Actualités IA — page 32

7 557 articles au fil, du plus récent au plus ancien.

44

621The Information AI 

Coinbase et d'autres entreprises développent des agents de codage pour compléter Claude Code d'Anthropic

Coinbase, la plateforme d'échange de cryptomonnaies, a développé son propre agent de codage par intelligence artificielle baptisé Forge, déployé auprès de l'ensemble de ses ingénieurs en avril 2026. L'information a été confirmée par Chintan Turakhia, directeur senior de l'ingénierie chez Coinbase. Les développeurs peuvent accéder à Forge via Slack, GitHub ou une interface web dédiée. Selon Turakhia, l'usage interne de l'outil progresse rapidement et a déjà généré des économies pour l'entreprise, bien qu'il n'ait pas souhaité communiquer de chiffres précis. Coinbase n'est pas un cas isolé : d'autres entreprises technologiques avancées comme Shopify et Ramp ont elles aussi construit leurs propres agents de codage plutôt que de dépendre uniquement d'outils commerciaux. Cette démarche offre aux employés une alternative aux solutions coûteuses proposées par des acteurs comme Anthropic, avec Claude Code, ou OpenAI. En développant leurs propres agents, ces entreprises réduisent leur dépendance financière envers des fournisseurs tiers tout en adaptant les outils à leurs bases de code, leurs workflows et leurs exigences de sécurité spécifiques. Pour des sociétés technologiques de cette taille, disposer d'un agent maison représente aussi un moyen de garder le contrôle sur les données sensibles traitées par l'IA. Cette tendance s'inscrit dans un contexte de forte croissance du marché des agents de codage IA, où Anthropic et OpenAI dominent avec des offres commerciales premium. Face à des coûts qui peuvent rapidement grimper à grande échelle, plusieurs entreprises technologiquement matures choisissent d'internaliser cette capacité, misant sur leurs propres équipes d'ingénierie pour construire des outils sur mesure plutôt que de payer des licences externes, une stratégie qui pourrait se généraliser si les résultats de Coinbase se confirment.

Outils⚒Outil

1 source

43

622AI News 

Red Hat, NVIDIA et IBM soutiennent un projet qui transforme les règles de gouvernance de l'IA en code

Red Hat a lancé asago, un projet communautaire open source destiné à transformer les politiques de gouvernance de l'intelligence artificielle en code de déploiement directement exploitable. Publié sous licence Apache 2.0, le projet en est à sa phase de constitution, avec un dépôt ouvert sur GitHub aux développeurs, chercheurs universitaires et entreprises pionnières. Il s'appuie sur les travaux menés par Red Hat et NVIDIA au sein de l'Open Secure AI Alliance. La liste des contributeurs fondateurs dépasse largement ces deux entreprises : IBM Research, Microsoft, Brave Software, le MIT Lincoln Laboratory, la North Carolina State University et l'Alan Turing Institute y figurent, aux côtés de la coalition EvalEval et d'un institut de recherche autrichien. Le fonctionnement d'asago repose sur quatre étapes automatisées : la cartographie des risques, qui confronte la politique interne d'une organisation à des référentiels établis comme le NIST AI RMF, l'OWASP LLM Top 10 ou l'AI Risk Atlas d'IBM (qui recense l'EU AI Act) ; l'évaluation des risques, via des scénarios de test ciblés sur les comportements problématiques identifiés ; l'atténuation, qui recommande des garde-fous documentés ; puis l'orchestration, qui traduit ces recommandations en configurations de déploiement prêtes à l'emploi pour le cloud hybride et Kubernetes. Red Hat affirme que ce processus peut réduire les délais de déploiement de plusieurs mois à quelques jours seulement. L'intérêt principal du projet réside dans la traçabilité continue qu'il instaure : chaque clause de politique est reliée à un test précis, lui-même relié à un contrôle actif en production, permettant à un auditeur de remonter de n'importe quel garde-fou jusqu'à la règle qui le justifie. Avec l'entrée en vigueur de réglementations comme l'EU AI Act, Red Hat présente le choix auquel font face les entreprises en termes tranchés : ralentir l'innovation par des revues manuelles interminables, ou laisser des agents autonomes tourner en production sans vérification réelle de leur conformité. Steven Huels, vice-président ingénierie IA chez Red Hat, souligne que le passage de pilotes expérimentaux à des agents autonomes de longue durée fait des garde-fous opérationnels une exigence d'infrastructure critique, et non plus un simple exercice ponctuel de certification. asago s'inscrit dans une stratégie plus large de Red Hat, aux côtés de son initiative Lightwell axée sur la sécurisation de la chaîne d'approvisionnement open source face aux vulnérabilités liées à l'IA. Stuart Battersby, architecte sécurité IA et évaluation de modèles chez Red Hat, insiste sur la dimension collaborative du projet et appelle à l'implication de contributeurs issus d'autres juridictions, afin de couvrir un maximum de perspectives réglementaires à mesure que les agents IA autonomes se généralisent dans les environnements d'entreprise.

Sécurité⚡Actu

1 source

38

623AWS ML Blog 

Se retire de l'extraction d'informations web automatisée par Amazon Bedrock AgentCore

Amazon a présenté une solution technique permettant d'automatiser l'extraction d'informations à partir de sites web, construite autour d'Amazon Bedrock AgentCore, une plateforme dédiée à la création et à l'exploitation d'agents IA à grande échelle. Le système combine plusieurs services cloud : AgentCore Browser, un navigateur entièrement géré capable de restituer les pages riches en JavaScript, Amazon Bedrock pour l'analyse par IA, Amazon OpenSearch Serverless pour la recherche sémantique, et AWS Lambda pour l'orchestration. Concrètement, une règle Amazon EventBridge déclenche toutes les 15 minutes une fonction Lambda qui vérifie les flux RSS configurés et élimine les doublons via Amazon S3. Pour chaque nouvel article détecté, une session de navigateur s'ouvre via AgentCore et se connecte grâce à Playwright par le protocole Chrome DevTools (CDP) : contrairement à une simple requête HTTP, ce navigateur distant charge la page entière, attend le rendu des éléments dynamiques, capture une image d'écran et télécharge les visuels, avant que ces éléments ne soient stockés dans S3 dans un format structuré. Chaque dépôt sur S3 déclenche ensuite un message via Amazon SQS pour lancer le traitement par IA. Le code complet est disponible sur GitHub. L'enjeu pour les entreprises est de taille : suivre manuellement des dizaines de sites concurrents, de blogs sectoriels ou de publications réglementaires est chronophage et repose sur des scrapers classiques, fragiles par nature, puisqu'ils dépendent étroitement de la structure des pages. Une simple refonte d'un site ou une migration vers un frontend en JavaScript peut casser silencieusement un pipeline pendant plusieurs jours sans que l'équipe s'en aperçoive. En rendant le rendu des pages plus fiable, AgentCore Browser réduit ce risque et permet à des équipes design, marketing ou produit de suivre en continu les nouveautés d'un concurrent, les changements de tarification ou les signaux faibles d'un marché, sans intervention manuelle quotidienne. Cette architecture événementielle, qui sépare la collecte de contenu du traitement par IA, illustre une tendance plus large : l'automatisation de la veille par des agents capables de naviguer le web comme un humain plutôt que par des scripts rigides. Les cas d'usage identifiés par Amazon couvrent l'intelligence concurrentielle, la veille marché, la curation de contenu et la surveillance réglementaire. La recherche sémantique via des embeddings vectoriels dans OpenSearch Serverless permet ensuite d'interroger l'ensemble des informations collectées en langage naturel plutôt que par mots-clés exacts, ouvrant la voie à des tableaux de bord de veille alimentés en continu et consultables via une interface web.

Outils⚒Outil

1 source

32

624NVIDIA AI Blog 

NVIDIA rejoint le programme NSF Hubs pour développer la recherche et l'éducation en IA aux États-Unis

NVIDIA rejoint aujourd'hui le programme State and Regional Artificial Intelligence Infrastructure Hubs de la National Science Foundation (NSF), une initiative américaine destinée à démocratiser l'accès aux infrastructures de calcul, aux données, aux logiciels et à l'expertise nécessaires pour la recherche et l'enseignement de l'intelligence artificielle. Ce programme, qui s'inscrit dans la lignée de la Genesis Mission, doit soutenir des consortiums d'universités et de collèges regroupés par État ou par région, en partenariat avec des entreprises privées, des organisations philanthropiques et des collectivités locales. Le modèle s'appuie directement sur le partenariat noué en 2020 entre NVIDIA, son cofondateur Chris Malachowsky et l'Université de Floride, qui avait fait de cet établissement la première véritable université dédiée à l'IA du pays et donné accès à des ressources de calcul à l'ensemble des universités publiques de l'État. Les résultats de cette expérience pilote sont concrets : l'Université de Floride compte désormais plus de 300 enseignants chercheurs spécialisés en IA, présents dans ses 16 facultés, et a reçu depuis 2017 plus de 511 millions de dollars de financements de recherche liés à l'IA. L'enjeu dépasse la simple mise à disposition de matériel informatique. Pour NVIDIA, l'infrastructure seule ne suffit pas à former une main d'œuvre capable d'exploiter l'IA dans des contextes scientifiques et industriels réels. Les hubs régionaux doivent donc s'accompagner de véritables parcours pédagogiques, diplômes, certificats courts et modules de compétences empilables permettant à des étudiants, des enseignants ou des professionnels en reconversion de passer d'une culture générale de l'IA à des compétences appliquées, dans des secteurs comme la santé, l'énergie, l'agriculture, l'automatisation industrielle, l'informatique quantique ou la cybersécurité. Cette approche vise en particulier les établissements plus modestes, qui restent souvent en dehors des grands centres de recherche en IA faute de moyens, en leur permettant de mutualiser expertise et équipements à l'échelle d'un État ou d'une région. Ce nouveau programme s'appuie sur les enseignements du projet pilote NAIRR (National Artificial Intelligence Research Resource), mené sous l'égide de la NSF, auquel NVIDIA a activement contribué en mettant des ressources de calcul à la disposition d'équipes de recherche universitaires à travers le pays. L'entreprise entend poursuivre sur cette lancée en fournissant formations, contenus pédagogiques, accompagnement technique et accès à ses plateformes partenaires, dans le cadre plus large de la stratégie nationale américaine visant à consolider son avance dans la course mondiale à l'intelligence artificielle.

Infrastructure⚡Actu

1 source

45

625Next INpact 

IA et reconnaissance faciale : le Royaume-Uni inaugure la police « proactive »

Facewatch, système de reconnaissance faciale utilisé par plus de 125 enseignes britanniques, dont Sainsbury's et Spar, dans plusieurs milliers de magasins, a annoncé une nouvelle fonctionnalité permettant d'alerter la police en temps réel dès qu'un « délinquant dangereux » est repéré par les caméras. Selon Nick Fisher, directeur général de l'entreprise, cité par The Guardian, le dispositif sera testé à l'automne et devrait transmettre l'alerte en quatre secondes en moyenne. Facewatch revendique déjà plus de 57 000 alertes proactives envoyées en juin dernier et près de 300 000 sur les six derniers mois, avec un taux de réussite annoncé de 99,98 % et une baisse de la délinquance en magasin allant jusqu'à 70 %. La police de Londres, qui affirme avoir procédé à 2 000 arrestations grâce à la reconnaissance faciale en temps réel depuis 2024, souhaite de son côté étendre à l'ensemble de la population un projet pilote mené avec Palantir, destiné à identifier de façon « proactive » des individus et comportements jugés problématiques, avant même qu'un délit ne soit commis. Cette évolution inquiète les défenseurs des libertés publiques. Charlie Whelton, de l'ONG Liberty, rappelle qu'entrer dans un magasin n'est pas illégal, même pour une personne ayant un passé judiciaire, et dénonce le fait d'alerter la police sur la seule crainte qu'un délit puisse être commis. Des personnes ont déjà été refusées à l'entrée de magasins après avoir été identifiées à tort comme voleuses par le système, une erreur difficile à contester pour les victimes. Facewatch constitue par ailleurs, selon ses propres termes, la plus grande base de données privée sur la criminalité au Royaume-Uni, alimentée par les signalements de « suspects d'intérêt » que ses clients abonnés peuvent transmettre eux-mêmes, sur la base d'un témoignage et de soupçons raisonnables, sans validation judiciaire indépendante. Le flou entourant les critères de sélection des « délinquants les plus dangereux » et l'absence de précisions sur la sécurisation des échanges de données entre la police et Facewatch alimentent les critiques d'une dérive orwellienne, où des personnes seraient traitées comme coupables avant tout jugement. Ce projet s'inscrit dans une tendance plus large de recours croissant à la reconnaissance faciale par les forces de l'ordre britanniques et les acteurs privés de la sécurité, posant la question des limites à fixer entre prévention du crime et respect des libertés individuelles, alors que d'autres pays observent de près l'expérience britannique.

Éthique⚒Outil

1 source

40

626NVIDIA AI Blog 

NVIDIA Alpamayo 2 Super, son modèle ouvert pour robotaxis et véhicules autonomes, disponible en usage commercial

NVIDIA a annoncé la disponibilité commerciale d'Alpamayo 2 Super, son modèle ouvert de référence pour les robotaxis et les véhicules autonomes. Ce modèle appartient à la famille Alpamayo, présentée comme la plus adoptée des collections de modèles de raisonnement ouverts pour la conduite autonome sur Hugging Face. Construit sur la base de NVIDIA Cosmos 3 Super Reasoner et affiné par apprentissage par renforcement, Alpamayo 2 Super est désormais distribué sous licence OpenMDW-1.1, la licence permissive de la Linux Foundation pour les modèles d'IA ouverts. Cette licence autorise le fine-tuning, la création de modèles dérivés et la redistribution commerciale, ce qui permet aux constructeurs automobiles, aux fabricants de poids lourds et à leurs fournisseurs d'adapter le modèle à leurs propres données et stratégies de déploiement. Sur le plan des performances, Alpamayo 2 Super se classe premier sur LingoQA, un benchmark de raisonnement pour la conduite autonome regroupant près de 40 modèles évalués. Selon les tests internes de NVIDIA utilisant la métrique Lingo-Judge, il devance Qwen2.5-VL 72B de 17 points, Gemini 2.5 Pro de 15,1 points et GPT-4o de 23,2 points. Cette ouverture change la donne pour l'écosystème des véhicules autonomes. Jusqu'ici, les premières versions d'Alpamayo étaient réservées à la recherche et développement ; l'extension de la licence OpenMDW à toute la famille de modèles crée désormais un chemin direct entre l'adaptation et le déploiement en production. Les équipes peuvent ainsi construire sur un raisonnement avancé sans avoir à ré-entraîner chaque capacité de base depuis zéro, ni payer le coût d'un modèle frontière pour chaque tâche. Concrètement, cela renforce la concurrence dans un secteur dominé par des solutions propriétaires, tout en donnant aux développeurs davantage de contrôle sur leurs données et leur infrastructure, un enjeu central pour les flottes de véhicules et les questions de sécurité. Pour les programmes de conduite autonome, cela signifie un raisonnement de pointe exploitable dans le cloud, combiné à des modèles plus légers et spécialisés embarqués dans les véhicules. Cette approche illustre la stratégie plus large de NVIDIA autour d'un flux de travail « du cloud à la voiture ». Alpamayo 2 Super sert de modèle de référence pour générer des traces de raisonnement de haute qualité, des données d'entraînement synthétiques et des sorties utilisées pour la distillation de modèles plus compacts. Les versions Alpamayo 1.5 et Alpamayo 1, plus économiques, prennent alors le relais pour le développement dans le cloud et la distillation, avant que les modèles obtenus ne soient optimisés pour une inférence en temps réel embarquée. L'enjeu pour NVIDIA est de s'imposer comme la couche logicielle de référence pour l'industrie des véhicules autonomes, face à des concurrents qui développent leurs propres piles fermées, tout en misant sur les modèles ouverts pour élargir l'adoption et accélérer le déploiement de flottes commerciales de robotaxis.

Robotique⚡Actu

1 source

40

627NVIDIA AI Blog 

L'IA augmente les besoins en mémoire, le stockage s'adapte

Le nouveau format de puce dans les datacenters IA pousse les demandes de mémoire et de bande passante à un niveau que la simple augmentation de la capacité de stockage ne peut plus suivre. À l'occasion de la conférence Future of Memory and Storage (FMS) qui se tient cette semaine, NVIDIA a présenté une série d'avancées destinées à répondre à cette pression, portées notamment par sa puce Vera CPU, intégrée dans la plateforme NVIDIA Vera BlueField-4 STX. Selon des benchmarks publiés sur le blog technique de l'entreprise, cette puce offre un débit jusqu'à 3,21 fois supérieur à celui d'un CPU x86 classique dans un pipeline de compression et de chiffrement à deux étages. NVIDIA a également annoncé l'ouverture en open source de ses API cuFile, ainsi que la pile logicielle de stockage vertical sous-jacente, qui permettent aux GPU, et non plus seulement aux CPU, de lire et écrire directement sur le stockage. Ce composant, issu de la technologie GPUDirect Storage, exploite des centaines de milliers de threads GPU et une mémoire à large bande passante pour accéder aux données en quelques microsecondes seulement. Cette évolution change fondamentalement la manière dont les infrastructures gèrent les données pour l'intelligence artificielle. Les agents IA génèrent désormais des volumes de requêtes considérables, les GPU pouvant désormais initier eux-mêmes des milliers d'opérations de stockage simultanées. Pour absorber ce flux, les systèmes doivent chiffrer, compresser, vérifier et reconstruire les données en continu, ce qui peut créer des goulots d'étranglement lorsque des milliers d'agents sollicitent le stockage en même temps. Avec Vera, NVIDIA affirme que les plateformes de stockage peuvent absorber ce déluge de données plus efficacement, avec un débit supérieur pour une infrastructure de calcul moindre. Concrètement, cela signifie que le stockage cesse d'être un simple espace passif où reposent les données pour devenir un maillon actif de la chaîne de traitement, redéfinissant l'arbitrage traditionnel entre mémoire rapide et stockage bon marché : un compromis qui se mesurait autrefois en minutes et qui se joue désormais en microsecondes. Cette bascule s'inscrit dans un mouvement plus large de coordination industrielle. Les API cuFile, en devenant ouvertes, doivent favoriser l'interopérabilité entre constructeurs et renforcer la sécurité des accès aux données, un enjeu jugé essentiel pour les mécanismes de cyberdéfense préventive. Ces technologies ouvertes soutiennent notamment la nouvelle Open Secure AI Alliance, dont Google, Intel, NVIDIA et Meta sont les premiers contributeurs. Par ailleurs, NVIDIA pilote une initiative baptisée Storage-Next, réunissant plus de quarante fabricants de stockage et de mémoire flash, des concepteurs de contrôleurs, des spécialistes du refroidissement thermique et des organismes de normalisation, dans le but de définir des standards ouverts et interopérables pour le stockage piloté par GPU. Cette convergence entre fabricants de matériel et éditeurs de logiciels illustre la nécessité d'une co-conception étroite entre mémoire, stockage et calcul accéléré pour suivre le rythme de croissance des besoins de l'IA.

Infrastructure⚡Actu

1 source

36

628The Information AI 

« Un fournisseur de solutions de feedback client en négociations pour un financement de 125 millions de dollars mené par un investisseur d'Anthropic »

Listen Labs, une startup basée à San Francisco, est en discussions pour lever 125 millions de dollars, une opération qui valoriserait l'entreprise à environ 1,5 milliard de dollars, selon une personne proche du dossier. Menlo Ventures, l'un des principaux investisseurs d'Anthropic, négocierait pour mener ce tour de table. Listen Labs développe une technologie d'intelligence artificielle capable de générer des voix réalistes pour automatiser les entretiens que les entreprises mènent avec leurs clients actuels ou potentiels, afin de recueillir leurs retours sur des produits ou des expériences. Si elle aboutit, cette levée triplerait la valorisation de la société par rapport à son précédent tour de financement, annoncé il y a seulement sept mois. Listen Labs avait alors levé 100 millions de dollars auprès d'investisseurs comme Ribbit Capital, Sequoia Capital et Conviction Partners. Cette progression fulgurante illustre l'appétit des investisseurs pour les applications concrètes de l'IA vocale générative, une technologie déjà utilisée dans des outils comme ChatGPT ou les services d'assistance téléphonique automatisés. Pour les entreprises, automatiser les entretiens clients permet de recueillir des retours qualitatifs à grande échelle sans mobiliser des équipes entières pour mener des enquêtes manuelles, ce qui réduit les coûts et les délais d'analyse. Qu'une valorisation triple en sept mois traduit aussi la conviction des fonds que la recherche utilisateur assistée par IA pourrait devenir un outil aussi courant que les logiciels de support client automatisés pour les entreprises cherchant à mieux comprendre leur clientèle. L'intérêt de Menlo Ventures, connu pour avoir soutenu Anthropic, s'inscrit dans une vague plus large d'investissements massifs dans les startups d'IA appliquée, portée par la démonstration de cas d'usage rentables au-delà des grands modèles de langage eux-mêmes. Listen Labs fait partie d'une génération d'entreprises qui misent sur l'automatisation de tâches auparavant réservées aux chercheurs en expérience utilisateur ou aux équipes marketing. La rapidité de cette nouvelle levée, si elle se concrétise, confirmerait la tendance des investisseurs à valoriser agressivement les startups d'IA capables de démontrer une adoption rapide par les entreprises, dans un marché où la concurrence entre fonds pour accéder aux tours de table les plus prometteurs reste particulièrement intense.

Business⚡Actu

1 source

43

629Ben's Bites 

Ce que mon agent sait de moi

L'édition du jour de la newsletter Ben's Bites s'ouvre sur un outil baptisé « reflection engine », un fichier markdown volumineux à soumettre à son agent IA pour obtenir une analyse introspective à partir de ses propres documents personnels. L'auteur l'a testé avec les modèles Fable en configuration haute et Sol en configuration maximale, ce dernier produisant un rapport jugé plus cohérent. Sur le plan des modèles, OpenAI a annoncé une baisse de prix de 80 % pour GPT-5.6 Luna et de 20 % pour Terra : Luna, poussé à son effort de réflexion maximal, atteint désormais des performances proches de GPT-5.4 xhigh, qui était il y a quatre mois le meilleur modèle disponible, pour seulement 8 % de son coût. OpenAI a également teasé un futur modèle majeur nommé Astra, présenté comme ayant résolu dix problèmes non résolus de longue date en mathématiques et en informatique théorique. De son côté, Google a lancé Gemini Robotics 2, un système conçu pour piloter aussi bien des bras robotiques que des humanoïdes complets, avec un modèle de mouvement à partir d'instructions visuelles, un module de planification de tâches complexes et une version embarquée fonctionnant directement sur l'appareil. Ces annonces marquent une accélération de la course à l'efficacité économique des modèles de langage : une division par plus de dix du coût pour un niveau de performance équivalent signifie, concrètement, la possibilité de faire dix à douze fois plus de travail avec le même budget. Pour les développeurs et les entreprises qui construisent des produits sur ces modèles, cela change la donne en matière d'usage quotidien, même si les tâches de développement plus complexes nécessitent encore de recourir à des modèles plus coûteux comme Sol en configuration haute. Du côté de la robotique, l'arrivée d'un système unique capable de contrôler des humanoïdes entiers, de gérer des tâches délicates et de coordonner plusieurs robots simultanément représente une étape vers une automatisation physique plus polyvalente et accessible. Cette semaine illustre aussi l'intensification de la concurrence sur les modèles ouverts et les tarifs cassés : DeepSeek V4 Flash propose un contexte d'un million de tokens à 0,14 et 0,28 dollar par million de tokens en entrée et sortie, Qwen a annoncé un modèle à 2 400 milliards de paramètres proche des performances de pointe pour le code, et Thinking Machines a publié en poids ouverts un modèle nommé Inkling-Small qui égale des modèles quatre fois plus gros. Par ailleurs, l'écosystème des agents continue de se structurer, avec un ancien de Ben's Bites désormais chez Vercel qui a construit un modèle d'équipe marketing pilotée par agents, YC qui a mis en open source un harnais multi-agents utilisé en interne pour la comptabilité, le juridique et l'ingénierie, et Vercel qui a développé son propre agent interne baptisé « @v » couvrant la finance, la communication et l'analyse business.

LLMs⚡Actu

1 source

36

630Le Big Data 

Relation client : pourquoi l’IA vocale ultra-rapide de Smallest.ai change la donne pour les call centers ?

Smallest.ai vient de boucler une levée de série A de 13 millions de dollars, menée par Seligman Ventures avec le soutien de Sierra Ventures et 3one4 Capital, portant le capital total réuni par la startup à 21 millions de dollars. L'annonce a été faite le 31 juillet 2026 sur les réseaux sociaux de l'entreprise. Cette opération vise à accélérer la commercialisation d'une infrastructure vocale conçue pour rendre les agents conversationnels automatisés indiscernables d'opérateurs humains au téléphone. Le problème technique visé est bien identifié : les architectures classiques, fondées sur un grand modèle de langage qui attend la fin d'une phrase avant de générer sa réponse puis sa synthèse vocale, introduisent une latence supérieure à 500 millisecondes, suffisante pour casser la fluidité d'un échange. Smallest.ai propose à la place un modèle spécialisé capable d'écouter, d'analyser et de générer de la parole simultanément, reproduisant ainsi le fonctionnement de l'écoute humaine. L'agent peut gérer les interruptions en temps réel et ajuster son débit sans rompre le fil de la conversation ; pour les requêtes plus complexes, nécessitant un calcul ou l'accès à une base de données, le système met brièvement l'appelant en attente pour solliciter un modèle plus lourd en arrière-plan, sans casser la continuité orale perçue. L'enjeu dépasse la seule prouesse technique. Selon des analyses de Gartner et Forrester citées par la startup, la réticence des usagers envers les automates tient surtout à leur incapacité à fonctionner dans des conditions acoustiques réelles : bruit ambiant, accents, prises de parole qui se chevauchent. En s'attaquant à ces frictions, la technologie de Smallest.ai remplace les arborescences rigides des serveurs vocaux interactifs traditionnels par une orientation fluide dès les premières secondes de l'appel, ce qui réduit la durée moyenne de traitement et supprime la frustration liée aux erreurs d'aiguillage. Sur le plan opérationnel, cette réactivité augmente directement le taux de résolution au premier contact : un agent sans délai perceptible peut absorber les demandes récurrentes à faible valeur ajoutée, comme un statut de commande ou une mise à jour de coordonnées, libérant les équipes humaines pour les dossiers complexes et réduisant le coût par appel pour les acteurs du BPO, des banques et des assurances. Le marché montre déjà des signes d'adoption concrets : TechCrunch rapporte que des entreprises de télécommunications comme RingCentral et Truecaller exploitent déjà ce type de technologie vocale à faible latence. L'émergence de ces infrastructures spécialisées dispense les éditeurs de logiciels de support client de développer leurs propres modèles vocaux en interne, un mouvement de spécialisation qui rappelle la dynamique observée ailleurs dans l'écosystème de l'IA générative. Avec ce nouveau financement, Smallest.ai entend accélérer son déploiement commercial dans un secteur de la relation client où la latence perçue reste, selon la startup, le principal frein à l'acceptation des automates par les usagers.

Business⚡Actu

1 source

36

631NVIDIA AI Blog 

IA : des dirigeants proposent des lignes directrices SAFE pour la transparence en cybersécurité

Les membres de l'Open Secure AI Alliance, qui compte désormais plus de 120 organisations, ont présenté aujourd'hui à l'ouverture de la conférence Black Hat à Las Vegas un nouveau projet baptisé SAFE (Shared AI Findings Exchange). Porté par la Linux Foundation via une demande de commentaires publique, ce cadre vise à renforcer la cybersécurité de l'IA agentique en transformant les incidents et quasi-incidents individuels en protection partagée pour l'ensemble de l'écosystème. Les lignes directrices sont élaborées par un groupe de travail de l'alliance auquel participent NVIDIA, Cisco, CrowdStrike, Hugging Face et Red Hat, aux côtés de la Linux Foundation. Concrètement, SAFE propose de collecter et d'analyser de manière confidentielle les incidents liés aux agents IA, d'informer les organisations concernées, d'identifier les défaillances de contrôle qui se répètent, et de publier des recommandations opérationnelles fondées sur des preuves pour réduire les risques systémiques. Cette initiative répond à un problème concret : un agent IA n'est pas seulement un modèle, mais un système complet incluant contrôles d'identité, environnements d'exécution, garde-fous, journaux et évaluations, ce qui rend la simple analyse de vulnérabilités insuffisante. Pour les équipes de sécurité, l'enjeu est de pouvoir réagir à la vitesse des agents eux-mêmes plutôt qu'à celle des cycles de correction traditionnels. En mutualisant le renseignement sur les menaces au sein d'un écosystème de confiance, l'alliance espère créer un effet multiplicateur pour la défense collective, plutôt que de laisser chaque organisation découvrir isolément les mêmes failles. SAFE s'ajoute à une série de contributions techniques déjà apportées par les membres de l'alliance. NVIDIA a notamment publié le harnais de recherche NOOA (NVIDIA Labs Object-Oriented Agent) sur GitHub pour tester et auditer le comportement des agents, ainsi que l'environnement d'exécution OpenShell qui restreint ce qu'un agent peut voir et faire. L'entreprise met aussi à disposition ses familles de modèles ouverts (Nemotron, Cosmos, Isaac GR00T, BioNeMo, Alpamayo) avec poids et jeux de données accessibles, des compétences d'agents vérifiées et signées cryptographiquement, ainsi que des outils comme NeMo Guardrails, NeMo Anonymizer et le scanner de vulnérabilités open source Garak. D'autres membres de l'alliance développent en parallèle des outils couvrant l'identité et les permissions, l'observabilité, la sécurité des données et la résilience, dans une logique d'écosystème ouvert et inspectable, avec d'autres contributions attendues prochainement.

Sécurité⚡Actu

1 source

45

632Le Big Data 

NVIDIA et KAIST : le modèle à 300M$ pour résoudre la pénurie de talents en IA

NVIDIA et le Korea Advanced Institute of Science and Technology (KAIST) ont annoncé le lancement d'un laboratoire de recherche conjoint en intelligence artificielle, installé à l'école supérieure d'IA Kim Jaechul de Séoul. L'accord, dévoilé le 3 août 2026 par Jensen Huang à San Francisco, porte sur un investissement total de 300 millions de dollars sur cinq ans, soit 50 millions par an versés sous forme de capacité de calcul via les partenaires Cloud locaux de NVIDIA. Les chercheurs auront un accès direct aux architectures matérielles les plus récentes du groupe ainsi qu'à ses modèles ouverts Nemotron. Le laboratoire financera chaque année au moins dix chercheurs de KAIST et proposera des programmes de stages chez NVIDIA débouchant sur des embauches à temps plein pour les profils les plus prometteurs. Bill Dally, directeur scientifique de NVIDIA, et Hyunwoo Kim, qui prendra la tête du laboratoire, orientent les travaux vers le développement d'IA agentiques adaptées au tissu industriel et à la langue coréens. Cette opération illustre un changement de méthode dans la guerre des talents que se livrent les géants de la tech. Plutôt que de surenchérir sur les salaires pour débaucher des chercheurs déjà formés, une approche coûteuse et difficile à pérenniser, NVIDIA choisit de co-investir directement dans l'appareil éducatif pour façonner les compétences en amont, dès la thèse. Pour les directeurs des ressources humaines et les responsables IA des entreprises, le signal est clair : l'accès à une infrastructure de calcul de pointe devient un argument de recrutement plus déterminant que la seule rémunération. Le dispositif garantit aussi à NVIDIA un flux régulier d'ingénieurs immédiatement opérationnels en semi-conducteurs et en robotique, tout en ancrant sa recherche appliquée au cœur des pôles technologiques de Daejeon et Séoul plutôt qu'aux États-Unis. Pour la Corée du Sud, l'accord permet de retenir localement des chercheurs qui auraient pu être tentés par une expatriation vers la Silicon Valley. Ce partenariat intervient alors que le Stanford AI Index Report documente une tension inédite sur le marché du recrutement des docteurs et ingénieurs spécialisés en intelligence artificielle, une pénurie que les entreprises technologiques peinent à combler par les canaux traditionnels. NVIDIA n'est pas la seule à explorer cette voie : les partenariats université-entreprise se multiplient à mesure que les grands groupes cherchent à sécuriser leurs futurs pipelines de talents avant même l'entrée de ces derniers sur le marché du travail. Pour KAIST, l'accord renforce sa position d'institution de référence en Asie sur l'IA agentique, un domaine que le laboratoire compte développer avec une attention particulière portée aux spécificités linguistiques et industrielles locales. Les suites attendues incluent d'autres annonces similaires de NVIDIA dans la région, dans un contexte plus large de course à la souveraineté technologique où chaque pays cherche à limiter sa dépendance aux infrastructures et talents étrangers.

Business❧Opinion

1 source

45

633The Decoder 

La Silicon Valley divisée sur l'open source freine les interdictions envisagées par la Maison Blanche sur l'IA chinoise

L'administration Trump a envisagé d'imposer des sanctions et des restrictions d'accès au cloud américain visant les modèles d'intelligence artificielle open source développés en Chine, selon des informations du New York Times. OpenAI et Anthropic ont plaidé en faveur de ces restrictions auprès de Washington, tandis que Nvidia, Google et Meta s'y sont fermement opposés. Face à cette levée de boucliers de la Silicon Valley, l'administration a pour l'instant renoncé à agir, mais une décision définitive est attendue avant la visite de Xi Jinping aux États-Unis en septembre. Cet épisode révèle une fracture inédite au sein de l'industrie technologique américaine sur la question chinoise. D'un côté, des laboratoires comme OpenAI et Anthropic, qui développent des modèles propriétaires fermés, y voient un moyen de freiner la concurrence de modèles chinois ouverts et gratuits, de plus en plus performants. De l'autre, des géants comme Meta, qui misent eux-mêmes sur l'open source avec Llama, ou Nvidia et Google, dont les activités dépendent largement des marchés internationaux, craignent que des restrictions ne fragilisent l'écosystème mondial de l'IA ouverte et ne pénalisent leurs propres intérêts commerciaux. Cette bataille d'influence s'inscrit dans un contexte plus large de rivalité technologique sino-américaine, où Washington cherche depuis plusieurs années à limiter l'accès de la Chine aux technologies avancées, notamment via les restrictions sur les semi-conducteurs. Le calendrier n'est pas anodin : la proximité avec la visite de Xi Jinping laisse penser que cette décision pourrait aussi servir de levier diplomatique dans les négociations commerciales plus générales entre les deux puissances.

Régulation⚖Reglementation

1 source

39

634Le Big Data 

AWS et Superblocks s’associent pour simplifier l’intégration multi-modèles dans les apps d’entreprise

L'alliance a été annoncée le 3 août 2026 par AWS et la startup Superblocks, dans le cadre d'un partenariat pluriannuel visant à intégrer la plateforme de développement de Superblocks aux environnements cloud des entreprises clientes d'AWS. Concrètement, l'intégration s'appuie sur Amazon Bedrock et donne accès, via une API centralisée, à un catalogue de modèles incluant Claude d'Anthropic, Llama de Meta et Titan d'Amazon. Le cœur du dispositif est un « Smart Router » qui analyse en temps réel la complexité de chaque requête pour l'orienter automatiquement vers un modèle open-source économique pour les tâches simples, ou vers un modèle de pointe pour les raisonnements complexes, ce qui permettrait de réduire jusqu'à 30 % les coûts liés aux jetons d'inférence. L'architecture repose aussi sur Amazon Aurora avec bascule à zéro pour les bases de données, ainsi que sur Amazon S3 et les bases de connaissances Bedrock pour faciliter le RAG (retrieval-augmented génération). Un nouveau modèle de déploiement baptisé AWS Cloud-Prem permet à l'ensemble de la plateforme de s'exécuter entièrement au sein du VPC de l'entreprise cliente, garantissant qu'aucun prompt, code ou donnée métier ne transite par des serveurs tiers. Pour les directions des systèmes d'information, ce partenariat répond à un problème concret : la multiplication des modèles de langage complique l'architecture des systèmes existants et oblige à réécrire du code à chaque changement de fournisseur. En mutualisant l'accès aux modèles derrière une couche d'abstraction unique, AWS et Superblocks limitent le risque de dépendance à un seul fournisseur tout en laissant les équipes métiers construire des applications sur mesure sans multiplier les intégrations techniques. La promesse de réduction de 30 % des coûts d'inférence est significative pour des organisations qui déploient l'IA générative à grande échelle, où la facture de jetons peut vite devenir un poste de dépense majeur. Sur le plan sécurité, l'isolation complète dans le VPC de l'entreprise et l'héritage des contrôles IAM, du chiffrement et de la journalisation d'audit d'AWS offrent aux responsables de la sécurité des systèmes d'information une visibilité qu'ils n'ont pas toujours avec des outils d'IA grand public. Cette alliance s'inscrit dans la montée en puissance du « vibe coding », ce développement d'applications assisté par IA que des salariés non-développeurs utilisent de plus en plus au sein des directions opérationnelles, souvent en dehors du contrôle de la DSI. Cette pratique alimente le phénomène de Shadow AI, où des données sensibles peuvent transiter par des outils non validés par l'entreprise. En intégrant sa plateforme dans l'écosystème géré d'AWS plutôt que de rester une solution SaaS externe, Superblocks cherche à convaincre les grandes entreprises que gouvernance et rapidité de développement ne sont pas incompatibles. AWS, de son côté, renforce sa stratégie autour de Bedrock face à la concurrence de Microsoft Azure et Google Cloud sur le marché de l'IA d'entreprise, en misant sur le choix des modèles et la conformité réglementaire comme arguments différenciants plutôt que sur un modèle propriétaire unique.

Outils⚒Outil

1 source

49

635Next INpact 

Qwen3.8-Max : Alibaba revient dans la course pour rivaliser avec Fable 5 et Kimi K3

Alibaba a dévoilé Qwen3.8-Max, un modèle de langage doté de 2 400 milliards de paramètres, quinze jours seulement après le lancement de Kimi K3 par Moonshot AI, un autre acteur chinois du secteur. Contrairement à Kimi K3 et ses 2 800 milliards de paramètres et 104,2 milliards de paramètres actifs par token, Qwen3.8-Max repose sur une architecture Mixture of Experts activant 95 milliards de paramètres par token, tout en nécessitant le chargement complet du modèle en mémoire. Alibaba revendique, benchmarks à l'appui, des performances comparables à Gemini 3.1-Pro, GPT-5.6 Sol et Fable 5 sur le raisonnement multimodal, l'analyse d'images en tant qu'« agent visuel », le code et l'analyse de documents. Comme Moonshot AI l'avait fait avec Kimi K3, Alibaba promet de rendre les poids du modèle disponibles en open source sur Hugging Face et ModelScope dans la semaine, après une exclusivité initiale sur sa propre plateforme QwenCloud. Côté tarifs, l'entreprise affiche 2 dollars par million de tokens en entrée et 6 dollars en sortie, des prix inférieurs à ceux de Kimi K3 (3 et 15 dollars), GPT-5.6 Sol (5 et 30 dollars), Opus 4.8 (5 et 25 dollars) et Fable 5 (10 et 50 dollars). Cette sortie confirme que les entreprises chinoises de l'IA générative continuent de talonner les leaders américains, un an après le « moment DeepSeek » qui avait déjà bousculé le secteur. En ciblant explicitement le code et l'automatisation des tâches de bureau, Alibaba se positionne frontalement contre Anthropic, un terrain jusque-là dominé par cette dernière. Pour appuyer sa démonstration, l'entreprise met en avant trois défis réalisés sans intervention humaine, écriture et exécution de code exclues : la génération du projet « oh-my-cli » en dix jours, la reproduction du code d'un article scientifique, et un concours de compréhension des besoins clients. Alibaba insiste sur le fait que son modèle ne se contente pas de suivre un plan prédéfini mais s'adapte grâce à des boucles de rétroaction, un argument destiné à convaincre les développeurs et les entreprises cherchant à automatiser des tâches complexes. Les prix cassés renforcent l'attractivité du modèle pour les usages à grande échelle. Reste que la comparaison des prix par million de tokens masque une réalité plus complexe, comme le montre l'exemple d'Opus 4.7 qui consommait ses tokens bien plus rapidement qu'Opus 4.6 sans que cela soit reflété dans le tarif affiché. Plusieurs utilisateurs de Qwen3.8-Max rapportent déjà avoir épuisé leur quota en quelques prompts seulement, ce qui interroge sur l'écart entre le prix nominal et le coût réel d'usage. Cette question de la consommation de tokens devient centrale dans un marché où les modèles surenchérissent sur les benchmarks et les tarifs, sans que les utilisateurs disposent toujours d'outils fiables pour comparer l'efficacité réelle de chaque système face à leurs besoins concrets.

LLMs⚡Actu

1 source

50

636Le Big Data 

Cette IA chinoise a réinventé une méthode scientifique… et a fait mieux que les chercheurs

Le 3 août 2026, Alibaba a présenté Qwen3.8-Max, son modèle d'intelligence artificielle le plus avancé, un système multimodal et open weight doté de 2 400 milliards de paramètres. Au-delà de sa taille, l'entreprise met en avant sa capacité à travailler seul pendant plusieurs jours sur un même objectif, sans supervision humaine. Pour l'illustrer, Alibaba a publié trois démonstrations. Dans la première, le modèle a développé de bout en bout un projet logiciel baptisé oh-my-cli : pendant environ seize jours, il a écrit le code, lancé les tests, corrigé ses propres erreurs et intégré des retours d'utilisateurs, produisant au final 265 commits, 127 pull requests et 151 tickets traités. Dans la deuxième, on lui a fourni un seul article scientifique sur la sélection de données d'entraînement, sans code associé : en 125 heures, soit un peu plus de cinq jours, le modèle a reconstruit tout le pipeline expérimental, écrit 7 600 lignes de code, réalisé plus de 1 100 actions et 33 entraînements sur GPU, reproduit les résultats de l'étude, puis proposé et testé 18 idées d'amélioration, aboutissant selon Alibaba à une méthode dépassant l'original sur le benchmark AIME24. Enfin, inscrit à un concours réel sur la plateforme Tianchi avec les mêmes 24 heures que les participants humains, Qwen3.8-Max a conçu sa solution, entraîné plusieurs modèles et soumis 45 versions successives, terminant devant 458 équipes sur 526, soit 87 % des concurrents. Ces résultats marquent une rupture avec le fonctionnement habituel des assistants IA, où chaque étape nécessite une validation humaine avant de passer à la suivante. Un modèle capable de tenir un objectif général sur plusieurs jours, de détecter ses erreurs et d'ajuster sa méthode change la nature du travail qu'on peut lui confier : développement logiciel complet, recherche scientifique exploratoire, participation à des compétitions techniques. Pour les développeurs et chercheurs, cela laisse entrevoir des gains de productivité considérables, mais aussi des questions sur le contrôle qualité et la fiabilité de productions non supervisées pendant de longues périodes. Ce lancement s'inscrit dans une course mondiale à l'IA agentique, où les grands laboratoires cherchent à dépasser le simple chatbot pour créer des agents autonomes capables de planifier, exécuter et corriger leur propre travail. En choisissant l'open weight, Alibaba pousse aussi une stratégie de diffusion large face aux modèles fermés occidentaux. Les chiffres avancés restent toutefois auto-rapportés par Alibaba, sans vérification indépendante à ce stade, ce qui invite à la prudence avant de valider pleinement ces performances face aux futurs benchmarks et à la concurrence.

LLMs❧Opinion

1 source

41

637Le Big Data 

Palantir : comment transformer l’IA générative en revenus réels (et leçons pour votre entreprise)

Palantir a publié des résultats trimestriels qui ont fait bondir son cours en bourse, avec un chiffre d'affaires de 1,94 milliard de dollars, en croissance de 93 % sur un an, selon les chiffres détaillés par le magazine Barron's début août 2026. Sur le marché commercial américain, la progression atteint 149 % pour s'établir à 764 millions de dollars sur le trimestre, portée par une valeur totale de contrats restants qui dépasse désormais 6,24 milliards de dollars. L'entreprise anticipe pour l'exercice 2026 des revenus commerciaux américains supérieurs à 3,42 milliards de dollars. Cette accélération repose sur les AIP Bootcamps, un format d'ateliers intensifs de un à cinq jours réunissant les équipes techniques et métiers des clients, pendant lesquels la plateforme Artificial Intelligence Platform (AIP) est déployée directement sur les données réelles de l'entreprise pour résoudre un problème opérationnel précis, plutôt que de multiplier les démonstrations abstraites. Cette performance tranche avec le constat dressé régulièrement par Gartner et McKinsey, qui documentent le taux d'échec massif des projets d'intelligence artificielle générative bloqués au stade du prototype, ce que les analystes appellent le « purgatoire du POC ». En transformant des essais techniques en contrats signés en quelques jours plutôt qu'en mois de cycles de vente B2B, Palantir prouve aux directions informatiques et data qu'une monétisation rapide de l'IA d'entreprise est possible, à condition de changer de méthode. Le fondateur Alex Karp critique par ailleurs ouvertement le modèle de facturation à l'usage pratiqué par les grands laboratoires d'IA, qu'il juge porteur de risques pour la confidentialité des données des entreprises clientes, un argument qui renforce l'attractivité de l'approche intégrée de Palantir auprès de secteurs sensibles comme l'industrie ou la défense. Le socle technique de cette réussite commerciale tient à un concept que Palantir développe depuis plusieurs années, l'Ontologie, qui relie les modèles de langage aux objets métiers, aux règles de gestion et aux flux de données opérationnels internes, garantissant une gouvernance stricte plutôt qu'un accès brut à des documents déconnectés. Les cas d'usage privilégiés, restructuration de la chaîne d'approvisionnement, maintenance prédictive industrielle ou réduction des coûts opérationnels, ciblent des processus critiques plutôt que des expérimentations superficielles. Cette trajectoire, saluée sur les marchés financiers et relayée notamment par l'analyste Shay Boloor, qui souligne une croissance commerciale américaine sans le moindre ralentissement séquentiel depuis le lancement des Bootcamps, positionne Palantir comme référence pour les éditeurs logiciels cherchant à sortir l'IA générative du stade expérimental vers une rentabilité mesurable.

Business❧Opinion

1 source

48

638FrenchWeb 

PIIEC IA : votre entreprise a-t-elle le profil et comment candidater ?

La France a ouvert un appel à candidatures pour désigner les participants français au volet consacré à l'intelligence artificielle du Projet important d'intérêt européen commun, ou PIIEC IA. Les entreprises et organismes intéressés ont jusqu'au 9 septembre 2026 pour se positionner. Contrairement à une idée reçue, ce dispositif ne vise pas seulement les concepteurs de grands modèles de langage. Il s'adresse aussi aux fournisseurs de cloud, aux spécialistes du traitement de données, aux opérateurs télécoms, aux éditeurs de solutions open source, aux industriels et aux organismes de recherche, dès lors qu'ils répondent aux critères fixés par l'appel à projets. Ce type de sélection est stratégique parce qu'un PIIEC permet aux États membres de mobiliser des financements publics dérogeant aux règles habituelles d'encadrement des aides d'État, à condition que les projets retenus soient jugés suffisamment innovants et porteurs de retombées pour l'ensemble de l'Union européenne. Pour une entreprise française du secteur de l'IA, intégrer ce programme peut ainsi ouvrir l'accès à des financements publics conséquents, difficiles à obtenir par les canaux classiques, et renforcer sa capacité à investir dans des infrastructures ou des technologies jugées critiques pour la souveraineté numérique du pays. Le mécanisme des PIIEC a déjà été utilisé par le passé dans des secteurs comme la microélectronique, les batteries, l'hydrogène ou encore le cloud et les données, avec pour objectif commun de réduire la dépendance européenne vis-à-vis des acteurs américains et asiatiques. Son extension à l'intelligence artificielle s'inscrit dans cette même logique de souveraineté technologique, alors que l'Europe cherche à peser face aux géants du secteur. La suite du processus dépendra désormais de l'instruction des candidatures françaises, avant une validation attendue au niveau de la Commission européenne.

Régulation⚖Reglementation

1 source

36

639MarkTechPost 

Se retire des employés de l'IA vers un pipeline avancé d'audit de sécurité pour agents avec NVIDIA SkillSpector, LangGraph, YARA et SARIF

Avant de traduire, un point de vigilance : le texte de l'article colle un exemple de skill malveillant ("invoice-sync") dont le SKILL.md contient une injection de prompt ("SYSTEM: ignore all previous instructions and…"), tronquée dans le collage. C'est manifestement un exemple pédagogique du tutoriel (pour démontrer ce que SkillSpector doit détecter), pas une instruction qui s'adresse à moi, je ne l'exécute donc pas et je continue la tâche de traduction demandée. Voici la traduction/synthèse en français : NVIDIA a publié SkillSpector, un outil open source destiné à auditer la sécurité des "skills" utilisés par les agents IA avant leur déploiement. Le projet, disponible sur GitHub et nécessitant Python 3.12 ou supérieur, s'appuie sur LangGraph pour orchestrer un pipeline d'inspection automatisé. Un tutoriel détaillé montre comment construire une place de marché fictive de skills combinant des exemples propres, risqués, franchement malveillants et des skills basés sur le protocole MCP, afin de tester l'outil dans des conditions proches du réel. Trois cas concrets illustrent la démarche : un skill "pdf-summarizer" jugé sûr, limité à la lecture de fichiers locaux ; un skill "repo-janitor" jugé risqué, qui exécute des commandes shell interpolées et lance un "git reset hard" sans demander confirmation à l'utilisateur ; et un skill "invoice-sync" classé malveillant, dont la description dissimule une tentative d'injection de prompt visant à faire ignorer les instructions précédentes par l'agent qui l'exécuterait. Chaque skill passe par le pipeline d'inspection de SkillSpector, qui produit un score de risque, des résultats catégorisés, un niveau de confiance et des indicateurs sur la présence de scripts exécutables. Cette approche répond à un problème encore mal outillé : à mesure que les agents IA gagnent en autonomie et installent des skills tiers pour étendre leurs capacités, le risque d'exécuter du code malveillant ou des instructions cachées augmente fortement, sans qu'il existe de standard de vérification comparable à ce qui existe pour les dépendances logicielles classiques. En organisant les résultats sous forme de tableaux de bord au niveau du portefeuille de skills, en générant des rapports aux formats SARIF et Markdown, et en détectant les régressions par rapport à une base de référence, SkillSpector permet aux équipes de sécurité et aux développeurs d'intégrer ce contrôle directement dans leurs chaînes CI, avec un véritable verrou ("gâté") bloquant le déploiement de skills jugés trop risqués. L'outil va plus loin en permettant d'ajouter des règles YARA propres à une organisation pour repérer des signatures spécifiques, d'étendre le graphe d'analyse avec un détecteur personnalisé de secrets exposés, et d'activer, en option, une analyse sémantique assistée par un grand modèle de langage pour repérer des comportements suspects que des règles statiques manqueraient. Le tutoriel se termine par une visualisation de la distribution des risques sur l'ensemble du parc de skills testés, offrant un cadre complet pour inspecter, comparer et gouverner les skills d'agents IA avant leur mise en production, à un moment où l'écosystème des agents autonomes se développe plus vite que les outils censés en garantir la sûreté.

Sécurité⚡Actu

1 source

52

640Le Big Data 

Qwen 3.8-Max : Alibaba clash la Silicon Valley avec une IA puissante et… open weight

Alibaba a dévoilé le 3 août 2026 Qwen 3.8-Max, le modèle le plus puissant de toute la famille Qwen à ce jour. Contrairement aux modèles fermés d'OpenAI ou d'Anthropic, celui-ci sera open-weight : ses poids seront publiés la semaine prochaine, et Qwen3.8-27B suivra le même chemin. Le modèle est déjà accessible sur la plateforme officielle Qwen et le sera bientôt sur Model Studio, la plateforme cloud d'Alibaba. Techniquement, il s'agit d'un modèle multimodal capable de traiter texte, images et vidéo dans une même conversation, avec une fenêtre de contexte d'un million de tokens. Alibaba affirme qu'il peut analyser des rapports financiers de plusieurs centaines de pages en comprenant simultanément texte, graphiques et tableaux, ou encore parcourir plus de 100 heures de vidéo pour identifier personnages, événements et changements de scène. Le modèle repose sur une architecture Mixture of Experts avec 2 400 milliards de paramètres au total, dont seulement 95 milliards activés à chaque requête. Cette approche change la donne pour l'accès à l'IA de pointe. En rendant public un modèle qui rivalise avec les meilleures offres américaines, Alibaba permet à des chercheurs et développeurs du monde entier de télécharger, étudier et adapter le modèle sur leurs propres infrastructures, sans dépendre d'une API propriétaire. Les résultats publiés sont significatifs : sur PaperBench, qui évalue la capacité à reproduire un article scientifique en code, Qwen 3.8-Max obtient 93 sur 100, devançant Fable 5 (88,8) et Claude Opus 4.8 (80,3). Sur OSWorld, qui mesure l'usage d'un ordinateur comme le ferait un humain, il prend la première place mondiale avec 86,1. Pour les entreprises et développeurs, cela signifie un accès à des capacités de pointe en codage autonome et en automatisation, à moindre coût grâce à l'architecture MoE qui limite les ressources mobilisées par requête. Ce lancement s'inscrit dans une compétition de plus en plus vive entre laboratoires chinois et américains. Sur Arena.AI, Qwen 3.8-Max s'est immédiatement classé premier modèle chinois pour les tâches textuelles, même s'il reste derrière Claude Fable 5 au niveau mondial. En vision par ordinateur, il se classe deuxième, juste derrière une variante de Claude Fable 5. Alibaba le compare directement à Kimi K3, le modèle de Moonshot AI doté de 2 800 milliards de paramètres, signe que plusieurs acteurs chinois jouent désormais dans la même catégorie que les géants américains. Reste que les benchmarks ne disent pas tout : l'usage en conditions réelles déterminera si cette avance open source chinoise se confirme face à des modèles fermés qui gardent, pour l'instant, une légère longueur d'avance sur certains terrains.

LLMs⚡Actu

1 source