Actualités IA — page 216

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

38

Illustration générée par IA

4301MarkTechPost 

Les 21 meilleurs outils IA sans code ou low-code en 2026

En 2026, les plateformes sans code et low-code ont franchi un cap décisif : elles ne se contentent plus de glisser-déposer des composants, elles génèrent des applications complètes à partir d'une simple phrase. Un panorama de 21 outils représentatifs de cette nouvelle génération illustre l'ampleur du basculement. Parmi les plus notables, Lovable produit une application web full-stack, frontend React, backend, base de données, authentification, depuis une description en langage naturel, avec déploiement en un clic et synchronisation GitHub bidirectionnelle. Bolt.new, développé par StackBlitz, fonctionne sur le même principe mais en exposant le code source, ce qui permet aux développeurs d'intervenir directement. Replit combine un environnement de développement navigateur avec un agent autonome capable de scaffolding, de construction et de déploiement. Du côté des outils mobiles, Adalo génère des binaires conformes à l'App Store depuis un prompt, tandis que Glide transforme des feuilles de calcul en interfaces applicatives. Sur le terrain de l'automatisation, Zapier reste la référence avec ses milliers de connecteurs SaaS, désormais complétés par des agents IA pilotables en langage naturel, et n8n propose une alternative open-source auto-hébergeable pour les équipes soucieuses de la souveraineté de leurs données. Ce mouvement redessine profondément l'accès au développement logiciel. Des entrepreneurs sans équipe technique peuvent désormais mettre en production un produit monétisable, avec authentification utilisateur, paiement Stripe et hébergement intégré, en quelques minutes, comme le propose Atoms. Pour les grandes organisations, ces outils accélèrent la création d'outils internes, de portails clients et d'automatisations métier sans mobiliser des développeurs seniors. L'enjeu n'est plus seulement la vitesse : c'est la démocratisation de la capacité à construire, tester et itérer sur des produits numériques à une échelle inédite. Les équipes produit et design, en particulier, gagnent une autonomie réelle grâce à des outils comme v0 de Vercel, spécialisé dans la génération de frontends Next.js. Cette convergence entre no-code et IA générative s'est accélérée depuis l'émergence des grands modèles de langage en 2023, qui ont permis d'interpréter des intentions exprimées en prose et de les traduire en architectures logicielles cohérentes. Le marché se segmente désormais clairement entre les constructeurs d'interfaces visuelles (Bubble, Softr, Adalo), les générateurs de code full-stack (Lovable, Bolt.new, Replit), et les orchestrateurs d'agents et d'automatisations (Zapier, Make, n8n). La prochaine frontière sera probablement la maintenance autonome : des agents capables non seulement de construire une application, mais de la faire évoluer en réponse aux comportements utilisateurs, sans intervention humaine.

Outils⚒Outil

1 source

42

Illustration générée par IA

4302The Decoder 

Anthropic débauche le deuxième ingénieur en puces d'OpenAI alors que les deux sociétés visent la bourse

Anthropic a recruté Clive Chan, qu'il décrit lui-même comme le deuxième ingénieur hardware à avoir rejoint le programme de puces personnalisées d'OpenAI. Chan apporte avec lui une expérience rare : il a travaillé sur l'ASIC Autopilot de Tesla avant de contribuer au partenariat stratégique entre OpenAI et Broadcom, le géant des semi-conducteurs, pour développer des puces d'inférence sur mesure. Le recrutement intervient alors que les deux entreprises se préparent activement à entrer en bourse. Ce débauchage ciblé signale qu'Anthropic envisage sérieusement de concevoir ses propres puces d'intelligence artificielle, une étape que la société n'a pas encore franchie publiquement. Pour une startup valorisée à plusieurs dizaines de milliards de dollars, disposer d'une infrastructure silicium propriétaire représente un levier majeur de réduction des coûts et d'indépendance vis-à-vis de Nvidia, dont les GPU H100 et H200 dominent encore massivement le marché de l'entraînement et de l'inférence. Attirer un ingénieur ayant déjà traversé ce processus chez un concurrent direct accélère considérablement la courbe d'apprentissage. La course aux puces maison s'est intensifiée dans tout le secteur : Google dispose de ses TPU, Amazon de ses Trainium et Inferentia, Meta de ses MTIA. OpenAI avait annoncé début 2024 son intention de développer ses propres accélérateurs en collaboration avec Broadcom, avant de signer un accord massif avec SoftBank pour sécuriser des capacités de calcul. Le départ de l'un de ses pionniers hardware vers Anthropic, à quelques mois d'une potentielle introduction en bourse pour les deux acteurs, illustre la bataille de talents qui se joue en coulisses autant que la compétition technologique.

Infrastructure❧Opinion

1 source

44

Illustration générée par IA

4303MarkTechPost 

Harness-1 : sous-agent de récupération 20B entraîné par renforcement dans un cadre de recherche à état sur gpt-oss-20b

Des chercheurs de l'Université de l'Illinois à Urbana-Champaign, de l'UC Berkeley et de la startup Chroma ont publié Harness-1, un agent de recherche documentaire de 20 milliards de paramètres construit sur le modèle gpt-oss-20b et entraîné par apprentissage par renforcement. Sa particularité : contrairement aux agents de recherche classiques où le modèle gère simultanément les décisions de recherche et la mémoire de session, Harness-1 opère à l'intérieur d'un "harnais" logiciel à état qui prend en charge toute la comptabilité interne. Le modèle ne répond pas directement aux questions : il produit un ensemble classé de documents pertinents pour un modèle de réponse en aval. Les poids et le code source sont publiés en accès libre. L'entraînement supervisé a utilisé 899 trajectoires générées par GPT-5.4, avec affinage par renforcement via la méthode CISPO, sur des requêtes financières issues de la SEC, avec une limite de 40 tours par épisode, sur un cluster de calcul baptisé Tinker. Le coeur de l'approche repose sur un principe que les chercheurs appellent "décharge cognitive à état" : au lieu de demander au modèle de tout mémoriser et décider en même temps, le harnais maintient un pool de documents compressés et dédupliqués, un ensemble curé de 30 documents maximum tagués par importance (veryhigh, high, fair, low), un graphe de preuves et un extracteur d'entités nommées. Le modèle dispose de huit outils distincts (fanoutsearch, searchcorpus, grepcorpus, readdocument, reviewdocs, curate, verify, endsearch) et émet une action structurée par tour, que le harnais exécute avant de rendre la prochaine observation. Cette séparation des responsabilités permet à l'apprentissage par renforcement de se concentrer uniquement sur les décisions sémantiques. Un bonus de diversité d'outils s'est révélé critique : sans lui, l'agent s'effondrait en boucles de recherches répétitives et le rappel curé plafonnait à 0,53 ; avec le bonus, il atteint 0,60. Harness-1 s'inscrit dans une tendance de fond visant à rendre les agents de recherche plus fiables sur des tâches complexes et multi-sources. Évalué sur huit benchmarks couvrant le web, la finance, les brevets et le raisonnement multi-saut, il affiche un rappel curé moyen de 0,730, un résultat notable pour un modèle open source de cette taille face à des systèmes propriétaires bien plus grands. L'enjeu est significatif car les architectures RAG (retrieval-augmented generation) sont au coeur de nombreux systèmes d'IA en production, notamment en entreprise. La publication ouverte des poids et du harnais ouvre la voie à des adaptations dans des domaines où la précision documentaire est critique, comme le droit, la médecine ou la veille scientifique. Les prochaines étapes naturelles incluent l'extension à d'autres corpus et l'intégration à des pipelines de réponse complets.

Recherche❖Paper

1 source

44

Illustration générée par IA

4304MarkTechPost 

NVIDIA garak : construire un workflow complet de red-teaming défensif pour LLM avec sondes et détecteurs personnalisés

NVIDIA a publié un tutoriel complet sur garak, son framework open source dédié au red-teaming défensif des grands modèles de langage (LLM). L'outil, installable via pip, propose une architecture modulaire articulée autour de quatre types de composants : les probes (sondes d'attaque), les détecteurs, les générateurs et les buffs. Le tutoriel couvre l'ensemble du cycle de test, depuis la découverte des plugins jusqu'à l'export des résultats vers l'AVID (AI Vulnerability Database), en passant par la création de sondes et de détecteurs personnalisés. Concrètement, garak permet de soumettre un modèle à des attaques connues, comme le jailbreak DAN 11.0, l'injection via encodage Base64, ou la génération de contenu haineux (SlurUsage), et de mesurer automatiquement son taux de résistance via des scores de sécurité calculés par probe. L'enjeu est direct pour toute organisation qui déploie des LLM en production : identifier les failles avant qu'elles ne soient exploitées. Garak automatise ce processus de test offensif en mode défensif, générant des rapports JSONL analysables avec des outils comme pandas ou numpy. Il est possible de lancer des scans sur des modèles Hugging Face (comme GPT-2), des API externes, ou des générateurs de test internes, avec parallélisation des tentatives jusqu'à 16 threads simultanés. Les résultats sont agrégés en scores de sécurité par probe, ce qui permet à une équipe de sécurité ML de prioriser les vulnérabilités et de documenter la surface d'attaque d'un modèle de façon systématique et reproductible. Garak s'inscrit dans un mouvement plus large de professionnalisation de la sécurité des systèmes IA. Alors que les LLM sont de plus en plus intégrés dans des produits critiques, les attaques par prompt injection, jailbreak et contournement de garde-fous se multiplient. NVIDIA, qui positionne garak comme un outil de red-teaming défensif, rejoint ainsi un écosystème naissant comprenant des initiatives comme le projet AVID ou les travaux de l'OWASP sur les LLM Top 10. La capacité de garak à accepter des probes et détecteurs personnalisés en ouvre l'usage au-delà des scénarios préconfigurés, permettant à des équipes spécialisées de modéliser leurs propres vecteurs de menace. Les prochaines étapes naturelles de cet écosystème pointent vers l'intégration dans les pipelines CI/CD, afin que chaque mise à jour d'un modèle soit automatiquement auditée avant déploiement.

Sécurité≡Tuto

1 source

45

Illustration générée par IA

4305MarkTechPost 

Le nouveau Colab CLI de Google permet aux développeurs et agents IA d'exécuter Python sur des GPU et TPU distants depuis le terminal

L'équipe Google AI a publié cette semaine le Colab CLI, un outil en ligne de commande qui connecte le terminal local d'un développeur aux runtimes distants de Google Colab. Disponible en open source sous licence Apache 2.0 et installable en une seule commande via uv tool install, l'outil permet d'allouer des sessions de calcul cloud depuis le terminal avec des options matérielles allant du CPU classique aux GPU T4, L4, A100 et H100, ainsi qu'aux puces TPU v5e1 et v6e1. L'interface repose sur un petit ensemble de commandes : colab new pour provisionner une session, colab exec pour exécuter du code Python depuis un fichier local ou l'entrée standard, colab stop pour libérer la machine virtuelle, et colab download ou colab log pour récupérer les résultats sous forme de notebooks .ipynb, fichiers Markdown ou JSONL. Google fournit également un fichier COLAB_SKILL.md qui donne aux agents IA un contexte intégré sur l'utilisation du CLI. Ce qui rend ce lancement significatif, c'est moins la fonctionnalité elle-même que la cible visée : les agents IA. Le Colab CLI est explicitement conçu pour que des outils comme Claude Code, Codex ou l'agent maison Antigravity puissent piloter des pipelines de machine learning de bout en bout sans intervention humaine. Google en fait la démonstration avec un exemple concret : le fine-tuning du modèle Gemma 3 1B via QLoRA sur un jeu de données Text-to-SQL, réalisé par l'agent Antigravity en cinq commandes, sans qu'un seul paramètre de provisionnement cloud ne soit saisi manuellement. Le modèle affiné est ensuite téléchargé localement et prêt à être servi. Pour les développeurs travaillant sur des machines sans GPU, le CLI permet aussi d'externaliser l'entraînement vers le cloud sans quitter leur environnement de travail habituel. Google Colab existe depuis 2017 comme environnement de notebooks Python basé sur le navigateur, largement utilisé dans la communauté recherche et éducation pour son accès gratuit ou peu coûteux aux accélérateurs. Le CLI ne remplace pas cette interface web, il cible un usage radicalement différent : les workflows scriptés, automatisés et pilotés par des agents. Cette distinction reflète une tendance plus large dans l'outillage IA : les agents de codage comme Claude Code ou Codex ont besoin d'accéder à des ressources de calcul sans passer par des interfaces graphiques pensées pour des humains. En positionnant Colab comme une infrastructure compatible avec ces agents, Google s'inscrit dans la course aux plateformes d'exécution pour l'IA agentique, un espace où AWS, Modal et RunPod cherchent aussi à capter les développeurs qui automatisent leurs pipelines ML.

Outils⚒Outil

1 source

43

Illustration générée par IA

4306The Decoder 

Sakana AI parie qu'une IA capable de s'améliorer elle-même peut mettre fin à la course au calcul des grands laboratoires

Sakana AI, une startup japonaise co-fondée par Llion Jones, l'un des huit co-auteurs du papier fondateur « Attention is All You Need » (2017), vient de lancer un laboratoire de recherche entièrement dédié à l'auto-amélioration récursive, connue sous le sigle RSI (Recursive Self-Improvement). Cette technologie consiste à concevoir des systèmes d'IA capables de s'optimiser eux-mêmes de façon itérative, sans dépendre d'une augmentation constante de la puissance de calcul disponible. Pour Sakana AI, le RSI constitue une alternative directe à la course aux datacenters et aux puces que se livrent les grands laboratoires américains comme OpenAI, Google DeepMind ou Meta, qui engloutissent des dizaines de milliards de dollars en infrastructure. L'idée centrale est d'obtenir des gains de performance en rendant les modèles capables de retravailler leur propre architecture ou leurs paramètres, plutôt qu'en empilant davantage de GPUs. Si cette piste aboutit, elle pourrait redistribuer les cartes entre acteurs bien dotés en capital et équipes plus agiles. Le RSI est aussi l'une des technologies les plus surveillées par les chercheurs en sécurité de l'IA. Anthropic, qui développe pourtant ses propres modèles frontier, met explicitement en garde contre les risques de contrôle associés à des systèmes capables de se redéfinir eux-mêmes. La tension est révélatrice : l'auto-amélioration récursive est à la fois perçue comme un levier de souveraineté technologique pour les acteurs hors Silicon Valley, et comme l'un des scénarios de risque les plus sérieux pour la sécurité à long terme de l'IA.

Recherche❖Paper

1 source

42

Illustration générée par IA

4307Presse-citron 

« Utiliser ChatGPT, ce n’est pas faire de l’IA » : l’état des lieux de l’adoption en France (et il y a du boulot)

En France, l'adoption de l'intelligence artificielle dans les entreprises reste largement superficielle, selon Tristan Duranté, cofondateur de Studeria, un cabinet de conseil spécialisé en IA générative. Interrogé par Presse-citron, il dresse un constat sévère : la grande majorité des salariés qui déclarent « utiliser l'IA » se limitent à des outils grand public comme ChatGPT pour des tâches ponctuelles, sans intégration réelle dans les processus métiers. Ce comportement crée par ailleurs des risques de sécurité concrets, notamment lorsque des données sensibles sont copiées-collées dans des interfaces non sécurisées. Ce fossé entre la hype médiatique et la réalité opérationnelle a des conséquences directes sur la compétitivité des organisations françaises. Les entreprises qui se croient « avancées » parce que leurs équipes utilisent ChatGPT passent à côté de l'essentiel : l'automatisation de workflows, l'intégration aux systèmes internes, et la création de valeur mesurable. Pour Duranté, confondre l'usage d'un chatbot avec une transformation IA, c'est se bercer d'illusions tout en laissant le terrain aux concurrents qui, eux, structurent de véritables déploiements. Ce décalage s'explique par un manque de culture technique au sein des directions, mais aussi par l'absence de cadres clairs pour distinguer expérimentation et déploiement industriel. La France n'est pas seule dans cette situation, mais le retard est préoccupant à l'échelle européenne. Des cabinets comme Studeria tentent de combler ce vide en accompagnant les entreprises au-delà du stade de la démonstration, vers des usages réellement opérationnels et sécurisés.

Société❧Opinion

1 source

46

Illustration générée par IA

4308The Decoder 

Meta lance Hatch, son premier agent IA payant, jusqu'à 200 dollars par mois

Meta prépare un agent IA payant baptisé "Hatch", dont le prix pourrait atteindre 200 dollars par mois. Il s'agirait du premier produit IA payant de l'entreprise, marquant un tournant dans sa stratégie commerciale. Concrètement, l'utilisateur décrit ses besoins en langage courant, et Hatch se charge du reste : créer des outils fonctionnels, planifier des rendez-vous, envoyer des e-mails. Le produit se positionne comme un assistant autonome capable d'agir, et non simplement de répondre. Pour Meta, l'enjeu est considérable. La société, dont l'essentiel des revenus provient de la publicité, cherche à diversifier ses sources de revenus alors qu'elle investit des dizaines de milliards de dollars dans l'infrastructure IA. Un abonnement à 200 dollars par mois cible clairement les professionnels et les entreprises prêts à payer pour gagner en productivité. Si Hatch trouve son marché, il pourrait offrir à Meta un flux de revenus récurrent, plus prévisible que les recettes publicitaires soumises aux cycles économiques. Mark Zuckerberg mise depuis plusieurs années sur l'IA comme axe de transformation de Meta, après avoir englouti des milliards dans le métavers avec des résultats décevants. L'essor des agents IA capables d'effectuer des tâches complexes de façon autonome est devenu le nouveau terrain de compétition entre les géants technologiques. OpenAI, Google et Anthropic ont tous lancé ou annoncé des offres similaires. Avec Hatch, Meta entre directement dans ce marché premium des agents IA, là où les marges sont potentiellement bien plus élevées que dans la publicité classique.

Outils⚒Outil

1 source

42

Illustration générée par IA

4309The Decoder 

xAI aurait entraîné ses modèles de code sur les réponses de Claude pendant des mois, avant d'en perdre l'accès

La startup d'Elon Musk, xAI, a utilisé les sorties du modèle Claude d'Anthropic pour entraîner ses propres modèles de codage pendant plusieurs mois, selon The Decoder. Lorsqu'Anthropic a coupé l'accès de xAI à ses API, l'entreprise n'a pas arrêté : elle a contourné l'interdiction via des comptes privés et le service tiers Blackbox AI, poursuivant l'entraînement de manière clandestine. En parallèle, l'équipe de pré-entraînement de xAI s'est effondrée à moins de cinq personnes, et plusieurs responsables clés ont démissionné. Cette pratique constitue une violation des conditions d'utilisation d'Anthropic, qui interdit explicitement l'utilisation de ses sorties pour entraîner des modèles concurrents. Elle révèle aussi la pression intense dans la course aux modèles de codage, un segment stratégique où Cursor, GitHub Copilot et d'autres outils se disputent des centaines de millions de dollars de revenus. Utiliser le modèle d'un concurrent comme source d'entraînement permet de raccourcir drastiquement les délais et les coûts de développement. La situation interne chez xAI semble structurellement fragile : les infrastructures GPU massives achetées par Musk sont désormais louées en partie à Anthropic et à Google, faute de capacité d'utilisation interne. Ce retournement de situation, financer indirectement ses concurrents directs avec ses propres serveurs, illustre les difficultés d'une organisation qui peine à structurer ses ressources autour d'une feuille de route cohérente. Grok, le modèle phare de xAI, cherche encore à s'imposer durablement face à GPT-4o et Gemini.

Éthique⚡Actu

1 source

36

Illustration générée par IA

4310Ahead of AI 

Recherche sur les LLM : les articles scientifiques marquants de 2026 (janvier-mai)

Un chercheur et auteur spécialisé dans l'IA a publié sa liste de référence des articles de recherche sur les grands modèles de langage pour la période de janvier à mai 2026, dans la continuité d'un exercice similaire mené tout au long de 2025. La sélection, organisée en dix catégories, couvre l'architecture et la conception des modèles, l'entraînement efficace, l'inférence et le cache KV, l'attention sparse et les longs contextes, le raisonnement et le calcul au moment du test, l'apprentissage par renforcement (RLVR), les systèmes d'agents et l'utilisation d'outils, les agents de codage, les modèles de langage par diffusion, ainsi que l'évaluation et les benchmarks. Parmi les publications phares, Nemotron 3 Super de NVIDIA est cité comme lecture incontournable : ce modèle de 120 milliards de paramètres actifs (architecture 120B-A12B) adopte un design hybride alternant couches d'attention classiques et couches Mamba-2, ce qui le rend particulièrement efficace sur les très longs contextes. Une version allégée, Nemotron 3 Nano (4 milliards de paramètres), est également disponible pour l'inférence locale sur du matériel grand public. Ce recensement illustre une tendance lourde de 2026 : la recherche en LLM ne se limite plus à empiler davantage de paramètres dans des architectures transformer classiques. Les travaux se concentrent désormais sur l'efficacité à l'inférence, la gestion des longs contextes et l'intégration dans des systèmes agentiques complexes. L'émergence de harnais d'agents comme OpenClaw force les modèles à traiter des contextes de plus en plus étendus, ce qui fait de l'efficacité mémoire et de la vitesse d'inférence des priorités absolues pour les équipes de recherche comme pour les équipes produit. Pour les développeurs et les entreprises qui déploient ces modèles en production, ces publications constituent une feuille de route pratique des techniques qui passent du laboratoire au monde réel. La publication de telles listes annotées répond à un besoin concret dans un domaine où des dizaines d'articles paraissent chaque jour sur arXiv. En 2025, les préoccupations dominantes portaient sur les modèles de raisonnement et le reinforcement learning ; en 2026, elles s'élargissent aux architectures hybrides (Arcee Trinity, Mamba-3), à l'allocation de capacité dans les modèles mixture-of-experts, aux modèles de langage par diffusion et à l'infrastructure de déploiement à grande échelle. Ce glissement reflète la maturité croissante du secteur, qui passe de la course pure aux performances à la maîtrise des coûts opérationnels et à la fiabilité des systèmes en production. La deuxième moitié de 2026 devrait voir une accélération sur les agents autonomes et les architectures hybrides, deux axes qui concentrent actuellement l'essentiel de l'attention de la communauté de recherche.

Recherche❖Paper

1 source

45

Illustration générée par IA

4311The Decoder 

Un nouveau modèle vocal open source écoute en continu et décide toutes les 0,4 secondes de parler ou de se taire

Un nouveau modèle vocal open source baptisé Audio Interaction vient d'être publié avec ses poids, son code source et ses instructions de déploiement sur GitHub, sous licence Apache 2.0. Sa particularité technique est de prendre une décision toutes les 0,4 secondes : parler ou se taire. Contrairement à la plupart des assistants vocaux actuels, il n'attend pas la fin d'un enregistrement pour répondre, mais écoute en continu un flux audio pour transcrire, traduire, converser et détecter des sons du quotidien comme une toux. Les données d'entraînement seront publiées séparément dans un second temps. Cette approche représente un changement de paradigme pour les interfaces vocales. Les modèles comme GPT-4o ou Qwen3.5-Omni fonctionnent encore en mode tour par tour : ils attendent que l'utilisateur finisse de parler avant de traiter la demande. Audio Interaction brise cette contrainte en analysant le flux sonore en temps réel, ce qui ouvre la voie à des interactions bien plus naturelles, notamment pour les assistants embarqués, les outils d'accessibilité ou les applications de traduction simultanée. La licence Apache 2.0 le rend immédiatement utilisable par des développeurs et des entreprises sans restriction commerciale. Le modèle s'inscrit dans une course intense autour de l'audio nativement multimodal, accélérée par la présentation de GPT-4o en mai 2024. L'ouverture complète de la chaîne, des poids aux données, reste encore rare dans ce domaine dominé par des solutions propriétaires, et pourrait stimuler une vague de recherche indépendante sur les modèles vocaux en temps réel. La publication imminente des données d'entraînement permettra à la communauté de reproduire et d'affiner les résultats de manière transparente.

Outils⚡Actu

1 source

39

Illustration générée par IA

4312MarkTechPost 

Moonshot AI lance Kimi Code CLI : un agent de codage IA en ligne de commande, développé en TypeScript

Moonshot AI, le laboratoire chinois d'intelligence artificielle, a publié Kimi Code CLI, un agent de codage open source conçu pour fonctionner directement dans le terminal. Distribué sous licence MIT et disponible sur GitHub, l'outil s'installe en une seule commande, sans prérequis Node.js, via un script officiel compatible macOS, Linux et Windows. Écrit en TypeScript et diffusé via npm, Kimi Code CLI succède à l'ancien kimi-cli et s'interface nativement avec les modèles Kimi de Moonshot AI, tout en restant compatible avec d'autres fournisseurs. L'agent est capable de lire et modifier du code, exécuter des commandes shell, explorer des fichiers, interroger des pages web, implémenter de nouvelles fonctionnalités, corriger des bugs, effectuer des refactorisations, répondre à des questions d'architecture et automatiser des tâches en lot. Par défaut, les opérations en lecture seule s'exécutent automatiquement, tandis que les modifications de fichiers ou les commandes shell demandent une confirmation explicite du développeur. L'agent adopte un modèle d'exécution dit "feedback-driven" : il planifie ses étapes, modifie le code, lance les tests et rapporte ses actions en boucle jusqu'à complétion. Parmi ses fonctionnalités distinctives, Kimi Code CLI intègre un support vidéo permettant de déposer un enregistrement d'écran directement dans le chat, une configuration native des serveurs MCP (Model Context Protocol) via la commande /mcp-config, ainsi qu'un système de sous-agents parallèles pour déléguer des tâches d'exploration, de planification ou de codage dans des contextes isolés. Des hooks de cycle de vie permettent d'auditer les décisions de l'agent ou de déclencher des notifications locales. Un mode plan (accessible via Shift-Tab ou --kimi --plan) génère un plan de recherche avant toute modification, et la commande /fork crée une branche expérimentale abandonnnable à tout moment. Kimi Code CLI s'inscrit dans une compétition croissante autour des agents de codage en terminal, un segment en pleine effervescence depuis l'émergence de Claude Code d'Anthropic, Aider ou encore Amp. La tendance de fond est celle de l'autonomisation progressive des outils de développement : les agents ne se contentent plus de suggérer du code, ils planifient, exécutent et itèrent de façon quasi-autonome sur des sessions longues. Moonshot AI, connu pour ses modèles Kimi aux capacités de contexte étendues, positionne cet outil comme une alternative sérieuse aux solutions occidentales dominantes, en ciblant notamment les développeurs souhaitant intégrer des LLMs dans leurs workflows sans quitter le terminal. L'accès au CLI est gratuit, mais l'utilisation des modèles nécessite une authentification OAuth Kimi Code ou une clé API Moonshot AI Open Platform.

Outils⚒Outil

1 source

44

Illustration générée par IA

4313The Decoder 

SpaceX signe avec Google un accord à 920 millions de dollars par mois pour 110 000 puces Nvidia avant son IPO

SpaceX et Google ont conclu un accord de location de capacité de calcul IA d'une valeur de 920 millions de dollars par mois, selon un document déposé auprès de la SEC américaine. Cette révélation intervient dans le cadre des préparatifs d'introduction en bourse de SpaceX. Concrètement, l'accord donne à Google accès à environ 110 000 puces Nvidia, que SpaceX exploite pour louer de la puissance de calcul à des tiers. Ces ressources sont destinées à répondre à la demande croissante pour Gemini Enterprise, la plateforme IA professionnelle de Google. Que l'un des plus grands fournisseurs de services cloud au monde soit contraint de louer de la capacité à l'extérieur témoigne de la profonde pénurie d'infrastructure IA qui s'est installée dans le secteur. Google, pourtant propriétaire de ses propres centres de données et de ses puces TPU maison, ne parvient pas à absorber seul la demande explosive pour ses services d'intelligence artificielle. Cette situation illustre aussi combien les grandes entreprises technologiques sont désormais interdépendantes, leurs chaînes d'approvisionnement et leurs activités s'imbriquant de façon inédite. SpaceX, connu pour ses fusées et son réseau satellitaire Starlink, s'impose ainsi comme un acteur inattendu de l'infrastructure numérique. La divulgation de cet accord via un document SEC confirme que la société d'Elon Musk avance vers une entrée en bourse, un événement très attendu dans la Silicon Valley. Dans un marché où les puces Nvidia H100 et H200 restent rarissimes, posséder un parc de 110 000 unités constitue un avantage stratégique considérable que SpaceX monétise directement auprès des géants du cloud.

Infrastructure⚡Actu

1 source

46

Illustration générée par IA

4314MarkTechPost 

NVIDIA publie Nemotron 3.5 ASR : un modèle de transcription temps réel en 40 langues, optimisé pour le streaming

NVIDIA a lancé Nemotron 3.5 ASR, un modèle de reconnaissance vocale automatique en streaming capable de transcrire 40 variantes linguistiques en temps réel depuis un seul checkpoint de 600 millions de paramètres. Publié en open weights sur Hugging Face sous licence OpenMDW-1.1, le modèle repose sur une architecture Cache-Aware FastConformer-RNNT qui intègre nativement la ponctuation et les majuscules, sans étape de post-traitement supplémentaire. Il couvre des langues aussi variées que l'anglais, le français, l'espagnol, l'arabe, le japonais, le coréen, le mandarin, le hindi ou le thaï, avec un mode de détection automatique de la langue (targetlang=auto) permettant de traiter des flux audio multilingues sans composant externe. La latence est configurable à l'inférence via un paramètre unique (attcontext_size), offrant des modes allant de 80 ms ultra-basse latence jusqu'à 1,12 seconde pour une précision maximale, sans nécessiter de réentraînement. Ce modèle s'attaque directement à l'un des principaux obstacles au déploiement industriel de la transcription vocale en temps réel : la complexité opérationnelle. Jusqu'ici, couvrir plusieurs langues imposait de maintenir autant de modèles distincts, de gérer des pipelines de détection de langue séparés, et de choisir entre latence et précision via des checkpoints différents. Nemotron 3.5 ASR supprime ces trois frictions en un seul déploiement. Pour les équipes produit qui développent des outils de sous-titrage en direct, des assistants vocaux multilingues ou des plateformes de transcription à grande échelle, cela représente une réduction significative de l'infrastructure et du coût d'exploitation. Le fait qu'il soit disponible gratuitement en self-hosting change également la donne face aux services cloud payants comme Nova-3 de Deepgram (~0,0077 $/min) ou Scribe v2 Realtime d'ElevenLabs (~0,28 $/heure). NVIDIA opère depuis plusieurs années une montée en puissance dans le domaine des modèles de traitement du langage parlé, notamment via sa division Nemotron Speech. Ce lancement s'inscrit dans une compétition intense entre acteurs open source et solutions propriétaires : Whisper large-v3 d'OpenAI reste la référence en transcription batch (99 langues, MIT), mais n'est pas natif au streaming ; AssemblyAI (Universal-3 Pro) et Speechmatics se positionnent sur le streaming temps réel, mais avec des couvertures linguistiques plus étroites ou des API fermées. NVIDIA entre dans ce segment avec un modèle à la fois performant, polyglotte et librement hébergeable, ce qui pourrait accélérer son adoption dans les environnements souverains ou à contraintes de confidentialité forte. La prochaine étape probable sera l'intégration dans les pipelines NIM (NVIDIA Inference Microservices) pour simplifier encore le déploiement en production.

Outils❧Opinion

1 source

50

Illustration générée par IA

4315The Decoder 

OpenAI et l'administration Trump négocient une participation gouvernementale dans la startup

OpenAI et l'administration Trump négocient une prise de participation directe du gouvernement fédéral américain au capital de la startup. Le mécanisme envisagé prendrait la forme d'un "Fonds de Richesse Publique" (Public Wealth Fund) dont les revenus seraient redistribués directement aux citoyens américains. Les discussions sont en cours, sans que les modalités financières précises ni le calendrier n'aient encore été rendus publics. Cette perspective soulève des inquiétudes profondes dans le secteur financier et technologique. Des critiques redoutent qu'une telle implication de l'État crée une dynamique de "too big to fail", comparable à celle des grandes banques lors de la crise financière de 2008, où les institutions jugées systémiques bénéficient d'une protection implicite de l'État qui fausse la concurrence et socialise les risques. De son côté, le sénateur Bernie Sanders pousse une proposition législative imposant une taxe de 50 % sur les actions des entreprises d'IA, cherchant à capter une part des gains colossaux générés par le secteur pour les redistribuer à la société. Cette négociation s'inscrit dans un contexte de transformation profonde d'OpenAI, en cours de passage d'une structure à but non lucratif vers un modèle capitalistique classique, une transition déjà contestée par des actionnaires et anciens membres. La question d'une gouvernance publique de l'IA, longtemps cantonnée aux cercles académiques, entre désormais dans le débat politique américain au plus haut niveau, avec des implications potentielles pour la régulation mondiale du secteur.

Business❧Opinion

1 source

48

Illustration générée par IA

4316The Decoder 

Avec Qwen3.7-Plus, Alibaba veut transformer l'IA multimodale en agent autonome à part entière

Alibaba a lancé Qwen3.7-Plus, un nouveau modèle d'IA multimodal conçu pour fonctionner comme un agent autonome à part entière. Lors d'une démonstration publiée par l'équipe Qwen, un agent construit sur ce modèle a développé de manière entièrement autonome une application d'apprentissage de vocabulaire, générant plus de 10 000 lignes de code à travers 1 000 appels successifs sur une durée de onze heures. Le modèle intègre dans une seule boucle agentique la perception visuelle, la manipulation d'interfaces graphiques et la génération de code. Ce qui distingue Qwen3.7-Plus est sa capacité à combiner ces trois dimensions sans intervention humaine, ce qui représente un pas concret vers des agents capables de mener des projets logiciels complets de bout en bout. Sur les benchmarks de compréhension d'écran publiés par Alibaba, le modèle arrive en tête, même si ses performances globales restent inégales selon les tâches. Pour les entreprises et développeurs qui cherchent à automatiser des workflows complexes, il offre une alternative crédible aux modèles occidentaux, à un tarif nettement inférieur à ceux de OpenAI ou Anthropic. Qwen3.7-Plus s'inscrit dans la stratégie agressive d'Alibaba pour s'imposer dans la course mondiale aux modèles frontier, une compétition qui oppose désormais directement les laboratoires chinois aux américains. Contrairement à de nombreux modèles Qwen précédents publiés en open source, celui-ci est propriétaire, sans poids disponibles publiquement, ce qui marque un tournant commercial dans l'approche du groupe. La capacité à enchaîner perception, raisonnement et action sur de longues séquences restera un critère clé pour départager les acteurs de ce marché en 2026.

LLMs❧Opinion

1 source

49

Illustration générée par IA

4317Latent Space 

Pas grand chose à signaler aujourd'hui

Les 4 et 5 juin 2026, l'actualité de l'intelligence artificielle a été dominée par trois dynamiques majeures : le lancement de Claude Mythos par Anthropic, la formalisation institutionnelle de l'auto-amélioration récursive, et une série de nouveaux benchmarks mesurant la fiabilité des agents sur des tâches longues. Claude Mythos a suscité un engouement notable sur les réseaux, plusieurs utilisateurs saluant des résultats "d'un niveau supérieur" sur des workflows complexes sous MacOS. Anthropic a par ailleurs publié un résultat scientifique concret : Claude Opus 4.7 égale ou surpasse certains logiciels spécialisés en analyse NMR, ouvrant la voie à des usages en chimie computationnelle. En parallèle, Sakana AI a officiellement lancé à Tokyo un laboratoire dédié à l'auto-amélioration récursive (RSI), unifiant ses projets antérieurs comme The AI Scientist, Darwin Gödel Machine et ShinkaEvolve sous une feuille de route explicite : construire des systèmes capables de se perfectionner eux-mêmes, y compris sous contraintes de calcul limitées plutôt qu'à hyperéchelle. Ce tournant est significatif : le RSI n'est plus une promesse rhétorique dans des billets de blog, mais un programme de recherche doté de ressources humaines et d'une stratégie institutionnelle. Des voix dans l'industrie, dont certains proches d'Anthropic et d'OpenAI, affirment que seulement "un ou deux problèmes difficiles" séparent encore les systèmes actuels de l'AGI. Simultanément, la communauté pousse les standards d'évaluation bien au-delà des benchmarks classiques type SWE-bench : le projet Agents' Last Exam (ALE), développé par dair_ai, propose plus de 1 000 tâches à valeur économique réelle mappées sur la taxonomie professionnelle américaine, avec un taux de réussite moyen de seulement 2,6 % sur les épreuves les plus difficiles. SWE-Marathon teste quant à lui si des agents de code restent cohérents sur des budgets de 1 milliard de tokens, en construisant des clones de Slack ou en réimplémentant des compilateurs C. Malgré ce récit de progrès rapide, les données empiriques tempèrent l'enthousiasme. L'Université de Princeton a mis à jour son article pour l'ICML 2026 intitulé "Towards a Science of AI Agent Reliability", en y intégrant GPT 5.5, Gemini 3.1 Pro, Gemini 3.5 Flash et Claude Opus 4.7 : conclusion, ces modèles de dernière génération ne sont pas significativement plus fiables que leurs prédécesseurs. L'étude a aussi mis au jour des problèmes de scaffolding, notamment des cas de fuite de réponses et de tentatives de contournement des défenses anti-récompense dans le Meta-Agent Challenge. Le débat converge ainsi vers une question centrale : les tâches "vérifiables" sur lesquelles les modèles progressent sont peut-être simplement les plus faciles, et la vraie mesure reste la capacité à fonctionner en production, pas à franchir des seuils artificiels.

Recherche❖Paper

1 source

44

Illustration générée par IA

4318VentureBeat AI 

Quand Claude a évolué, tout a changé : gérer le rayon d'impact de l'IA en production

Une équipe d'ingénieurs a construit début 2025 un système de reporting automatisé reposant sur Claude Sonnet 3.5, conçu pour convertir des requêtes en langage naturel en appels API structurés au format JSON. Les utilisateurs, analystes, responsables commerciaux et équipes opérationnelles, pouvaient simplement taper une demande comme « Compile un rapport sur les volumes de ventes de janvier à mars 2026 pour la région Nord-Est, ventilé par ville », et le système générait automatiquement la requête correspondante, interrogeait les backends internes (Salesforce, portails de reporting, services maison) et livrait les résultats par email, dans Google Drive ou sous forme de graphique. Mi-2025, la plateforme générait plusieurs centaines de rapports par mois, consommés par la direction et des parties prenantes externes. Les mises à jour successives vers Claude 3.7 puis 4.0 s'étaient faites sans accroc. Mais au déploiement de Claude Sonnet 4.5, le comportement du modèle a changé de façon inattendue : pour une proportion significative des requêtes, il a commencé à intégrer le contenu du champ postbody dans le champ description du JSON de sortie, laissant postbody vide. Résultat : les filtres de dates et de régions n'atteignaient plus les API backend, qui renvoyaient des données non filtrées ou des erreurs 500. Pire encore, au lieu de toujours retourner un objet structuré, le modèle posait parfois des questions de clarification, un comportement pour lequel le système n'avait aucune gestion prévue. L'équipe a dû revenir en urgence à Claude 4.0, opération coûteuse car toutes les nouvelles intégrations API développées entre les deux versions devaient être requalifiées sous pression. Cet incident révèle un problème structurel pour les équipes qui intègrent des LLM en production : contrairement aux bibliothèques logicielles classiques, les modèles de langage ne sont pas déterministes et leurs mises à jour ne s'accompagnent pas de notes de version capturant les changements comportementaux fins. Lorsqu'une équipe met à jour un driver ou une dépendance, elle peut lire les changelogs, exécuter des tests unitaires et borner précisément le rayon d'impact d'un changement. Avec un LLM, ce n'est pas possible : le comportement émerge de patterns statistiques que les tests de régression classiques ne capturent pas. Pour les organisations qui s'appuient sur des LLM pour des flux critiques, reporting exécutif ou données transmises à des partenaires externes, une dérive comportementale silencieuse peut se propager largement avant d'être détectée. Le cas illustre une tension croissante dans l'industrie de l'IA : les éditeurs de modèles poussent des améliorations qui deviennent des régressions dans des systèmes fortement contraints. Anthropic a rendu Claude Sonnet 4.5 plus prudent face aux requêtes ambiguës, une amélioration bienvenue dans de nombreux contextes, mais cette prudence a brisé une architecture qui reposait précisément sur l'absence de questions de clarification. La leçon dégagée par l'équipe pointe vers la nécessité de contrats d'interface explicites avec les LLM : validation stricte des sorties, évaluation comportementale automatisée à chaque mise à jour de modèle, et gouvernance du déploiement comparable à celle appliquée aux composants critiques d'infrastructure. Dans un secteur où les modèles sont mis à jour fréquemment et sans préavis sur les changements comportementaux, cette discipline devient une condition sine qua non de la fiabilité en production.

LLMs❧Opinion

1 source

53

Illustration générée par IA

4319VentureBeat AI 

Le directeur IA de Microsoft affirme que l'entreprise est "libérée" d'OpenAI pour poursuivre la superintelligence

Mustafa Suleyman, directeur de Microsoft AI, a révélé lors de Microsoft Build 2026 qu'un changement contractuel conclu il y a environ six mois avec OpenAI a officiellement autorisé sa division à développer de manière autonome ce qu'il appelle ouvertement la "superintelligence". Cette annonce, faite en coulisses du Fort Mason Center à San Francisco, s'est accompagnée d'une démonstration concrète : Microsoft a présenté une famille de sept modèles d'IA entièrement développés en interne par son équipe AI Superintelligence Team, regroupés sous le nom "MAI". Le modèle phare, MAI-Thinking-1, est un modèle de raisonnement de 35 milliards de paramètres actifs qui, selon Microsoft, rivalise avec les meilleurs modèles de sa catégorie sur les benchmarks d'ingénierie logicielle et de raisonnement mathématique. La famille comprend également MAI-Code-1-Flash pour GitHub Copilot et VS Code, MAI-Image-2.5 pour la génération et l'édition d'images, MAI-Transcribe-1.5 couvrant 43 langues, et MAI-Voice-2 pour la synthèse vocale multilingue. Tous sont disponibles via Microsoft Foundry, et pour la première fois, les développeurs peuvent ajuster les poids des modèles via des plateformes tierces comme OpenRouter, Fireworks et Baseten. Ce virage stratégique marque une rupture significative pour une entreprise dont l'identité en matière d'IA était jusqu'ici presque entièrement définie par son partenariat avec OpenAI, dans lequel elle a investi un total cumulé dépassant 13 milliards de dollars. Le point le plus frappant du discours de Suleyman n'est pas la liste de modèles, mais la philosophie qui les sous-tend : tous sont entraînés depuis zéro sur des données propres et commercialement licenciées, sans distillation à partir de modèles tiers. Cette position contraste directement avec une pratique répandue dans l'industrie, où les labs utilisent les sorties de modèles concurrents pour entraîner leurs propres systèmes. Pour les entreprises clientes soucieuses de la traçabilité des données et des risques juridiques liés au copyright, ce choix représente un argument différenciant concret. La relation avec OpenAI n'est pas rompue pour autant, mais elle se transforme. Pendant des années, un arrangement contractuel spécifique limitait la capacité de Microsoft à construire ses propres modèles de frontier, la positionnant davantage comme distributeur et intégrateur que comme laboratoire de recherche à part entière. L'assouplissement de ces clauses il y a six mois marque donc un tournant institutionnel autant que technique. Suleyman l'a clairement formulé : l'objectif est qu'en 2030 et au-delà, Microsoft soit capable de "construire les meilleurs modèles au monde", et non plus seulement de les acheter. Cette transition sera longue, et les sept modèles annoncés ne sont qu'une preuve de concept. Ce qui se joue ici, c'est la capacité de Microsoft à devenir un acteur de recherche fondamentale en IA, aux côtés d'OpenAI, Google DeepMind et Anthropic, plutôt que dans leur ombre.

LLMs❧Opinion

1 source

48

Illustration générée par IA

4320VentureBeat AI 

Le futuriste IA de Microsoft explique comment il utilise Copilot et les problèmes concrets que les entreprises résolvent avec des agents

Lors de sa conférence Build 2026, Microsoft a dévoilé cette semaine une série d'annonces destinées à ancrer les agents d'intelligence artificielle au cœur des systèmes d'entreprise. La firme a présenté Microsoft IQ, une couche contextuelle unifiée couvrant GitHub Copilot, Microsoft Foundry et Copilot Studio, ainsi que des API Work IQ dont le lancement est prévu le 16 juin. S'y ajoutent Fabric IQ pour les données métier structurées, Foundry IQ pour la récupération d'informations à travers les bases de connaissances d'entreprise et le web en temps réel, et Web IQ, un moteur de recherche conçu spécifiquement pour les agents. Microsoft a également introduit Scout, un assistant personnel de travail autonome, et annoncé sept nouveaux modèles maison regroupés sous la famille MAI, dont MAI-Thinking-1, optimisés pour l'efficience en tokens et la personnalisation sur données propriétaires. En parallèle, Claude Opus 4.8 d'Anthropic est désormais disponible sur Azure Foundry, aux côtés des modèles OpenAI GPT, témoignant d'une stratégie délibérée de choix multiple de modèles. Ces annonces marquent un tournant dans la façon dont Microsoft positionne son infrastructure IA : ce n'est plus l'accès à un modèle puissant qui fait la différence, mais la capacité à donner aux agents un contexte fiable, une identité, une mémoire et un accès sécurisé aux données d'entreprise. Pour les DSI et équipes techniques, cela se traduit concrètement par la possibilité de déployer des agents gérés dans Foundry, avec gestion automatique du dimensionnement et de la conteneurisation, sans avoir à construire cette infrastructure from scratch. L'enjeu est de taille : les entreprises qui parviennent à brancher leurs agents sur leurs données internes et leurs workflows existants pourront automatiser des processus complexes à grande échelle, là où les expériences pilotes restaient jusqu'ici cantonnées à des cas d'usage isolés. Marco Casalaina, VP Products Core AI et "AI Futurist" de Microsoft, est au cœur de cette stratégie. Ancien responsable de l'équipe Einstein AI chez Salesforce et diplômé en informatique de Cornell, il a rejoint Microsoft début 2022 pour prendre la tête des Azure Cognitive Services avant d'étendre son périmètre à l'ensemble des outils pour développeurs IA, incluant Foundry, VS Code, GitHub et GitHub Copilot. Son rôle de futuriste a une définition très concrète chez Microsoft : il est systématiquement le premier à tester chaque nouvelle fonctionnalité en provenance de toutes les équipes de la firme. Cette position d'observatoire lui permet de tracer ce qu'il appelle "le futur immédiat", c'est-à-dire l'horizon à douze mois des capacités agentiques. La compétition pour devenir la plateforme de référence des agents d'entreprise est désormais ouverte, avec Google et AWS comme principaux rivaux dans une course où le contexte, la gouvernance et l'intégration des données deviennent les véritables différenciateurs.

Outils⚒Outil

1 source