la couverture, ce qui pousse les modèles à continuer de générer des erreurs présentées avec confiance. La redéfinition proposée par Google permet de sortir de cette impasse : une erreur factuelle accompagnée d'une réserve explicite n'est plus une hallucination, c'est une hypothèse. Seule une affirmation incorrecte livrée avec autorité, sans qualification, constitue une véritable hallucination. Cette distinction préserve à la fois la fiabilité et l'utilité du système. Cette recherche s'inscrit dans une prise de conscience plus large des limites structurelles des LLMs. Pendant des années, les progrès en factualité ont surtout reposé sur l'expansion des connaissances : des modèles plus grands, nourris de davantage de données d'entraînement. Mais comme le souligne Yona, "la capacité des modèles est finie, alors que la longue traîne de la connaissance est effectivement infinie." La vraie faiblesse réside dans la conscience des limites, c'est-à-dire la capacité du modèle à distinguer ce qu'il sait de ce qu'il ignore. Dans les applications agentiques, où des systèmes autonomes prennent des décisions en cascade, cette conscience métacognitive devient un mécanisme de contrôle critique : elle permet au modèle de déterminer seul quand son savoir interne est suffisant et quand il doit faire appel à des outils externes ou des API de recherche pour combler ses lacunes.

Recherche❖Paper

1 source

46

2287NVIDIA AI Blog 

NVIDIA Blackwell domine le premier benchmark d'infrastructure pour agents autonomes d'IA

Artificial Analysis a publié AgentPerf, le premier benchmark sectoriel conçu spécifiquement pour évaluer les infrastructures d'IA agentique. Dans ce premier tour de résultats, la plateforme NVIDIA GB300 NVL72, basée sur l'architecture Blackwell Ultra, s'impose comme le système le plus performant : elle peut faire tourner jusqu'à 20 fois plus d'agents par mégawatt que l'ancienne génération HGX H200 (Hopper), quel que soit le seuil de qualité de service retenu (20 ou 60 tokens par seconde par agent). Le modèle de référence utilisé pour ce test est DeepSeek V4 Pro, un grand modèle de type mixture-of-experts représentatif des LLM qui propulsent aujourd'hui les agents les plus capables. La distinction entre IA conversationnelle et IA agentique est au coeur de cette initiative. Un chatbot classique réalise un seul appel LLM par échange : c'est un sprint. Un agent, lui, enchaîne des dizaines voire des centaines d'appels LLM entrelacés d'appels à des outils externes, compilation de code, recherche en base de données, navigation web, en transmettant à chaque étape un contexte de plus en plus long. La complexité n'est pas additive, elle est multiplicative. Les benchmarks d'inférence existants ne mesuraient qu'un seul appel LLM isolé et n'avaient pas été conçus pour capturer cette réalité. Pour une entreprise qui déploie des agents à grande échelle, les métriques pertinentes sont la réactivité des agents, le nombre d'instances simultanées supportées, et surtout le volume de travail utile produit par dollar et par watt investis. La performance du GB300 NVL72 repose sur une co-conception poussée de l'ensemble de la pile logicielle et matérielle. Le système interconnecte 72 GPU en une seule unité rack, ce qui permet aux grands modèles MoE comme DeepSeek V4 Pro de distribuer leur exécution efficacement. Les noyaux CUDA chevauchent communication et calcul pour absorber la latence de coordination entre experts. TensorRT-LLM sépare le traitement des entrées de la génération des sorties afin d'optimiser chaque phase indépendamment. AgentPerf lui-même est construit à partir de trajectoires réelles d'agents de codage opérant sur des dépôts publics couvrant plus de 12 langages de programmation, avec des longueurs de séquences, des délais d'appels d'outils et des patterns représentatifs de la production. Ce benchmark arrive à un moment où l'industrie bascule massivement vers des architectures agentiques, et où le choix d'infrastructure devient un avantage concurrentiel direct pour quiconque déploie ces systèmes à l'échelle.

Infrastructure⚡Actu

1 source

35

2288AWS ML Blog 

Supercharger : comment Rocket Close a optimisé ses opérations de titres avec des agents IA

Rocket Close, filiale de Rocket Companies basée à Détroit, a développé une solution d'intelligence artificielle agentique baptisée Supercharger pour automatiser et accélérer ses opérations de titre immobilier, une étape juridique incontournable dans tout achat de logement aux États-Unis. Conçu en collaboration avec AWS, Supercharger repose sur le SDK open source Strands Agents, les modèles de langage Claude d'Anthropic via Amazon Bedrock, et un système de bases de connaissances (Amazon Bedrock Knowledge Bases) couplé à des outils Model Context Protocol (MCP). La plateforme centralise les données opérationnelles, les procédures internes et les exigences réglementaires propres à chaque État américain, permettant aux équipes d'interagir en langage naturel avec un assistant qui comprend le contexte sur plusieurs échanges successifs. L'impact est direct et mesurable : là où un examinateur de titre passait auparavant plusieurs heures à naviguer entre systèmes disparates, guides d'État et exigences de comtés pour répondre à une seule question réglementaire, Supercharger génère des réponses contextualisées en temps réel. La solution automatise les tâches de recherche à forte intensité documentaire, propose des listes de vérification adaptées aux examens de titre État par État, et s'intègre via API aux bases de données existantes pour éviter la ressaisie manuelle. Des garde-fous (Amazon Bedrock Guardrails) combinés à des droits d'accès au niveau des lignes de données protègent les informations sensibles des clients, tandis qu'une journalisation complète assure la traçabilité exigée par la conformité réglementaire. Le résultat est une réduction du temps opérationnel et une meilleure capacité à absorber la croissance du volume de dossiers sans augmenter les effectifs proportionnellement. Le secteur du titre immobilier américain souffre depuis longtemps d'une fragmentation extrême : chaque État, voire chaque comté, impose ses propres règles sur l'enregistrement des actes, la vérification des hypothèques, les exigences de probate ou les identifiants fiscaux. Cette complexité structurelle ralentissait Rocket Close au moment même où la demande de crédits immobiliers accélérait. L'adoption d'architectures agentiques par les grands acteurs financiers s'inscrit dans une tendance plus large où les LLM cessent d'être de simples assistants textuels pour devenir des orchestrateurs de workflows métier complets. Rocket Companies, groupe qui regroupe également Rocket Mortgage, positionne ainsi Supercharger comme un avantage concurrentiel dans la course à l'automatisation du parcours d'achat immobilier, un marché où la vitesse d'exécution et la conformité réglementaire sont des critères de différenciation déterminants.

Outils⚒Outil

1 source

48

2289Microsoft Research 

L'IRE identifie un autre spécimen de LOTUSLITE

Le 28 mai 2026, les chercheurs ont soumis en aveugle un fichier suspect à Project Ire, l'agent autonome de classification de malwares développé par Microsoft. Le fichier, un DLL Windows portant le nom SmartPrintScreen.Print et identifié par le hash SHA-256 47e51e82...e653, s'est révélé être une variante de LOTUSLITE, une backdoor documentée par l'équipe de recherche sur les menaces d'Acronis (TRU). Problème : ce spécimen précis n'apparaissait dans aucune liste d'indicateurs de compromission (IoC) publiée. Au moment de l'analyse, un seul éditeur sur 72 le signalait sur VirusTotal. Une semaine plus tard, le 4 juin, ce chiffre était monté à 7 sur 70, avec Microsoft, Kaspersky et TrendMicro parmi les détecteurs. Les grands noms de la sécurité endpoint, CrowdStrike Falcon, SentinelOne, Sophos, Trellix, Palo Alto et ESET, ne le détectaient toujours pas. Face à cet échec de la détection par signature, Project Ire a produit en une seule passe, sans intervention humaine ni métadonnées contextuelles, un rapport comportemental complet : routine d'installation, structure des paquets de commande-contrôle (C2), identifiants de commandes, mécanisme de persistance et techniques d'obfuscation. Le verdict de l'agent était sans ambiguité : malveillant. Ce résultat illustre l'avantage concret de l'analyse comportementale agentique sur la détection par IoC : une variante peut partager exactement les mêmes tactiques, techniques et procédures (TTP) qu'une famille connue sans déclencher une seule alerte, simplement parce que son hash ou ses serveurs C2 sont différents. Pour les équipes de sécurité, c'est précisément dans cet angle mort que les attaquants opèrent. LOTUSLITE est distribué via une archive ZIP à thème politique, chargée latéralement à travers un lanceur Tencent KuGou renommé. Acronis attribue cette campagne au groupe Mustang Panda, un acteur lié à la Chine, avec un niveau de confiance modéré, sur la base de recoupements d'infrastructure et de la structure loader/DLL. Le rapport Ire pointe également une limite importante de l'analyse pilotée par LLM : l'agent a signalé la présence de la fonction nfapi::nf_unRegisterDriver comme suspecte, mais a explicitement évité de conclure à une interception active de paquets réseau, ce qui aurait été une erreur. La fonction écrit simplement une clé de registre Run pour assurer la persistance. C'est un exemple précis du risque de dérive sémantique : un nom de fonction évocateur peut induire un agent moins rigoureux en erreur, générant de fausses pistes pour les équipes de défense. La publication du rapport complet sur GitHub permet à la communauté de vérifier ce raisonnement pas à pas.

Sécurité❧Opinion

1 source

51

2290Ars Technica AI 

Prometheus : ce que prépare la nouvelle startup de Jeff Bezos

Jeff Bezos a officiellement lancé Prometheus en novembre dernier en tant que co-PDG aux côtés du co-fondateur Vik Bajaj, et la startup vient de boucler une nouvelle levée de fonds de 12 milliards de dollars, portant sa valorisation à 41 milliards. Cela fait suite à un premier tour de 6,2 milliards de dollars l'année précédente. Les investisseurs comprennent des noms de premier plan comme JPMorgan Chase, Goldman Sachs et BlackRock, auxquels s'ajoute une contribution personnelle significative de Bezos lui-même. L'entreprise compte actuellement 150 employés. Une grande partie de ces capitaux sera consacrée à l'achat de puissance de calcul, Bezos ayant confié à CNBC que l'activité est "très gourmande en calcul" et nécessite la création de vastes ensembles de données. Prometheus se positionne sur le créneau de l'IA physique, une discipline qui applique les principes du deep learning, ceux-là mêmes qui alimentent les grands modèles de langage et l'IA générative, à des domaines concrets comme la robotique et la fabrication industrielle. L'enjeu est considérable : si les LLM ont révolutionné le traitement du langage et de l'image, l'IA physique ambitionne de faire de même avec le monde réel, en dotant les machines d'une capacité à percevoir, raisonner et agir dans des environnements non structurés. Pour l'industrie manufacturière, la logistique et la robotique, les retombées potentielles sont massives. La démarche de Bezos s'inscrit dans une vague plus large d'investissements colossaux dans l'IA physique, un domaine où figurent aussi des acteurs comme Figure AI, Physical Intelligence ou encore Boston Dynamics. Avec 18,2 milliards de dollars levés en deux tours, Prometheus dispose d'une puissance de feu rare pour une startup aussi jeune, lui permettant de construire les infrastructures de données et de calcul nécessaires à l'entraînement de modèles complexes. Les détails sur les produits concrets restent encore flous, mais l'ampleur du financement et le profil des investisseurs institutionnels signalent des ambitions industrielles de long terme.

Robotique❧Opinion

1 source

42

2291The Decoder 

Plus de la moitié des Américains craignent que l'IA leur prenne emploi et esprit critique, selon un sondage

Une enquête menée par Anthropic auprès de près de 52 000 Américains révèle un niveau d'anxiété élevé face à l'intelligence artificielle. Selon les résultats publiés en juin 2026, 64 % des répondants redoutent de perdre leur emploi à cause de l'IA, tandis que 56 % craignent de perdre leur capacité à penser de manière indépendante. Ces deux inquiétudes se classent parmi les plus fréquemment citées, loin devant des préoccupations plus techniques comme la vie privée ou la désinformation. Ces chiffres illustrent une fracture profonde entre ceux qui utilisent l'IA au quotidien et ceux qui n'y ont pas encore recours. Les utilisateurs réguliers d'outils comme Claude ou ChatGPT se montrent nettement moins préoccupés par ces risques, suggérant que l'exposition directe atténue les craintes. Paradoxalement, une majorité d'Américains refuse l'introduction de l'IA dans leur propre environnement de travail, y compris pour des tâches qu'ils jugent eux-mêmes accessibles aux machines. Ce rejet émotionnel, dissocié du jugement rationnel, complique sérieusement les stratégies d'adoption en entreprise. Le fait qu'Anthropic soit à l'origine de cette étude mérite d'être noté : l'entreprise, qui développe Claude et lève des milliards de dollars auprès d'investisseurs comme Google et Amazon, a tout intérêt à mieux comprendre les freins à l'adoption. Cette enquête s'inscrit dans un contexte où les grands laboratoires d'IA multiplient les initiatives pour rassurer l'opinion publique, alors que les débats sur la réglementation s'intensifient aux États-Unis et en Europe.

Société❖Paper

1 source

44

2292Le Big Data 

Siri AI vs Google Gemini : qui gagne en 2026 ?

En 2026, la rivalité entre les deux principaux assistants IA mobiles prend un tournant décisif. Apple, longtemps perçu comme en retard sur l'intelligence artificielle générative, accélère sa transition avec une version substantiellement rénovée de Siri, désormais capable de comprendre le contexte de plusieurs conversations simultanées, de résumer des échanges et d'effectuer des recherches approfondies à travers les applications natives de l'iPhone. De son côté, Google Gemini s'est imposé comme une plateforme multimodale de référence, capable d'interpréter simultanément du texte, des images, de l'audio et des séquences vidéo longues, tout en traitant des requêtes complexes nécessitant plusieurs étapes de raisonnement. La coopération stratégique annoncée entre Apple et Google, par laquelle Cupertino s'appuie partiellement sur l'infrastructure de son rival pour enrichir certaines fonctions de son écosystème, ajoute une dimension inédite à ce face-à-face. La divergence entre les deux approches est fondamentale et détermine concrètement l'expérience de centaines de millions d'utilisateurs. Siri mise sur une intégration profonde dans iOS, iPadOS et macOS : l'assistant peut accéder au contenu affiché à l'écran, aux messages récents et aux fichiers stockés localement pour personnaliser ses réponses, plutôt que de simplement produire une réponse exacte. Cette philosophie du traitement local et du cloud privé est pensée pour des utilisateurs attachés à la confidentialité. Gemini, lui, privilégie la puissance brute : il excelle dans l'analyse de documents volumineux, l'identification d'éléments visuels précis ou la réponse à des scénarios multi-étapes, en croisant plusieurs sources d'information en quelques secondes. Pour les professionnels qui travaillent sur des contenus variés, ou les utilisateurs ancrés dans l'écosystème Google Workspace, l'avantage penche nettement vers Gemini. Ce duel reflète une recomposition plus profonde du marché des smartphones, où l'IA est devenue le principal terrain de différenciation. Pendant des années, Apple a préféré la prudence, cantonnant Siri à des tâches limitées pour préserver sa réputation sur la vie privée. La montée en puissance de ChatGPT et de Gemini a forcé Cupertino à changer de vitesse, quitte à s'allier temporairement avec Google. Google, de son côté, joue sur deux tableaux : enrichir Android avec Gemini tout en fournissant une partie de sa technologie à Apple via des accords commerciaux. Les prochains mois seront déterminants : Apple doit démontrer que sa vision centrée sur la confidentialité peut rivaliser avec la puissance de calcul de Google à l'échelle mondiale, tandis que Google doit convaincre que son ouverture ne se fait pas au détriment de la transparence pour les utilisateurs.

Outils⚒Outil

1 source

52

2293Ars Technica AI 

L'Ukraine a utilisé des drones entièrement autonomes pour tuer des soldats russes lors d'un test

Des drones entièrement autonomes ont tué des soldats russes lors d'un test militaire conduit il y a deux ans en Ukraine, selon Alexander Kokhanovskyy, PDG du fabricant de drones ukrainien Aero Center. L'information a été révélée lors d'une interview accordée au magazine New Scientist, en marge d'un événement organisé par l'ambassade ukrainienne à Londres. Le test impliquait des quadcopters préprogrammés pour se rendre dans une zone de front, puis activer ce que Kokhanovskyy appelle un "mode Terminator" : une intelligence artificielle capable d'identifier et d'attaquer toute cible présente dans le périmètre désigné, sans intervention humaine. Des drones pilotés manuellement envoyés vérifier les résultats ont retrouvé "quelques" soldats russes morts, ce qui a conduit à la conclusion que les appareils autonomes en étaient responsables. Si les faits sont confirmés, cet incident marquerait un tournant majeur dans l'histoire des conflits armés : ce serait l'une des premières fois documentées où des systèmes d'armes pleinement autonomes ont tué des humains sur un champ de bataille sans supervision humaine directe. L'absence totale de flux vidéo pendant l'opération illustre le caractère radicalement nouveau de ces systèmes, qui prennent des décisions létales de manière entièrement indépendante. Pour les armées, les industriels de défense et les décideurs politiques, cela pose des questions immédiates sur la responsabilité juridique, les règles d'engagement et les risques d'escalade non contrôlée. La guerre en Ukraine a accéléré comme aucun autre conflit récent le développement des drones militaires, transformant en quelques années des technologies expérimentales en outils de guerre quotidiens. Les deux camps ont massivement investi dans des systèmes FPV, des essaims de drones et des capacités de brouillage électronique, poussant les fabricants à développer des modes d'attaque toujours plus autonomes pour contourner les perturbations de signal. Les débats internationaux sur les "systèmes d'armes létales autonomes", longtemps restés théoriques dans les enceintes onusiennes, prennent désormais une dimension concrète et urgente, à mesure que la technologie dépasse le cadre des réglementations existantes.

Robotique⚡Actu

1 source

39

2294The Decoder 

OpenAI lance la guerre des prix dans l'IA avec des quotas flexibles pour son agent de code Codex

OpenAI modifie son système de limites d'utilisation pour Codex, son agent de codage IA. Les utilisateurs peuvent désormais accumuler leurs réinitialisations de débit et les déclencher manuellement, plutôt que de voir ces crédits expirer automatiquement selon un calendrier fixe. Concrètement, si un développeur atteint son plafond en plein milieu d'une session, il peut immédiatement consommer une réinitialisation mise de côté, sans attendre le prochain cycle. Les abonnés aux formules Go, Plus, Pro et Business reçoivent chacun une réinitialisation gratuite au démarrage. Les utilisateurs Plus et Pro bénéficient en outre d'un mécanisme de parrainage : en invitant des amis, ils peuvent débloquer des crédits supplémentaires. Pour les développeurs qui intègrent Codex dans leurs flux de travail, cette flexibilité change concrètement la donne. Auparavant, atteindre une limite de débit en cours de session signifiait une interruption forcée, coûteuse en temps et en concentration. La possibilité de gérer ses crédits de manière proactive réduit les frictions dans l'utilisation intensive de l'agent. C'est aussi un signal fort sur le terrain concurrentiel : en améliorant l'expérience utilisateur sans baisser les prix, OpenAI cherche à fidéliser sa base face à une concurrence de plus en plus agressive. Cette annonce s'inscrit dans une guerre des prix qui s'intensifie dans le secteur des agents de codage IA. Anthropic avec Claude Code, Google avec Gemini, et des acteurs spécialisés comme Cursor ou GitHub Copilot se livrent une bataille acharnée pour capter les développeurs. Codex, capable d'écrire, tester et déboguer du code de manière autonome, représente l'un des paris stratégiques majeurs d'OpenAI pour 2026. Le mécanisme de parrainage introduit rappelle les tactiques de croissance virale du grand public, une approche inhabituellement agressive pour un outil professionnel.

Outils⚒Outil

1 source

41

2295Ars Technica AI 

Consommation d'eau totale : les datacenters IA ne représentent qu'une goutte dans l'océan

Amazon a publié jeudi un billet de blog affirmant que ses centres de données ont prélevé environ 2,5 milliards de gallons d'eau à l'échelle mondiale en 2025, principalement pour alimenter les systèmes de refroidissement par évaporation. En comparaison, Google avait prélevé plus de 6,1 milliards de gallons en 2024, Microsoft environ 2,75 milliards et Meta 1,4 milliard sur la même période. C'est la première fois qu'Amazon communique publiquement sur ce chiffre, rejoignant tardivement ses concurrents dans l'exercice de transparence environnementale. Ces volumes paraissent colossaux en valeur absolue, mais ils s'avèrent anecdotiques dès lors qu'on les replace dans le contexte de la consommation nationale américaine. Les États-Unis ont prélevé à eux seuls 117 000 milliards de gallons d'eau en 2015. L'entretien des pelouses et espaces verts américains consomme 3 300 milliards de gallons par an, les vergers d'amandiers californiens 1 300 milliards, et les seuls terrains de golf américains 531 milliards. Les données centers de tous les grands acteurs de l'IA réunis représentent donc une fraction infime des prélèvements hydriques totaux, relativisant considérablement le récit dominant sur l'IA "assoiffée" de ressources. Cette publication intervient dans un contexte de pression croissante sur les entreprises tech pour documenter leur empreinte environnementale, portée notamment par des communautés en ligne critique vis-à-vis de l'IA. Si l'impact global semble limité à l'échelle nationale ou mondiale, la situation est bien différente localement : un centre de données peut représenter une charge significative pour le réseau hydrique d'une région spécifique, notamment dans des zones déjà soumises au stress hydrique. L'enjeu pour les prochaines années sera moins de mesurer l'empreinte agrégée que de gérer les tensions locales, alors que la construction de nouveaux centres de données s'accélère partout dans le monde pour répondre à la demande explosive en infrastructures IA.

Infrastructure❧Opinion

1 source

39

2296VentureBeat AI 

NanoClaw et JFrog lancent un 'système immunitaire' pour bloquer le téléchargement de code malveillant par les agents IA

NanoCo AI, la startup commerciale fondée par Gavriel Cohen, créateur de l'agent open source NanoClaw, a annoncé un partenariat technique avec JFrog, leader de la gestion de la chaîne d'approvisionnement logicielle, pour lancer une intégration de sécurité commune disponible immédiatement. Le principe est simple : les agents NanoClaw sont désormais configurés pour n'installer des paquets logiciels, des outils CLI et des serveurs MCP qu'à partir des registres certifiés et analysés de JFrog. Si un agent tente de télécharger une bibliothèque compromise, comme une version vulnérable du paquet Axios, le registre JFrog bloque la requête et renvoie une erreur de politique de sécurité 403. Mieux encore, le système ne se contente pas de bloquer la menace : il guide l'agent pour qu'il recherche et installe automatiquement une version approuvée et sûre du paquet demandé. L'intégration est gratuite pour la communauté open source, et les entreprises peuvent la connecter à leurs environnements JFrog déjà sous licence commerciale. Ce partenariat comble un angle mort critique dans l'écosystème des agents autonomes : ces derniers installent fréquemment des paquets en arrière-plan pour étendre leurs capacités, bien souvent à l'insu de leurs opérateurs humains. Comme l'explique Cohen, quand un utilisateur envoie un fichier audio à un agent, celui-ci raisonne seul : « je ne sais pas traiter les notes vocales, je vais télécharger et installer un paquet. » Ce comportement d'auto-amélioration dynamique rend les agents extrêmement puissants, mais aussi très vulnérables aux attaques sur la chaîne d'approvisionnement logicielle. Pour les grandes organisations, l'enjeu est également celui de la conformité : selon Gal Marder, directeur de la stratégie chez JFrog, les entreprises ont besoin d'un registre de toutes les activités des agents, de savoir qui fait tourner quoi, quels paquets sont consommés, quels MCPs sont utilisés. Ce mouvement s'inscrit dans une série d'initiatives de NanoCo AI pour sécuriser son écosystème : l'entreprise avait déjà noué un partenariat avec Vercel pour ajouter des fenêtres de confirmation de permissions dans ses applications, puis avec Docker pour faire tourner les agents NanoClaw dans des conteneurs virtuels isolés. En parallèle, les acteurs malveillants intensifient l'empoisonnement des registres open source avec des paquets frauduleux, exploitant précisément le fait que les agents contournent la vérification humaine. Le marché des agents autonomes d'entreprise est en pleine explosion, et la question de la sécurité de la chaîne d'approvisionnement logicielle devient un enjeu stratégique majeur. En intégrant un système immunitaire directement dans la boucle d'exécution des agents, NanoCo et JFrog positionnent la sécurité non plus comme une couche ajoutée après coup, mais comme un mécanisme natif de correction continue.

Sécurité⚡Actu

1 source

47

2297Ars Technica AI 

Google poursuit en justice un réseau cybercriminel chinois ayant utilisé Gemini pour automatiser des arnaques

Google a intenté une action en justice contre un groupe cybercriminel chinois baptisé Outsider Enterprise, accusé d'avoir orchestré une campagne de fraude massive alimentée par l'intelligence artificielle. Selon les documents déposés par l'entreprise, Outsider Enterprise opère principalement via Telegram, où il propose des services de phishing clés en main à des individus peu familiers avec les techniques informatiques. Le groupe aurait fourni des instructions détaillées pour utiliser Gemini, le modèle d'IA de Google, afin de créer des sites web imitant ceux de Google lui-même, YouTube, et des agences gouvernementales américaines comme le système de péage E-ZPass de New York. Au total, le réseau a généré près de 300 modèles d'arnaque, 9 000 faux sites web, et un million d'URL frauduleuses. Plus de 2,5 millions de messages texte ont été envoyés à des utilisateurs Android, dont 55 000 en seulement deux semaines au cours du mois dernier. Cette affaire illustre concrètement les risques liés à la démocratisation des outils d'IA générative : des acteurs malveillants peuvent désormais automatiser et industrialiser des campagnes de fraude sophistiquées sans compétences techniques poussées. Les victimes ciblées sont des particuliers qui reçoivent de faux messages les incitant à saisir des informations personnelles ou bancaires sur des sites frauduleux. L'ampleur du réseau, avec un million d'URLs recensées, témoigne d'une capacité d'exécution inédite rendue possible par l'IA. Google indique travailler en coordination avec les forces de l'ordre et les opérateurs mobiles pour contenir la menace. Cette plainte s'inscrit dans une tendance plus large où les grandes plateformes technologiques recourent aux tribunaux pour lutter contre les abus de leurs propres outils. OpenAI et Microsoft ont adopté des stratégies similaires ces derniers mois. Pour Google, l'enjeu est double : protéger ses utilisateurs tout en défendant la réputation de Gemini, dont le nom est directement associé aux arnaques documentées. L'issue judiciaire reste incertaine, notamment en raison des obstacles liés à la juridiction internationale face à des acteurs opérant depuis la Chine, mais l'action vise aussi à créer un précédent dissuasif pour de futurs abus.

Sécurité⚡Actu

Aussi surTechCrunch AI

47

2298VentureBeat AI 

PixelRAG surpasse les analyseurs de texte en précision et réduit de 10 fois le coût en tokens des agents IA

Une équipe de chercheurs des universités UC Berkeley, Princeton et EPFL, en collaboration avec Databricks, a publié cette semaine un article présentant PixelRAG, un système de recherche augmentée par récupération (RAG) qui abandonne complètement l'étape de conversion en texte des pages web. Plutôt que de transformer le HTML en texte brut avant de l'indexer, PixelRAG prend des captures d'écran des pages, découpe ces images en tuiles de 1 024 pixels et les encode directement dans un index vectoriel interrogeable par un modèle de langage à vision. Le système a été testé sur 30 millions de tuiles couvrant l'intégralité des 7 millions d'articles de Wikipédia, et surpasse les pipelines RAG traditionnels sur six benchmarks distincts, avec un gain de précision allant jusqu'à 18,1 % par rapport aux approches textuelles. L'enjeu est considérable pour toutes les entreprises qui déploient des agents IA sur leurs bases documentaires internes ou sur le web ouvert. Les pipelines RAG actuels échouent pour trois raisons mesurables : la conversion HTML détruit 36,6 % des réponses avant même l'indexation, les infoboxes bourrées de mots-clés écrasent les paragraphes pertinents dans 55,2 % des cas, et les 8,2 % restants sont perdus lors de la lecture finale à cause d'une mise en forme aplatie. PixelRAG contourne ces trois problèmes d'un coup en conservant la hiérarchie visuelle, les tableaux, le gras et la mise en page, que les parseurs textuels éliminent irrémédiablement. Le système réduit également les coûts en tokens des agents IA d'un facteur 10, puisque les tuiles images sont bien plus compactes que les longues chaînes de texte nettoyé qu'un parseur produit habituellement. L'architecture repose sur quatre étapes entièrement visuelles : le rendu des pages via Playwright à une largeur fixe de 875 pixels, leur découpage en tuiles stockées localement hors ligne, leur encodage en vecteurs de 2 048 dimensions grâce au modèle Qwen3-VL-Embedding-2B dans un index FAISS d'environ 120 Go, et enfin la lecture par un modèle vision-langage capable d'interpréter simultanément contenu et mise en page. Le choix de cette approche reflète une conviction plus large des auteurs : améliorer les parseurs est une course sans fin, chaque site web exigeant un traitement sur mesure, alors que les modèles de vision récents permettent désormais de traiter directement la page rendue comme le ferait un humain. Yichuan Wang, doctorant à UC Berkeley et auteur principal, résume l'ambition : construire un système de récupération universel, sans ingénierie spécifique par site, en s'appuyant sur les progrès rapides des modèles multimodaux.

Recherche❖Paper

1 source

48

2299AI News 

Coinbase for Agents : automatiser le trading de portefeuille grâce à l'IA

Coinbase a lancé « Coinbase for Agents », une infrastructure permettant à des agents d'intelligence artificielle d'exécuter des transactions financières directement depuis des portefeuilles utilisateurs. Jusqu'à présent, les grands modèles de langage pouvaient analyser les marchés et formuler des recommandations, mais ils étaient incapables de passer des ordres de manière autonome. La plateforme comble ce fossé en proposant deux modes d'intégration : une interface en ligne de commande destinée aux environnements de développement comme Claude Code ou OpenAI Codex, et le protocole MCP (Model Context Protocol) pour les agents web tels que ChatGPT ou Claude Web, qui ne nécessite aucune clé API ni configuration locale. Un accès MCP distant via authentification unique est également annoncé prochainement. Les agents peuvent ainsi acheter, vendre, gérer des soldes et passer des ordres à cours limité, le tout dans des paramètres définis à l'avance par l'utilisateur. Concrètement, un gestionnaire de portefeuille peut programmer un agent pour maintenir une allocation cible, par exemple 60 % Bitcoin, 20 % Ethereum et 20 % Solana, sur plusieurs mois. L'agent surveille les cours en temps réel et place automatiquement des ordres d'achat lors de baisses de 5, 10 ou 15 % pour profiter des corrections de marché. Il peut également gérer les liquidités dormantes en les déployant pour générer des rendements. Autre cas d'usage illustré : un plan de dollar-cost averaging sur Ethereum, où l'agent analyse trente jours de données horaires, identifie les creux historiques de la journée, puis exécute un achat quotidien de 20 dollars pendant deux semaines à partir d'une seule instruction initiale. La plateforme supporte déjà le trading au comptant et sur dérivés, et prévoit d'étendre son offre aux fonds indiciels, actions d'entreprises, matières premières et marchés de prédiction. Ce lancement s'inscrit dans une dynamique plus large de financiarisation des agents IA. Coinbase avait introduit l'an dernier le protocole x402, un standard de paiement conçu spécifiquement pour les agents logiciels, leur permettant d'acheter de manière autonome des ressources de calcul, des modèles analytiques ou des données de marché propriétaires pour affiner leurs décisions. L'intégration de x402 à Coinbase for Agents étend ce mécanisme à un écosystème financier concret. Pour limiter les risques, les agents opèrent exclusivement dans des portefeuilles isolés, sans accès aux autres actifs de l'utilisateur. La course à « l'infrastructure agentique » s'intensifie, plusieurs acteurs cherchant à devenir le back-end financier de référence pour les agents autonomes, avec Coinbase en position avancée grâce à son infrastructure régulée et ses millions d'utilisateurs existants.

Outils⚒Outil

1 source

40

2300AWS ML Blog 

Traiter des PDF et en extraire des insights : concevoir un pipeline intelligent avec les services IA générative d'AWS

Amazon Web Services a dévoilé une architecture complète de traitement intelligent de documents reposant sur ses services d'IA générative, notamment Amazon Bedrock Data Automation (BDA). Ce service unifié permet d'extraire des informations structurées depuis des documents multimodaux, PDF, images, vidéos, fichiers audio, avec une capacité allant jusqu'à 3 000 pages et 500 Mo par requête API. Contrairement aux solutions OCR classiques qui se limitent à l'extraction de texte brut, BDA analyse le contexte, classe automatiquement chaque section d'un document dans la bonne catégorie, l'associe au bon modèle de traitement, et fournit des scores de confiance sur les données extraites. L'architecture s'appuie sur quatre couches intégrées : ingestion des fichiers via Amazon S3, extraction et stockage avec DynamoDB, couche d'intelligence sémantique via Amazon Bedrock Knowledge Base, et coordination agentique par des agents spécialisés hébergés sur Amazon Bedrock AgentCore Runtime, orchestrés par AWS Step Functions. Pour les organisations qui traitent chaque jour des millions de documents, contrats juridiques, dossiers médicaux, factures, déclarations d'assurance, cette solution répond à un goulot d'étranglement majeur : l'intervention humaine obligatoire dans les pipelines traditionnels. En automatisant la classification, la normalisation et la validation des données, BDA réduit les coûts opérationnels, accélère les délais de traitement et limite les erreurs de saisie. La capacité à relier plusieurs documents entre eux via une base de connaissances sémantique permet également des analyses croisées impossibles avec les approches OCR conventionnelles, ouvrant la voie à des cas d'usage comme l'audit automatisé de contrats ou l'analyse comparative de rapports financiers. Ce lancement s'inscrit dans une course que se livrent les grands fournisseurs cloud, AWS, Microsoft Azure et Google Cloud, pour proposer des pipelines documentaires clé en main à destination des entreprises. AWS positionne BDA comme une réponse directe aux limites des solutions point-à-point qui nécessitaient jusqu'ici d'assembler manuellement des modèles OCR, des LLM et des orchestrateurs distincts. En intégrant l'ensemble dans une API unifiée au sein de Bedrock, Amazon cherche à réduire la friction technique pour les équipes data et à accélérer l'adoption de l'IA générative dans des secteurs très réglementés comme la finance, la santé et le droit. Les prochaines évolutions attendues concernent l'élargissement des formats supportés et le renforcement des capacités d'analyse de graphiques et de visualisations complexes embarqués dans les documents.

Outils⚒Outil

1 source