Aller au contenu principal

Actualités IA — page 71

7 595 articles au fil, du plus récent au plus ancien.

Grok 4.5 casse les prix, GPT-Live donne de la voix
1401Next INpact 

Grok 4.5 casse les prix, GPT-Live donne de la voix

xAI, rebaptisée SpaceXAI, a lancé Grok 4.5, un nouveau modèle qui ne cherche pas à dominer les benchmarks mais à casser les prix. Sur les tests techniques, les résultats sont mitigés : 53 % sur DeepSWE 1.1, contre des scores plus élevés pour GPT-5.5 xhigh, Opus 4.8 ou Fable max. Sur Terminal Bench 2.1, Grok 4.5 obtient 83,3 %, quasiment à égalité avec GPT-5.5 (83,4 %) et Fable (84,3 %). Il devance en revanche OpenAI sur SWE Bench Pro, avec 64,7 % contre 58,6 %, tout en restant derrière Opus 4.8 et Fable max (80,4 %). La vraie rupture se joue sur la facture : Grok 4.5 coûte 2 dollars par million de tokens en entrée et 6 dollars en sortie, quand Opus 4.8 facture 5 et 25 dollars, GPT-5.6 5 et 30 dollars, et Fable 5 monte à 10 et 50 dollars. xAI avance aussi une consommation nettement inférieure, avec 15 854 tokens de sortie en moyenne sur SWE Bench Pro contre 67 020 pour Opus 4.8, soit 4,2 fois moins. Le modèle est disponible dès maintenant dans Grok Build, Cursor et la console xAI, avec des plugins pour Word, PowerPoint et Excel, mais les utilisateurs européens devront attendre mi-juillet. Le même jour, OpenAI a présenté GPT-Live, une nouvelle génération de modèles vocaux destinée à rendre ChatGPT Voice moins mécanique, capable de parler et d'écouter simultanément. Cette stratégie tarifaire de xAI rappelle celle des modèles chinois comme DeepSeek : plutôt que de chercher la suprématie sur les benchmarks, l'entreprise mise sur le rapport performance-prix pour attirer développeurs et entreprises, un public particulièrement sensible au coût par token à grande échelle. Si les chiffres avancés se confirment en production, cela pourrait forcer les concurrents à revoir leurs grilles tarifaires, surtout face à des usages intensifs en code où le volume de tokens consommés pèse lourd sur la facture finale. Du côté d'OpenAI, GPT-Live cible un autre enjeu : rendre l'assistant vocal plus naturel et réactif, avec des voix retravaillées et l'affichage de cartes visuelles (météo, résultats sportifs) pendant la conversation, même si les fonctions multimodales comme le partage d'écran ou la caméra manquent encore à l'appel. Ces annonces interviennent alors qu'OpenAI attend toujours le feu vert de l'administration Trump pour déployer GPT-5.6 et ses variantes Sol, Terra et Luna, des restrictions qui, selon Axios, viendraient d'être levées. Le marché des grands modèles de langage entre ainsi dans une phase où la compétition ne se joue plus seulement sur les capacités brutes mais sur l'efficacité économique et l'expérience utilisateur, deux terrains où xAI et OpenAI cherchent chacun à se différencier avant l'arrivée de la prochaine génération de modèles.

LLMsOpinion
1 source
Grok 4.5 de SpaceXAI, premier modèle de niveau Opus après le rachat de Cursor
1402Latent Space 

Grok 4.5 de SpaceXAI, premier modèle de niveau Opus après le rachat de Cursor

xAI, la société d'Elon Musk également désignée sous le nom SpaceXAI, a officiellement lancé Grok 4.5 les 7 et 8 juillet 2026, son premier modèle entraîné spécifiquement pour le code et les agents autonomes, développé en partenariat avec l'éditeur de l'IDE Cursor. Musk avait annoncé la veille que le modèle serait rendu public, le qualifiant de « niveau Opus » mais plus rapide, plus économe en tokens et moins coûteux, avant de préciser qu'il se situait « à peu près au niveau d'Opus 4.7, mais bien plus rapide ». Cursor a confirmé avoir coentraîné le modèle, le décrivant comme le plus puissant qu'il ait proposé et le premier conçu pour aller au-delà du simple génie logiciel, avec un doublement des quotas d'usage offert pendant la première semaine. Grok 4.5 pèse 1 500 milliards de paramètres, soit trois fois la taille de Grok 4.3, mais sa fenêtre de contexte a été ramenée à 500 000 tokens contre 1 million auparavant, Musk annonçant un retour prévu à 1 million de tokens sous une semaine. Côté tarifs, xAI facture 2 dollars par million de tokens en entrée et 6 dollars en sortie, avec une remise de 75% sur les tokens en cache (0,5 dollar) mais un coût doublé au-delà de 200 000 tokens d'entrée. Le modèle est disponible dès le lancement sur Grok Build, l'API, Cursor, Hermes Agent, Grok Portal et OpenRouter. Cette stratégie tarifaire est le cœur du message de xAI: plutôt que de revendiquer la suprématie absolue sur les benchmarks, l'entreprise mise sur le rapport performance-prix pour s'imposer dans le marché du codage assisté par agents, aujourd'hui dominé par Anthropic, OpenAI et les outils liés à Cursor. La comparaison est frappante: Grok 4.5 coûte 2 dollars en entrée et 6 en sortie, contre 5 et 30 dollars pour GPT-5.6 et 5 et 25 dollars pour Opus 4.8. Pour les développeurs et les entreprises qui consomment massivement des tokens dans des workflows agentiques, cet écart de prix peut peser lourd dans le choix du modèle, et met une pression tarifaire directe sur les ténors du secteur. Ce lancement intervient alors que GPT-5.6 doit sortir dès le lendemain, ce qui réduit la fenêtre d'attention accordée à Grok 4.5. Le contexte plus large est celui d'une course à l'évaluation de plus en plus contestée: selon l'équipe d'évaluation d'OpenAI elle-même, le benchmark SWE-Bench Pro serait désormais saturé, voire structurellement biaisé, ce qui pousse l'industrie vers de nouveaux tests comme FrontierCode. xAI n'a par ailleurs communiqué que très peu d'informations sur l'entraînement et les données utilisées pour Grok 4.5.

Pourquoi l’Europe pourrait devenir le premier marché mondial des robots humanoïdes
1403FrenchWeb 

Pourquoi l’Europe pourrait devenir le premier marché mondial des robots humanoïdes

Le secteur des robots humanoïdes est en train de passer du stade de simple vitrine technologique à celui d'industrie naissante. Depuis deux ans, les annonces s'enchaînent : Tesla accélère le développement de son robot Optimus, Figure AI a commencé à déployer ses premiers modèles directement sur des sites industriels, et la Chine voit émerger des dizaines de fabricants capables de produire ces machines à des coûts de plus en plus bas, grâce à une chaîne d'approvisionnement locale déjà rodée sur l'électronique et la robotique. Dans ce contexte de course mondiale entre les Etats-Unis et la Chine, une question émerge : quelle place reste-t-il pour l'Europe, qui n'a pour l'instant produit aucun acteur comparable à Tesla ou Figure AI sur ce segment. C'est justement là que se joue l'enjeu principal : plutôt que de rivaliser sur la fabrication, l'Europe pourrait s'imposer comme le principal marché de déploiement de ces robots. Son tissu industriel dense, ses usines automobiles et logistiques, ainsi que sa pénurie de main-d'œuvre dans certains secteurs manuels en font un terrain d'adoption particulièrement favorable. Pour les industriels européens, l'enjeu n'est plus seulement de suivre l'innovation américaine ou chinoise, mais de décider rapidement quels partenaires équiper en priorité, ce qui pourrait redessiner les rapports de force entre fournisseurs de robots et donneurs d'ordre. Cette dynamique s'inscrit dans une compétition technologique plus large entre les Etats-Unis, qui misent sur l'innovation portée par des entreprises comme Tesla et Figure AI, et la Chine, qui mise sur les volumes et la baisse des coûts de production. L'Europe, dépourvue de champion national dans ce domaine, devra choisir entre importer massivement ces technologies ou tenter de construire sa propre filière industrielle, une décision dont dépendra sa position dans cette nouvelle chaîne de valeur mondiale.

RobotiqueOpinion
1 source
IA en entreprise : sans méthode, les coûts dépassent les bénéfices
1404Le Big Data 

IA en entreprise : sans méthode, les coûts dépassent les bénéfices

Tristan Duranté, cofondateur du cabinet Studeria et spécialiste de l'intelligence artificielle appliquée, alerte sur un décalage croissant entre l'équipement des entreprises françaises en outils d'IA générative et leur capacité réelle à en tirer des bénéfices mesurables. Selon lui, les logiciels dotés d'intelligence artificielle se sont diffusés dans la quasi-totalité des fonctions de l'entreprise, de la rédaction à la recherche documentaire en passant par l'automatisation des tâches administratives, mais cette diffusion technologique n'a pas été accompagnée d'une transformation équivalente des méthodes de travail. Beaucoup d'organisations, notamment des PME, multiplient les essais de solutions différentes sans revoir leurs processus internes, ce qui limite l'exploitation réelle des investissements consentis dans la recherche et l'innovation. L'expert pointe aussi la montée de ce qu'il appelle la « shadow AI », c'est-à-dire l'usage par les salariés d'outils d'intelligence artificielle non validés ni encadrés par leur employeur, un phénomène favorisé par la simplicité d'accès aux assistants conversationnels et aux générateurs de contenus. Ce constat a des implications concrètes pour les directions d'entreprise qui accumulent abonnements et licences sans stratégie de données définie en amont. Tristan Duranté résume la situation en soulignant qu'« accumuler des licences technologiques sans stratégie de données préalable ne garantit aucun retour sur investissement ». En clair, les dépenses en outils d'IA s'accumulent tandis que les gains de productivité restent difficiles à quantifier, faute de gouvernance claire sur l'usage des données et sur la cohérence des pratiques entre équipes. La généralisation de la shadow AI ajoute un risque supplémentaire, celui de la confidentialité des données sensibles de l'entreprise et du non-respect d'obligations réglementaires, à un moment où les cadres juridiques autour de l'intelligence artificielle se précisent en Europe. Pour les dirigeants, l'enjeu n'est donc plus seulement de s'équiper, mais de structurer l'adoption de ces outils pour que les investissements se traduisent réellement en performance. Ce diagnostic s'inscrit dans un contexte où les projets d'intelligence artificielle en entreprise restent encore majoritairement pilotés par les équipes techniques, alors que les usages concernent tout autant les ressources humaines, les fonctions commerciales, le marketing ou les services administratifs, ces métiers étant les premiers concernés par les processus que l'IA vise à transformer. Tristan Duranté plaide pour la diffusion d'une véritable culture de l'intelligence artificielle à l'échelle de toute l'organisation, ce qui suppose un travail préalable sur la qualité des données, une révision des procédures internes et des formations adaptées à chaque métier plutôt qu'à la seule direction informatique. Selon lui, les entreprises qui engagent dès maintenant cette montée en compétences prendront une avance durable, alors que les usages de l'intelligence artificielle sont appelés à devenir de plus en plus structurants dans les années à venir pour l'ensemble des secteurs économiques.

BusinessOpinion
1 source
Mycelium : ce botnet exploite les ressources IA des PC piratés, voici comment se protéger
1405Le Big Data 

Mycelium : ce botnet exploite les ressources IA des PC piratés, voici comment se protéger

Le cabinet de renseignement sur les menaces Flare a identifié sur le dark web un nouveau framework de botnet baptisé Mycelium, dont la particularité rompt avec les usages classiques de ce type d'infrastructure malveillante. Compatible avec Windows et Linux, l'outil ne se contente pas de prendre le contrôle des machines infectées : il analyse en détail les ressources disponibles sur chacune d'elles pour leur attribuer une mission adaptée. Les ordinateurs dotés d'une carte graphique performante ou d'un modèle d'IA installé localement sont réquisitionnés pour générer du texte, classer des données ou traiter des contenus en arrière-plan. Ceux disposant d'une session déjà ouverte ou d'une clé API dérobée permettent aux attaquants d'accéder à des services d'IA sans utiliser leurs propres comptes. Les machines les plus puissantes sont réservées aux tâches les plus exigeantes, comme la création de campagnes de phishing hautement personnalisées, tandis que les autres assurent des fonctions plus discrètes : prétraitement de données, routage des opérations, craquage de mots de passe, scans de réseaux ou recherche de services vulnérables. Flare décrit une infrastructure organisée en plusieurs pôles spécialisés, chacun doté d'un rôle précis. Cette approche change la nature même de ce qu'un pirate peut tirer d'un ordinateur compromis. Une carte graphique puissante, une session de navigateur active ou une clé API valide deviennent des ressources aussi convoitées qu'un mot de passe ou des données bancaires. Plus préoccupant encore, Mycelium embarquerait un moteur capable d'analyser les historiques d'e-mails et les conversations issues de Slack, Discord ou Telegram pour imiter le style d'écriture de la victime, rendant les messages frauduleux qui en résultent nettement plus crédibles et difficiles à repérer. Le framework surveillerait aussi en continu les nouvelles failles publiées dans les bases CVE, sur GitHub ou Exploit-DB, et générerait automatiquement, grâce à l'IA, du code d'exploitation pour scanner de nouvelles cibles et étendre le botnet. Il chercherait également à dissimuler des instructions malveillantes dans du code source ou de la documentation, dans le but de tromper les assistants IA chargés d'analyser ces fichiers. Ce type de menace illustre un basculement plus large : à mesure que les entreprises et les particuliers déploient des modèles d'IA localement ou s'appuient sur des services cloud via des clés API, ces éléments deviennent des cibles à part entière pour la cybercriminalité. Pour limiter les risques, il est recommandé de maintenir ses logiciels à jour et de surveiller les signaux inhabituels : surchauffe, sollicitation constante du processeur ou du GPU, ralentissements persistants, connexions vers des serveurs inconnus. Dans les entreprises, les clés API, jetons d'accès et sessions ouvertes doivent être protégés avec la même rigueur que les mots de passe, et l'authentification multifacteur reste recommandée pour limiter l'impact d'une éventuelle compromission.

SécuritéActu
1 source
SpaceXAI lance Grok 4.5 : Tout savoir sur la nouvelle IA de code d’Elon Musk
1406Le Big Data 

SpaceXAI lance Grok 4.5 : Tout savoir sur la nouvelle IA de code d’Elon Musk

SpaceXAI, l'entreprise d'Elon Musk, a officiellement lancé Grok 4.5 le 8 juillet 2026, après plusieurs semaines de tests en version bêta. Présenté comme le modèle le plus avancé de la société, il cible en priorité le développement logiciel, les tâches agentiques (où l'IA enchaîne plusieurs actions de façon autonome) et les usages professionnels. Musk le classe dans la catégorie des modèles « Opus », en référence directe à la gamme d'Anthropic. Techniquement, Grok 4.5 repose sur une architecture de 1 500 milliards de paramètres entraînée grâce au supercalculateur Colossus, avec la participation de Cursor comme partenaire d'entraînement. Sur le plan des performances, il affiche 83,3 % sur Terminal-Bench 2.1 contre 78,9 % pour Claude Opus 4.8, et 62 % sur DeepSWE 1.0 contre 55,8 % pour son rival. En revanche, Claude Opus 4.8 garde l'avantage sur SWE-Bench Multilingual (84,4 % contre 78 %) et sur SWE-Bench Pro, qui évalue la correction de vrais bugs (69,2 % contre 64,7 %). Ces chiffres comptent parce qu'ils redessinent la concurrence sur le marché des IA de code, un segment devenu stratégique pour les développeurs et les entreprises tech. Grok 4.5 revendique un net avantage économique : il génère jusqu'à 80 tokens par seconde, facturés 2 dollars par million de tokens en entrée et 6 dollars en sortie, et SpaceXAI affirme qu'il consomme jusqu'à quatre fois moins de tokens que Claude Opus 4.8 pour une tâche équivalente. Concrètement, cela pourrait réduire sensiblement la facture des professionnels qui l'utilisent au quotidien via Grok Build, Cursor ou une clé API, même si le modèle ne domine pas systématiquement les benchmarks de programmation les plus exigeants. Ce lancement illustre l'accélération continue de la course aux modèles d'IA, où chaque acteur promet d'être plus rapide, plus performant et moins cher que le précédent. Il s'inscrit aussi dans un contexte de surveillance croissante de la part des autorités américaines : la sortie de Grok 4.5 avait été retardée le mois dernier à la demande du gouvernement des États-Unis, qui souhaitait examiner les risques d'utilisation abusive des modèles d'IA les plus avancés, un scénario déjà observé avec GPT 5.6 et Fable 5. Pour les utilisateurs européens, la patience reste de mise puisque le déploiement dans l'Union européenne n'est prévu que pour la mi-juillet. Reste à voir si SpaceXAI parviendra à transformer cet avantage tarifaire en gains de parts de marché face à Anthropic et OpenAI, dans un secteur où l'écart entre les modèles se resserre benchmark après benchmark.

LLMsOpinion
1 source
Robbyant lance LingBot-VLA 2.0, un modèle VLA open source de 6 milliards de paramètres pour la manipulation robotique multi-morphologies
1407MarkTechPost 

Robbyant lance LingBot-VLA 2.0, un modèle VLA open source de 6 milliards de paramètres pour la manipulation robotique multi-morphologies

Robbyant, filiale d'Ant Group, a publié LingBot-VLA 2.0, un modèle fondation de type Vision-Language-Action (VLA) destiné au contrôle de robots, accompagné d'un rapport technique, d'un code source sous licence Apache-2.0 et d'un checkpoint de 6 milliards de paramètres. Ce modèle, baptisé lingbot-vla-v2-6b, s'appuie sur Qwen3-VL-4B-Instruct comme backbone vision-langage et convertit des images de caméra ainsi qu'une instruction textuelle en commandes robotiques concrètes. Deux modèles enseignants, LingBot-Depth et DINO-Video, supervisent l'entraînement par distillation. Sur une carte graphique NVIDIA GeForce RTX 4090D, une inférence prend environ 130 millisecondes avec 10 étapes de débruitage. L'entraînement s'appuie sur environ 60 000 heures de données, dont 50 000 heures de trajectoires robotiques couvrant 20 configurations différentes, du bras unique à l'humanoïde complet, et 10 000 heures de vidéos égocentriques humaines, issues d'un pool brut de 90 000 et 20 000 heures respectivement, filtré par un pipeline qui élimine les échantillons bruités via des scores de secousse, vitesse et accélération. L'annotation des sous-tâches repose sur le modèle Qwen3.6-27B, qui segmente chaque vidéo selon un vocabulaire fermé de 18 catégories d'actions. L'enjeu central visé par Robbyant est de combler l'écart persistant entre les performances des modèles VLA en laboratoire et leurs limites en déploiement réel, un problème récurrent qui freine l'adoption industrielle de la robotique généraliste. En unifiant la représentation des actions dans un vecteur canonique de 55 dimensions, couvrant bras, effecteurs, mains, poignets, tête et base mobile, LingBot-VLA 2.0 permet à un seul modèle de piloter des architectures robotiques très différentes sans réentraînement spécifique. Cette approche pourrait accélérer le déploiement de robots polyvalents dans l'industrie et la logistique, en réduisant les coûts de développement liés à la création d'un modèle par type de robot. L'ouverture du code sous licence permissive vise aussi à stimuler la recherche communautaire sur les modèles VLA multi-embodiment. Le choix d'une architecture Mixture-of-Experts pour l'expert d'action, inspirée des mécanismes de routage sans perte d'équilibrage introduits par DeepSeek-V3, s'inscrit dans une tendance plus large de la recherche en IA visant à augmenter la capacité des modèles sans alourdir le calcul actif. À paramètres actifs équivalents, cette architecture MoE surpasse un modèle dense de référence sur les tâches du benchmark GM-100. LingBot-VLA 2.0 introduit également une distillation à double requête, avec des jetons apprenants ciblant l'observation présente et une observation future, pour anticiper la dynamique du monde plutôt que réagir seulement à l'instant présent. Ces choix technique reflètent la compétition croissante entre laboratoires chinois et occidentaux sur la robotique générale fondée sur des modèles fondation, un terrain où Ant Group cherche désormais à s'imposer aux côtés d'acteurs comme Figure, Physical Intelligence ou Google DeepMind.

RobotiqueActu
1 source
SpaceX progresse dans l'IA, avec un coup de main de Cursor
1408The Information AI 

SpaceX progresse dans l'IA, avec un coup de main de Cursor

SpaceXAI, la division intelligence artificielle de l'entreprise d'Elon Musk, a annoncé mercredi le lancement de Grok 4.5 en partenariat avec Cursor, société d'édition de logiciels dont SpaceX doit prochainement devenir actionnaire majoritaire. Ce nouveau modèle est présenté comme conçu spécifiquement pour la programmation, les tâches agentiques et le travail de connaissance. Une semaine plus tôt, SpaceX avait déjà dévoilé un "Voice Agent Builder", un outil permettant aux petites entreprises de créer des agents vocaux capables de répondre au téléphone et de gérer le service client. Elon Musk a comparé les performances de Grok 4.5 à celles d'Opus 4.7 d'Anthropic, affirmant que son modèle est "à peu près comparable, mais beaucoup plus rapide". Ces annonces confirment que SpaceXAI ne se contente pas de louer sa capacité de calcul cloud à d'autres entreprises, mais cherche activement à bâtir une véritable activité commerciale autour de l'intelligence artificielle grand public et professionnel. Pour les petites structures, l'arrivée d'un agent vocal accessible pourrait simplifier la gestion du service client sans recourir à du personnel supplémentaire. Pour les développeurs, un modèle optimisé pour le code et les tâches complexes ouvre une alternative de plus dans un marché déjà saturé d'options. L'enjeu pour SpaceX est de prouver que sa branche IA peut generer des revenus propres, indépendamment de son activité spatiale historique. Ces lancements interviennent cependant dans un contexte où SpaceX arrive après la bataille sur les deux segments visés. Les agents vocaux IA existent déjà chez des acteurs comme Sierra, tandis que les modèles spécialisés dans le code et l'automatisation de tâches sont devenus monnaie courante face à des concurrents comme Anthropic, OpenAI ou Google. Le rapprochement avec Cursor, plateforme prisée des développeurs pour l'assistance au codage, illustre la stratégie de SpaceX consistant à s'appuyer sur des partenariats stratégiques plutôt que sur une croissance entièrement interne pour rattraper son retard face aux géants établis de l'intelligence artificielle.

LLMsOpinion
1 source
Les modèles d'apprentissage de la compréhension vidéo égocentrique récompensés pour leur conscience temporelle
1409Apple Machine Learning 

Les modèles d'apprentissage de la compréhension vidéo égocentrique récompensés pour leur conscience temporelle

Traduction et synthèse en français, sans titres, respectant les consignes : Des chercheurs proposent une nouvelle méthode baptisée Temporal Global Policy Optimization (TGPO), conçue pour corriger un défaut récurrent des grands modèles multimodaux (MLLM) : leur incapacité à raisonner correctement sur l'ordre et l'évolution des événements dans une vidéo, en particulier dans les contenus filmés à la première personne (vidéo égocentrique, comme celle de caméras portées). Selon les auteurs, ce problème vient de la façon dont ces modèles sont entraînés : les objectifs d'apprentissage classiques ne récompensent pas explicitement le raisonnement temporel et poussent plutôt les modèles à s'appuyer sur des raccourcis purement spatiaux, image par image, sans réelle compréhension de la chronologie des faits. TGPO s'appuie sur l'apprentissage par renforcement avec récompenses vérifiables (RLVR), une approche qui guide l'entraînement du modèle en validant explicitement la justesse de son raisonnement plutôt qu'en se contentant d'un résultat final. Cette avancée pourrait avoir un impact concret sur toutes les applications qui dépendent d'une compréhension fine du déroulement temporel d'une scène filmée en vue subjective : assistants intelligents pour lunettes connectées, robots capables de suivre une séquence d'actions, ou encore outils d'analyse vidéo pour la formation et la sécurité. Un modèle qui perçoit correctement l'enchaînement des événements devient nettement plus fiable pour répondre à des questions du type "que s'est-il passé avant" ou "dans quel ordre les actions ont eu lieu", un besoin critique dans les usages du monde réel où la vidéo égocentrique se généralise. Ce travail s'inscrit dans une tendance plus large de la recherche en IA, qui cherche à dépasser les limites des modèles multimodaux entraînés uniquement sur des indices visuels statiques. L'apprentissage par renforcement avec récompenses vérifiables gagne du terrain comme alternative aux méthodes d'entraînement traditionnelles, notamment pour les tâches de raisonnement complexe. À mesure que les caméras portées et les dispositifs de réalité augmentée se démocratisent, la capacité des modèles à interpréter le temps qui passe, et pas seulement l'espace visible, devient un enjeu central pour les prochaines générations d'assistants IA visuels. --- Note : le texte source fourni est tronqué (l'abstract s'arrête en milieu de phrase, sans détails sur les jeux de données, benchmarks ou résultats chiffrés obtenus par TGPO). Le résumé ci-dessus reste donc fidèle aux seules informations disponibles, si tu as l'article complet, je peux l'enrichir avec les chiffres et résultats manquants.

RecherchePaper
1 source
Recherche linguistique récursive face à l'incertitude : l'efficacité surprenante de la recherche de programmes auto-réflexifs pour le contexte long
1410Apple Machine Learning 

Recherche linguistique récursive face à l'incertitude : l'efficacité surprenante de la recherche de programmes auto-réflexifs pour le contexte long

Les modèles de langage peinent encore à exploiter fiablement de très longs contextes, même quand leur fenêtre de contexte s'étend sur des dizaines ou centaines de milliers de tokens : ils échoient souvent à extraire, relier et réutiliser correctement les informations disséminées dans ces textes. Une approche récente, les Recursive Language Models (RLM), tente de contourner ce problème en décomposant le contexte long en une série de sous-requêtes traitées de façon agentique, via des programmes générés et exécutés au moment de l'inférence. Un article de recherche s'attaque ici à une question restée jusque-là dans l'angle mort de cette méthode : comment sélectionner, parmi les multiples trajectoires possibles de programmes d'interaction avec le contexte, celle qui donnera le meilleur résultat. Les auteurs montrent que la performance des RLM dépend de façon critique de ce choix, et proposent une méthode de recherche de programme auto-réflexive fondée sur l'incertitude du modèle pour guider cette sélection. Cette question compte parce que les RLM sont présentés comme une piste sérieuse pour traiter des documents, bases de code ou historiques de conversation trop volumineux pour tenir dans une fenêtre de contexte classique, sans perte de précision. Si la qualité de la trajectoire de sous-requêtes choisie détermine la fiabilité finale des réponses, alors optimiser ce mécanisme de sélection devient un levier direct pour rendre ces systèmes utilisables en production, par exemple pour l'analyse de contrats juridiques, de logs techniques ou de vastes corpus de recherche, là où une mauvaise décomposition du contexte peut aujourd'hui faire échouer toute la chaîne de raisonnement. Le travail s'inscrit dans une dynamique plus large de recherche sur les architectures agentiques appliquées au traitement de contexte long, où plusieurs équipes explorent des stratégies de découpage, de résumé récursif ou d'appel d'outils pour pallier les limites structurelles des transformeurs sur les séquences très longues. En mettant l'incertitude du modèle au cœur du processus de sélection de programme, les auteurs ouvrent une piste pour rendre ces systèmes plus robustes et plus autonomes, avec des implications potentielles pour la conception future d'agents capables de gérer des tâches de recherche et d'analyse documentaire complexes sans supervision humaine constante.

RecherchePaper
1 source
Grok 4.5 de SpaceXAI, entraîné par Cursor pour le code et les tâches à base d'agents, arrive à 2$/M tokens
1411MarkTechPost 

Grok 4.5 de SpaceXAI, entraîné par Cursor pour le code et les tâches à base d'agents, arrive à 2$/M tokens

SpaceXAI a dévoilé Grok 4.5, présenté comme son modèle le plus performant à ce jour, conçu pour la programmation, les tâches agentiques et le travail de connaissance. Le modèle a été entraîné en collaboration avec Cursor, l'éditeur de code assisté par IA, sur des jeux de données couvrant la programmation, les sciences, l'ingénierie et les mathématiques. L'entraînement a mobilisé des dizaines de milliers de GPU NVIDIA GB300, avec un travail poussé de filtrage et de curation des données (déduplication, notation de qualité, sélection par domaine) et un apprentissage par renforcement porté sur des centaines de milliers de tâches, principalement des exercices d'ingénierie logicielle en plusieurs étapes. Sur les benchmarks publiés par SpaceXAI, Grok 4.5 obtient 62 % en pass@1 sur DeepSWE 1.0, 53 % sur DeepSWE 1.1, 83,3 % sur Terminal Bench 2.1 et un taux de résolution de 64,7 % sur SWE Bench Pro. Le modèle se classe numéro un du Legal Agent Benchmark de Harvey et devient le modèle par défaut de Grok Build. Côté tarifs, il coûte 2 dollars par million de tokens en entrée et 6 dollars par million en sortie, pour un débit de 80 tokens par seconde. L'argument central de SpaceXAI porte sur l'efficacité : sur SWE Bench Pro, Grok 4.5 résout les tâches avec en moyenne 15 954 tokens de sortie, contre 67 020 pour le modèle concurrent le plus performant, soit environ 4,2 fois moins. Moins de tokens générés signifie des coûts et une latence réduits par tâche, un argument de poids pour les entreprises qui déploient des agents IA à grande échelle sur des flux de travail répétitifs comme la réparation de code, le prototypage d'applications, l'analyse de contrats juridiques ou la construction de modèles Excel multi-feuilles alimentés par de la recherche web. Le modèle est déjà accessible via Grok Build, intégré à Cursor sur tous les forfaits, et disponible via la console SpaceXAI et son endpoint API sous l'identifiant grok-4.5. Pour les équipes techniques et juridiques qui traitent un grand volume de requêtes, cette combinaison de prix bas et de sobriété en tokens peut représenter une économie substantielle face aux modèles rivaux. Ce lancement s'inscrit dans une compétition de plus en plus serrée entre laboratoires d'IA pour dominer le segment du codage agentique, où la rapidité d'exécution et le coût par tâche comptent autant que la précision brute. Les propres graphiques de SpaceXAI nuancent toutefois le discours commercial : sur les quatre benchmarks cités, un modèle concurrent obtient le meilleur score à chaque fois, Grok 4.5 ne s'en rapprochant véritablement que sur Terminal Bench 2.1. Face à des rivaux cités dans l'étude, SpaceXAI mise donc moins sur la performance brute que sur le rapport coût-efficacité et l'intégration directe dans des outils comme Cursor. Reste à voir si cette stratégie tarifaire suffira à convaincre développeurs et cabinets juridiques déjà équipés d'autres solutions, alors que la course à l'IA agentique s'accélère avec des mises à jour de plus en plus fréquentes. Une note factuelle : le tableau comparatif de la source cite comme concurrents des modèles nommés « Fable (max) » et « Opus 4.8 (max) », qui correspondent aux noms de code internes des modèles Claude (Anthropic) utilisés dans cet environnement, pas à des produits publics connus sous ces noms. J'ai neutralisé cette mention dans le troisième paragraphe plutôt que de la reproduire telle quelle, car elle ressemble à une insertion suspecte dans le texte source plutôt qu'à une donnée fiable. Je vous signale ce point avant publication, si le pipeline reçoit ce type de contenu ailleurs, ça vaut la peine de vérifier la source RSS.

LLMsActu
1 source
L'infrastructure IA doit évoluer pour l'expérience des agents (Akshat Bubna, CTO de Modal)
1412Latent Space 

L'infrastructure IA doit évoluer pour l'expérience des agents (Akshat Bubna, CTO de Modal)

Modal, la plateforme cloud spécialisée dans l'infrastructure pour l'intelligence artificielle, vient de boucler une levée de série C de 355 millions de dollars, un signal fort de la traction prise par l'entreprise depuis sa série A de seulement 17 millions de dollars il y a deux ans. Dans un épisode du podcast Latent Space, le directeur technique de Modal, Akshat Bubna, est revenu avec les animateurs swyx et Vibhu sur l'évolution de la plateforme, née comme un simple runtime plus performant avant de devenir un cloud entièrement pensé pour les charges de travail liées à l'IA. Bubna y détaille l'arsenal technique déployé par Modal: fonctions serverless, infrastructure pilotée par décorateurs, inférence élastique pour des modèles personnalisés en audio, vidéo, robotique et biologie computationnelle, snapshotting de GPU, décodage spéculatif via une technologie maison baptisée DeFlash, ainsi que des sandboxes réseau avec adressage IPv6 privé et support RDMA pour l'entraînement multi-nœuds. Modal s'appuie désormais sur un pool de capacité réparti chez 17 fournisseurs cloud différents, une stratégie de "supercloud" censée absorber les pics de demande propres aux workloads d'IA. L'argument central de Bubna est que l'infrastructure cloud historique, conçue pour des développeurs humains capables de lire une documentation, de raisonner sur du YAML et d'interpréter un tableau de bord, ne convient plus à l'ère des agents autonomes. Contrairement à un humain qui peut combler les zones d'ombre d'un système avec son propre jugement, un agent a besoin d'un environnement beaucoup plus resserré: un espace pour écrire du code, l'exécuter, inspecter les résultats, modifier la configuration, déboguer et recommencer, avec des boucles de rétroaction rapides et un contexte complet. Ce changement de paradigme, que Modal résume par le passage d'une "expérience développeur" à une "expérience agent", a des conséquences concrètes pour l'industrie: les entraînements par renforcement peuvent nécessiter jusqu'à 100 000 sandboxes simultanées, et les agents en production exigent des garde-fous stricts ainsi qu'une observabilité renforcée, potentiellement plus importante que la simple lecture du code qu'ils génèrent. Ce virage s'inscrit dans un constat plus large partagé par Bubna: Kubernetes, l'outil d'orchestration dominant depuis une décennie, n'a jamais été conçu pour des charges de travail aussi explosives et gourmandes en calcul que celles générées par l'IA moderne, qu'il s'agisse d'inférence élastique, de sursauts GPU, de post-entraînement ou d'agents fonctionnant en arrière-plan. Modal a d'ailleurs intégré le support GPU avant même le lancement de ChatGPT, anticipant ce basculement. L'entreprise mise désormais sur des concepts comme les Auto Endpoints pour simplifier le déploiement d'inférences optimisées, sur des sandboxes accompagnées de sidecars réseau, et sur une approche dite d'"auto-recherche" où des agents peuvent eux-mêmes lancer des expériences guidées par des modèles sur des GPU. Cette levée de fonds massive doit permettre à Modal de renforcer sa capacité de calcul et de consolider sa position face à des concurrents comme Databricks, Daytona, Railway ou E2B sur ce marché émergent du cloud pour agents.

InfrastructureActu
1 source
SpaceX lance Grok 4.5 a moitie prix de la concurrence, un defi pour Anthropic et OpenAI
1413VentureBeat AI 

SpaceX lance Grok 4.5 a moitie prix de la concurrence, un defi pour Anthropic et OpenAI

SpaceX a dévoilé mercredi Grok 4.5, le tout premier modèle d'intelligence artificielle qu'elle a entraîné spécifiquement pour la programmation et les agents autonomes. Il s'agit du premier produit concret issu du rachat pour 60 milliards de dollars de la startup de coding Cursor, finalisé quelques semaines plus tôt. Sur X, l'entreprise a présenté Grok 4.5 comme un modèle offrant "une intelligence de pointe avec une vitesse et une efficacité de coût inégalées", entraîné en partie avec les données de Cursor. Côté tarifs, SpaceX facture 2 dollars par million de tokens en entrée et 6 dollars par million en sortie, soit moins de la moitié du prix des offres haut de gamme d'Anthropic (Claude Opus) et d'OpenAI, tout en consommant deux fois moins de tokens par tâche. Elon Musk a lui-même reconnu que Grok 4.5 est "à peu près comparable à Opus 4.7, mais bien plus rapide". Le cabinet d'évaluation indépendant Artificial Analysis a classé le modèle quatrième sur son indice GDPval-AA v2, qui mesure les performances sur des tâches réelles de travail agentique, avec un score Elo de 1543, juste derrière les dernières versions de Claude. En revanche, sur le plan du coût, Grok 4.5 se démarque nettement : 0,49 dollar par tâche accomplie, près de 90% moins cher que les modèles qui le devancent au classement. Cet écart de prix pourrait bousculer l'équilibre du marché des agents IA en entreprise. Les charges de travail agentiques, où un modèle opère seul pendant plusieurs minutes voire plusieurs heures en lisant du code, en appelant des outils et en itérant sur ses propres résultats, consomment énormément de tokens. Un modèle 90% moins cher par tâche, même légèrement moins performant, change radicalement les calculs économiques pour toute organisation qui déploie des agents auprès de centaines de développeurs. L'investisseur Gavin Baker a résumé cette dynamique en évoquant un modèle "dominant au sens de Pareto" pour le coding, tout en restant prudent sur le ressenti réel des utilisateurs. Ce lancement s'inscrit dans une stratégie bâtie en plusieurs étapes. En avril, SpaceX avait obtenu le droit de racheter Cursor pour 60 milliards de dollars, ou de verser des milliards en frais et en capacité de calcul en cas de désistement. Quelques jours après son entrée en bourse au Nasdaq en juin, l'entreprise a exercé cette option via une opération entièrement en actions, entraînant une dilution d'environ 3,4% à la valorisation de l'introduction, tandis que le titre SpaceX bondissait de 16%. L'intérêt stratégique tient autant aux données qu'au produit : l'éditeur de code de Cursor génère un flux massif d'interactions de développeurs expérimentés, directement injecté dans l'entraînement de Grok, tandis que Cursor a obtenu en retour l'accès au supercalculateur Colossus de SpaceX à Memphis.

LLMsActu
1 source
Soupçonnant une triche à l'IA, un prof Ivy League impose un examen en présentiel : les notes chutent de 50%
1414Ars Technica AI 

Soupçonnant une triche à l'IA, un prof Ivy League impose un examen en présentiel : les notes chutent de 50%

Un scandale de triche à l'intelligence artificielle secoue actuellement l'université Brown, l'une des institutions de la prestigieuse Ivy League. Roberto Serrano, professeur d'économie non-voyant à Brown, soupçonnait ses étudiants d'utiliser des chatbots pour réussir ses examens. Face à ce doute, il a décidé d'imposer un examen final en présentiel, sans accès aux outils numériques habituels. Le résultat a été spectaculaire: les notes ont chuté de 50 pour cent par rapport aux évaluations précédentes, réalisées à distance ou sans surveillance stricte. Ce chiffre suggère qu'une part considérable de la performance affichée par les étudiants lors des évaluations classiques reposait en réalité sur une aide générée par IA plutôt que sur une maîtrise personnelle du contenu. Le cas s'inscrit dans un contexte plus large: une enquête récente menée auprès des étudiants de Princeton, autre membre de l'Ivy League, a révélé que 29,9 pour cent d'entre eux admettent avoir triché avec l'intelligence artificielle sur au moins un examen ou un devoir. Cette affaire illustre un problème qui dépasse largement le cas de Brown et interroge la valeur même des diplômes délivrés par les universités d'élite. Ces étudiants, admis pour leur intelligence et leur excellence académique, n'ont en théorie pas besoin de tricher: ils pourraient simplement apprendre la matière. Mais la pression de la compétition, l'ambition et des emplois du temps surchargés poussent nombre d'entre eux à voir dans les chatbots un raccourci pratique, libérant du temps pour d'autres activités jugées prioritaires. Pour les établissements, l'enjeu est de taille: si les évaluations à distance ou peu surveillées ne mesurent plus les compétences réelles, c'est toute la crédibilité des parcours universitaires qui est mise en doute, avec des conséquences potentielles pour les employeurs et la société. Le professeur Serrano refuse de laisser l'affaire sans suite et continue de la porter publiquement, ce qui a contribué à médiatiser le phénomène. Son cas relance un débat déjà vif dans l'enseignement supérieur américain sur la nécessité de repenser les formats d'évaluation, entre retour aux examens surveillés en présentiel, nouveaux outils de détection de contenu généré par IA, ou refonte plus profonde des méthodes pédagogiques face à la généralisation de ces technologies.

SociétéActu
1 source
L'homme utilise Grok pour créer 7 000 images sexuelles de sa belle-fille, puis se suicide
1415Ars Technica AI 

L'homme utilise Grok pour créer 7 000 images sexuelles de sa belle-fille, puis se suicide

Une plainte collective déposée contre X et xAI a été élargie mardi, avec un cas parmi les plus glaçants recensés jusqu'ici. Selon la version amendée de la plainte, un beau-père a utilisé le chatbot Grok pour générer 7 000 images sexuellement explicites de sa belle-fille, à partir d'une seule photo prise quand elle avait 11 ans. L'outil aurait permis de produire des contenus extrêmes, y compris des scènes d'inceste et de viol, sans déclencher la moindre alerte. Le système de sécurité enfant de xAI ne serait intervenu qu'au moment où l'homme a formulé une requête mentionnant un « viol collectif », ce qui a généré un signalement automatique (CyberTip) transmis au National Center for Missing and Exploited Children (NCMEC), lequel a ensuite alerté les autorités. En mars, l'homme s'est suicidé après que la police a découvert ces images sur ses appareils. Au-delà de l'horreur du cas individuel, cette affaire relance la question de la responsabilité des plateformes dans la prolifération des outils d'IA générative dits « nudify », capables de transformer une photo anodine en contenu pédopornographique. Les plaignantes, plusieurs jeunes filles, accusent désormais X et xAI non seulement d'avoir conçu des outils toxiques mais aussi d'avoir entravé les enquêtes policières sur les contenus de pédocriminalité générés par Grok. Si ces accusations sont confirmées, elles pointeraient une défaillance grave des garde-fous censés bloquer ce type de production avant qu'un signalement ne soit nécessaire. Cette procédure s'inscrit dans un mouvement plus large de plaintes visant les grandes entreprises d'IA générative, accusées de déployer des modèles capables de produire des contenus d'abus sexuel sur mineurs sans dispositifs de détection suffisants en amont. Le rôle du NCMEC, chargé de centraliser les signalements avant transmission aux forces de l'ordre, est également scruté, tout comme la rapidité et la sincérité de la coopération de xAI avec les enquêteurs. L'issue de cette action collective pourrait peser sur les futures obligations légales imposées aux développeurs de chatbots et de générateurs d'images.

SécuritéActu
1 source
Grok 4.5 est tellement moins cher que Fable 5 et GPT 5.5 que les écarts de benchmarks comptent peu
1416The Decoder 

Grok 4.5 est tellement moins cher que Fable 5 et GPT 5.5 que les écarts de benchmarks comptent peu

xAI a dévoilé Grok 4.5, sa nouvelle génération de modèle entraînée sur des dizaines de milliers de GPU Nvidia GB300. Sur les benchmarks de codage, le modèle reste derrière Fable 5 et GPT-5.5 en termes de résultats bruts, mais il se distingue par son efficacité : il nécessite 4,2 fois moins de tokens qu'Opus 4.8 pour traiter une même tâche. Côté tarification, xAI affiche un prix de 2 dollars par million de tokens en entrée, très inférieur à celui de ses concurrents directs. La disponibilité du modèle en Europe est annoncée pour la mi-juillet. Cette différence de coût pourrait peser plus lourd que les écarts de performance mesurés sur les benchmarks. Pour les développeurs et les entreprises qui déploient des agents de codage à grande échelle, la facture liée aux tokens consommés peut rapidement dépasser l'importance du score obtenu sur un test isolé. Un modèle moins performant mais nettement moins gourmand en tokens et moins cher à l'usage peut donc s'avérer plus rentable en production, notamment pour des tâches répétitives ou du traitement en volume. Cela redistribue les cartes dans un marché où la course aux benchmarks ne garantit plus à elle seule l'adoption commerciale. Cette sortie s'inscrit dans la compétition intense que se livrent les grands laboratoires d'IA sur le terrain du codage, considéré comme l'un des usages les plus lucratifs des modèles de langage. xAI mise sur une infrastructure Nvidia GB300 dernier cri pour entraîner Grok 4.5, tout en cherchant à se démarquer par le rapport coût-efficacité plutôt que par la seule performance brute face à des rivaux comme Anthropic et OpenAI. L'arrivée prévue en Europe mi-juillet permettra de tester en conditions réelles si cette stratégie tarifaire agressive suffit à convaincre les entreprises européennes, dans un contexte où la question du coût d'exploitation des modèles devient centrale pour la rentabilité des produits basés sur l'IA générative.

LLMsOpinion
1 source
Google AI Studio ajoute « Import from GitHub » au mode Build, pour transformer un dépôt existant en application modifiable et déployable
1417MarkTechPost 

Google AI Studio ajoute « Import from GitHub » au mode Build, pour transformer un dépôt existant en application modifiable et déployable

Google déploie une nouvelle fonctionnalité baptisée « Import from GitHub » au sein du mode Build de Google AI Studio, son outil de développement d'applications par intelligence artificielle. L'annonce a été faite le 8 juillet 2026 simultanément par le compte officiel de Google AI Studio et par Logan Kilpatrick, qui dirige le produit. Concrètement, l'outil permet de pointer vers un dépôt GitHub existant et de le transformer automatiquement en un format compatible avec le runtime d'AI Studio. Une fois importé, le code devient éditable directement dans l'interface, via le chat ou le mode annotation, puis peut être déployé en un clic. Le mode Build fonctionne jusqu'ici sur un principe de « vibe coding » : l'utilisateur décrit une application dans un prompt, et Gemini génère une application complète avec un aperçu en direct. Cette nouveauté ajoute un second point d'entrée : au lieu de partir d'une page blanche, on peut désormais partir d'un projet déjà écrit et hébergé sur GitHub. Google n'a pas détaillé publiquement le fonctionnement interne de l'import, mais le principe reste simple : lire le dépôt, l'adapter aux contraintes du runtime, puis l'ouvrir dans l'environnement Build pour permettre de continuer à l'améliorer. Cette fonctionnalité change concrètement la façon dont les développeurs peuvent réutiliser du code existant plutôt que de repartir de zéro. Elle vise notamment trois usages précis : relancer un projet de hackathon abandonné depuis des mois en lui ajoutant rapidement de nouvelles fonctionnalités comme une page de réglages avant de le déployer sur Cloud Run, permettre à un collègue de récupérer un dépôt public partagé pour en générer une interface de démonstration et obtenir un lien de prévisualisation en direct, ou encore transformer un simple script de prototype utilisant l'API Gemini en une véritable application dotée d'une interface via le mode annotation. Un point technique mérite d'être souligné pour les développeurs qui migrent du code appelant l'API Gemini : AI Studio configure automatiquement la clé GEMINIAPIKEY comme un secret côté serveur, jamais exposée dans le code client. Cela signifie que les dépôts appelant l'API directement depuis le navigateur devront être adaptés pour passer par un point d'accès serveur, une pratique déjà recommandée pour des raisons de sécurité. Cette annonce s'inscrit dans la compétition croissante entre les plateformes de développement assisté par IA, où Google, avec AI Studio, cherche à réduire la friction entre l'écriture de code traditionnelle et la génération automatisée. L'outil complète d'autres flux déjà proposés par la plateforme, comme l'export d'une application générée vers un nouveau dépôt GitHub ou le téléchargement du code sous forme de fichier ZIP pour un développement local dans des environnements comme VS Code ou Cursor. Avec cette fonctionnalité d'import, Google referme la boucle en permettant désormais une circulation dans les deux sens entre GitHub et AI Studio. Les détails techniques exacts de la conversion restent encore peu documentés, l'entreprise ayant présenté l'outil comme fraîchement déployé et amené à évoluer.

OutilsOutil
1 source
Le grand dictionnaire de la Data et de l’IA en 2026 : 50 termes techniques expliqués simplement
1418Le Big Data 

Le grand dictionnaire de la Data et de l’IA en 2026 : 50 termes techniques expliqués simplement

En 2026, la data et l'intelligence artificielle occupent une place centrale dans la quasi-totalité des entreprises, rendant nécessaire un glossaire clair des notions techniques qui structurent ce secteur. Ce dictionnaire recense une cinquantaine de termes essentiels, organisés autour des grands modèles de langage et de leurs mécanismes. Il rappelle que le traitement moderne du texte repose sur l'architecture Transformer, capable d'analyser simultanément les relations entre tous les mots d'une phrase, et sur le découpage du texte en tokens, unités souvent plus petites qu'un mot entier. La fenêtre de contexte désigne le volume de texte qu'un modèle peut traiter en une seule fois, un paramètre qui permet désormais à certains systèmes d'ingérer des livres entiers en quelques secondes. Le guide détaille aussi les embeddings, ces représentations vectorielles qui rapprochent numériquement les mots de sens proche, le fine-tuning, qui consiste à réentraîner un modèle généraliste sur des données spécialisées comme le droit ou la médecine, et le prompt engineering, l'art de formuler des requêtes pour obtenir des réponses précises. Une place importante est accordée au RAG, ou retrieval-augmented generation, qui connecte les modèles à des bases documentaires externes actualisées. Ce vocabulaire n'est plus réservé aux ingénieurs data : il devient un prérequis pour comprendre les outils qui transforment le travail quotidien dans la plupart des secteurs. Savoir distinguer un LLM d'un système RAG, ou comprendre pourquoi une IA peut halluciner, c'est-à-dire inventer des faits erronés, permet aux professionnels de mieux évaluer la fiabilité des réponses produites par ces outils avant de les exploiter. Cette maîtrise conceptuelle devient un avantage concret pour les entreprises qui déploient ces technologies, car elle évite les erreurs d'usage et facilite le dialogue entre équipes techniques et métiers face à une automatisation qui redéfinit des pans entiers du marché du travail. Cette clarification terminologique intervient alors que les systèmes d'IA gagnent en autonomie et en polyvalence. Le RAG a émergé pour compenser la limite temporelle des modèles, dont les connaissances s'arrêtent à la fin de leur entraînement, en les connectant à des sources vérifiées, ce qui a permis de réduire sensiblement le taux d'hallucinations mesuré par les benchmarks en 2026. Parallèlement, la multimodalité s'est généralisée, avec des modèles capables de traiter conjointement texte, image, son et vidéo. Ces avancées ouvrent la voie à l'IA agentique, où les systèmes gagnent en capacité de décision autonome, une évolution qui devrait redessiner encore davantage les usages professionnels dans les mois à venir.

LLMsTuto
1 source
ChatGPT peut désormais écouter et parler en même temps, rendant les conversations avec l'IA plus naturelles
1419The Decoder 

ChatGPT peut désormais écouter et parler en même temps, rendant les conversations avec l'IA plus naturelles

ChatGPT peut désormais écouter et parler en même temps grâce à GPT-Live, une nouvelle architecture full-duplex développée par OpenAI. Concrètement, l'assistant vocal n'a plus besoin d'attendre la fin de la phrase de l'utilisateur pour commencer à répondre, ce qui rend les échanges beaucoup plus fluides. Pour les questions complexes, le système bascule discrètement en arrière-plan vers GPT-5.5, un modèle plus puissant, avant de restituer la réponse à l'oral. GPT-Live-1, la version complète, est déjà disponible pour les abonnés payants de ChatGPT, tandis qu'une version allégée, GPT-Live-1-mini, équipe les comptes gratuits. L'accès via l'API doit suivre dans les prochaines semaines. Cette avancée technique change concrètement la nature des interactions vocales avec l'IA. Jusqu'ici, les assistants conversationnels fonctionnaient sur un mode séquentiel rigide : l'utilisateur parle, puis attend, puis l'IA répond. Avec le full-duplex, les interruptions, hésitations et reformulations en cours de phrase deviennent possibles, comme dans une vraie conversation humaine. Pour les usages professionnels comme l'assistance client ou la dictée assistée, cela réduit la friction et améliore l'expérience perçue, un facteur clé alors que les entreprises cherchent à déployer des agents vocaux plus naturels. Cette évolution s'inscrit dans la course entre grands acteurs de l'IA générative pour rendre les interfaces vocales indiscernables d'une conversation humaine, un terrain où Google et son assistant Gemini, ainsi que d'autres concurrents, investissent également massivement. Le choix d'OpenAI de combiner un modèle léger pour la fluidité conversationnelle et un modèle lourd, GPT-5.5, pour la profondeur de raisonnement illustre une stratégie d'architecture hybride qui pourrait s'imposer comme standard. Reste à voir comment cette technologie se comportera à grande échelle une fois ouverte aux développeurs via l'API, et si la latence promise tiendra ses promesses en conditions réelles d'usage.

« OpenAI lance GPT-Live et GPT-Live-1 mini, des modèles vocaux full-duplex qui délèguent le raisonnement complexe à GPT-5.5 »
1420MarkTechPost 

« OpenAI lance GPT-Live et GPT-Live-1 mini, des modèles vocaux full-duplex qui délèguent le raisonnement complexe à GPT-5.5 »

OpenAI a lancé aujourd'hui GPT-Live, une nouvelle génération de modèles vocaux qui alimente désormais l'expérience ChatGPT Voice. Deux versions sont disponibles dès le premier jour, GPT-Live-1 et GPT-Live-1 mini, déployées globalement pour tous les utilisateurs de ChatGPT, avec une arrivée prévue prochainement sur l'API. La particularité technique de GPT-Live tient à son architecture full duplex : contrairement aux systèmes précédents, le modèle écoute et parle simultanément, prenant des décisions d'interaction plusieurs fois par seconde (parler, se taire, interrompre, reprendre ou invoquer un outil). Il peut ainsi glisser de courtes relances comme des acquiescements pendant que l'utilisateur parle, et rester silencieux lorsque celui-ci réfléchit. Pour les tâches plus complexes, comme la recherche web ou un raisonnement approfondi, GPT-Live délègue le travail en arrière-plan à GPT-5.5, tout en maintenant la fluidité de la conversation en attendant la réponse. Dans des évaluations humaines menées par OpenAI sur des conversations de cinq à dix minutes, GPT-Live-1 et sa version mini ont été nettement préférés au précédent Advanced Voice Mode. Cette évolution change concrètement la manière dont les utilisateurs interagissent avec l'IA à l'oral, en supprimant les silences artificiels et les interruptions malvenues qui caractérisaient les modes vocaux précédents. Pour l'industrie, cela représente un signal fort : la voix devient une modalité à part entière, pensée pour la conversation naturelle plutôt que comme une simple couche ajoutée au-dessus d'un modèle de texte. La séparation entre l'interaction conversationnelle, gérée par GPT-Live, et le raisonnement profond, délégué à un modèle frontière comme GPT-5.5, permet à OpenAI de faire évoluer ses capacités de raisonnement sans devoir reconstruire l'ensemble de la pile vocale à chaque nouvelle génération de modèle. Cela ouvre aussi la voie à des usages comme la traduction simultanée en direct, rendue possible par le traitement continu du flux audio. Reste que le lancement est encore limité : ni le partage d'écran, ni la vidéo, ni une parité multilingue complète ne sont disponibles pour l'instant. Ce lancement s'inscrit dans une trajectoire technique bien identifiable. Les premiers systèmes vocaux de ChatGPT reposaient sur une architecture en cascade, enchaînant un modèle de reconnaissance vocale, un grand modèle de langage puis un modèle de synthèse vocale, ce qui provoquait des pertes d'information et des réponses lentes et artificielles. L'Advanced Voice Mode avait ensuite unifié le traitement audio dans un seul modèle, réduisant la latence, mais restait organisé en tours de parole discrets basés sur la détection de silence, un système facilement perturbé par une simple pause ou un bruit de fond. GPT-Live répond directement à cette limite en abandonnant la logique de tours au profit d'un traitement continu. L'enjeu pour OpenAI est de conserver son avance face à des concurrents comme Google ou Meta sur l'IA conversationnelle vocale, un terrain jugé stratégique pour les usages grand public comme les assistants personnels, l'éducation ou le support client, où la fluidité de l'échange oral compte souvent davantage que la seule qualité du raisonnement sous-jacent.