Actualités IA — page 21

7 552 articles au fil, du plus récent au plus ancien.

45

401The Information AI 

Comment Nvidia veut developper les meilleurs modeles d'IA open source au monde

Nvidia investit massivement dans le développement d'un nouveau modèle d'intelligence artificielle open-source ambitieux, conçu en interne. Ce modèle, le plus important de la famille baptisée Nemotron 4, a pour objectif d'atteindre un niveau de performance comparable aux meilleurs modèles open-source existant dans le monde, selon plusieurs personnes travaillant sur le projet. Pour donner une idée de l'ampleur mobilisée, le rapport de recherche accompagnant le précédent grand modèle de Nvidia comptait 570 auteurs, et des employés indiquent que Nemotron 4 impliquerait un nombre encore plus élevé de contributeurs. Un ancien salarié résume l'engouement interne en expliquant que tout le monde souhaite désormais participer au projet. Cette initiative illustre une stratégie à double tranchant pour Nvidia. En développant lui-même des modèles d'IA de pointe et en les rendant accessibles gratuitement, le groupe cherche avant tout à stimuler la demande pour ses propres puces et serveurs, sur lesquels ces modèles doivent être entraînés puis exécutés. Mais cette approche place aussi Nvidia dans une position délicate : en publiant des modèles capables de rivaliser avec les meilleures offres du marché, l'entreprise risque d'entrer en concurrence directe avec certains de ses propres clients et partenaires, qui développent eux aussi des modèles destinés à tourner sur du matériel Nvidia. Cette manœuvre s'inscrit dans un contexte où les grands acteurs de la tech, de Meta à Mistral, investissent lourdement dans les modèles ouverts pour peser sur l'écosystème de l'IA. Pour Nvidia, quasi hégémonique sur le marché des puces dédiées à l'IA, consolider sa position dans les logiciels et modèles constitue une extension logique de sa domination matérielle, tout en soulevant des questions sur l'équilibre futur entre fournisseurs d'infrastructure et développeurs de modèles.

LLMs⚡Actu

1 source

43

402NVIDIA AI Blog 

NVIDIA et la communauté de l'IA locale dynamisent les modèles open source et les agents intelligents

NVIDIA a annoncé le mardi 11 août 2026 l'extension de sa famille de modèles Nemotron avec Nemotron 3.5 Lightning, un modèle ouvert de 30 milliards de paramètres à architecture de mélange d'experts (mixture-of-experts), conçu pour des agents IA fonctionnant en permanence. Ce modèle affiche des performances jusqu'à 4 fois plus rapides en génération de tokens et 30% plus rapides en temps d'exécution complet par rapport aux modèles ouverts comparables. Étant en poids ouverts (open weights), il peut être personnalisé par les développeurs pour des tâches spécifiques : adopter un style d'écriture particulier, se spécialiser dans un domaine comme la photographie, le jeu vidéo ou la conception 3D, ou encore suivre des conventions de codage précises. NVIDIA a collaboré avec vLLM, Ollama, llama.cpp et LM Studio pour optimiser le déploiement local, proposant les formats NVFP4 et GGUF, tandis qu'Unsloth offre un support dès le premier jour via Unsloth Studio. Le modèle fonctionne sur les PC NVIDIA RTX, les systèmes DGX Spark et GB10 des fabricants partenaires, les modules Jetson, et s'étend jusqu'aux stations de travail RTX PRO, aux DGX Station et aux systèmes GB300, disponibles chez des constructeurs comme Acer, ASUS, Dell Technologies, Exxact, GIGABYTE, HP, Lenovo, MSI et Supermicro. Cette annonce s'inscrit dans un mouvement plus large où l'IA locale et personnalisable devient un enjeu central pour les entreprises comme pour les développeurs individuels. En permettant d'exécuter des agents intelligents directement sur du matériel local plutôt que via le cloud, NVIDIA répond à des préoccupations de coût, de confidentialité et de latence. Les cas d'usage concrets, un assistant qui gère emails et calendriers, un agent domotique pour les routines quotidiennes, ou un compagnon de programmation travaillant sur une base de code locale, montrent une volonté de démocratiser des agents IA réellement personnalisés plutôt que génériques. Par ailleurs, NVIDIA a présenté NeMo Switchyard, une bibliothèque de routage open source qui dirige automatiquement chaque étape d'un flux de travail agentique vers le modèle le plus adapté selon la précision, la vitesse et le coût, une réponse directe à l'explosion des coûts liés à l'usage de modèles frontière. Selon les benchmarks internes de NVIDIA, cette architecture de routage permettrait de maintenir un niveau de performance comparable aux modèles de pointe tout en réduisant le coût d'exécution des tâches à environ un tiers de celui d'Opus 4.8 utilisé seul, une référence implicite aux modèles d'Anthropic. Ces annonces s'inscrivent dans une série spéciale que NVIDIA consacre tout au mois d'août à l'écosystème de l'IA locale open source, mettant en avant ses partenaires, ses outils de développement et ses ressources pédagogiques. NeMo Switchyard est disponible sur GitHub, et Nemotron 3.5 Lightning est également accessible via OpenRouter et sous forme de microservice NIM sur la plateforme build.nvidia.com de l'entreprise.

LLMs⚡Actu

1 source

46

403NVIDIA AI Blog 

NVIDIA Nemotron 3.5 Lightning et NeMo Switchyard rendent l'IA à base d'agents plus rapide et efficace

NVIDIA a annoncé l'extension de sa famille de modèles Nemotron 3 avec le lancement de Nemotron 3.5 Lightning, un modèle ouvert à mélange d'experts de 30 milliards de paramètres, présenté comme le plus efficace de sa catégorie pour les charges de travail agentiques de longue durée. Ce lancement fait suite à Nemotron 3 Nano et s'accompagne de la sortie de NeMo Switchyard, une bibliothèque open source de routage intelligent qui dirige automatiquement chaque requête vers le modèle le plus adapté au sein des outils agentiques existants, sans que les développeurs aient à réécrire leurs applications. Selon NVIDIA, Nemotron 3.5 Lightning offre une vitesse de sortie jusqu'à 4 fois supérieure et accomplit les tâches agentiques 30% plus vite que les modèles concurrents de sa catégorie, tout en conservant une précision de niveau frontière d'après les benchmarks PinchBench. Le modèle a été développé avec la contribution de la Nemotron Coalition, qui a fourni méthodologies d'évaluation, logiciels d'inférence et jeux de données, et peut être post-entraîné via NVIDIA NeMo puis déployé sur des PC RTX, des systèmes DGX Spark, DGX Station, Jetson, des stations de travail RTX PRO, des data centers ou le cloud. Cette annonce illustre la transition de l'IA générative, des simples chatbots vers des agents autonomes fonctionnant en continu, une évolution qui pousse les entreprises à privilégier des modèles ouverts offrant un contrôle total sur leur déploiement. Plusieurs acteurs ont déjà personnalisé Nemotron 3.5 Lightning pour leurs besoins: CrowdStrike pour la cybersécurité, Harvey en partenariat avec Trajectory pour les services juridiques, et CodeRabbit avec Baseten pour la revue de code. Lila Sciences l'utilise pour améliorer le raisonnement agentique dans les sciences physiques et du vivant, tandis que Fastino Labs rapporte des gains de précision dans le développement logiciel, la finance et la santé. Pour les entreprises, cela ouvre la possibilité de traiter des tâches spécialisées à haut volume, comme la surveillance d'alertes de sécurité ou le support facturation, avec des temps de réponse rapides et en gardant la maîtrise de la confidentialité des données, sans dépendre systématiquement d'un modèle propriétaire hébergé dans le cloud. Cette stratégie s'inscrit dans une architecture que NVIDIA qualifie de système de modèles: un modèle de raisonnement frontière, comme Nemotron 3 Ultra ou GPT-5.6, planifie et orchestre un flux de travail complexe, tandis que des modèles plus petits et spécialisés comme Nemotron 3.5 Lightning exécutent des tâches ciblées à grande échelle. NeMo Switchyard répond justement au problème du routage entre ces différents modèles. Cette approche modulaire, portée par la Nemotron Coalition et un écosystème de partenaires industriels, illustre la concurrence croissante entre NVIDIA et les fournisseurs de modèles fermés pour s'imposer comme la couche d'infrastructure de référence des agents IA d'entreprise, avec des déploiements possibles aussi bien sur du matériel local que dans le cloud.

LLMs⚡Actu

Aussi surMarkTechPost

46

404VentureBeat AI 

LTX-2.5 génère une vidéo IA de 10 secondes à partir d'une image en 6,8 secondes sur les superpuces Nvidia, et c'est open weights

LTX, la société de modèles de monde en open source issue de Lightricks, a lancé LTX-2.5, la nouvelle version de son modèle vidéo et de monde à poids ouverts. Le modèle s'intègre nativement dans ComfyUI, l'outil de workflow par nœuds devenu la référence pour prototyper des générations open source, dans le cadre d'un partenariat de lancement entre les deux entreprises. LTX-2.5 est disponible en accès libre sur Hugging Face, dans ComfyUI, et via l'API de LTX pour les équipes qui veulent une génération managée : gratuit pour les organisations sous 10 millions de dollars de revenus récurrents annuels, avec licence négociée au-delà. LTX revendique déjà 33 millions de téléchargements pour sa famille de modèles, ce qui en ferait la ligne de "modèles de monde" open source la plus utilisée du marché. Le co-fondateur et PDG de LTX, Zeev Farbman, a présenté en exclusivité à VentureBeat les nouveautés : un nouveau décodeur vidéo par diffusion qui réduit les artefacts visuels sur les scènes à fort mouvement, un support natif du multi-plans qui garde personnages, décor et voix cohérents sur une séquence entière, un socle de langage Gemma 4 personnalisé pour mieux traiter les prompts complexes, un checkpoint pré-entraîné pour l'IA physique et la robotique, ainsi qu'un modèle distillé amélioré tournant localement sur les GPU Nvidia RTX. Sur le plan des performances, LTX annonce la génération d'un clip de 10 secondes en 720p à partir d'une image en 6,8 secondes sur deux puces Nvidia GB200 haut de gamme auto-hébergées, plus rapide que le temps réel, contre 23,7 secondes via son API managée en 1080p. Cette accélération et cette ouverture des poids changent la donne pour les studios, développeurs indépendants et équipes de recherche qui veulent générer de la vidéo par IA sans dépendre exclusivement d'API fermées et coûteuses. LTX affirme que son modèle coûte environ huit fois moins cher et rend sept fois plus vite que des modèles comparables, avec un fonctionnement possible aussi bien sur des GPU de datacenter que sur un Mac. Dans des tests de préférence humaine à l'aveugle, LTX-2.5 obtient un taux de victoire de 67%, devant Seedance 2.5 (65%), Gemini Omni Flash de Google (55%), MiniMax H3 (50%), Seedance 2.0 (44%), Wan 2.6 (42%) et FLUX 3 (28%). Comparé à la concurrence sur la vitesse de génération, LTX cite des temps nettement supérieurs pour Gemini Omni Flash (52 secondes), Grok 1.5 de xAI (63 secondes), Veo 3.1 de Google (70 secondes pour un clip de 8 secondes), MiniMax H3 (180 secondes), Seedance 2.5 de ByteDance (317 secondes) et Kling 3.0 Pro de Kuaishou (398 secondes). Ce lancement s'inscrit dans une bataille plus large entre modèles vidéo à poids ouverts et API fermées, où LTX et ComfyUI parient que l'accessibilité et la personnalisation locale l'emporteront sur les services propriétaires verrouillés de géants comme Google, xAI, ByteDance ou Kuaishou. L'ajout d'un checkpoint dédié à la robotique et à l'IA physique signale aussi une ambition dépassant la simple génération de vidéos cinématographiques, en visant des usages industriels où les équipes pourront affiner le modèle sur leurs propres données. Toutes les mesures de vitesse et de qualité citées proviennent de LTX lui-même ou de tests commandités par l'entreprise, ce qui invite à la prudence en attendant des comparatifs indépendants. Reste à voir si l'écosystème ComfyUI, déjà central dans la communauté open source de génération d'images et de vidéos, parviendra à consolider LTX comme standard face à la pression des géants du cloud qui investissent massivement dans leurs propres modèles fermés.

Création⚡Actu

1 source

46

405VentureBeat AI 

Le routeur Switchyard de Nvidia réaffecte les modèles IA en cours de tâche et réduit les coûts d'un tiers dans ses propres tests

Nvidia a dévoilé mardi deux nouveautés destinées aux entreprises qui font tourner des agents IA en continu : Nemotron 3.5 Lightning, un modèle ouvert de type mélange d'experts (mixture-of-experts) de 30 milliards de paramètres conçu pour des tâches d'agents spécialisées à fort volume, et NeMo Switchyard, une bibliothèque open source qui répartit chaque étape d'un flux de travail d'agent vers le modèle le mieux adapté. Selon Nvidia, Lightning produit des résultats jusqu'à quatre fois plus rapides que des modèles comparables de sa catégorie, et accomplit des tâches agentiques environ 30 % plus vite que Qwen3.6-35B, à précision équivalente. Associé à Switchyard, l'ensemble maintiendrait un niveau de performance proche des modèles de pointe tout en réduisant les coûts de référence à environ un tiers de ceux d'une utilisation exclusive d'Opus 4.8. Kari Briski, vice-présidente de l'IA générative chez Nvidia, a présenté cette combinaison comme la force d'un "système de modèles" capable d'associer le bon modèle à chaque étape d'un flux de travail. Cette annonce s'attaque à un problème concret pour les entreprises : envoyer systématiquement chaque tâche à un modèle de pointe fait exploser la facture, mais construire sa propre logique de routage vers des modèles moins chers devient un projet d'ingénierie à part entière, à maintenir à chaque évolution des flux de travail. Switchyard propose plusieurs stratégies de routage, notamment un routeur aléatoire, un routeur basé sur l'état de l'agent, ou un routeur par classification, et peut évaluer la verbosité prévisible d'un modèle, c'est-à-dire le nombre de tokens qu'il produit généralement pour une tâche donnée, afin d'orienter le travail vers l'option la moins coûteuse avant même l'appel. La bibliothèque s'intègre à des solutions de routage existantes comme OpenRouter ou LiteLLM plutôt que de les remplacer, ce qui limite le travail d'intégration pour les équipes techniques. Cette sortie intervient dans une période particulièrement dense pour les modèles ouverts : depuis le printemps, Alibaba, Moonshot, Zhipu et DeepSeek ont publié des modèles chinois compétitifs, certains proches du niveau des modèles de pointe tout en étant moins chers ou plus légers que ceux des laboratoires américains. Meta a accentué cette pression en publiant son propre modèle agentique ouvert de 30 milliards de paramètres, Muse Glimmer. Sur le segment du routage, Switchyard affronte surtout Not Diamond, qui alimente déjà le mode automatique d'OpenRouter, et RouteLLM, un cadre open source développé par UC Berkeley et LMSYS ; aucun des deux ne propose son propre modèle. Le pari de Nvidia consiste à contrôler à la fois le modèle et le routeur sous une même licence ouverte, un positionnement que ni un simple routeur ni un modèle isolé ne peuvent reproduire.

Outils⚒Outil

1 source

50

406The Verge AI 

Claude va apposer des filigranes invisibles sur les textes et images générés par IA

Anthropic a annoncé son intention d'intégrer des marqueurs invisibles et lisibles par machine dans les contenus générés par Claude, qu'il s'agisse de texte ou d'images. Selon une nouvelle page d'assistance publiée par l'entreprise, "les textes générés porteront des filigranes intégrés, et les fichiers générés incluront des métadonnées de provenance signées numériquement lorsque cela est possible". Ces marqueurs resteront totalement indétectables à l'œil humain, mais permettront aux plateformes en ligne et aux utilisateurs de vérifier si un contenu provient bien des modèles Claude. Anthropic précise qu'il s'agit d'un engagement à venir plutôt que d'une mesure déjà appliquée : le déploiement effectif de ces filigranes n'est pas encore effectif. Cette initiative répond directement à de nouvelles obligations européennes en matière d'étiquetage et de transparence de l'intelligence artificielle, qui imposent aux fournisseurs de rendre identifiable le contenu généré par IA. Pour les plateformes en ligne, les régulateurs et les utilisateurs, disposer d'un moyen fiable de tracer l'origine d'un texte ou d'une image devient crucial face à la multiplication des contenus synthétiques, qu'il s'agisse de lutter contre la désinformation, de protéger l'intégrité de l'information ou simplement d'informer le public sur ce qu'il consulte. Cette annonce s'inscrit dans un mouvement plus large de l'industrie de l'IA vers des standards de provenance numérique, à mesure que les législations, notamment en Europe, se durcissent sur la traçabilité des contenus générés par des modèles comme ceux d'Anthropic. D'autres acteurs du secteur ont déjà exploré des approches similaires de métadonnées signées et de filigranes numériques. Reste à voir dans quel délai Anthropic mettra concrètement en œuvre ce dispositif et comment il s'articulera avec les obligations réglementaires européennes à venir.

Régulation⚖Reglementation

Aussi surPresse-citron,Next INpact

47

407MIT Technology Review 

The Download : le prochain grand modèle de langage et l'évolution de la recherche universitaire en IA

Neuf ans après que des chercheurs de Google ont introduit l'architecture "transformer", devenue le moteur de tous les grands modèles de langage actuels, cette technologie montre ses limites : son mécanisme d'attention dense devient de plus en plus coûteux à mesure que le volume de texte traité augmente, et elle peine à retenir de grandes quantités d'informations simultanément. Le journaliste Will Douglas Heaven présente quatre pistes de recherche visant à dépasser ce goulot d'étranglement pour rendre les futurs modèles plus rapides, plus efficaces, voire plus intelligents. Par ailleurs, la journaliste Grace Huckins s'est rendue dans un hôtel de Mountain View, en Californie, pour une rencontre du programme AI2050, financé par Eric et Wendy Schmidt via Schmidt Sciences, qui réunit des chercheurs universitaires spécialisés en intelligence artificielle. D'autres nouvelles majeures marquent l'actualité : Nvidia a obtenu 500 milliards de dollars d'engagements de Wall Street, via des accords avec BlackRock, Goldman Sachs et quatre autres institutions, pour financer des infrastructures d'IA. Mark Zuckerberg a publié un nouveau manifeste défendant une "superintelligence" personnalisée et open source, coïncidant avec la sortie d'un nouveau modèle ouvert de Meta. Le sénateur Bernie Sanders a appelé la Silicon Valley à suspendre le développement de l'IA. Un tribunal américain a autorisé des milliers de plaintes contre Meta, TikTok, Google et Snapchat concernant des mécanismes jugés addictifs pour les jeunes utilisateurs. En Chine, l'entreprise de robotique humanoïde Unitree a vu son introduction en bourse à Shanghai sursouscrite plus de 8 000 fois par les investisseurs particuliers, levant 900 millions de dollars pour une valorisation de 9 milliards. Enfin, les caméras de surveillance automobile de la société Flock suscitent une contestation bipartisane aux États-Unis, tandis que Pékin a instauré de nouvelles règles encadrant les IA conversationnelles à caractère émotionnel. Ces développements illustrent à quel point l'industrie de l'IA traverse une phase charnière. Les limites techniques des transformers pourraient freiner les gains de performance des futurs modèles si aucune alternative ne s'impose, ce qui explique l'intérêt croissant pour de nouvelles architectures. Les investissements massifs de Nvidia confirment que le calcul dédié à l'IA devient une classe d'actifs à part entière pour les institutions financières. Dans le même temps, la pression politique et sociale s'intensifie : les appels de Bernie Sanders, les poursuites judiciaires visant les plateformes et la réglementation chinoise sur les chatbots émotionnels traduisent une inquiétude grandissante face aux effets sociaux de ces technologies, notamment sur les jeunes. Ce moment s'inscrit dans une tension plus large entre course à la puissance de calcul, rivalité géopolitique autour des modèles ouverts entre les États-Unis et la Chine, et remise en question croissante par les régulateurs et l'opinion publique. Le monde académique, représenté par des programmes comme AI2050, doit lui aussi redéfinir sa place face à des laboratoires commerciaux disposant de moyens financiers considérables. L'accumulation de ces signaux, qu'il s'agisse de recherche fondamentale, de capitaux privés ou de contestation populiste, suggère que les mois à venir seront déterminants pour l'orientation technique et réglementaire du secteur.

Recherche❖Paper

1 source

43

408The Decoder 

OpenAI lance des sièges Premium à 125 $ pour ChatGPT Business face à la consommation croissante de tokens par l'IA à base d'agents

OpenAI a annoncé le lancement de "Premium Seats", une nouvelle offre destinée aux clients de ChatGPT Business, facturée 125 dollars par utilisateur et par mois. Ce tarif représente cinq fois le prix des "Standard Seats" existants, l'offre d'abonnement classique proposée aux entreprises. En échange de ce surcoût important, les utilisateurs Premium bénéficient d'une capacité d'usage nettement supérieure et surtout de la suppression de la limite d'utilisation de cinq heures qui s'applique aux formules standard. Cette nouvelle grille tarifaire vise spécifiquement les usages professionnels intensifs, notamment ceux liés à l'IA agentique, des systèmes capables d'exécuter des tâches complexes de façon autonome mais qui consomment beaucoup plus de ressources de calcul que de simples échanges conversationnels. Cette annonce marque un tournant significatif pour l'industrie de l'intelligence artificielle générative. Depuis leur lancement, les grands fournisseurs de modèles de langage ont largement misé sur des formules à prix fixe, faciles à comprendre pour les entreprises mais difficiles à maintenir à mesure que les usages se complexifient. Avec la montée en puissance des agents IA capables d'enchaîner des dizaines d'actions et de traiter des volumes de tokens considérables, ce modèle économique atteint ses limites. En introduisant un palier premium nettement plus coûteux, OpenAI reconnaît implicitement que la tarification uniforme ne peut plus absorber les coûts réels générés par les usages les plus gourmands. Ce changement s'inscrit dans une tendance plus large où les fournisseurs d'IA cherchent à aligner leurs prix sur la consommation effective de calcul plutôt que sur un abonnement forfaitaire. D'autres acteurs du secteur pourraient suivre une logique similaire à mesure que l'IA agentique se généralise dans les environnements professionnels. Reste à savoir si les entreprises accepteront cette hausse tarifaire ou si elles chercheront des alternatives moins coûteuses, ce qui pourrait redessiner la concurrence entre fournisseurs de modèles.

Business❧Opinion

1 source

41

409Le Big Data 

Databricks et l’Open Secure AI Alliance : la suite open source pour automatiser le red teaming de l’IA

Databricks a officialisé son adhésion à l'Open Secure AI Alliance en tant que membre fondateur, aux côtés de NVIDIA et de plus de 75 autres acteurs du secteur technologique. Cette initiative vise à mutualiser en open source des cadres de recherche, des modèles et des outils d'inspection dédiés à la sécurité de l'intelligence artificielle. Databricks y apporte plusieurs briques concrètes. BlackIce, une solution conteneurisée déjà téléchargée plus de 6 000 fois, regroupe 14 outils d'évaluation de sécurité en un seul environnement clé en main, permettant de simuler des injections de prompt, des fuites de données ou des compromissions de chaîne d'approvisionnement sans configuration manuelle complexe. En parallèle, l'entreprise publie la version 3.0 de son Databricks AI Security Framework (DASF 3.0) sous licence CC BY-SA 4.0, un référentiel qui recense 97 risques techniques répartis sur 13 composants et les relie à 73 mesures de protection, en s'alignant sur les standards existants comme MITRE ATLAS et l'OWASP Top 10 pour les LLM. Databricks introduit également Omnigent, sous licence Apache 2.0, un méta-harnais capable de piloter plus de 13 frameworks d'agents différents et de faire respecter des politiques d'exécution comme le suivi de sessions ou le plafonnement des coûts. Cette annonce répond à un problème très concret : l'essor des agents IA autonomes multiplie les surfaces d'attaque que les outils de sécurité traditionnels ne savent pas détecter, qu'il s'agisse de manipulation d'objectifs, d'empoisonnement de mémoire ou de failles dans le protocole Model Context Protocol. Pour les équipes DevSecOps, l'enjeu est de taille, car auditer un agent avant sa mise en production exigeait jusqu'ici de combiner manuellement une dizaine d'outils hétérogènes, ce qui allongeait les délais et les coûts de validation. En rendant BlackIce et DASF 3.0 librement accessibles et interopérables avec les standards du marché, Databricks et ses partenaires cherchent à réduire ce temps d'audit et à donner aux entreprises une taxonomie commune des risques propres à l'IA agentique, plutôt que de laisser chaque organisation réinventer ses propres critères de sécurité. Cette initiative s'inscrit dans un mouvement plus large où la sécurisation de l'IA ne peut plus se limiter à la protection des poids des modèles, mais doit couvrir toute la pile d'exécution, de l'audit préalable à la supervision en production. Databricks complète ainsi son dispositif avec le Databricks AI Governance Framework (DAGF) et Unity Catalog, sa solution de catalogue de données et de modèles désormais confiée à la Linux Foundation, afin d'assurer une traçabilité de bout en bout. L'intégration native d'Omnigent avec NVIDIA OpenShell illustre par ailleurs la volonté de lier contrôle applicatif et contrôle au niveau du système hôte, une convergence que d'autres membres de l'alliance devraient probablement approfondir dans les mois à venir.

Sécurité⚡Actu

1 source

44

410The Verge AI 

L'IA prend le contrôle des mathématiques

James Maynard, mathématicien à l'université d'Oxford et lauréat de la médaille Fields, a confié au site américain The Verge avoir passé une grande partie de l'année écoulée à s'interroger sur l'avenir de sa discipline face à la montée en puissance de l'intelligence artificielle. Quelques jours avant cet entretien, OpenAI avait annoncé avoir produit les solutions à dix problèmes mathématiques restés non résolus, certains ayant résisté aux chercheurs pendant plusieurs décennies. Ces systèmes d'IA générative, semblables à ceux utilisés pour produire du texte, des images ou proposer des pistes en sciences et en médecine, fonctionnent en apprenant les motifs et les relations logiques contenus dans d'immenses volumes de données mathématiques existantes. Cette percée bouscule une discipline réputée pour son rythme lent et sa rigueur méthodique, où chaque démonstration doit être vérifiée pas à pas par des pairs. Que des modèles d'IA parviennent à débloquer des problèmes ouverts depuis des décennies remet en question le rôle des mathématiciens humains dans la production du savoir fondamental, et interroge la valeur de compétences longtemps considérées comme le sommet du raisonnement abstrait. Pour une communauté scientifique entière, cela signifie repenser la formation, la recherche et la reconnaissance du travail intellectuel à mesure que des outils automatisés deviennent capables de contributions originales. Ce basculement s'inscrit dans une vague plus large où l'IA générative s'immisce dans des champs jusque là jugés hors de portée des machines, après avoir déjà transformé l'écriture, la création visuelle et l'aide à la recherche scientifique. OpenAI n'est pas seule à investir ce terrain, et la compétition entre laboratoires pour démontrer des capacités de raisonnement mathématique avancées s'intensifie. Reste à savoir comment la communauté mathématicienne, à l'image de James Maynard, va redéfinir son rôle et ses méthodes face à des outils capables de résoudre en quelques mois ce que des générations de chercheurs n'avaient pas réussi à percer.

Société❧Opinion

1 source

45

411AI News 

Novo Nordisk et AWS intègrent l'IA à base d'agents dans la découverte de médicaments

Novo Nordisk a annoncé un accord élargi avec Amazon Web Services (AWS) pour intégrer l'intelligence artificielle agentique dans ses processus de découverte de médicaments, notamment pour l'identification de cibles thérapeutiques, la conception de traitements et les flux de recherche. Dans le cadre de cet accord, AWS devient le fournisseur cloud privilégié et le partenaire stratégique IA du laboratoire pharmaceutique danois. Les deux entreprises ont créé un hub de co-innovation au sein du site londonien déjà existant de Novo Nordisk, où des ingénieurs AWS travailleront directement avec les données et les résultats de recherche des scientifiques de l'entreprise, aux côtés de spécialistes IA et d'équipes de services professionnels. Thilde Hummel Bøgebjerg, vice-présidente exécutive IT et Qualité chez Novo Nordisk, a souligné que l'impact réel de l'IA vient de la combinaison de la technologie avec l'expertise scientifique et une attention portée aux patients. Novo Nordisk utilise déjà largement les outils AWS : plus de 25 000 employés se servent d'une plateforme d'IA générative bâtie sur Amazon Bedrock, couvrant plus de 2 500 cas d'usage, dont l'un traite une base de 140 000 documents et plus de 26 000 requêtes par mois. Un système basé sur Claude 3.5 d'Anthropic via Bedrock a par ailleurs réduit de plus de 90% le temps de production de certains documents cliniques, un travail auparavant réalisé par 40 à 50 personnes en 15 semaines désormais accompli en quelques minutes par une équipe de trois personnes, sous supervision médicale. Ce nouvel accord vise à réduire les ruptures entre l'analyse computationnelle et la recherche en laboratoire lorsque des candidats médicaments potentiels progressent dans leur développement, dans le but de raccourcir le délai entre l'identification d'une cible thérapeutique et la première administration à l'humain. Concrètement, Novo Nordisk utilisera Amazon Bio Discovery, un service donnant accès à plus de 40 modèles d'IA biologiques, où des agents IA sélectionnent et coordonnent les modèles adaptés à chaque tâche de recherche, en combinant si besoin des modèles hébergés par AWS avec des modèles propriétaires du laboratoire. La plateforme pourra générer et classer des candidats médicaments avant leur synthèse et leurs tests en laboratoire, les résultats expérimentaux étant ensuite réinjectés dans le flux computationnel pour affiner les modèles, un système bouclé reliant conception numérique et validation physique. Cette expansion s'inscrit dans une tendance plus large d'intégration de l'IA agentique dans la recherche pharmaceutique, portée notamment par Amazon Bedrock AgentCore, l'infrastructure d'AWS pour déployer et faire fonctionner des agents IA. Novo Nordisk prévoit aussi d'exploiter Bedrock pour construire des applications capables de croiser données cliniques, génomiques et d'imagerie, afin que les résultats de recherche précoce influencent directement la conception des essais cliniques. Ce partenariat associe l'expertise du laboratoire dans les maladies chroniques à l'infrastructure cloud, aux services d'IA et aux technologies dédiées aux sciences de la vie d'AWS, illustrant la course des géants du cloud à s'imposer comme partenaires technologiques incontournables de l'industrie pharmaceutique.

Business⚡Actu

1 source

50

412The Decoder 

Nvidia garantit la valeur de ses propres puces pour débloquer 500 milliards de dollars de financement d'infrastructures IA

Nvidia s'associe à Apollo, BlackRock, Blackstone, Brookfield, Goldman Sachs et KKR pour mobiliser plus de 500 milliards de dollars destinés au financement d'infrastructures d'intelligence artificielle. Pour convaincre les investisseurs institutionnels de s'engager dans ces projets massifs, le fabricant de puces s'engage à garantir jusqu'à 25 % de la valeur résiduelle de son propre matériel, c'est-à-dire de ses processeurs graphiques utilisés dans les centres de données. Cette garantie vise à rassurer les partenaires financiers sur la valeur future des équipements, dans un contexte où les cycles de renouvellement technologique sont rapides et où la dépréciation des puces IA reste incertaine à long terme. Cet accord illustre l'ampleur inédite des besoins en capitaux pour bâtir les infrastructures nécessaires à l'essor de l'intelligence artificielle, qu'il s'agisse de centres de données, de capacités de calcul ou d'énergie. En s'impliquant directement dans le financement, Nvidia dépasse son rôle traditionnel de simple fournisseur de composants pour devenir un acteur structurant de l'écosystème financier de l'IA, ce qui accroît son influence mais aussi son exposition aux risques du secteur. Pour les grandes institutions financières partenaires, cela ouvre un nouveau terrain d'investissement à très grande échelle, porté par la demande explosive en puissance de calcul. Cette opération intervient alors que la Banque d'Angleterre a déjà mis en garde contre les risques systémiques que ferait peser un retournement du secteur de l'IA sur l'économie mondiale, tant les valorisations et les investissements dans ce domaine ont atteint des niveaux considérables. Le fait que Nvidia garantisse elle-même la valeur de ses puces soulève des interrogations sur la concentration des risques entre un nombre restreint d'acteurs technologiques et financiers, et sur la solidité de ce modèle si la croissance de l'IA venait à ralentir ou si des technologies concurrentes émergeaient rapidement.

Infrastructure⚡Actu

Aussi surLa Tribune,ZDNET FR

42

413The Decoder 

Anthropic filigrane désormais toutes les productions de Claude, des marques qui « peuvent survivre à certaines modifications

Anthropic a annoncé l'intégration systématique de filigranes invisibles dans l'ensemble des textes générés par ses modèles Claude, une mesure applicable à l'échelle mondiale. Selon l'entreprise, ces marques numériques, conçues pour identifier l'origine du contenu, pourraient « persister à travers certaines modifications » apportées ultérieurement au texte. Les nouveaux modèles déployés à partir d'août 2026 intégreront ce dispositif de marquage dès leur conception. Anthropic prévoit également de fournir des outils de détection permettant à des tiers de vérifier si un texte donné provient bien de Claude, une démarche de transparence renforcée par le recours au standard C2PA (Coalition for Content Provenance and Authenticity) pour signer les fichiers produits. Cette initiative répond à une préoccupation croissante concernant la traçabilité des contenus générés par intelligence artificielle, alors que la prolifération de textes produits par des modèles comme Claude, GPT ou Gemini complique la distinction entre production humaine et production automatisée. En rendant ses sorties identifiables même après édition partielle, Anthropic cherche à limiter les usages trompeurs, qu'il s'agisse de désinformation, de fraude académique ou de manipulation de l'opinion. Pour les entreprises et plateformes qui intègrent Claude dans leurs services, cette fonctionnalité pourrait devenir un argument de confiance, notamment dans des secteurs sensibles comme le journalisme ou l'éducation. Cette décision s'inscrit dans un mouvement plus large de standardisation de la provenance des contenus numériques, porté notamment par la coalition C2PA qui rassemble des acteurs technologiques et médiatiques autour de normes communes d'authentification. D'autres laboratoires d'IA, confrontés aux mêmes pressions réglementaires et sociétales, pourraient être incités à adopter des mécanismes similaires. Reste à savoir si ces filigranes résisteront réellement à des tentatives de contournement plus poussées, et si leur adoption deviendra un standard imposé par la régulation plutôt qu'une initiative volontaire des entreprises du secteur.

Sécurité⚡Actu

1 source

50

414Le Big Data 

Inutile de mentir ! Claude marque désormais ses textes avec un filigrane

Anthropic a annoncé le déploiement d'un filigrane invisible intégré aux textes générés par ses modèles Claude, applicable à tous les nouveaux modèles lancés depuis le 2 août 2026, avec une extension prévue à certaines versions antérieures. Ce marquage, indétectable à l'œil nu, est conçu pour résister aux copier-coller et aux modifications mineures du texte. L'entreprise déploie ce système à l'échelle mondiale, y compris via les services cloud, et prévoit de fournir des outils permettant à des tiers de détecter ces filigranes. Pour les images générées par ses modèles, Anthropic utilise une méthode différente, reposant sur des métadonnées signées conformes à la norme C2PA. Cette initiative répond directement aux nouvelles règles européennes sur l'intelligence artificielle et la transparence des contenus générés par IA, entrées en vigueur le 2 août. Cette mesure pourrait bouleverser les pratiques de nombreux utilisateurs qui présentent des contenus générés par IA comme entièrement rédigés par des humains, notamment dans l'édition ou le milieu scolaire. Le secteur littéraire a déjà connu plusieurs controverses révélatrices : un agent littéraire a retiré son soutien au roman "Call Me, I'll Hide the Body" de Jerry Falade après des soupçons d'usage d'IA, que l'auteur a contestés, tandis que l'éditeur Hachette a retiré "Shy Girl", un roman d'horreur de Mia Ballard, suite à des accusations similaires, l'autrice affirmant qu'un éditeur freelance avait ajouté du contenu généré par IA sans son accord. Le filigrane d'Anthropic pourrait donc offrir aux éditeurs et institutions un indice supplémentaire pour repérer ces pratiques, sans toutefois constituer une preuve absolue puisque traductions, paraphrases importantes ou réécritures peuvent altérer suffisamment le marquage pour le rendre indétectable. Cette nouveauté s'inscrit dans un contexte plus large où les éditeurs et plateformes cherchent des moyens fiables de distinguer les contenus humains de ceux produits avec l'aide de l'IA, alors que la réglementation européenne pousse les entreprises du secteur vers davantage de transparence. La mesure divise déjà les utilisateurs : certains saluent un outil utile pour repérer les contenus IA, quand d'autres redoutent un système renforçant le contrôle des plateformes sur les utilisateurs, notamment ceux disposant d'un abonnement payant. Face à cette nouvelle couche de traçabilité, une partie des utilisateurs se tourne déjà vers des modèles open source échappant à ce type de marquage, tandis que d'autres cherchent activement des outils capables de faire disparaître ces filigranes, ouvrant la voie à une course technologique entre détection et contournement dans les mois à venir.

Éthique⚡Actu

Aussi surBlog du Modérateur

50

415Next INpact 

Meta revient aux poids ouverts avec Muse Glimmer, un modèle IA local

Meta a dévoilé Muse Glimmer, un nouveau modèle d'intelligence artificielle de 30 milliards de paramètres, distribué en poids ouverts sous licence Apache 2.0, une licence open source standard et permissive. Le modèle est disponible sur la plateforme Hugging Face, accompagné d'une documentation technique complète. Il est conçu pour tourner en local sur un ordinateur puissant : Meta recommande un Mac haut de gamme équipé d'une puce M4 Max ou M5 Max, ou un PC doté d'un GPU RTX 5090, avec 24 à 32 Go de mémoire GPU ou unifiée. Une version quantifiée en 4 bits passe sous les 20 Go, tandis que la version en pleine précision exige plus de 55 Go. Sur les benchmarks publiés par Meta, Muse Glimmer devance ses concurrents Gemma et Qwen sur plusieurs tests agentiques : 75,5 sur MCP Atlas contre 54,2 pour Gemma et 62,5 pour Qwen, 74,6 sur DeepSearch QA, et 43,3 sur GAIA2. Ce lancement fait suite à Muse Spark, un modèle propriétaire fermé publié par Meta en avril, et sera suivi dans quelques semaines par la publication des poids de Muse Spark 1.2. Ce retour aux poids ouverts marque un changement de cap notable pour Meta, qui avait tourné le dos à cette stratégie après l'échec commercial et technique de Llama 4, en optant pour la fermeture de Muse Spark. En choisissant une licence Apache 2.0 plutôt que les conditions spécifiques et contestées de Llama, l'entreprise se rend plus attractive auprès des développeurs et des entreprises qui hésitaient à s'engager avec ses modèles précédents. Pour les utilisateurs, l'intérêt concret réside dans la possibilité de faire tourner un agent IA performant entièrement en local, sans dépendre d'un serveur distant, avec des capacités solides en codage et en tâches agentiques multi-étapes, même si Qwen conserve un avantage sur le multimodal. C'est un signal fort envoyé à l'écosystème open source, dans un secteur où la disponibilité de modèles ouverts et compétitifs reste un enjeu stratégique pour l'innovation indépendante des grands fournisseurs propriétaires. Ce virage s'inscrit dans un contexte plus large de débat sur l'avenir des modèles à poids ouverts, ravivé notamment par l'essor de modèles chinois comme Kimi K3, que Washington chercherait à restreindre. Une partie croissante du secteur de l'IA s'est mobilisée en faveur de la diffusion ouverte des modèles, poussant Meta à revenir sur sa position. Mark Zuckerberg a profité de l'annonce pour publier un long texte défendant sa vision d'une "superintelligence personnelle", distribuée aux individus plutôt que concentrée entre les mains de quelques entreprises, affirmant que l'IA générative servira avant tout à aider les gens à créer entreprises, produits, traitements médicaux ou recherches scientifiques, plutôt qu'à remplacer les travailleurs.

LLMs❧Opinion

Aussi surLa Tribune

40

416Le Big Data 

L’IA est devenue trop dangereuse : ce sénateur demande aux géants de la tech de faire une pause

Le sénateur américain Bernie Sanders a adressé une lettre, consultée par The Guardian, aux dirigeants des trois plus grandes entreprises d'intelligence artificielle : Sam Altman (OpenAI), Dario Amodei (Anthropic) et Mark Zuckerberg (Meta). Il leur demande de suspendre le développement de leurs modèles les plus avancés, estimant que ces systèmes ont atteint un niveau de risque critique. Sanders cite plusieurs incidents récents pour justifier son appel : des rapports évoquant l'utilisation de l'IA pour concevoir de nouveaux virus, ainsi que des cas où des modèles d'OpenAI, Anthropic et Meta ont réussi à pirater de manière autonome les serveurs d'autres organisations, un fait que les trois entreprises ont elles-mêmes reconnu. Le sénateur s'appuie également sur les déclarations de Yoshua Bengio, l'un des chercheurs les plus cités du domaine, qui a qualifié ces incidents de « signal d'alarme », ainsi que sur celles du directeur de la CIA, qui a comparé les modèles d'IA à des « armes nucléaires numériques ». Cette lettre relance un débat sur la capacité réelle des entreprises à maîtriser leurs propres créations, à un moment où les investissements dans le secteur se chiffrent en dizaines de milliards de dollars. Pour Sanders, le seuil critique que les entreprises elles-mêmes avaient fixé comme limite à ne pas franchir a désormais été dépassé, ce qui rend une pause immédiate nécessaire selon lui. Ses inquiétudes portent notamment sur le risque de voir ces technologies faciliter la création d'armes biologiques capables de provoquer des dizaines de millions de morts si elles tombaient entre de mauvaises mains, ainsi que sur les capacités croissantes des modèles en matière de cybersécurité offensive. Ces enjeux dépassent le seul cadre américain : la compétition mondiale entre entreprises et entre États pousse l'ensemble du secteur à accélérer plutôt qu'à ralentir, ce qui complique toute tentative de régulation coordonnée. L'appel de Sanders n'est pas isolé : Anthropic et OpenAI avaient toutes deux publiquement promis, par le passé, de suspendre la montée en puissance de leurs modèles ou de retarder leurs déploiements si les capacités développées venaient à dépasser leurs propres dispositifs de sécurité. OpenAI a d'ailleurs récemment annoncé un ralentissement du développement de son modèle de cybersécurité Astra, à la suite du piratage autonome d'une organisation par un système d'IA. Une autre lettre ouverte, signée par plus de 1 300 scientifiques et ingénieurs, va dans le même sens. Certains experts nuancent toutefois ces alertes, estimant que certaines déclarations d'OpenAI sur le comportement incontrôlable de ses modèles pourraient être exagérées, dans le but de renforcer l'image d'une IA à la fois surpuissante et dangereuse, une stratégie de communication déjà observée dans le secteur.

Sécurité⚡Actu

1 source

48

417AI News 

Comment l'IA transforme le calendrier de réponse aux vulnérabilités

En mai 2026, le Google Threat Intelligence Group a signalé ce qu'il considère comme le premier cas documenté où un attaquant a utilisé l'intelligence artificielle pour développer un exploit zero-day. La faille exploitait un script Python capable de contourner l'authentification à deux facteurs sur un outil open source d'administration système largement utilisé, à condition que l'attaquant dispose déjà d'identifiants valides. Les chercheurs de Google se disent très confiants sur le fait qu'un modèle d'IA a participé à la fois à la découverte de la faille et à sa transformation en exploit fonctionnel, en s'appuyant sur des indices comme des commentaires explicatifs inhabituellement détaillés dans le code, un score de vulnérabilité fabriqué de toutes pièces et un style de programmation très structuré typique des contenus générés. Google n'affirme toutefois pas que l'opération entière ait été autonome, ni n'attribue le code à un modèle précis. Selon le bilan 2025 du même groupe, 90 failles zero-day ont été exploitées dans la nature l'an dernier, contre 78 en 2024, deux records dans les données de l'entreprise. Les logiciels et appliances d'entreprise ont représenté 43 cas, soit 48% du total. Ce qui rend le cas de mai 2026 particulièrement significatif, c'est la nature de la faille elle-même: il ne s'agissait ni d'un plantage, ni d'une erreur mémoire, ni d'une entrée non sécurisée, les cibles habituelles des outils de fuzzing et d'analyse statique, mais d'une hypothèse de confiance codée en dur. Un modèle de langage peut examiner la façon dont permissions, fonctions et comportements attendus interagissent à travers une base de code entière, ce qui ouvre une nouvelle voie pour repérer des contradictions logiques ne laissant aucune trace technique évidente. Pour les équipes de sécurité, cela signifie que la surface de menace s'élargit au-delà des catégories de bugs traditionnellement couvertes par les outils automatisés, et que la vitesse d'analyse offerte par l'IA n'a de valeur que si l'organisation sait aussi où tourne le logiciel concerné. C'est précisément ce dernier point que soulève une analyse récente de l'entreprise Minimus, spécialisée dans la sécurité des conteneurs. Une image de conteneur peut contenir des paquets systèmes, des bibliothèques applicatives et des dépendances héritées d'une image de base, si bien qu'un composant vulnérable peut se cacher plusieurs couches sous l'application visible, parfois dans des dizaines d'images sans que l'organisation l'ait ajouté directement. L'épisode Log4Shell, en 2021, avait illustré ce problème à grande échelle: la bibliothèque Log4j s'était retrouvée intégrée dans un nombre considérable de produits, et de nombreuses entreprises avaient dû identifier chaque serveur et conteneur concerné avant de pouvoir corriger la faille. Minimus prône des inventaires logiciels détaillés (SBOM) et des images minimales, réduisant le nombre de paquets à examiner et de points d'exposition à traiter une fois une vulnérabilité rendue publique.

Sécurité❧Opinion

1 source

39

418MarkTechPost 

webAI lance TwIL-LM : des modèles de logique formelle à 1,7 et 3 milliards de paramètres pour l'autoformalisation en local

La société américaine webAI a publié TwIL-LM, une famille de deux modèles de raisonnement en logique formelle, l'un de 1,7 milliard de paramètres, l'autre de 3 milliards. Le modèle de 3 milliards, TwIL-LM3, est un fine-tuning fusionné de SmolLM3-3B, tandis que la version 1,7 milliard est un adaptateur LoRA greffé sur SmolLM2-1.7B-Instruct. Les deux visent l'autoformalisation, la traduction de texte anglais en logique du premier ordre et la vérification qu'une conclusion découle bien de ses prémisses, avec une exécution entièrement locale : 1,06 Go pour le modèle 1,7B quantifié, 1,78 Gio au format GGUF Q4KM pour le modèle 3B, capable de tourner sur simple CPU ou avec seulement 4 Go de VRAM. webAI affirme que TwIL-LM3 dépasse gpt-oss-120b, un modèle de 120 milliards de paramètres, sur quatre des cinq axes de raisonnement testés, avec un score moyen de 0,4488 sur six catégories. Les deux modèles sont publiés sous licence non commerciale, tout usage générant des revenus nécessitant un accord distinct avec webAI. Leur intérêt tient moins aux performances brutes, encore inférieures à celles des plus grands modèles, qu'à leur efficacité et à leur fonctionnement hors ligne. TwIL-LM3 génère les réponses les plus courtes de la comparaison, 482 tokens en moyenne, et traite 32,9 réponses par seconde contre seulement 4,2 pour gpt-oss-120b, soit environ huit fois plus rapide pour une fraction de la taille. Cette combinaison de légèreté et de confidentialité vise des secteurs où les données ne peuvent quitter l'appareil : conformité réglementaire, services financiers, santé, opérations juridiques et recherche en méthodes formelles. Les usages visés incluent la traduction en logique du premier ordre, la classification de relations d'implication entre prémisses, la conversion de langage naturel en requêtes structurées, l'ébauche de preuves dans l'assistant Lean, et la vérification des sorties de modèles plus grands. La construction de TwIL-LM3 repose sur quatre étapes : un fine-tuning LoRA supervisé sur un corpus synthétique de logique formelle, une fusion de checkpoints intermédiaires, une interpolation WiSE-FT vers le modèle de base avec un coefficient de 0,25, puis une phase de renforcement appelée MGPO, validée par un vérificateur automatique. Ce coefficient s'avère déterminant : une variante interne ayant sauté l'interpolation obtenait un meilleur score en domaine, 0,515 contre 0,422, mais perdait environ douze points de capacité générale hors domaine, ce qui a conduit webAI à ne pas la publier. Le modèle finalement diffusé, au checkpoint 2071, améliore ses résultats en logique de 26% en relatif tout en gagnant légèrement en capacité générale, même si les scores sur GSM8K et IFEval reculent légèrement après cet entraînement spécialisé. Cette sortie illustre une tendance croissante vers des modèles compacts spécialisés en vérification formelle, portée par des acteurs cherchant à réduire la dépendance aux très grands modèles génériques pour des tâches précises et auditables, à mesure que les entreprises réglementées cherchent à déployer de l'IA sans exposer leurs données au cloud.

LLMs❧Opinion

1 source

45

419Le Big Data 

Claude s’attaque à un problème mathématique et réussi ce qu’aucun humain n’a pu depuis 2013

Anthropic a annoncé le 10 août 2026, via un message publié sur le compte X de l'entreprise, avoir chargé une version de recherche non publiée de son modèle Claude de s'attaquer à l'hypothèse de Riemann, une conjecture mathématique vieille de 167 ans formulée en 1859 par le mathématicien allemand Bernhard Riemann. L'expérience a été lancée par le chercheur Jarred Sumner, avec pour seule consigne de tenter sérieusement de résoudre le problème. Claude a d'abord généré environ 650 pistes de démonstration, toutes infructueuses, avant d'organiser près de 60 sous-agents travaillant en parallèle pendant environ un jour et demi, exécutant quelque 2 400 commandes shell, écrivant des centaines de scripts Python et réalisant des milliers de vérifications numériques, pour une consommation totale estimée à 31 millions de tokens de sortie. L'hypothèse n'a pas été résolue, mais Claude a fait progresser la borne inférieure connue de la proportion de zéros de la fonction zêta de Riemann prouvés situés sur la « droite critique », la faisant passer de 41,6 % à 67,2 %, soit un gain de 25,6 points de pourcentage. Cette avancée, bien que partielle, est jugée significative par la communauté mathématique. Selon le chercheur cité sous le pseudonyme Deedy, il pourrait s'agir de l'une des progressions les plus importantes en théorie analytique des nombres depuis 2013. Pour y parvenir, Claude a combiné plusieurs décennies de travaux existants, notamment des méthodes portant sur la distribution des zéros de la fonction zêta et des résultats issus des recherches du mathématicien Enrico Bombieri. Ce résultat illustre la capacité croissante des grands modèles de langage à assister, voire à faire progresser, des domaines de recherche mathématique fondamentale considérés jusqu'ici comme réservés à l'expertise humaine la plus pointue, en explorant à grande échelle et en parallèle des pistes que peu d'équipes humaines pourraient tester aussi rapidement. L'hypothèse de Riemann reste l'un des sept problèmes du prix du millénaire de l'Institut Clay, doté d'une récompense d'un million de dollars pour quiconque en apporterait une preuve complète ou en démontrerait la fausseté. Elle porte sur la répartition des nombres premiers et affirme que tous les zéros non triviaux de la fonction zêta ont une partie réelle égale à 1/2, donc alignés sur une même droite verticale. Il convient toutefois de nuancer la portée du résultat de Claude : passer à 67,2 % ne signifie pas être à « 32,8 % » de la solution, puisque la conjecture exige que 100 % des zéros soient concernés, un fossé qui reste considérable. L'expérience ouvre néanmoins la voie à d'autres tentatives assistées par IA sur des problèmes mathématiques non résolus, un terrain que d'autres laboratoires pourraient désormais explorer plus activement.

Recherche❖Paper

1 source

35

420MarkTechPost 

Implémentation d'un pipeline de génération vidéo et audio multimodal MiniMax-H3 avec les API ComfyUI

Un tutoriel technique publié début août 2026 détaille la mise en place d'un pipeline complet de génération vidéo et audio avec le modèle MiniMax-H3, en pilotant ComfyUI comme moteur d'inférence sans interface graphique, entièrement via ses API HTTP et WebSocket. Le code source, hébergé sur le dépôt Hugging Face Comfy-Org/MiniMax-H3, télécharge automatiquement les poids nécessaires : les modèles de diffusion, l'encodeur de texte (basé sur Qwen3VL-32B) et deux VAE distincts, l'un pour la vidéo (minimaxh3videovaefp16), l'autre pour l'audio (minimaxh3audiovaefp32). Le script sélectionne dynamiquement l'un des trois profils de poids selon la mémoire GPU disponible : un profil "quality" en bf16 nécessitant au moins 70 Go de VRAM, un profil "balanced" en int8 à partir de 38 Go, et un profil "squeeze" en fp8/nvfp4 fonctionnant dès 20 Go. Le pipeline construit directement en Python le graphe d'exécution de ComfyUI, valide les schémas de chaque nœud via l'endpoint /objectinfo, puis génère des vidéos de quelques secondes (exemple donné : 5 secondes en 16:9, 20 étapes d'échantillonnage avec le sampler resmultistep) à partir d'un prompt texte détaillé décrivant plans de caméra, dialogue et ambiance sonore. Cette approche répond à un besoin concret pour les développeurs et équipes techniques qui veulent intégrer la génération vidéo par IA dans des workflows automatisés, sans dépendre d'une interface graphique ni d'interventions manuelles. En rendant le pipeline scriptable de bout en bout, incluant le décodage joint de la vidéo et de l'audio et le suivi de progression en temps réel, le tutoriel ouvre la voie à une utilisation industrielle de MiniMax-H3 dans des chaînes de production de contenu, des tests automatisés ou des systèmes de génération à la demande. La capacité à basculer entre plusieurs profils matériels selon la VRAM disponible élargit aussi l'accessibilité du modèle, permettant de le faire tourner sur des configurations allant de simples GPU grand public à des cartes professionnelles haut de gamme, ce qui reste un enjeu majeur pour la démocratisation des modèles génératifs vidéo particulièrement gourmands en ressources. Ce type de tutoriel s'inscrit dans une tendance plus large de la communauté ComfyUI, qui s'est imposée comme une infrastructure de référence pour orchestrer des modèles de génération multimodale complexes, au-delà de son usage initial pour la génération d'images fixes. MiniMax-H3 illustre la montée en puissance des modèles capables de produire simultanément vidéo et audio synchronisés, avec plusieurs modes de génération (texte vers vidéo, conditionnement par première et dernière image, ou par image de référence), une polyvalence de plus en plus recherchée par les studios et créateurs de contenu. La publication de poids quantifiés à différents niveaux de précision, du bf16 complet au nvfp4, traduit également un effort continu pour rendre ces modèles exploitables en dehors des seuls centres de données équipés de GPU haut de gamme.

Création≡Tuto

1 source