Aller au contenu principal
Le Fil IA

Actualités IA — page 148

9 335 articles au fil, du plus récent au plus ancien.

Cette appli IA clone votre voix et transforme votre galerie en Reels prêt à être poster
Illustration générée par IA
2941Le Big Data 

Cette appli IA clone votre voix et transforme votre galerie en Reels prêt à être poster

Reelful, une nouvelle application disponible pour l'instant uniquement sur iOS, permet de transformer automatiquement les photos et vidéos stockées dans la pellicule d'un smartphone en reels prêts à être publiés sur les réseaux sociaux. Le fonctionnement repose sur l'intelligence artificielle : l'utilisateur décrit en quelques mots l'histoire qu'il souhaite raconter (un voyage, une fête, la présentation d'un produit), puis enregistre une trentaine de secondes de sa voix. L'application crée alors une version synthétique de cette voix, qui servira de narration tout au long de la vidéo. Une fois les photos et vidéos sélectionnées, Reelful se charge d'organiser les séquences, de rédiger le script, d'ajouter la voix off, de choisir une musique, d'intégrer des sous-titres et des effets sonores. L'outil peut même animer des images fixes, par exemple transformer une photo d'une personne tenant une bière en une courte séquence où elle porte le verre à sa bouche. Des versions Android et web sont annoncées pour plus tard. Côté tarifs, l'application fonctionne par crédits ou par abonnement : les packs démarrent à 15 dollars pour cinq vidéos, jusqu'à 90 dollars pour trente-trois vidéos, tandis que les abonnements mensuels vont de 25 dollars pour dix vidéos (formule Créateur) à 100 dollars pour soixante vidéos (formule Studio), en passant par une offre Pro à 50 dollars pour vingt-cinq vidéos. Cette application illustre un basculement déjà amorcé par des modèles comme Gemini Omni Flash de Google : le montage vidéo, longtemps un métier à part entière nécessitant des compétences techniques et du temps, devient une simple fonctionnalité accessible en quelques clics. Pour les millions d'utilisateurs qui accumulent des souvenirs personnels sans jamais les partager faute de temps ou de savoir-faire, cela supprime la barrière technique entre un contenu brut et une publication soignée. Pour les créateurs de contenu réguliers, les formules d'abonnement offrent une alternative potentiellement moins coûteuse que des logiciels de montage professionnels ou que l'embauche de monteurs freelance, tout en garantissant une production rapide et standardisée. Cette évolution s'inscrit dans une tendance plus large de l'IA générative appliquée à la vidéo, où la création de contenu passe d'un savoir-faire spécialisé à un service automatisé accessible au grand public. Les enjeux qui en découlent touchent à la fois l'avenir des métiers du montage vidéo, la qualité et l'authenticité des contenus diffusés sur les réseaux sociaux, ainsi que les questions de propriété liée aux voix synthétiques générées à partir d'un simple enregistrement de trente secondes. La concurrence entre grandes plateformes technologiques et applications spécialisées comme Reelful devrait s'intensifier à mesure que ces outils gagnent en popularité.

CréationOutil
1 source
L'orchestrateur de Sakana AI ajoute Nvidia Nemotron pour prouver que l'"intelligence collective" peut rivaliser avec des modèles de pointe uniques
Illustration générée par IA
2942The Decoder 

L'orchestrateur de Sakana AI ajoute Nvidia Nemotron pour prouver que l'"intelligence collective" peut rivaliser avec des modèles de pointe uniques

Sakana AI, la start-up japonaise spécialisée dans l'intelligence artificielle collective, a annoncé l'intégration des modèles open source Nemotron de Nvidia dans son orchestrateur Fugu. Ce système ne repose pas sur un modèle unique mais combine dynamiquement plusieurs modèles de langage, en sélectionnant celui ou ceux les plus adaptés selon la nature de chaque tâche à accomplir. L'ajout de Nemotron, la famille de modèles ouverts développée par Nvidia, vient enrichir le panel de briques disponibles pour cet assemblage automatisé. Sakana AI n'a toutefois pas publié de chiffres de performance précis pour cette nouvelle combinaison, se contentant pour l'instant d'une annonce sans benchmarks détaillés à l'appui. L'enjeu dépasse la simple mise à jour technique. Sakana AI défend l'idée que des modèles open source, individuellement moins puissants que les systèmes frontière fermés comme ceux d'OpenAI ou d'Anthropic, peuvent rivaliser avec eux à condition d'être orchestrés intelligemment plutôt qu'utilisés isolément. Cette approche, si elle se confirme, changerait la donne pour les entreprises et développeurs cherchant des alternatives moins coûteuses et plus transparentes aux grands modèles propriétaires, en misant sur la coordination plutôt que sur la taille brute d'un seul système. Cette stratégie s'inscrit dans la philosophie fondatrice de Sakana AI, cofondée par d'anciens chercheurs de Google, qui s'inspire des mécanismes d'intelligence collective observés dans la nature, comme les bancs de poissons. L'entreprise mise depuis ses débuts sur l'assemblage et la coopération entre modèles plutôt que sur l'entraînement de systèmes toujours plus massifs, une orientation qui la distingue des laboratoires misant sur la course à l'échelle.

OutilsOutil
1 source
« Se retire de » convient bien ici
Illustration générée par IA
2943The Information AI 

« Se retire de » convient bien ici

Guanlan Dai, ancien responsable technique chez Cloudflare et ingénieur fondateur de la startup de connectivité API Kong, vient de lancer une nouvelle entreprise baptisée Runta. Basée à San Mateo, en Californie, la startup a levé 20 millions de dollars en financement d'amorçage, à une valorisation dépassant les 100 millions de dollars. Le tour de table a été mené par Martin Casado, associé général chez Andreessen Horowitz, et rassemble une liste impressionnante d'investisseurs issus du monde de l'intelligence artificielle : Jeff Dean de Google, Fei-Fei Li de World Labs, Ali Ghodsi de Databricks, Ram Shriram, l'un des tout premiers soutiens financiers de Google, ainsi que Thomas Wolf de Hugging Face. Père de deux jeunes enfants, Dai explique avoir eu l'idée de Runta en observant les similitudes entre l'éducation d'enfants précoces et la gestion d'agents IA autonomes. L'ambition de Runta est d'aider les entreprises à « éduquer » leurs agents IA, un peu comme des parents sécurisent leur maison ou limitent l'accès de leurs enfants aux cartes de crédit. Concrètement, la startup développe des outils permettant de restreindre les fichiers sensibles auxquels un agent peut accéder et de plafonner les montants qu'il peut dépenser lors d'une action donnée. À mesure que les agents IA autonomes se multiplient dans les entreprises pour automatiser des tâches, la question du contrôle de leurs actions devient centrale, notamment pour éviter des erreurs coûteuses ou des dérives dans l'exécution de tâches critiques. Runta s'articule autour de deux piliers complémentaires : la fourniture de puissance de calcul nécessaire au fonctionnement des agents, et la mise en place de garde-fous, ou « guardrails », destinés à empêcher ces agents de sortir du cadre prévu. Ce positionnement s'inscrit dans une vague plus large d'investisseurs et de startups cherchant à sécuriser l'essor rapide des agents autonomes, un secteur où la confiance des entreprises reste freinée par les risques liés à l'imprévisibilité et à l'autonomie croissante de ces systèmes.

BusinessActu
1 source
Incroyable ! Ce robot humanoïde réalise un dunk aérien comme s’il jouait en NBA
Illustration générée par IA
2944Le Big Data 

Incroyable ! Ce robot humanoïde réalise un dunk aérien comme s’il jouait en NBA

Un robot humanoïde chinois vient de réaliser un dunk aérien spectaculaire, capturé dans une vidéo publiée le 15 juillet 2026. Le MagicBot X1, développé par la société MagicLab Robotics via son laboratoire Jordan Magic Lab, s'élance, décolle du sol et écrase le ballon dans le panier avec une fluidité qui rappelle les gestes d'un joueur professionnel. Le dunk n'est que le point culminant d'une démonstration plus large : le robot enchaîne aussi le jonglage au ballon de football, des échanges au tennis, au badminton et au tennis de table, ainsi que des séquences de boxe et plusieurs figures acrobatiques. Chaque discipline met à l'épreuve sa coordination, sa rapidité d'exécution et sa capacité à maintenir son équilibre, y compris à l'atterrissage après un saut. Cette performance dépasse le simple exploit sportif filmé pour impressionner les internautes. Réussir un dunk suppose de synchroniser jambes, bras et buste avec une précision extrême, tout en absorbant l'impact du saut sans perdre l'équilibre : la moindre erreur de trajectoire aurait suffi à faire échouer la démonstration. Cette maîtrise du mouvement complexe illustre les progrès rapides de ce que l'industrie appelle l'intelligence incarnée, c'est-à-dire des systèmes d'IA capables d'agir physiquement dans le monde réel avec des gestes naturels. Pour les fabricants de robots humanoïdes, ces capacités motrices fines ouvrent la voie à des applications bien plus concrètes que le divertissement, comme l'assemblage industriel de précision ou la manipulation d'objets fragiles. Le MagicBot X1, dont le slogan « Full Power, Flawless Moves » résume l'ambition, s'appuie sur des actionneurs de nouvelle génération capables d'absorber l'énergie des impacts, ce qui lui permet d'enchaîner des mouvements explosifs même sur des surfaces irrégulières. Son intelligence repose sur un modèle baptisé Magic-Mix, qui analyse l'environnement en temps réel pour anticiper les interactions avec les objets, complété par de l'apprentissage par imitation. Le robot embarque également une main dotée de capteurs tactiles avancés, destinée à des tâches nécessitant de la dextérité. Cette vidéo s'inscrit dans une compétition mondiale où les robots humanoïdes multiplient les démonstrations spectaculaires, après la gymnastique, les courses de vitesse ou le kung-fu, chaque fabricant cherchant à prouver la supériorité de son contrôle moteur et de son IA embarquée.

RobotiqueActu
1 source
IA : Avec un modèle moins coûteux et « résistant à la censure », Mira Murati rivalise avec les modèles chinois
Illustration générée par IA
2945La Tribune 

IA : Avec un modèle moins coûteux et « résistant à la censure », Mira Murati rivalise avec les modèles chinois

Il ne s'agit ni de rattraper OpenAI ni de dépasser les modèles chinois sur la performance brute : Thinking Machines Lab, la start-up cofondée par Mira Murati, ancienne directrice technique d'OpenAI, a présenté Inkling, un modèle qu'elle reconnaît elle-même ne pas être le plus performant du marché. Sa promesse repose ailleurs, sur trois atouts assumés : un coût d'exploitation nettement mieux maîtrisé que ceux d'OpenAI ou d'Anthropic, une capacité de personnalisation poussée pour les entreprises clientes, et une résistance revendiquée à la censure. Cette approche tranche avec la stratégie de la plupart des laboratoires occidentaux, qui misent sur des modèles toujours plus puissants et plus chers à faire tourner. Ce positionnement vise directement le terrain où les modèles chinois, à l'image de DeepSeek ou Qwen, ont gagné du terrain ces derniers mois : celui des entreprises qui cherchent des solutions d'IA générative à prix contenu, sans exiger la performance de pointe. En proposant une alternative occidentale sur ce même segment économique, Thinking Machines Lab espère capter une clientèle professionnelle sensible aux coûts de licence et d'inférence, tout en offrant des garanties de personnalisation et de transparence que les modèles chinois n'apportent pas toujours, notamment sur les questions de modération des contenus. Cette stratégie s'inscrit dans un marché de l'IA générative de plus en plus segmenté, où la course au modèle le plus puissant coexiste désormais avec une bataille sur les prix et l'adaptabilité. Fondée par Mira Murati après son départ d'OpenAI, Thinking Machines Lab cherche à se différencier de ses anciens employeurs en misant sur un modèle économique distinct plutôt que sur une surenchère technologique. Reste à voir si Inkling parviendra à convaincre les entreprises face à la concurrence, à la fois occidentale et chinoise, sur un marché où les positionnements se multiplient rapidement.

LLMsOpinion
1 source
La Table du Futur Devrait Ressembler à un Data Center
Illustration générée par IA
2946Latent Space 

La Table du Futur Devrait Ressembler à un Data Center

Lila Sciences, une entreprise américaine spécialisée dans l'automatisation scientifique par intelligence artificielle, a détaillé son projet de laboratoire entièrement piloté par IA lors d'un entretien avec son directeur technique Andy Beam et sa directrice scientifique pour les sciences physiques Rafa Gómez-Bombarelli. L'installation ressemble à un centre de données sombre rempli de robots et d'instruments de laboratoire fonctionnant en continu, avec des plateaux flottant sur des rails à sustentation magnétique et des modèles de vision-langage pilotant même d'anciens ordinateurs sous Windows 95. Ce système a déjà généré plus de 10 000 milliards de tokens de raisonnement scientifique, tous validés expérimentalement, couvrant simultanément la biologie, la chimie, la découverte de médicaments et la science des matériaux. L'équipe affirme aussi avoir reconstruit une mesure de sorption gazeuse pour la rendre environ 2 500 fois plus rapide qu'auparavant. L'enjeu dépasse la simple automatisation de laboratoire. Selon Beam et Gómez-Bombarelli, Internet représente déjà une source de données épuisée pour l'entraînement des modèles, tandis que la méthode scientifique constituerait le dernier gisement de données à l'échelle d'Internet encore inexploité. Leur approche traite chaque expérience comme un mécanisme de génération de données, avec la nature elle-même comme validateur des résultats produits par apprentissage par renforcement. Fait notable, les dirigeants insistent sur le fait que Lila Sciences n'est pas une entreprise d'automatisation à proprement parler : elle privilégie la flexibilité et la capacité de généralisation plutôt que le simple débit de production, laissant les humains intervenir tant que l'automatisation complète n'est pas rentable. Un exemple marquant illustre cette philosophie : des suggestions de catalyseurs par IA pour des électrocatalyseurs sans métaux du groupe du platine, d'abord jugées "stupides" par un expert fort de quarante publications, se sont révélées être les meilleures performances jamais obtenues par l'équipe. Ce pari s'inscrit dans une réflexion plus large sur la sérendipité en science. Les chercheurs citent le cas d'Emily Whitehead, première enfant guérie par thérapie CAR-T, dont la survie tenait à la connaissance fortuite d'un médecin ayant traité l'arthrite pédiatrique sur l'anticorps capable de limiter sa réponse inflammatoire à l'interleukine-6. L'objectif de Lila Sciences est de systématiser ce type de découverte en misant sur la largeur du savoir plutôt que sur la chance. L'entreprise revendique aussi avoir obtenu des données in vivo sur des primates non humains pour une thérapie CAR-T en seulement six mois, selon un modèle commercial qu'elle qualifie de "start-up virtuelle à zéro employé équivalent temps plein".

RechercheActu
1 source
J'ai un pressentiment
Illustration générée par IA
2947Ben's Bites 

J'ai un pressentiment

Thinking Machines, la startup fondée par l'ancienne directrice technique d'OpenAI Mira Murati, a lancé Inkling, son premier modèle en poids ouverts (open-weights). Le modèle dispose d'une fenêtre de contexte d'un million de tokens et fonctionne sur trois modalités : texte, image et audio. Il reste toutefois loin derrière les meilleurs modèles ouverts du marché, dont la plupart proviennent aujourd'hui de laboratoires chinois, à l'image de GLM-5.2, considéré comme l'un des modèles open source les plus performants actuellement, même s'il ne gère pas encore les images en entrée. Inkling est disponible sur Tinker, la plateforme de fine-tuning de Thinking Machines, permettant aux développeurs de créer des versions personnalisées adaptées à des cas d'usage spécifiques. Par ailleurs, OpenAI a révélé l'existence de GPT-Red, un modèle interne conçu pour attaquer ses propres modèles afin de détecter les instructions cachées capables de les détourner ; cet outil a servi à renforcer la sécurité de GPT-5.6 Sol lors de son entraînement. Google a aussi mis à jour Gemini Spark, son concurrent d'OpenClaw, qui peut désormais éditer des documents Google Docs, lire les commentaires dans Sheets et Slides, et traiter plusieurs sources en parallèle, le tout 50% plus rapidement qu'auparavant. Ces annonces illustrent une bataille de plus en plus intense autour des modèles ouverts, un segment où de nombreuses startups délaissent progressivement les modèles propriétaires les plus puissants au profit de versions auto-hébergées ou affinées de modèles comme GLM-5.2, pour des raisons de coûts et de contrôle. Le fait qu'Inkling arrive loin derrière l'offre chinoise souligne à quel point les laboratoires occidentaux peinent à rivaliser sur ce terrain précis. Du côté de la sécurité, l'existence de GPT-Red témoigne d'une prise de conscience croissante des risques de manipulation par instructions cachées, un sujet d'autant plus sensible qu'un incident récent a montré qu'un prompt dissimulé avait réussi à faire fuiter par Claude des noms, employeurs et réponses à des questions de sécurité issus de sa mémoire. Ce climat de vigilance accrue rejoint les propos tenus par Demis Hassabis, directeur général de DeepMind, qui estime que l'intelligence artificielle générale (AGI) est probablement encore à quelques années. Il appelle à la création d'un organisme de normalisation dirigé par les États-Unis pour tester les modèles les plus avancés avant leur déploiement commercial, avec un partage volontaire des modèles jusqu'à 30 jours avant leur sortie pour évaluer les risques liés à la cybersécurité, aux menaces biologiques et aux comportements trompeurs. Cette proposition, pour l'instant sur une base volontaire mais avec la possibilité d'une approbation de déploiement obligatoire à terme, s'inscrit dans un contexte où même les outils grand public suscitent la controverse : xAI a dû rendre open source son assistant de code Grok Build après que des utilisateurs ont découvert que l'outil envoyait leur code vers ses serveurs par défaut.

LLMsActu
1 source
☕️ Thinking Machines publie Inkling, un modèle généraliste à poids ouverts
Illustration générée par IA
2948Next INpact 

☕️ Thinking Machines publie Inkling, un modèle généraliste à poids ouverts

Le laboratoire Thinking Machines, fondé par Mira Murati, ancienne directrice technique d'OpenAI, a dévoilé mercredi 15 juillet son premier modèle à poids ouverts, baptisé Inkling. L'annonce intervient dix huit mois après une levée de fonds record de 2 milliards de dollars pour l'entreprise. Inkling repose sur une architecture Mixture of Experts totalisant 975 milliards de paramètres, dont seulement 41 milliards sont activés à chaque requête, une conception pensée pour limiter les coûts de calcul tout en conservant une large capacité de connaissances. Le modèle gère une fenêtre de contexte pouvant atteindre 1 million de tokens et a été entraîné sur 45 000 milliards de tokens couvrant texte, images, audio et vidéo. Thinking Machines propose également une version allégée, Inkling Small, dotée de 12 milliards de paramètres actifs et entraînée selon la même méthode. Les deux modèles sont accessibles dès à présent via Tinker, le service de personnalisation et de fine tuning lancé en accès anticipé début 2026, avec des fenêtres de contexte de 64 000 et 256 000 tokens et une tarification de lancement fixée à 1,87 dollar le million de tokens en entrée et 4,68 dollars en sortie. Cette sortie marque un tournant stratégique pour un laboratoire jusque là connu surtout pour la notoriété de son équipe fondatrice plutôt que pour des produits concrets. En choisissant d'ouvrir les poids d'Inkling plutôt que de viser la performance brute face à des modèles fermés comme ceux d'OpenAI ou d'Anthropic, Thinking Machines se positionne sur un créneau différent, celui des chercheurs et développeurs souhaitant personnaliser un modèle généraliste solide en chat, audio et vision, quitte à sacrifier une partie des capacités agentiques les plus avancées. Cette approche pourrait séduire des équipes de recherche et des entreprises qui cherchent une base fiable, multimodale et modulable, sans dépendre entièrement des API propriétaires des grands acteurs du secteur, tout en bénéficiant d'un contrôle direct sur les données et la boucle d'entraînement via Tinker. L'initiative s'inscrit dans une stratégie produit plus large amorcée par Thinking Machines dès octobre dernier avec le lancement de Tinker, conçu pour affranchir les chercheurs des contraintes d'infrastructure lors du réglage fin de modèles. Inkling doit désormais nourrir d'autres développements du laboratoire, notamment TLM Interaction Small, un modèle à très faible latence destiné en particulier aux interactions vocales, illustrant une volonté de construire un écosystème cohérent plutôt qu'un modèle isolé. Dans un marché de l'IA générative dominé par une poignée d'acteurs aux modèles fermés, ce pari sur l'ouverture et la personnalisation pourrait redéfinir la place que Thinking Machines entend occuper, entre laboratoires de recherche indépendants et géants technologiques.

LLMsActu
1 source
Seize prix Nobel redoutent un tsunami de l’IA sur l’emploi. Faut-il s’inquiéter ?
Illustration générée par IA
2949Le Big Data 

Seize prix Nobel redoutent un tsunami de l’IA sur l’emploi. Faut-il s’inquiéter ?

Plus de deux cents économistes, chercheurs et dirigeants d'entreprises technologiques ont signé une lettre ouverte intitulée "Nous devons agir maintenant", publiée le 16 juillet 2026, pour alerter sur les bouleversements que l'intelligence artificielle pourrait provoquer sur le marché du travail mondial. Seize lauréats du prix Nobel figurent parmi les signataires, aux côtés de Daron Acemoglu et Simon Johnson du MIT, de Michael Spence, professeur à NYU, de l'ancien patron de Google Eric Schmidt, de la directrice financière d'OpenAI Sarah Friar, ainsi que de Jack Clark, cofondateur d'Anthropic, et de Zoë Hitzig, ancienne chercheuse chez OpenAI devenue critique de l'entreprise. Le texte anticipe une IA "radicalement plus puissante" dans les dix prochaines années, avec une transformation économique qui pourrait dépasser en ampleur la révolution industrielle tout en se produisant sur une période beaucoup plus courte. Les signataires redoutent des déplacements massifs d'emplois aux conséquences sociales potentiellement dévastatrices, tout en reconnaissant des gains importants de niveau de vie rendus possibles par ces nouvelles capacités. La lettre réclame la création d'incitations, de protections sociales et d'institutions nouvelles pour favoriser la complémentarité entre humains et machines, plutôt qu'un remplacement pur et simple de la main d'oeuvre. Cette initiative pèse par la diversité de ses signataires plutôt que par des mesures concrètes : optimistes technologiques, sceptiques économiques et dirigeants d'entreprises qui développent elles mêmes ces systèmes s'accordent rarement sur un même diagnostic. Cette convergence rend l'avertissement difficile à écarter comme une simple panique médiatique récurrente autour de l'IA. Pour les gouvernements et les entreprises, le message revient à dire que l'impréparation collective face à cette transition rapide constitue désormais le problème central, davantage que la technologie elle même. Erik Brynjolfsson, cité par le New York Times, évoque "un fossé important" entre les capacités de l'IA et la préparation des institutions, et met en garde contre le "tsunami" qui s'annonce sur l'emploi. Daron Acemoglu compare cette transition à celle des robots industriels, avec un coût potentiellement très élevé pour les travailleurs, mais à une vitesse accélérée. Cet appel s'inscrit dans un climat déjà marqué par des signaux contradictoires sur le marché du travail : les jeunes diplômés peinent à trouver un premier emploi, le secteur technologique multiplie les restructurations partiellement justifiées par l'IA, et certains rapports évoquent des salariés plus âgés poussés vers la sortie, quand d'autres études ne constatent aucun impact mesurable. Aucun chiffrage précis ni calendrier ne permet aujourd'hui de trancher l'ampleur réelle du phénomène. La lettre fonctionne donc surtout comme un signal d'alarme destiné à forcer une prise de conscience politique avant que les effets ne soient irréversibles, sans offrir de feuille de route pour accompagner, compenser ou prévenir les pertes d'emplois qu'elle décrit. Le débat reste ouvert, mais le consensus affiché par une coalition aussi hétérogène marque un tournant dans la manière dont la profession économique aborde publiquement le sujet.

SociétéOpinion
1 source
OpenAI dévoile GPT‑Red, la redoutable IA qui pirate ChatGPT, mais c’est pour son bien
Illustration générée par IA
295001net 

OpenAI dévoile GPT‑Red, la redoutable IA qui pirate ChatGPT, mais c’est pour son bien

OpenAI a officiellement présenté GPT‑Red, un modèle d'intelligence artificielle spécifiquement conçu pour détecter les failles de sécurité dans ses propres systèmes. Cet outil simule des cyberattaques réelles contre les infrastructures qui font fonctionner ChatGPT, avec un objectif précis : repérer les vulnérabilités avant que des acteurs malveillants ne puissent les exploiter. Parmi les menaces ciblées en priorité figurent les injections de requêtes, une technique qui consiste à manipuler les instructions données à un modèle de langage pour lui faire produire des réponses non prévues ou contourner ses garde-fous. Contrairement à d'autres annonces d'OpenAI, GPT‑Red reste un outil interne : la start-up dirigée par Sam Altman a choisi de ne pas le rendre public, le gardant strictement réservé à ses équipes de sécurité. Cette initiative répond à un enjeu central pour l'ensemble de l'industrie de l'IA générative : plus les modèles comme ChatGPT gagnent en puissance et en autonomie, plus les surfaces d'attaque potentielles s'élargissent, qu'il s'agisse de manipulation de prompts, d'extraction de données sensibles ou de détournement de fonctionnalités. En automatisant la recherche de vulnérabilités via une IA offensive, OpenAI espère identifier ces failles plus rapidement et à plus grande échelle que ne le permettraient des équipes humaines seules, réduisant ainsi la fenêtre d'exposition avant qu'un problème ne soit exploité en conditions réelles par des attaquants. Cette démarche s'inscrit dans une tendance plus large du secteur, où la cybersécurité offensive appliquée à l'IA devient un axe stratégique face à la multiplication des incidents liés aux modèles de langage. Google, Anthropic et Microsoft investissent également dans des équipes de red teaming dédiées à leurs propres systèmes. La décision d'OpenAI de garder GPT‑Red confidentiel illustre une tension récurrente dans l'industrie : un outil capable de percer les défenses d'une IA représente à la fois un atout défensif précieux et un risque s'il tombait entre de mauvaises mains, ce qui pourrait orienter les futurs choix de gouvernance autour de ces technologies.

SécuritéActu
1 source
Linus Torvalds s’agace une nouvelle fois sur l’IA, cette fois pour la défendre
Illustration générée par IA
2951Next INpact 

Linus Torvalds s’agace une nouvelle fois sur l’IA, cette fois pour la défendre

Linus Torvalds est de nouveau intervenu dans le débat sur l'intelligence artificielle au sein du noyau Linux, mais cette fois pour défendre son usage plutôt que pour critiquer sa qualité. Le différend porte sur Sashiko, un bot de relecture automatisée de patches développé par Roman Gushchin, ingénieur senior chez Google, et annoncé publiquement le 17 mars 2026 sur la liste de diffusion du noyau. Ce service, écrit en Rust et fonctionnant principalement avec le modèle Gemini 3.1 Pro fourni par Google, surveille en continu les soumissions de code sur plusieurs listes de diffusion, dont celle du projet Rust for Linux, et publie automatiquement ses commentaires. Selon les propres mesures de Gushchin, non vérifiées de façon indépendante, Sashiko repère environ 53 % des bugs finalement corrigés sur un échantillon de 1 000 commits récents. Le contributeur historique Laurent Pinchart s'oppose à l'envoi direct de ces relectures aux développeurs, s'appuyant sur des recommandations publiées le 18 juin 2026 par la Software Freedom Conservancy, qui demandent de respecter le choix des contributeurs refusant l'IA. Gushchin rétorque qu'un filtrage humain systématique annulerait l'intérêt du gain de temps promis par l'outil. Cette querelle dépasse le cas d'un simple bot : elle pose la question de la place que l'IA générative peut occuper dans la maintenance d'un projet aussi critique que le noyau Linux, socle logiciel de la majorité des serveurs, smartphones et objets connectés dans le monde. Si Torvalds valide l'usage de Sashiko, cela ouvre la voie à une automatisation accrue de la revue de code sur d'autres projets open source majeurs, avec à la clé des gains de productivité pour des mainteneurs souvent débordés. Mais cela ravive aussi les craintes d'un afflux de contributions ou de commentaires de mauvaise qualité générés par IA, un phénomène déjà redouté sous le terme de « slop » dans plusieurs communautés de développeurs. Le contexte est celui d'un Torvalds coutumier des prises de position tranchées, qui avait déjà critiqué par le passé les rapports de bugs générés par des LLM peu fiables. Il affirme désormais sans détour que « Linux n'est pas un projet anti-IA » et que les mécontents peuvent, selon la logique même de l'open source, forker le projet. Il invite aussi les critiques à reconnaître que l'erreur humaine n'a rien d'exceptionnel, et rappelle que l'aspect communautaire du logiciel libre reste secondaire par rapport à l'objectif technique du projet, financé en l'occurrence par l'infrastructure et la puissance de calcul mises à disposition par Google.

OutilsOutil
1 source
Thinking Machines lance Inkling, un modèle de 975 milliards de paramètres qui devance les labos américains mais reste derrière la Chine
Illustration générée par IA
2952The Decoder 

Thinking Machines lance Inkling, un modèle de 975 milliards de paramètres qui devance les labos américains mais reste derrière la Chine

Thinking Machines Lab, le laboratoire fondé par Mira Murati, ancienne directrice technique d'OpenAI, a dévoilé Inkling, un modèle multimodal en poids ouverts comptant 975 milliards de paramètres. Selon l'Artificial Analysis Intelligence Index, ce modèle se hisse en tête des modèles ouverts américains, devançant ses concurrents domestiques sur plusieurs benchmarks, bien que les meilleurs modèles ouverts chinois conservent l'avantage sur certaines tâches spécifiques. Le prix d'accès démarre à 1,87 dollar par million de tokens en entrée. Plutôt que de le présenter comme le modèle le plus puissant du marché, Thinking Machines positionne Inkling comme une base solide destinée au fine-tuning par les développeurs. Cette annonce confirme la place de Thinking Machines parmi les acteurs sérieux de l'IA générative, un an après sa création par Murati avec d'anciens cadres d'OpenAI. Pour les entreprises et développeurs américains cherchant des alternatives ouvertes aux modèles propriétaires, Inkling offre une option compétitive taillée pour la personnalisation plutôt que l'usage generaliste immédiat. Le positionnement tarifaire et l'approche orientée fine-tuning visent un public technique désireux d'adapter le modèle à des besoins spécifiques, sans dépendre exclusivement des géants comme OpenAI, Google ou Meta. Le contexte plus large est celui d'une course mondiale à l'ouverture des modèles, où les laboratoires chinois comme DeepSeek ou Alibaba ont pris une avance notable sur les modèles ouverts, poussant les acteurs américains à réagir. Thinking Machines, avec Inkling, tente de combler cet écart tout en évitant la comparaison directe sur la puissance brute, préférant miser sur la flexibilité offerte aux développeurs. La suite dépendra de l'adoption réelle par la communauté technique et de la capacité du laboratoire à itérer face à une concurrence chinoise toujours plus agressive sur ce segment.

LLMsActu
1 source
La Chine entraîne ses robots dans le monde réel plutôt qu’en laboratoire
Illustration générée par IA
2953Frandroid 

La Chine entraîne ses robots dans le monde réel plutôt qu’en laboratoire

Selon les informations disponibles, des chercheurs chinois développent leurs robots humanoïdes en les testant directement en conditions réelles plutôt qu'en environnement contrôlé de laboratoire. L'approche consiste à sortir les machines des centres de recherche pour les confronter à des situations concrètes de la vie quotidienne, où elles doivent interagir avec des humains dans des contextes non scénarisés. Cette stratégie d'apprentissage par l'expérimentation directe vise à accumuler des données issues de situations variées et imprévisibles, difficiles à reproduire artificiellement en laboratoire. Les équipes de recherche chinoises misent ainsi sur le volume et la diversité des interactions réelles pour affiner les capacités de leurs robots. Cette méthode répond à un défi central de la robotique humanoïde : un robot qui excelle dans un environnement contrôlé échoue souvent face à l'imprévisibilité du monde réel, que ce soient les irrégularités d'un trottoir, les réactions imprévues d'un passant ou les obstacles non répertoriés. En multipliant les expositions à ces situations concrètes, la Chine cherche à accélérer l'acquisition de comportements adaptatifs plus robustes que ceux obtenus par simulation seule. L'enjeu est de taille pour l'industrie : la capacité à déployer des robots réellement fonctionnels en environnement humain conditionne l'ensemble des applications commerciales visées, du service à la personne à l'assistance logistique, et pourrait déterminer qui prendra l'avantage sur ce marché émergent. Cette approche s'inscrit dans la compétition mondiale intense autour de la robotique humanoïde, où la Chine investit massivement pour rattraper puis dépasser les acteurs occidentaux et notamment américains sur ce terrain. Les entreprises chinoises du secteur bénéficient d'un soutien étatique important et d'un écosystème industriel favorable au déploiement rapide de prototypes à grande échelle. Reste à savoir si cette stratégie du terrain, plus risquée en termes de sécurité et d'image, permettra réellement de combler l'écart technologique avec des acteurs qui misent davantage sur la simulation et les tests contrôlés avant tout déploiement public.

RobotiqueOpinion
1 source
Pour Bruno Retailleau, l’IA « n’attend pas notre consentement »
Illustration générée par IA
2954Next INpact 

Pour Bruno Retailleau, l’IA « n’attend pas notre consentement »

Bruno Retailleau, président des Républicains et candidat à l'élection présidentielle de 2027, a publié en juillet un document de 56 pages consacré à l'intelligence artificielle. Le sénateur de Vendée y affirme que l'IA « n'attend pas notre consentement » et qu'elle déterminera « dans les dix années qui viennent » le rang des nations. Il propose d'investir 23 milliards d'euros sur le prochain quinquennat, puisés dans le budget de l'État, pour développer le secteur en France. Point central du projet : la création d'un assistant administratif numérique baptisé « Marianne », destiné à remplacer une large part des services numériques publics et à devenir, selon ses termes, « l'aboutissement de France Connect ». Un milliard d'euros serait consacré à ce chatbot, censé accomplir les tâches équivalentes à 250 000 emplois à temps plein dans la fonction publique. Concrètement, Bruno Retailleau prévoit de ne pas remplacer 125 000 fonctionnaires partant à la retraite et de « redéployer » 125 000 autres agents vers des missions de soin, d'enquête et d'accompagnement. Cette proposition illustre une tentative de positionner l'IA comme un enjeu central de la présidentielle de 2027, alors que les questions de souveraineté numérique et les tensions géopolitiques poussent les candidats à s'emparer davantage du sujet qu'auparavant. Pour le candidat LR, l'intelligence artificielle et la robotisation ne sont pas de simples outils de productivité mais une réponse structurelle au déclin démographique du pays, présentée comme « la condition du maintien de notre niveau de vie, de nos services publics et de notre modèle social ». L'ampleur de la bascule budgétaire vers l'IA, couplée à une réduction significative des effectifs de la fonction publique, aurait des conséquences directes sur l'organisation de l'État et sur des dizaines de milliers d'agents publics, dans un secteur, l'administration, où l'automatisation reste jusqu'ici limitée. Le document intervient alors que Bruno Retailleau cherche à définir une ligne singulière sur l'IA, qu'il décrit comme une « troisième voie » entre « fascination naïve » et « peur stérile » vis-à-vis de la technologie. Bien que le terme d'« IA générative » n'apparaisse qu'une seule fois dans les 56 pages, le texte semble en réalité largement construit autour des promesses de gains de productivité mises en avant par les grandes entreprises du secteur, sans toujours préciser les modalités techniques ou institutionnelles de mise en œuvre, notamment l'organisme chargé de piloter le projet Marianne. Ce type d'initiative n'est pas isolé à l'échelle internationale : d'autres pays expérimentent déjà des formes d'IA appliquées à l'administration, à l'image de l'Albanie, qui a récemment nommé une ministre entièrement pilotée par l'intelligence artificielle. Reste à savoir comment ces annonces de campagne se traduiront, ou non, en politique publique effective d'ici 2027.

RégulationReglementation
1 source
Neko Health lève 700 millions de dollars pour étendre ses scans corporels par IA aux États-Unis
Illustration générée par IA
2955AI News 

Neko Health lève 700 millions de dollars pour étendre ses scans corporels par IA aux États-Unis

Neko Health a levé 700 millions de dollars pour accélérer son expansion aux États-Unis, où elle ouvrira une première clinique à New York. Ce tour de série C a été mené par Lightspeed Venture Partners et codirigé par O.G. Venture Partners, avec la participation des investisseurs historiques Atomico, General Catalyst et Lakestar, ainsi que de nouveaux soutiens comme Liberty City Ventures, Positive Sum et BDT & MSD. David Ofer, d'O.G. Venture Partners, rejoindra le conseil d'administration de Neko, sous réserve d'approbation réglementaire. Ce financement porte à plus d'un milliard de dollars le total levé par l'entreprise depuis 2023, après une série A de 65 millions de dollars cette année-là puis 260 millions de dollars en janvier 2025. Parmi les investisseurs individuels figurent le patron de Meta Mark Zuckerberg et Priscilla Chan, l'ancienne joueuse de tennis Maria Sharapova, le musicien will.i.am, l'ex-footballeur Thierry Henry, le cofondateur de Reddit Alexis Ohanian et l'actrice Zoë Saldaña. Fondée en 2018 par le cofondateur de Spotify Daniel Ek et le directeur général Hjalmar Nilsonne, la société est restée discrète jusqu'au lancement de son service en 2023. Neko propose un bilan de santé préventif de 60 minutes, non invasif et sans radiation, combinant imagerie corporelle complète, analyses sanguines, capteurs propriétaires et consultation avec un professionnel de santé. L'examen comprend un électrocardiogramme, des mesures artérielles, une analyse de la composition corporelle et plus de 2000 images haute résolution de la peau, avec des résultats de sang traités sur place et discutés le jour même. Si la plupart de ces mesures existent déjà dans les parcours de soins classiques, Neko mise sur leur regroupement en un seul rendez-vous automatisé. L'entreprise n'a toutefois publié aucune étude comparative démontrant que cette approche améliore les résultats cliniques ou le rapport coût-efficacité par rapport aux dispositifs de prévention existants, ni de données justifiant un rythme de dépistage annuel pour tous les profils de risque. Neko exploite actuellement huit cliniques au Royaume-Uni et en Suède, à Stockholm, Manchester, Birmingham et quatre sites londoniens, à des tarifs d'environ 400 et 285 dollars respectivement. Depuis 2023, l'entreprise revendique 100 000 bilans réalisés et plus de 350 000 inscriptions ou mises sur liste d'attente, avec un taux de réabonnement de 75 % en fin de rendez-vous. Le prix des futurs bilans américains n'a pas été communiqué, et une liste d'attente est désormais ouverte pour la clinique new-yorkaise. Selon Nilsonne, une partie des nouveaux fonds financera aussi la recherche et développement, alors que l'entrée sur le marché américain, plus strictement régulé, marque une étape charnière pour cette medtech soutenue par des figures de la tech et du divertissement.

BusinessActu
1 source
L'agent téléphonique de réservation de restaurant avec le Patter SDK : variables dynamiques, garde-fous, tableaux de latence et tests d'évaluation
Illustration générée par IA
2956MarkTechPost 

L'agent téléphonique de réservation de restaurant avec le Patter SDK : variables dynamiques, garde-fous, tableaux de latence et tests d'évaluation

Priya appelle un restaurant fictif, Acme Bistro, et le tutoriel montre comment un agent vocal automatisé traiterait cet appel de bout en bout, sans jamais toucher à une vraie ligne téléphonique. Publié comme guide pratique autour du Patter SDK (le paquet Python getpatter), l'article détaille la construction d'un agent de réservation capable de vérifier les disponibilités, consulter et modifier des réservations existantes, et répondre selon des variables dynamiques propres à l'appelant, comme son nom, son niveau de fidélité (ici Gold) ou l'établissement concerné. Le code présenté installe automatiquement getpatter via pip si le module n'est pas déjà présent, puis inspecte l'API réellement installée (classe Patter, méthodes agent, serve, call, test, tool) pour que la démonstration reste valable quelle que soit la version récupérée, le projet étant qualifié d'encore jeune et évoluant chaque semaine. Un faux backend de restaurant simule les tables disponibles selon le jour et le créneau, avec des chiffres précis comme six places libres ce soir, huit le lendemain midi ou zéro le vendredi soir, ainsi qu'une réservation existante déjà enregistrée sous le numéro AC8842 au nom de Singh. L'intérêt de cette approche pour les équipes qui développent des agents vocaux tient à la possibilité de tester tout le pipeline, appel simulé, reconnaissance vocale, synthèse vocale, appels d'outils et garde-fous de sortie, sans dépendre d'une infrastructure téléphonique réelle ni de crédits d'API coûteux. Le tutoriel intègre aussi le suivi de métriques de latence et de coût modélisées, ainsi que des vérifications de type test de non-régression, ce qui permet de repérer si une modification du prompt ou de la logique de l'agent dégrade la qualité des réponses ou le respect des règles de sécurité avant toute mise en production. Réinitialiser systématiquement le backend simulé à chaque appel garantit par ailleurs des résultats reproductibles d'une exécution à l'autre, un point crucial pour bâtir une suite d'évaluation fiable. Ce type d'outillage s'inscrit dans la multiplication récente des kits de développement dédiés aux agents vocaux conversationnels, un segment porté par l'essor des assistants téléphoniques automatisés dans la restauration, le service client ou la prise de rendez-vous. Alors que ces agents gèrent de plus en plus d'interactions réelles avec des clients, la capacité à les simuler, mesurer et auditer avant déploiement devient un enjeu central pour les équipes techniques, qui cherchent à concilier rapidité de mise en œuvre, maîtrise des coûts d'inférence et fiabilité du comportement conversationnel face à des utilisateurs imprévisibles.

OutilsOutil
1 source
SpaceXAI en open source pour Grok : l'agent Rust, l'interface TUI et les outils derrière son CLI de code
Illustration générée par IA
2957MarkTechPost 

SpaceXAI en open source pour Grok : l'agent Rust, l'interface TUI et les outils derrière son CLI de code

Elon Musk et sa société xAI ont mis en open source Grok Build, l'agent de codage IA en ligne de commande qui alimente leur outil grok CLI. Le code source a été publié aujourd'hui sur GitHub sous licence Apache 2.0, couvrant l'ensemble de l'infrastructure : le moteur de l'agent, l'interface terminal (TUI), le shell en ligne de commande et les outils de développement associés. Grok Build avait été lancé en version bêta le 25 mai 2026. Il s'agit d'un agent capable de comprendre une base de code, de modifier des fichiers, d'exécuter des commandes shell et de rechercher sur le web, tout en gérant des tâches de longue durée. L'outil fonctionne selon trois modes : une interface terminal interactive en plein écran avec support de la souris, un mode headless pour l'automatisation et l'intégration continue, et une intégration dans les éditeurs de code via l'Agent Client Protocol (ACP). Le dépôt publié s'organise en plusieurs modules (crates) : xai-grok-shell pour le runtime de l'agent, xai-grok-tools pour les implémentations d'outils comme le terminal et l'édition de fichiers, xai-grok-pager pour le rendu de l'interface, et xai-grok-workspace pour la gestion du système de fichiers et du contrôle de version. Cette ouverture change la donne pour les développeurs et les entreprises soucieuses de confidentialité ou de souveraineté technologique. Grok Build peut désormais fonctionner entièrement en local : il suffit de compiler l'outil soi-même, de le connecter à un modèle d'inférence local via un fichier de configuration config.toml, et de s'affranchir complètement des serveurs d'API de xAI. Cette flexibilité ouvre la voie à des déploiements en environnement isolé (air-gapped), à des audits de sécurité approfondis du code avant toute adoption dans un contexte réglementé, ou encore à la création de forks internes adaptés aux besoins spécifiques d'une entreprise, la licence Apache 2.0 le permettant explicitement. En revanche, contrairement à des projets comme Codex CLI d'OpenAI, xAI n'accepte pas les contributions externes (pull requests) sur ce dépôt, ce qui limite son évolution à une gouvernance interne. Cette annonce s'inscrit dans une compétition croissante autour des agents de codage en ligne de commande, un segment où s'affrontent déjà Codex CLI d'OpenAI (également sous licence Apache 2.0, mais limité aux modèles OpenAI), le projet communautaire OpenCode sous licence MIT compatible avec plus de 75 fournisseurs de modèles, et Claude Code d'Anthropic, qui reste propriétaire et fermé aux forks. En rendant son harnais d'agent public tout en conservant le contrôle des contributions, xAI cherche à séduire les développeurs et entreprises en quête de transparence et de personnalisation, sans pour autant renoncer à la maîtrise de sa feuille de route technique. La bataille se joue désormais autant sur l'ouverture du code que sur le choix des modèles compatibles, un terrain où Grok Build se distingue par sa flexibilité totale de configuration.

OutilsOutil
1 source
☕️ Suno a aspiré des millions de chansons pour entraîner son IA
Illustration générée par IA
2958Next INpact 

☕️ Suno a aspiré des millions de chansons pour entraîner son IA

Suno, la start-up américaine spécialisée dans la génération musicale par intelligence artificielle, avait déjà reconnu en 2024, lors d'une procédure judiciaire intentée par l'industrie du disque aux États-Unis, avoir aspiré « pratiquement tous les fichiers musicaux de qualité raisonnable accessibles sur l'internet ouvert ». Un hacker vient de fournir au média 404media des données internes qui précisent enfin l'ampleur réelle de cette collecte. Les plateformes pillées incluent YouTube Music, Deezer, Genius, Pond5, Jamendo, Freesound et IMSLP. Les volumes révélés sont considérables : plus de deux millions d'extraits provenant de YouTube Music, et des dizaines de milliers d'heures issues du seul catalogue de Deezer. Le code dérobé montre aussi que Suno recherchait spécifiquement des versions a cappella sur YouTube, vraisemblablement pour isoler et analyser les voix plus facilement. Pour mener cette collecte à grande échelle, l'entreprise se serait appuyée sur Bright Data, spécialiste de l'extraction automatisée de données. Le même pirate affirme avoir également accédé aux coordonnées de centaines de milliers de clients de Suno ainsi qu'à des informations liées à des paiements Stripe, après s'être introduit dans les systèmes de l'entreprise grâce aux identifiants compromis d'un salarié, lors d'un incident survenu en novembre dernier. Ces révélations pourraient peser lourd dans le rapport de force entre Suno et l'industrie musicale. La RIAA, puissant lobby des maisons de disques américaines, accuse déjà la start-up d'avoir extrait directement des fichiers audio depuis YouTube en contournant les mécanismes anti-copie de la plateforme. Si les données du hacker confirment que Suno a siphonné des catalogues commerciaux et enfreint les conditions d'utilisation de plusieurs services, les ayants droit disposeraient d'arguments supplémentaires pour faire tomber la défense de « fair use » invoquée par l'entreprise, une exception au droit d'auteur régulièrement brandie par les laboratoires d'IA générative. Au-delà de Suno, l'affaire alimente un débat plus large sur la légitimité de l'entraînement des modèles d'IA à partir d'œuvres protégées, sans consentement ni rémunération des créateurs. La fuite de données personnelles de clients ajoute une dimension supplémentaire, même si l'entreprise assure qu'aucune information sensible ni numéro complet de carte bancaire n'a été compromis. Ce dossier s'inscrit dans une bataille juridique plus vaste que l'ICMP a qualifiée de « plus grand vol de propriété intellectuelle de l'histoire ». Suno a toutefois vu son horizon judiciaire s'éclaircir en novembre dernier en signant un accord avec Warner Music, lui permettant désormais d'exploiter légalement le catalogue de la major. Cette entente contraste avec les pratiques de collecte révélées par le piratage, et illustre la stratégie des acteurs de l'IA musicale : négocier des licences avec certains labels tout en continuant de se défendre juridiquement sur les usages passés. L'issue des procédures en cours pourrait déterminer si d'autres géants du disque, comme Universal ou Sony, suivront la voie de Warner ou maintiendront la pression judiciaire contre Suno.

ÉthiqueReglementation
Aussi surFrandroid
Thinky's Inkling : nouveau meilleur modèle ouvert Apache 2.0 américain, 975B-A41B multimodal (avec Inkling-Small, 276B-A12B)
Illustration générée par IA
2959Latent Space 

Thinky's Inkling : nouveau meilleur modèle ouvert Apache 2.0 américain, 975B-A41B multimodal (avec Inkling-Small, 276B-A12B)

Thinking Machines Lab, la startup cofondée par Mira Murati, a dévoilé le 15 juillet 2026 Inkling, son premier modèle de fondation à poids ouverts. Il s'agit d'un modèle Mixture-of-Experts comptant 975 milliards de paramètres au total, dont 41 milliards actifs par token, entraîné sur 45 000 milliards de tokens de texte, d'images, d'audio et de vidéo. Le modèle gère nativement le texte, l'image et l'audio en entrée, produit du texte en sortie, et supporte une fenêtre de contexte allant jusqu'à 1 million de tokens en version poids ouverts (256 000 tokens sur la plateforme Tinker et l'API, avec une tarification différenciée entre 64K et 256K). Inkling est distribué sous licence Apache 2.0, ce qui en fait un modèle librement réutilisable et modifiable. Aux côtés du modèle principal, l'entreprise a présenté un aperçu d'Inkling-Small, une version plus légère de 276 milliards de paramètres au total avec 12 milliards actifs, conçue pour offrir de bonnes performances à moindre coût et latence. Selon John Schulman, cofondateur de Thinking Machines, le pré-entraînement du modèle a débuté l'hiver dernier, et une petite équipe a ensuite construit dès la mi-janvier les capacités de codage, de raisonnement et d'agents par-dessus cette base. Cette sortie marque un jalon pour l'écosystème open source américain : plusieurs observateurs, dont Nathan Lambert et l'équipe d'Artificial Analysis, la désignent d'emblée comme le modèle à poids ouverts le plus solide produit aux États-Unis à ce jour, même si elle reste en retrait par rapport aux meilleurs modèles ouverts chinois et aux modèles propriétaires les plus performants sur certains benchmarks. Pour les entreprises et développeurs, l'intérêt réside surtout dans la personnalisation : Mira Murati insiste sur le fait qu'Inkling permet un fine-tuning le jour même de sa sortie via la plateforme Tinker, ce qui facilite l'adaptation du modèle à des besoins spécifiques sans dépendre exclusivement des géants fermés comme OpenAI ou Google. Le déploiement a bénéficié d'un support technique inhabituellement large dès le premier jour, avec une intégration immédiate chez vLLM, SGLang, Modal, Baseten, Databricks et Hugging Face, ainsi que des outils de quantification communautaires. Thinking Machines Lab, fondée par d'anciens cadres d'OpenAI dont Mira Murati, s'était jusqu'ici fait connaître via ses modèles Interaction, sans jamais publier de modèle de fondation complet. Les dirigeants de l'entreprise, dont Soumith Chintala et la chercheuse Lilian Weng, présentent Inkling non pas comme un modèle visant à battre tous les benchmarks, mais comme une base solide et polyvalente, point de départ d'une famille de modèles appelée à s'étoffer. Ce positionnement traduit une stratégie à plus long terme, où l'ouverture des poids et la facilité de personnalisation priment sur la course pure à la performance, dans un paysage dominé par les modèles fermés américains et les modèles ouverts chinois de plus en plus compétitifs.

LLMsActu
1 source
Le distillation autonome (auto-distillation) simple améliore la génération de code
Illustration générée par IA
2960Apple Machine Learning 

Le distillation autonome (auto-distillation) simple améliore la génération de code

Un article scientifique décrit une méthode baptisée "simple self-distillation" (SSD), qui permet à un grand modèle de langage d'améliorer ses capacités de génération de code en utilisant uniquement ses propres productions, sans verificateur externe, sans modèle enseignant et sans apprentissage par renforcement. Le principe consiste à échantillonner des solutions générées par le modèle lui-même, avec des réglages précis de température et de troncature, puis à affiner ce même modèle sur ces échantillons via un entraînement supervisé classique. Appliquée à Qwen3-30B-Instruct, cette technique fait grimper le score pass@1 sur le benchmark LiveCodeBench v6 de 42,4% à 55,3%. Les chercheurs précisent que la méthode se généralise à plusieurs familles de modèles, Qwen et Llama, à différentes tailles allant de 4 à 30 milliards de paramètres. L'intérêt de cette approche tient à sa simplicité et à son faible coût. Contrairement aux méthodes classiques d'amélioration des modèles de code, qui reposent sur des vérificateurs automatiques, des modèles enseignants plus puissants ou des boucles d'apprentissage par renforcement coûteuses en calcul, SSD n'exige aucune infrastructure supplémentaire. Les chercheurs notent surtout que les gains de performance se concentrent sur les problèmes les plus difficiles, ce qui suggère que la méthode pousse le modèle au-delà de ses limites habituelles plutôt que de simplement consolider des acquis déjà maîtrisés. Ce travail s'inscrit dans une tendance de recherche plus large autour de l'auto-amélioration des modèles de langage, qui cherche à réduire la dépendance envers des ressources externes coûteuses comme le RLHF ou la distillation depuis des modèles plus grands. En démontrant qu'un modèle peut progresser en apprenant de ses propres réponses filtrées, cette étude ouvre la voie à des pipelines d'entraînement plus légers et potentiellement plus accessibles pour les équipes travaillant sur la génération de code assistée par IA.

RecherchePaper
1 source