Actualités IA — page 21

9 260 articles au fil, du plus récent au plus ancien.

47

Illustration générée par IA

401Frandroid 

ChatGPT devait protéger les ados, une association dénonce un risque « inacceptable »

Selon un rapport récent de l'association américaine Common Sense Media, ChatGPT pour les adolescents, présenté par OpenAI comme une version plus sûre de son chatbot, présente des lacunes sérieuses. L'organisation, spécialisée dans l'évaluation des technologies destinées aux jeunes, estime que l'assistant gère mal les échanges avec des mineurs en situation de crise, en particulier lorsqu'ils évoquent des problèmes de santé mentale. Elle qualifie le risque d'« inacceptable », un terme fort qui traduit l'écart entre la promesse de protection et le comportement observé. L'enjeu est concret pour des millions de familles. Les adolescents se tournent de plus en plus vers les chatbots pour parler de leurs difficultés, parfois à des moments de grande vulnérabilité. Si l'outil répond de façon inadaptée, minimise une détresse ou ne oriente pas vers une aide humaine, les conséquences peuvent être graves. Le constat de Common Sense Media fragilise aussi l'argument d'OpenAI selon lequel des garde-fous spécifiques suffisent à rendre l'usage par des mineurs raisonnable, et il alimente les appels des parents, des écoles et des responsables politiques à un encadrement plus strict. Ce rapport s'inscrit dans une pression croissante sur les entreprises d'IA générative. Plusieurs affaires aux États-Unis, dont des plaintes de familles ayant perdu un adolescent, ont poussé OpenAI à annoncer des contrôles parentaux et des protections renforcées pour les moins de 18 ans. Common Sense Media, qui publie régulièrement des évaluations de risques sur les produits d'IA, joue un rôle d'arbitre influent auprès du public et des régulateurs. La suite dépendra de la réponse d'OpenAI et de l'évolution des exigences légales.

Éthique⚡Actu

1 source

28

Illustration générée par IA

402MarkTechPost 

Architect lance Liquid Inference, une enchère en temps réel pour l'inférence de LLM

Architect Financial Technologies, la société derrière la bourse de contrats perpétuels AX, a lancé Liquid Inference, un routeur de requêtes pour grands modèles de langage qui organise une enchère en direct pour chaque prompt. Les fournisseurs d'inférence publient des offres pour servir des modèles précis. Chaque requête est mise aux enchères entre tous les fournisseurs qui cotent le modèle demandé, et l'offre la moins chère qui respecte les règles de l'acheteur l'emporte. Le client envoie un appel standard au format OpenAI ou Anthropic, ses contraintes filtrent les offres éligibles, puis le prix maximal est verrouillé avant la génération et seule la consommation mesurée est facturée. L'acheteur peut fixer un plafond de coût par tâche, une limite de délai avant le premier token, un débit minimal, des régions autorisées, l'absence de conservation des données, ainsi que des listes de fournisseurs ou de modèles. Un mode Auto peut choisir le modèle selon l'unité de travail. Les inscrits, gratuits par email, peuvent consulter les carnets d'ordres en direct, les cotations par fournisseur et par modèle, et les transactions conclues. Les 500 premiers utilisateurs reçoivent 20 dollars d'inférence gratuite, et un programme de parrainage reverse 20 % des frais des filleuls en inférence gratuite, plus 10 % sur le second niveau. Pour les développeurs, le changement tient en peu de chose : remplacer l'URL de base, conserver son code et laisser les fournisseurs se concurrencer sur le prix. Liquid Inference est compatible avec des outils de codage agentique comme Claude Code, Codex, OpenCode, Cursor, Pi et Cline. Côté fournisseurs, l'intérêt est de monétiser de la capacité GPU inutilisée à la demande : ils s'enregistrent via l'application, sont vérifiés « en minutes, pas en semaines » selon Harrison, déclarent leurs modèles et cotations par une API REST et WebSocket, et ajustent leurs prix en fonction de leurs propres coûts. Les paiements passent par Stripe, avec un relevé détaillé de chaque tâche. Face à OpenRouter, qui répartit la charge selon l'inverse du carré du prix et revendique plus de 500 modèles et 80 fournisseurs, ou à Hugging Face Inference Providers, qui privilégie par défaut le fournisseur le plus rapide, Liquid Inference se distingue par la transparence des données de marché, rare dans l'univers des API de LLM. Le produit vient d'une société de trading plutôt que d'un laboratoire d'IA. Architect exploite la bourse AX de contrats perpétuels et a acquis en mai 2026 un marché désigné de contrats aux États-Unis afin de coter des contrats à terme sur la puissance de calcul GPU, sous réserve de l'examen réglementaire. L'équipe applique son expérience des bourses financières à la découverte des prix de l'inférence, des deux côtés du marché. Plusieurs points restent flous : les frais de plateforme, la liste des fournisseurs et les données de latence ne sont pas publics, et la société parle seulement de « centaines » de modèles. La suite dépendra de la profondeur de liquidité réellement atteinte et de l'avancée du projet de contrats à terme sur le calcul.

Outils⚒Outil

1 source

38

Illustration générée par IA

403MarkTechPost 

NVIDIA PivotOPD apprend aux agents IA multi-tours à se rattraper après des erreurs décisives

Des chercheurs de NVIDIA, de l'Université de Princeton et de l'Université du Maryland ont présenté PivotOPD, une méthode de distillation « on-policy » destinée aux agents LLM qui interagissent sur plusieurs tours. Il s'agit d'une méthode d'entraînement, pas d'un modèle. Elle apprend à l'agent à éviter son erreur la plus coûteuse en début de tâche, et à s'en remettre quand elle survient malgré tout. Testée sur des élèves Qwen3-1.7B et Qwen3-8B, elle obtient la meilleure moyenne face à 13 méthodes de référence sur ALFWorld, WebShop et les questions-réponses avec recherche, sur 3 graines aléatoires. Avec le modèle de 1,7 milliard de paramètres, elle atteint 73,7 % sur ALFWorld (5,5 points devant SDAR) et 44,5 % en questions-réponses avec recherche (5,9 points devant RLSD). Sur WebShop, elle dépasse RLSD de 1,2 point en score et de 14,1 points en taux de succès, à 76,6 %. Avec le modèle de 8 milliards, elle monte à 93,0 % sur ALFWorld, 47,4 % en questions-réponses et 81,9 % de succès sur WebShop. Sur SWE-Bench Verified, un élève Nemotron-3.5-SFT guidé par Nemotron-3-Super passe de 62,8 % à 66,0 %, contre 63,0 % pour la distillation standard. Le professeur plafonne à 73,0 %. L'enjeu tient à la capacité de récupération. Sur des erreurs décisives rejouées, PivotOPD permet de rattraper 72,7 % des cas, contre 20,3 % pour la distillation on-policy classique. L'entraînement n'ajoute aucun coût à l'inférence : l'agent s'exécute partout où son modèle de base fonctionne. Les auteurs définissent l'erreur décisive comme une action qui allonge le chemin restant vers la réussite ou rend la tâche impossible. Dans ALFWorld, 59 % des échecs (155 sur 262) en contiennent une, apparue en général entre le tour 8 et le tour 12 sur 30. L'agent gaspille ensuite 18 à 21 tours sans se corriger. Rejouer les échecs de Qwen3-8B en corrigeant ce seul tour fait passer le succès de 8 % à 59 %. Les limites existent toutefois : la méthode suppose des environnements rejouables et un professeur dont les pivots coïncident avec ceux de l'oracle dans 77,8 % des échecs. Elle reste aussi moins performante sur certaines sous-tâches, comme les tâches « Look » d'ALFWorld avec le petit modèle (55,9 % de récupération, contre 83,9 % pour SOD). Le problème vient d'un angle mort partagé par les approches actuelles. La distillation standard a fait baisser le taux d'échec de 79 % à 56 % sur des cas non vus, mais celui des échecs survenant après une erreur décisive n'a reculé que de 51 % à 49 %. La bonne action restait sous 1 % de probabilité à ces tours, si bien que 8 déroulements l'échantillonnent rarement. L'apprentissage par renforcement fondé sur le seul résultat souffre du même défaut : quand tous les essais échouent, l'avantage relatif au groupe est nul. PivotOPD ajoute trois briques à un apprentissage par renforcement de groupe, combinées dans une seule mise à jour PPO. Un professeur plus grand relit chaque déroulement et nomme l'action correcte aux tours suspects. Une distillation préventive, par divergence KL inverse, éloigne l'élève de l'erreur commise. Une distillation de récupération, par KL directe, qui couvre mieux les actions rares, lui apprend à rebondir pendant quelques tours. Le professeur ne fournit que des actions, et les cibles au niveau des tokens viennent d'une copie figée de l'élève guidée par ces indices.

Recherche❖Paper

1 source

41

Illustration générée par IA

404MIT Technology Review 

Vers une IA industrielle autonome plus sûre

L'intelligence artificielle industrielle entre dans une nouvelle phase. Après des décennies d'analyses prédictives et d'applications spécialisées, les avancées des modèles de fondation, de l'IA physique et de l'IA agentique permettent d'automatiser des tâches bien plus complexes dans les environnements industriels. Dans un épisode du podcast Business Lab de MIT Technology Review, réalisé en partenariat avec l'éditeur de logiciels industriels AVEVA, Arti Garg, directrice technique de l'entreprise, détaille les conditions d'un déploiement responsable. Elle insiste sur la valeur des données : télémétrie, journaux de maintenance, documents d'ingénierie et autres sources dispersées peuvent désormais être corrélés plus vite, ce qui aide les opérateurs à diagnostiquer les pannes en temps réel. Des robots dotés d'IA pourraient aussi collecter des informations dans des zones dangereuses sans y exposer des travailleurs. Garg participe en outre à un groupe de travail de l'IEEE qui élabore une méthodologie standard pour mesurer l'impact environnemental de l'IA, en couvrant l'électricité, l'énergie, les ressources, l'eau et le carbone. Contrairement à une IA qui n'opère que dans le monde numérique, l'IA industrielle interagit directement avec des systèmes physiques. Une décision inattendue peut alors avoir des conséquences sur la sécurité, la fiabilité des opérations et les infrastructures critiques. Le défi s'accentue à mesure que les systèmes deviennent plus performants, mais aussi plus difficiles à prévoir et à expliquer. « Comment tirer parti de ces technologies tout en préservant la sécurité et la fiabilité des opérations, sans renoncer aux promesses des nouvelles capacités ? », s'interroge Garg. Pour elle, l'IA doit compléter les humains plutôt que les remplacer dans les boucles de décision critiques, avec des garde-fous qui définissent où les systèmes automatisés peuvent agir et où les superviseurs humains restent responsables. L'enjeu est aussi énergétique : l'IA peut aider à piloter des réseaux électriques complexes à mesure que la production renouvelable progresse, à condition de mieux connaître sa propre empreinte. Ce discours s'inscrit dans un contexte où les industriels se hâtent d'adopter les dernières technologies, parfois dans des environnements à très faible marge d'erreur. Le cadre d'AVEVA pour une IA responsable repose sur trois piliers : la sécurité, l'efficacité, ainsi que la sûreté et la supervision humaines. La prochaine étape pourrait rapprocher encore l'IA du monde physique, avec des robots et drones autonomes, ou avec une aide à la programmation qui permettrait à des experts métier de créer eux-mêmes de nouvelles applications. Garg prévient toutefois que la technologie ne suffira pas : les organisations devront repenser leurs processus, instaurer des protections adaptées et offrir aux travailleurs expérimentés de nouvelles façons de mettre leur expertise à profit. « Les systèmes autonomes, robots ou drones, vont changer notre manière de travailler dans les usines, les réseaux électriques et les sites miniers », estime-t-elle, y voyant des opérations plus efficaces, plus sûres pour les personnes concernées et plus productives.

Société⚡Actu

1 source

28

Illustration générée par IA

405Frandroid 

Pourquoi Elon Musk doit se tourner vers la Chine pour produire son robot humanoïde Optimus en masse

Tesla cherche à conserver son avance sur ses concurrents chinois dans les robots humanoïdes, mais Elon Musk doit se tourner vers la Chine pour fabriquer Optimus à grande échelle. Le constructeur américain s'appuie désormais sur des fournisseurs de l'Empire du Milieu pour obtenir une partie des composants nécessaires à une production de masse de son robot. Le média Frandroid, qui rapporte l'information, ne détaille dans cet extrait ni les pièces concernées ni les volumes visés. Ce choix illustre une réalité industrielle : même l'entreprise qui affiche l'ambition la plus visible dans ce secteur dépend de la chaîne d'approvisionnement chinoise pour passer du prototype à la série. Pour Tesla, l'enjeu est de faire baisser les coûts et d'atteindre des cadences que peu d'acteurs occidentaux peuvent égaler seuls. Pour les rivaux chinois, la situation est ambiguë. Ils peuvent profiter de ces commandes, mais ils fournissent aussi, indirectement, un concurrent direct. Ce paradoxe s'inscrit dans la course mondiale aux robots humanoïdes, où les entreprises chinoises ont multiplié les modèles et bénéficient d'un écosystème dense de fabricants de moteurs, de capteurs et d'actionneurs. Tesla, elle, mise sur son expérience de la production automobile et de l'intelligence artificielle embarquée. Cette dépendance expose toutefois le groupe aux tensions commerciales entre Washington et Pékin, notamment aux droits de douane et aux restrictions d'exportation, qui pourraient peser sur le calendrier et le prix d'Optimus.

Robotique⚡Actu

1 source

47

Illustration générée par IA

406Latent Space 

[AINews] Claude Haiku 5.5 : meilleur que GPT-6 Luna au même prix

Anthropic a lancé Claude Haiku 5.5, la première mise à jour de sa gamme de petits modèles en environ un an, depuis Haiku 4.5. L'entreprise le présente comme le modèle compact le moins cher, le plus rapide et le plus performant qu'elle ait publié, avec un coût d'exécution inférieur d'environ 75 % à celui de son prédécesseur. Il est disponible sur la plateforme Claude et dans Claude Code. Sa grille tarifaire s'aligne sur celle de GPT-6 Luna d'OpenAI : pour les requêtes de moins de 100 000 tokens, 0,10 dollar par million de tokens en entrée, 0,50 dollar en sortie et 0,01 dollar pour les lectures de cache. Au-delà de 100 000 tokens, ces prix passent à 0,50, 2,50 et 0,05 dollar. Le même jour, Anthropic a divisé par deux le prix des lectures de cache de Sonnet 5.5, de 0,20 à 0,10 dollar, ce qui le rend environ 20 % moins cher pour les tâches longues ou agentiques. Les abonnements Max 5x (100 dollars), Max 20x (200 dollars) et Team (jusqu'à 500 dollars mutualisés) incluent désormais des crédits d'API mensuels, utilisables sur tous les modèles et dans des outils tiers. Les SDK Python et TypeScript intègrent aussi des outils de contrôle d'ordinateur et de navigateur. Selon Artificial Analysis, Haiku 5.5 obtient 43 à l'indice d'intelligence en effort maximal, soit 26 points de plus que le Haiku précédent. Il devance GLM-5.3 Flash (42), Gemini 3.8 Flash (41) et GPT-6 Luna (38), et se rapproche de Kimi K3 (44), un modèle ouvert de 2,8 billions de paramètres. Il reste 13 points sous Sonnet 5.5 (56). Les premiers partenaires rapportent des gains concrets. Cursor annonce un coût dix fois inférieur à Haiku 4.5 sur les requêtes courtes. GitHub Copilot dans VS Code dit qu'il égale Sonnet 5 sur de nombreuses tâches de code avec moins de tokens. Devin affiche 58,4 % sur FrontierCode 1.1, devant Sonnet 5 pour environ un huitième du coût par tâche. Ce positionnement vise les usages à fort volume, comme les résumés, les compactions ou les requêtes de base de données, avec Opus 5.5 ou Sonnet 5.5 en chef d'orchestre. Ce lancement s'inscrit dans une course aux modèles économiques. Haiku semblait délaissé alors qu'Anthropic enchaînait Sonnet, Opus et Fable jusqu'à la version 5.5, et qu'OpenAI venait de sortir Luna, Astra et Sol 6. Haiku 5.5 est le premier de sa série à proposer les réglages d'effort et la réflexion adaptative. La consommation de tokens est son principal défaut : environ 162 000 tokens de sortie par tâche à effort maximal, soit trois fois GPT-6 Luna (environ 50 000). Passer de xhigh à max ajoute deux points pour 1,8 fois plus de tokens, et à score égal le modèle reste plus verbeux. L'avantage tarifaire affiché peut donc se réduire à l'usage. Les classements d'Arena, où Haiku 5.5 vient d'être ajouté, restent à publier.

LLMs⚡Actu

1 source

41

Illustration générée par IA

407MarkTechPost 

Perplexity AI lance pplx-embed-v2-late : un modèle de 0,6 milliard de paramètres pour l'edge et un modèle de 9 milliards à 92,4 % sur MADQA

Perplexity a publié pplx-embed-v2-late, une paire de modèles d'embedding multimodaux de type ColBERT, disponibles en deux tailles : 0,6 milliard de paramètres pour des requêtes rapides et peu coûteuses, et 9 milliards pour une qualité maximale. Les deux récupèrent du texte, des images et des pages PDF rendues, dans un espace d'embedding commun. Le petit modèle compte 594 millions de paramètres au total, dont environ 240 millions actifs pour le texte et 340 millions pour les images. Il est dérivé de Qwen3.5-0.8B, élagué à 12 couches de texte. Le grand modèle mobilise 7,4 milliards de paramètres actifs (Hugging Face en indique 8 milliards au total). Chaque jeton produit un vecteur de 128 dimensions, et le score repose sur MaxSim : chaque jeton de la requête cherche son meilleur voisin dans le document, puis ces maxima sont additionnés. Les pages étant encodées comme des images, aucun OCR n'est nécessaire. Selon les chiffres publiés par Perplexity, le 9B atteint 92,4 % sur MADQA (questions-réponses agentiques sur PDF), contre 90,1 % pour le 0,6B, et dépasse le retriever de Mixedbread (88,9 %) tout en restant sous Mixedbread Agentic Search (93,4 %). Sur 72 tâches textuelles spécialisées, il obtient 81,3 % de nDCG@10, soit 1,6 point de plus que tous les modèles testés. Sur BrowseComp+, il atteint 64,0 %, 4,9 points au-dessus du meilleur autre modèle ColBERT. Les poids sont publiés sous licence MIT, usage commercial autorisé, tandis qu'un point d'accès API hébergé est annoncé mais pas encore disponible. L'intérêt tient d'abord à l'architecture asymétrique. Un index construit avec le 9B peut être interrogé par le 0,6B, qui tourne localement sur un portable ou un appareil embarqué : sur ViDoRe v3 en recherche d'images, cette combinaison obtient 63,5 %, contre 62,3 % avec le 0,6B des deux côtés, pour le même coût à la requête. Ses vecteurs de 128 dimensions sont 16 à 32 fois plus étroits que ceux de concurrents à 2 048 ou 4 096 dimensions, ce qui allège le stockage par jeton. Les cas d'usage visés sont la recherche visuelle dans des PDF, des présentations et des rapports numérisés, ainsi que le RAG agentique sur de grandes collections. Les limites sont nettes : un vecteur par jeton fait croître la taille de l'index avec la longueur des documents, une même entrée ne peut pas mêler texte et images, et le modèle n'est pas premier sur ViDoRe v3 en images, où EVIE de Tencent fait mieux. Gemini Embedding 2 de Google le devance aussi sur MIRACL-Vision et de 2 points sur PPLX-Q2I. Cette sortie s'inscrit dans la montée des approches à interaction tardive, qui conservent une représentation fine par jeton au lieu de comprimer un document en un seul vecteur, et dans la course à la recherche multimodale sans OCR face à NVIDIA (nemotron-colembed), TopK, Mixedbread, Tencent et Google. Perplexity a distillé les deux modèles à partir d'un enseignant de 18 milliards de paramètres, avec un entraînement au niveau des jetons de type LEAF, qui crée l'espace partagé. Les besoins logiciels sont sentence-transformers 6.0.0 et transformers 5.4.0 au minimum, avec un usage GPU CUDA documenté. Les poids sont stockés en F32, ce qui double le téléchargement, pour environ 1,2 Go en bf16 pour le 0,6B et 16 à 18 Go pour le 9B. Tous les scores sont auto-déclarés et le rapport technique n'est pas encore publié : des évaluations indépendantes seront nécessaires pour confirmer ces résultats.

LLMs⚡Actu

1 source

34

Illustration générée par IA

408Frandroid 

Avec « Intelligent UI », ChatGPT ne se limite plus au carcan du texte

OpenAI a dévoilé de nouvelles fonctionnalités pour ChatGPT, son agent conversationnel très populaire, autour de GPT‑6 et d'une capacité baptisée « Intelligent UI ». Le modèle ne se contente plus de produire du texte : il peut désormais créer des interfaces interactives directement dans la conversation. Au lieu d'une longue réponse rédigée, l'utilisateur peut obtenir des éléments manipulables, que le système génère selon la demande. L'annonce, relayée par Frandroid, marque une étape dans la volonté d'OpenAI de dépasser la simple rédaction de contenu. Ce changement touche à la manière même dont on utilise un assistant d'IA. Jusqu'ici, l'échange reposait presque entièrement sur le texte, ce qui limitait certains usages, comme comparer des options, remplir des paramètres ou explorer des données. Une interface générée à la volée peut rendre ces tâches plus directes. Pour le grand public, cela rapproche ChatGPT d'une application polyvalente. Pour les professionnels, cela suggère que le chatbot pourrait occuper une place que se partagent aujourd'hui des outils spécialisés. Cette évolution s'inscrit dans la course que se livrent les grands acteurs de l'IA, dont OpenAI, Google et Anthropic, pour faire de leurs assistants des plateformes complètes et plus seulement des générateurs de texte. L'enjeu est de retenir les utilisateurs dans une seule interface en élargissant ce qu'elle sait faire. La suite dépendra de la fiabilité de ces interfaces générées, de leur ouverture aux développeurs tiers et de la réponse de la concurrence.

Outils⚒Outil

1 source

43

Illustration générée par IA

409Frandroid 

Microsoft et Nvidia réinventent le PC : tout ce qu’il faut retenir de la conférence Windows

Microsoft et Nvidia ont tenu une conférence commune le 7 octobre à San Francisco pour présenter leur vision du PC de demain. Les deux groupes ont dévoilé l'intégration d'agents d'intelligence artificielle directement dans Windows 11, capables d'assister l'utilisateur dans ses tâches quotidiennes. Ils ont aussi annoncé la possibilité d'exécuter localement des modèles d'IA de très grande taille, sans passer par le cloud. Côté matériel, Microsoft a présenté le Surface Laptop Ultra, tandis que Nvidia a introduit une nouvelle catégorie de machines baptisée PC RTX Spark. Ces annonces dessinent un PC pensé autour de l'IA, où les agents ne sont plus des applications séparées mais une couche du système d'exploitation. Faire tourner de gros modèles en local change l'équation pour les utilisateurs et les entreprises. Les données restent sur la machine, ce qui répond aux préoccupations de confidentialité. Les usages gagnent en réactivité et ne dépendent plus d'un abonnement à un service distant. Pour les constructeurs et les développeurs, cela ouvre un marché de matériel plus puissant, avec des cartes graphiques et des mémoires dimensionnées pour l'inférence. Cette alliance s'inscrit dans la course engagée depuis plusieurs années pour imposer le PC comme plateforme d'IA. Microsoft cherche à faire de Windows le socle des agents. Nvidia veut étendre son avance dans les puces d'IA, déjà dominante dans les centres de données, vers les ordinateurs personnels. Ils font face à la concurrence d'Apple, de Qualcomm, d'AMD et d'Intel, qui défendent leurs propres architectures. Reste à voir si les usages convaincront le grand public et à quel prix ces machines seront proposées.

Infrastructure⚡Actu

1 source

43

Illustration générée par IA

410Frandroid 

Surface RTX Spark Dev Box : Microsoft lance son mini PC Nvidia pour l’IA locale

Microsoft a ouvert les précommandes de la Surface RTX Spark Dev Box, un mini PC équipé d'une puce Nvidia et de 128 Go de mémoire. L'appareil est conçu pour faire tourner des modèles d'intelligence artificielle en local, c'est-à-dire directement sur la machine de l'utilisateur plutôt que dans le cloud. L'annonce a été faite lors d'une présentation de Microsoft, mais le constructeur n'a pas communiqué le prix sur scène. Cette information reste donc à confirmer avant toute estimation du coût réel de l'engin. L'enjeu concerne d'abord les développeurs et les équipes techniques. Disposer de 128 Go de mémoire dans un format compact permet d'envisager l'exécution de modèles volumineux sans dépendre d'un abonnement à un service distant. L'exécution locale répond à plusieurs préoccupations : confidentialité des données, maîtrise des coûts à l'usage, latence réduite et possibilité de travailler hors connexion. Pour les entreprises qui manipulent des informations sensibles, garder les calculs sur site constitue un argument fort. Le prix, encore inconnu, sera déterminant pour savoir si l'appareil vise les professionnels exigeants ou un public plus large. Ce lancement s'inscrit dans le rapprochement entre Microsoft et Nvidia autour de l'IA, et dans la multiplication des machines compactes dédiées à l'inférence locale. Le marché évolue vite : les fabricants de PC, les spécialistes des puces et les éditeurs de logiciels cherchent tous à imposer leur plateforme aux développeurs, qui orientent ensuite les usages. Microsoft, qui a fait de la gamme Surface une vitrine de ses ambitions matérielles, tente ici de se positionner sur ce créneau. La suite dépendra de la communication du tarif, des dates de livraison et des performances mesurées en conditions réelles.

Infrastructure⚡Actu

Aussi surThe Verge AI

37

Illustration générée par IA

411MarkTechPost 

Que se passe-t-il quand un dépôt de modèle de confiance change ? Unsloth Studio revérifie avant l'exécution

Unsloth, dont les outils de fine-tuning ont dépassé les 500 millions de téléchargements et figurent parmi les produits phares de Hugging Face, a lancé en bêta Unsloth Studio, une application de bureau qui centralise l'ajustement et l'exécution de modèles d'IA en local, là où il fallait jusqu'ici une installation manuelle. À l'approche de la semaine de l'IA open source, l'entreprise a publié une présentation de la sécurité de Studio et d'Unsloth Desktop. Elle décrit quatre points de contrôle déclenchés quand un flux de travail passe du téléchargement à l'exécution: une approbation du code liée à son empreinte, une barrière distincte pour les fichiers de poids, des bacs à sable système dont le fonctionnement est vérifié par sondage, et une analyse obligatoire du contenu des paquets. Ces mécanismes complètent les protections existantes plutôt que de les remplacer: analyses consultatives, révisions épinglées, limites réseau et identifiants à portée restreinte restent utilisables. Sur le premier point, Studio calcule l'empreinte du code scanné et la revérifie, avec la version du scanner, à chaque chargement. Une approbation enregistrée peut éviter une boîte de dialogue répétée, mais une nouvelle analyse a lieu, et tout code modifié exige un nouveau consentement. L'enjeu est de fermer une faille de confiance très concrète: approuver une fois le code personnalisé d'un dépôt de modèle ne doit pas valoir blanc-seing si ce dépôt change ensuite. Pour les chargements combinant adaptateur et modèle de base, Studio évalue les deux dépôts, y compris le tokenizer, le processeur et les configurations imbriquées. Les constats de gravité haute ou moyenne exigent une approbation correspondant à l'empreinte actuelle. Pour les utilisateurs qui téléchargent des modèles sur des plateformes ouvertes, souvent sur leur propre machine et avec leurs propres identifiants, cette approche réduit le risque qu'un dépôt jugé sûr devienne malveillant après coup, sans pour autant les priver de la liberté de choix des modèles. Cette orientation découle de deux incidents récents. Les versions 1.82.7 et 1.82.8 de LiteLLM sont apparues sur PyPI après la compromission du scanner Trivy, récupéré sans version fixée dans le pipeline CircleCI de LiteLLM, ce qui a exposé ses identifiants de publication. PyPI a mis ces versions en quarantaine en moins d'une heure, mais un outil de sécurité était devenu un maillon de la chaîne d'attaque. Un mois plus tard, un dépôt Hugging Face se faisant passer pour la publication Privacy Filter d'OpenAI, avec une fiche de modèle copiée presque mot pour mot, a distribué un infostealer pour Windows via son fichier loader.py. Il a atteint la première place des tendances avec environ 244 000 téléchargements, un chiffre que HiddenLayer juge très probablement gonflé. Ces épisodes illustrent la vulnérabilité de la chaîne d'approvisionnement de l'IA open source et ont servi de base à la feuille de route sécurité d'Unsloth.

Sécurité⚒Outil

1 source

40

Illustration générée par IA

412The Information AI 

L'automatisation par l'IA se fait attendre : la question qui monte (« Où est passée toute cette automatisation ? »)

Mardi, OpenAI a annoncé que son modèle d'IA non publié avait résolu, ou fait des progrès majeurs sur, des centaines de problèmes importants en mathématiques et en informatique. L'annonce est arrivée tard dans la journée, une semaine après une journée développeurs jugée décevante, et alors que des informations circulaient sur une nouvelle levée de fonds de l'entreprise. La semaine précédente, près de 800 développeurs s'étaient réunis au Midway, un auditorium près du front de mer de San Francisco, pour une conférence de Modal, fournisseur très valorisé d'infrastructure de calcul et d'outils pour développeurs. Scott Wu, fondateur de la startup d'agents de codage Cognition, valorisée 48 milliards de dollars le mois dernier, y a plaidé pour l'ambition. Il a décrit un futur proche où les entreprises compteront des « employés virtuels » travaillant sur des résultats plutôt que sur des tâches. Sa confiance vient du « moment AIME », quand les modèles ont commencé à battre les humains aux concours de mathématiques de haut niveau. Plus tard, Diogo Almeida, ancien chercheur d'OpenAI et aujourd'hui patron de TypeSafe AI, qui vient de lancer une alternative aux grands modèles de langage baptisée Jev, a lancé à la salle : « Où est toute l'automatisation ? » Pour lui, 100 % des LLM actuels sont optimisés pour l'assistance par apprentissage par renforcement à partir de retours humains (RLHF). Cette tension résume la question qui anime la phase actuelle de la ruée vers l'IA : comment transformer une intelligence brute et impressionnante en utilité concrète et démontrable ? Le raisonnement d'Almeida est que des modèles entraînés à plaire à un humain dans la boucle excellent comme assistants mais échouent dès qu'il faut travailler sans supervision. C'est précisément ce qui sépare un copilote d'un employé virtuel. Pour le grand public, les signaux restent minces. Les économistes ne voient pas encore, dans les grandes statistiques, de gain de productivité attribuable à l'IA. Les agents grand public, dernière mode du secteur, se heurtent aux sites web qui veulent bloquer les robots. Le contexte est celui d'une industrie qui doit entretenir l'afflux de capitaux tout en prouvant sa valeur. Les annonces techniques spectaculaires se mêlent à des communications commerciales, ce qui complique la lecture de leur portée réelle. Même les acteurs les plus engagés avancent avec prudence. Cat Wu, responsable produit de Claude Code chez Anthropic, a expliqué que l'entreprise pousse ses ingénieurs à identifier leurs tâches répétitives et à se demander pourquoi ils restent dans la boucle. Elle a toutefois reconnu que beaucoup d'automatisations restent bloquées à un stade semi-automatisé, où l'IA fait l'essentiel du travail mais où l'humain garde la main. Les leaders du secteur veulent donc plus d'automatisation sans être prêts à laisser les machines prendre le relais.

Société❧Opinion

1 source

48

Illustration générée par IA

413Ars Technica AI 

Microsoft présente de nouveaux appareils conçus pour l'IA et des changements dans Windows

Lors de son premier événement en direct depuis deux ans, Microsoft a dévoilé son nouvel ordinateur portable Surface, détaillé une série de changements à venir dans Windows 11 et présenté sa vision de la manière dont l'IA locale et les flux de travail agentiques pourraient transformer l'informatique personnelle, aussi bien pour les développeurs que pour les passionnés. Le Surface Laptop Ultra, teasé dès mai 2026, sera le premier appareil de Microsoft à reposer sur la nouvelle puce Nvidia RTX Spark. Il est proposé à partir de 2 599 dollars, avec plusieurs configurations de processeur et de mémoire : un GPU Blackwell de 5 120 ou de 6 144 cœurs, et jusqu'à 128 Go de mémoire unifiée LPDDR5x. Les précommandes sont ouvertes et les livraisons débuteront le 16 octobre. Cette machine vise d'abord les développeurs, mais Microsoft a tenu à montrer qu'elle ne sacrifie pas les performances graphiques. Plutôt que de s'en remettre aux limites physiques de la VRAM d'un GPU classique, l'appareil s'appuie sur une allocation de mémoire unifiée, qui lui permet de répartir ses ressources entre les jeux modernes et les tâches de développement et de déploiement d'IA en local. Lors de la présentation, le nouveau Gears of War: E-Day a tourné sur le système, ce qui indique que des titres AAA restent accessibles même sans carte graphique de jeu traditionnelle. Pour les professionnels, cela signifie qu'un seul portable peut servir à la fois de poste de développement, de plateforme d'exécution de modèles d'IA et de machine de loisir. Ce lancement s'inscrit dans une stratégie plus large où l'IA quitte progressivement le cloud pour s'exécuter directement sur l'appareil de l'utilisateur. En associant son matériel à une puce Nvidia, Microsoft cherche à occuper un terrain disputé par Apple et ses puces à mémoire unifiée, ainsi que par les fabricants de PC qui multiplient les machines dites « IA ». La mémoire unifiée, qui permet de charger de gros modèles sans être limité par la VRAM d'une carte dédiée, est devenue un argument central pour les développeurs qui veulent tester des agents et des modèles localement. Les évolutions annoncées de Windows 11 devraient accompagner ce virage, en rendant le système plus adapté aux usages agentiques. Reste à voir si les développeurs adopteront cette plateforme face à une concurrence bien établie, et si son prix élevé trouvera son public au-delà d'un cercle d'initiés.

Infrastructure⚡Actu

1 source

36

Illustration générée par IA

414Apple Machine Learning 

Modèles de trajectoire normalisants

Des chercheurs présentent les Normalizing Trajectory Models (NTM), une nouvelle famille de modèles génératifs conçue pour produire des échantillons en très peu d'étapes. Chaque étape de la trajectoire inverse, qui mène du bruit à la donnée, y est modélisée par un flot normalisant conditionnel expressif. L'entraînement repose sur une vraisemblance exacte. Côté architecture, les NTM associent des blocs inversibles peu profonds à l'intérieur de chaque étape à une composante profonde fonctionnant en parallèle. L'intérêt tient à ce que cette approche conserve le cadre probabiliste là où les méthodes rapides actuelles l'abandonnent. Pour accélérer la génération, celles-ci recourent à la distillation, à l'entraînement par cohérence ou à des objectifs adverses. Elles perdent alors la possibilité d'évaluer et d'optimiser directement la vraisemblance des données. Un modèle capable de générer en quelques transitions tout en gardant un entraînement principiel intéresserait les équipes qui veulent des générateurs rapides sans empiler des procédures d'entraînement en plusieurs phases. Ce travail part d'une limite connue des modèles de diffusion. Ils découpent l'échantillonnage en un grand nombre de petits pas de débruitage gaussiens, une hypothèse qui cesse d'être valable quand la génération est comprimée en quelques transitions grossières. Une distribution gaussienne ne peut plus alors décrire correctement chaque saut. Les auteurs remplacent donc cette hypothèse par des transitions plus expressives, rendues possibles par les flots normalisants, une famille de modèles qui offre naturellement une vraisemblance exacte. Reste à voir comment les NTM se comparent aux approches par distillation ou par cohérence sur les benchmarks usuels.

Recherche❖Paper

1 source

42

Illustration générée par IA

415Ars Technica AI 

Le logiciel, c'est fini » : un développeur d'IA s'attaque à Adobe avec des clones open source

Un développeur indépendant, Brandon Thomas, a lancé ce week-end une offensive inattendue contre Adobe en dévoilant une suite de sept applications open source qui reproduisent l'interface et les outils de Photoshop, Illustrator, Premiere, Lightroom, After Effects, InDesign et Acrobat Pro. Le projet porte la marque Artcraft, née l'an dernier comme une « IA contrôlable pour les artistes », capable de retoucher avec précision des images et des vidéos générées par intelligence artificielle. Annoncée cette semaine sur Reddit, la nouvelle gamme a été conçue avec Claude Opus 5.5, d'Anthropic, que Thomas présente comme l'outil lui ayant permis de produire des « remplacements en salle blanche » des logiciels fermés d'Adobe. Le code est écrit en Rust, avec des versions WebAssembly utilisables directement dans un navigateur. L'enjeu dépasse le simple clone de plus. Des alternatives gratuites ou libres à la Creative Suite existent depuis longtemps, mais elles ne couvrent qu'une partie des fonctions et obligent souvent les professionnels à changer leurs habitudes. Ici, le pari est de copier l'apparence, la prise en main et les fonctionnalités par ingénierie inverse assistée par IA, dans l'espoir d'une fidélité parfaite. Si cette méthode tenait ses promesses, elle fragiliserait le modèle d'abonnement d'Adobe, qui repose sur la complexité de ses logiciels et sur le coût élevé de leur reproduction. Elle poserait aussi des questions juridiques sur la notion même de « salle blanche », traditionnellement fondée sur une séparation stricte entre ceux qui analysent un produit et ceux qui écrivent le code de remplacement. Pour l'heure, la réalité reste modeste. Sur Hacker News et d'autres forums, les commentateurs ont relevé de nombreuses lacunes, et Thomas lui-même décrit son projet comme un « alpha très précoce ». Il promet pourtant que les applications deviendront bientôt aussi fonctionnelles que tout ce qu'Adobe a jamais publié, et proclame que « le logiciel, c'est fini ». Cette déclaration s'inscrit dans un débat plus large sur la capacité des modèles de programmation à répliquer à bas coût des produits commerciaux complexes. Reste à savoir si la qualité suivra l'ambition, et comment Adobe, qui domine le secteur de la création depuis des décennies, réagira si ces outils gagnent en maturité.

Outils⚒Outil

1 source

45

Illustration générée par IA

416MarkTechPost 

Anthropic lance Claude Haiku 5.5 : un petit modèle à 1M de contexte, facturé 0,10 $ par million de tokens en entrée

Anthropic a lancé Claude Haiku 5.5, son modèle compact le moins cher et le plus rapide à ce jour, conçu pour les tâches à fort volume comme les résumés, la compaction de contexte, la classification et le travail de sous-agents. Il conserve une fenêtre de contexte d'un million de jetons et peut produire jusqu'à 128 000 jetons en sortie, avec une limite portée à 300 000 en bêta pour les traitements par lots. La tarification démarre à 0,10 dollar par million de jetons en entrée et 0,50 dollar en sortie pour les prompts de moins de 100 000 jetons, soit 90 % de moins que Haiku 4.5, facturé 1 et 5 dollars. Au-delà de ce seuil, les tarifs passent à 0,50 et 2,50 dollars. Les lectures de cache coûtent 0,01 dollar et les écritures de cache de 5 minutes 0,125 dollar. Le modèle est disponible sur l'API Claude, Amazon Bedrock, Google Cloud, Microsoft Foundry et Claude Platform sur AWS. C'est le premier Haiku doté d'un réglage d'effort, réglé par défaut sur « medium », avec réflexion adaptative activée. Il accepte texte et images, produit du texte, et sa connaissance s'arrête en juin 2026. Selon les chiffres publiés par Anthropic, il atteint 72,4 % sur OSWorld 2.1 (sous-ensemble hors ligne), contre 48,9 % pour GPT-6 Luna et 15,7 % pour Haiku 4.5, et 39,2 % sur Terminal-Bench 4.0, contre 16,4 % pour Luna. Il obtient aussi 46,4 % sur FrontierCode 1.1, 45,9 % à Humanity's Last Exam sans outils (57,4 % avec) et 1620 sur GDPval-AA v2.1. Pour les entreprises qui traitent de gros volumes, la baisse de prix change l'équation économique. Anthropic indique qu'environ 90 % des requêtes adressées à Haiku 4.5 restaient sous 100 000 jetons, et estime que Haiku 5.5 coûte en moyenne 75 % de moins une fois corrigé l'effet du nouveau tokenizer, qui compte environ 30 % de jetons en plus pour un même texte. Le traitement par lots offre encore 50 % de remise. Trois usages sont mis en avant : les sous-agents travaillant sous Opus 5.5 ou Sonnet 5.5, comme chez Rogo où Haiku extrait une ligne de chiffre d'affaires d'un 10-K pendant qu'un modèle plus puissant construit la présentation ; les questions-réponses et résumés de documents à grande échelle, testés par AlphaSense sur une fonction traitant environ 8 millions d'appels par semaine ; et les tâches sensibles à la latence, comme le support client en direct ou l'usage d'un navigateur. Les développeurs doivent toutefois anticiper des changements : toute valeur non par défaut de température, topp ou topk renvoie une erreur 400, et le guide de migration détaille ces points. Anthropic recommande d'ailleurs Sonnet 5.5, qui obtient 70,6 % sur Terminal-Bench 4.0, et Opus 5.5 pour le code agentique complexe. Cette sortie s'inscrit dans une guerre des prix sur les petits modèles. GPT-6 Luna d'OpenAI affiche les mêmes tarifs de base, 0,10 et 0,50 dollar, mais son palier supérieur ne s'applique qu'au-delà de 272 000 jetons, à 0,20 et 0,75 dollar : pour un prompt de 150 000 jetons, Luna reste donc moins cher au tarif catalogue. Gemini 3.5 Flash-Lite de Google se positionne à 0,30 et 2,50 dollars avec un tarif unique, mais accepte aussi la vidéo, l'audio et les PDF, avec une sortie limitée à 65 536 jetons. Les trois acteurs offrent désormais contexte d'environ un million de jetons, contrôle du raisonnement et remise de 50 % en traitement par lots. Anthropic mise sur des architectures où un grand modèle orchestre des modèles légers, ce qui fait de Haiku 5.5 une brique d'infrastructure autant qu'un produit. La suite dépendra de la réaction d'OpenAI et de Google sur les prix, ainsi que de la validation indépendante de résultats qui, pour l'instant, proviennent uniquement d'Anthropic.

LLMs⚡Actu

Aussi surBlog du Modérateur

47

Illustration générée par IA

417Frandroid 

Microsoft défie Claude et GPT en local, mais réclame 75 Go de RAM avec son nouveau modèle MAI Code 1.1 Flash

Microsoft a dévoilé une version locale de MAI-Code-1.1-Flash, son modèle d'IA dédié à la programmation, présenté comme à la fois très rapide et peu coûteux. Cette déclinaison doit arriver d'ici fin octobre dans GitHub Copilot. Elle visera en particulier les PC équipés de la puce Nvidia RTX Spark. Le principal frein tient à la configuration requise : le modèle réclame environ 75 Go de mémoire vive pour fonctionner en local, un niveau que peu de machines grand public atteignent aujourd'hui. L'enjeu est de proposer une alternative locale aux assistants de code hébergés dans le cloud. Exécuter le modèle sur sa propre machine permet en principe de garder le code source en interne, de réduire la dépendance à une connexion et d'éviter la facturation à l'usage. Pour les développeurs et les entreprises soucieuses de confidentialité, c'est un argument de poids. Mais l'exigence de 75 Go de RAM réserve cette option à des stations de travail haut de gamme, ce qui limite pour l'instant son public à une minorité de professionnels bien équipés. Microsoft positionne ce modèle face à des concurrents récents : Claude Haiku 5.5, tout juste sorti chez Anthropic, et GPT-6 Luna, du côté d'OpenAI. Tous visent le même créneau, celui des modèles compacts et économiques, capables de répondre vite pour les tâches de développement courantes. La stratégie de Microsoft consiste à réduire sa dépendance envers les modèles de ses partenaires en consolidant sa famille MAI, tout en s'appuyant sur GitHub Copilot comme canal de diffusion. L'association avec Nvidia et ses PC RTX Spark laisse aussi entrevoir une montée en puissance de l'IA exécutée sur poste, dont l'adoption dépendra de la capacité des fabricants à fournir assez de mémoire.

LLMs⚡Actu

1 source

51

Illustration générée par IA

418Next INpact 

Microsoft : prix ultra pour les premiers Surface avec la RTX Spark de NVIDIA

Microsoft a dévoilé le mercredi 7 octobre, lors de son événement Surface, les deux premiers appareils de sa gamme équipés de la puce RTX Spark N1X de NVIDIA, un système sur puce qui réunit CPU, GPU et mémoire unifiée, sur le modèle des puces Apple. Le premier est un ordinateur portable, le Surface Laptop Ultra, vendu à partir de 2 599 dollars et disponible dès le 16 octobre. Son processeur Grace compte de 18 à 20 cœurs, son GPU Blackwell de 5 120 à 6 144 cœurs, et la mémoire unifiée atteint 128 Go au maximum (24 Go par défaut). Le stockage démarre à 512 Go, avec un SSD remplaçable. L'écran tactile de 15 pouces affiche un pic de 2 000 nits en HDR, soit 25 % de plus que le MacBook Pro M5 (1 600 nits), comparaison que Microsoft met en avant. La machine propose le Wi-Fi 7, trois ports USB4, un USB-A 3.1, un HDMI 2.1b, un lecteur SD et une prise jack, pour une autonomie annoncée de 12 heures en usage web. Le second produit est le Surface RTX Spark Dev Box, un ordinateur de bureau sans écran, une première pour la gamme. Il embarque la version haut de gamme de la puce, avec 128 Go de mémoire unifiée et 2 To de stockage, à partir de 5 999 dollars, et ne sera d'abord vendu qu'aux États-Unis. Ces machines visent clairement l'exécution locale de l'intelligence artificielle. Le Surface Laptop Ultra est annoncé comme capable de faire tourner un modèle de 120 milliards de paramètres, ce qui intéresse les professionnels soucieux de garder leurs données en local ou de limiter leurs coûts de calcul dans le cloud. Le Dev Box s'adresse aux développeurs et ingénieurs IA qui hébergent leurs agents et disposent d'emblée des outils nécessaires : Visual Studio Code, Git, GitHub CLI, GitHub Copilot, WSL, Python et Node. Pour le portable, Microsoft a dû concevoir une architecture thermique inédite, avec un refroidissement 2,5 fois plus capacitif que celui des Surface Laptop actuels, dans un châssis de 18 mm d'épaisseur pesant 2 kg. Les tarifs placent ces appareils dans le très haut de gamme. Pour attirer les utilisateurs de Mac, le constructeur propose en outre jusqu'à 1 000 dollars de reprise pour qui abandonne un MacBook Pro. Ce lancement s'inscrit dans l'arrivée de NVIDIA sur le marché des PC Windows sur Arm. Début juin, le groupe a présenté RTX Spark, sa « superpuce » destinée à ces machines, après quoi Acer et Lenovo ont dévoilé leurs premiers modèles le mois dernier. Jusqu'ici, Qualcomm était le seul fournisseur de puces pour cette déclinaison de Windows, dont l'adoption progresse grâce aux efforts conjoints de Microsoft et de Qualcomm. L'entrée de NVIDIA ouvre donc une concurrence directe sur ce segment, tout en répondant à l'avance prise par Apple avec ses puces intégrées. Reste à voir si des prix aussi élevés permettront à cette nouvelle génération de dépasser le cercle des professionnels de l'IA.

Infrastructure⚡Actu

Aussi surNVIDIA AI Blog

38

Illustration générée par IA

419The Verge AI 

La mise à jour « Intelligent UI » de ChatGPT enrichit ses réponses d'images, de graphiques et de boutons

OpenAI déploie dans ChatGPT une fonction baptisée « Intelligent UI », qui permet au chatbot de répondre aux questions avec des éléments visuels interactifs plutôt qu'avec du seul texte. La mise à jour, proposée à tous les utilisateurs en même temps que GPT-6, autorise ChatGPT à associer à sa réponse des diagrammes, des graphiques, des formulaires, des boutons cliquables et d'autres composants. Selon l'article de blog d'OpenAI, GPT-6 a été entraîné à déterminer quand un visuel interactif est plus pertinent qu'un paragraphe, mais aussi à le mettre en forme dans sa réponse. L'entreprise donne l'exemple d'une question sur la conception d'un vélo à sept vitesses : ChatGPT affiche alors un schéma de la bicyclette, accompagné de boutons qui mettent en évidence les différentes pièces. Ce changement modifie la nature de l'échange avec l'assistant. L'utilisateur n'a plus seulement à lire une réponse : il peut manipuler un graphique, remplir un formulaire ou explorer un schéma sans quitter la conversation, ce qui réduit les allers-retours de questions de suivi. Pour l'éducation, l'analyse de données ou les démarches pratiques, cela rapproche le chatbot d'une petite application générée à la demande. Les éditeurs d'interfaces et d'outils de visualisation, eux, voient un acteur central de l'IA grand public absorber une partie de leur terrain. Le fait que la fonction soit ouverte à tous les utilisateurs, et pas réservée aux abonnés payants, en accentue la portée. Cette annonce s'inscrit dans la course à la différenciation entre assistants conversationnels, alors que la qualité brute des modèles tend à se rapprocher d'un concurrent à l'autre. Depuis plusieurs années, les réponses purement textuelles sont perçues comme une limite, et les acteurs du secteur multiplient les expériences d'interfaces génératives, des extraits enrichis aux espaces de travail interactifs. En intégrant cette capacité directement dans l'entraînement de GPT-6, OpenAI privilégie une approche où le modèle décide lui-même de la forme de sa réponse. Reste à voir comment les concurrents réagiront et si les utilisateurs adopteront ces formats plus riches au quotidien.

Outils⚒Outil

1 source

52

Illustration générée par IA

420The Decoder 

ChatGPT avec GPT-6 remplace le texte par une interface interactive : graphiques, boutons et mini-applications

OpenAI déploie GPT-6 dans ChatGPT avec une nouveauté baptisée « Intelligent UI ». Au lieu de répondre surtout par du texte, le modèle peut désormais transformer ses réponses en interfaces interactives : graphiques, boutons, formulaires, voire mini-applications que l'utilisateur manipule directement dans la conversation. Autre changement notable, GPT-6 peut commencer à répondre alors qu'il est encore en phase de réflexion, ce qui réduit les temps d'attente de 44 %. Le déploiement suit une logique d'abonnement : les clients payants accèdent à GPT-6 Sol, tandis que les utilisateurs gratuits reçoivent GPT-6 Luna. Pour les utilisateurs, ce changement déplace ChatGPT d'un simple assistant de conversation vers un outil de travail. Un graphique que l'on peut ajuster, un formulaire à remplir ou un bouton qui déclenche une action évitent de recopier des données et d'enchaîner les requêtes. La baisse de 44 % du temps d'attente répond à un irritant bien connu des modèles de raisonnement, qui font patienter avant de répondre. La séparation entre Sol et Luna maintient par ailleurs un écart entre offre payante et offre gratuite, tout en donnant aux deux publics accès à la nouvelle génération. Ce lancement s'inscrit dans une tendance plus large : les éditeurs d'IA cherchent à dépasser le texte brut pour faire de leurs assistants des plateformes capables d'héberger des applications. En proposant des interfaces générées à la volée, OpenAI se rapproche du terrain des développeurs d'applications et de ses concurrents, qui proposent eux aussi des fonctions de ce type. Reste à voir comment ces interfaces seront ouvertes aux développeurs tiers et si l'écart entre Sol et Luna sera perçu comme décisif.

LLMs⚡Actu

1 source