Actualités IA — page 88

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

Demain, faudra-t-il montrer son passeport pour utiliser une IA ?

L'accès aux modèles d'intelligence artificielle pourrait bientôt nécessiter une vérification d'identité, à l'image d'un service bancaire ou d'une plateforme réglementée. C'est l'enjeu central d'un accord récemment conclu par Anthropic, l'un des principaux laboratoires d'IA américains, qui marque une inflexion significative dans la manière dont les entreprises du secteur envisagent la distribution de leurs technologies. Jusqu'ici, l'accès aux grands modèles de langage restait largement ouvert, conditionné au mieux par un abonnement payant ou une clé API, sans vérification approfondie de l'identité de l'utilisateur. Ce changement de paradigme aurait des conséquences directes pour des millions d'utilisateurs individuels, d'entreprises et de développeurs à travers le monde. Lier l'usage d'une IA à une identité vérifiée permettrait de tracer les usages malveillants, de restreindre l'accès à certaines capacités selon les juridictions, ou d'imposer des conditions d'âge. Pour les professionnels, cela soulève des questions de confidentialité, de friction à l'usage et de discrimination géographique dans l'accès aux outils devenus centraux dans de nombreux secteurs. Cette évolution s'inscrit dans une pression réglementaire croissante en Europe et aux États-Unis, où gouvernements et régulateurs cherchent à établir des responsabilités claires autour des systèmes d'IA à haut risque. La question de l'identité numérique devient ainsi un levier de gouvernance inédit : qui a le droit d'utiliser quelle IA, dans quel pays, et sous quelles conditions. Anthropic, comme ses concurrents OpenAI et Google DeepMind, doit désormais naviguer entre l'accessibilité maximale qui a fait leur croissance et des exigences de traçabilité qui redessinent les contours de l'industrie.

RégulationReglementation

1 source

1742Le Big Data

Grok 4.5 : Elon Musk lance sa bêta privée chez Tesla et SpaceX

xAI a lancé le 28 juin 2026 une bêta privée de Grok 4.5, son nouveau modèle de langage, en le déployant en priorité auprès des ingénieurs de Tesla et de SpaceX. Annoncé directement par Elon Musk sur X, ce modèle repose sur une architecture de 1 500 milliards de paramètres, entraînée à partir du modèle fondation V9 de xAI. Sa particularité technique tient à l'intégration des données de Cursor, la plateforme de codage rachetée par SpaceX pour environ 60 milliards de dollars, utilisée ici pour renforcer les capacités du modèle sur les tâches de programmation. Selon les premières évaluations internes d'xAI, Grok 4.5 atteindrait des performances proches, voire supérieures, à celles de Claude Opus sur certains benchmarks. Aucune date de sortie publique n'a été communiquée. En choisissant Tesla et SpaceX comme premiers terrains d'expérimentation, xAI s'offre un laboratoire grandeur nature avec des ingénieurs confrontés à des cas d'usage techniques exigeants, notamment en ingénierie logicielle et en systèmes embarqués. C'est une stratégie de test en conditions réelles plutôt qu'en environnement contrôlé, ce qui permet d'identifier plus rapidement les failles du modèle avant un déploiement grand public. Pour l'industrie, l'intégration des données de Cursor dans l'entraînement représente un signal fort : les meilleurs modèles du marché intègrent désormais des corpus spécialisés issus d'outils professionnels, pas seulement du texte généraliste. Si les performances annoncées se confirment indépendamment, Grok 4.5 s'imposerait comme un concurrent direct à Claude Opus d'Anthropic et à GPT-4o d'OpenAI sur le segment des tâches complexes. xAI s'est imposée en moins de deux ans comme l'un des acteurs les plus actifs de la course aux grands modèles, bénéficiant de l'accès aux infrastructures de calcul de SpaceX et de la distribution massive via la plateforme X. Elon Musk a annoncé l'intention de publier de nouveaux modèles entraînés de zéro chaque mois, un rythme qui, s'il se confirme, mettrait une pression inédite sur OpenAI, Anthropic et Google DeepMind. Les affirmations sur les performances restent pour l'instant non vérifiées : aucun benchmark indépendant n'a encore évalué Grok 4.5, et les comparaisons annoncées par l'entreprise elle-même sont à relativiser. La vraie mesure viendra de la sortie publique, à laquelle la communauté des développeurs et les évaluateurs indépendants pourront mettre le modèle à l'épreuve.

LLMsOpinion

1 source

1743MarkTechPost

Les 6 meilleurs outils sans code pour les ingénieurs et développeurs IA

Une nouvelle génération de plateformes sans code redéfinit le quotidien des ingénieurs et développeurs IA, en supprimant les frictions liées à l'infrastructure pour accélérer le passage de l'idée au produit. Parmi les solutions qui se distinguent en 2025, trois émergent comme des références dans leurs segments respectifs. Atoms est une plateforme conçue spécifiquement pour expédier des produits finis plutôt que des prototypes : elle orchestre une architecture multi-agents spécialisés, chercheur, chef de produit, ingénieur, spécialiste SEO, gestionnaire publicitaire, et s'intègre nativement avec des modèles comme GPT et Gemini sans configuration manuelle de clés API. Sim AI, de son côté, est une plateforme open source dotée d'un canvas visuel par glisser-déposer permettant de connecter modèles IA, bases de données et outils métier : elle propose plus de 80 intégrations natives, le support MCP, des déclencheurs variés (webhooks, Slack, GitHub, schedulers) et deux modes de déploiement, cloud managé ou auto-hébergé via Docker pour les environnements sensibles. RAGFlow, enfin, cible la construction d'assistants IA à base de RAG (retrieval-augmented generation) sur des données propriétaires, avec gestion de bases de connaissances multi-formats (PDF, Word, CSV, images), édition fine des chunks et citations en temps réel pour garantir la traçabilité des réponses. Ces outils répondent à une demande croissante : réduire de plusieurs semaines à quelques heures le temps nécessaire pour déployer une application IA en production. L'enjeu est particulièrement critique pour les équipes réduites ou les startups qui ne peuvent pas se permettre de dédier des ressources à la mise en place d'infrastructures backend. En éliminant la configuration serveur, les pipelines d'embedding manuels et l'orchestration d'agents codée à la main, ces plateformes permettent à des profils non techniques de participer directement au développement de systèmes IA complexes. Pour les ingénieurs, le gain est surtout en vitesse d'expérimentation : valider une hypothèse produit prend des heures, pas des sprints entiers. Ce mouvement s'inscrit dans une tendance de fond qui transforme l'écosystème IA depuis 2023 : la démocratisation des modèles fondamentaux via des API accessibles (OpenAI, Anthropic, Google) a créé un terrain fertile pour des couches d'abstraction de plus haut niveau. Le pattern RAG notamment, qui consiste à ancrer les réponses d'un LLM sur des documents réels plutôt que sur ses poids d'entraînement, est devenu un standard industriel, et des outils comme RAGFlow cherchent à en industrialiser le déploiement. La prochaine bataille se joue sur l'agent autonome multi-étapes : plusieurs plateformes parient que l'avantage concurrentiel ne sera plus dans le modèle lui-même, mais dans la qualité de l'orchestration et la facilité avec laquelle des non-développeurs peuvent configurer des workflows complexes sans écrire une seule ligne de code.

OutilsOutil

1 source

1744Le Big Data

Une bulle de l’IA ? C’est du blasphème selon le PDG de SoftBank

Masayoshi Son, le PDG de SoftBank, a rejeté avec véhémence les craintes d'une bulle spéculative dans l'intelligence artificielle lors de l'assemblée générale annuelle du conglomérat japonais cette semaine. « Dire que l'IA n'est qu'une bulle est un blasphème », a-t-il déclaré devant les actionnaires, ajoutant que « nous n'en sommes qu'au commencement ». Cette prise de position intervient alors que SoftBank vient de s'engager à investir plus de 64 milliards de dollars dans OpenAI, faisant du groupe japonais le principal investisseur de la startup américaine. Son avait déjà fait parler de lui il y a quelques semaines en affirmant que la révolution de l'IA serait « dix fois, voire cinquante fois plus importante que la bulle Internet » des années 1990, tout en reconnaissant qu'une correction boursière resterait possible sans remettre en cause le potentiel à long terme de la technologie. Ces déclarations prennent un relief particulier dans un contexte de tensions sur les marchés technologiques, où les récentes vagues de ventes d'actions ont ravivé les inquiétudes sur la soutenabilité des valorisations du secteur IA. Pour les sceptiques, les investissements massifs dans les infrastructures, centres de données énergivores, consommation d'eau colossale, ne trouvent pas encore de contrepartie économique solide. OpenAI elle-même continue de dépenser des montants considérables sans avoir atteint la rentabilité. Selon Bloomberg, plusieurs sources proches de SoftBank s'inquiètent en interne de l'ampleur de ce pari, estimant que Son pourrait être influencé par la notoriété personnelle de Sam Altman plutôt que par une analyse froide des fondamentaux financiers de l'entreprise. Le parcours de Masayoshi Son nourrit ces interrogations. Vétéran de l'éclatement de la bulle Internet et de la crise COVID, il a aussi présidé à l'un des investissements les plus catastrophiques de l'histoire récente du capital-risque : la mise de plusieurs milliards de dollars dans WeWork, la société de bureaux partagés dont la valorisation s'est effondrée en 2019, entraînant des pertes massives pour SoftBank. Son argue aujourd'hui que même les secteurs de l'automobile et de l'électronique ont survécu au krach de 1929 avant de dominer le siècle suivant, et qu'une éventuelle correction ne serait pour lui qu'une « formidable occasion d'investir ». L'enjeu dépasse SoftBank : si l'un des plus grands parieurs de la planète sur l'IA se trompe à cette échelle, les répercussions sur l'ensemble de l'écosystème technologique et sur les marchés financiers mondiaux pourraient être considérables.

BusinessOpinion

1 source

1745VentureBeat AI

L'injection de prompts exploite les failles de conception des IA d'entreprise : agents, pipelines RAG et routeurs de modèles ciblés

L'injection de prompts s'est imposée comme la menace la plus critique pesant sur les systèmes d'intelligence artificielle en entreprise, selon plusieurs rapports convergents publiés entre 2025 et 2026. L'OWASP LLM Top 10 (édition 2025) la classe en première position pour la deuxième édition consécutive, reconnaissant l'incapacité persistante des grands modèles de langage à distinguer fiablement les instructions des données qu'ils traitent. Le rapport CrowdStrike Global Threat Report 2026, s'appuyant sur le suivi de plus de 280 groupes d'adversaires, documente des injections de prompts malveillants dans des outils d'IA générative légitimes au sein de plus de 90 organisations en 2025, utilisées pour voler des identifiants et des cryptomonnaies. Les attaquants pilotés par l'IA ont augmenté leur volume d'attaques de 89 % en un an, résumant la situation en une formule : "Les prompts sont le nouveau malware." Deux incidents concrets illustrent l'ampleur réelle du problème. En août 2024, des chercheurs de PromptArmor ont révélé une faille dans Slack AI permettant d'exfiltrer des données de canaux privés, y compris des clés API, simplement en plaçant une instruction malveillante dans un canal public. En juin 2025, Aim Security a divulgué EchoLeak (CVE-2025-32711, score CVSS 9.3), premier exploit zero-click documenté contre un système IA en production : en envoyant un seul email piégé, sans aucune interaction de l'utilisateur, un attaquant pouvait forcer Microsoft 365 Copilot à transmettre des fichiers internes vers un serveur externe. Les deux vulnérabilités ont depuis été corrigées. L'impact de ces attaques dépasse largement le cas isolé : elles exposent une faille structurelle dans la manière dont les entreprises déploient l'IA à grande échelle. Lorsqu'un modèle traite des instructions, résume des informations et déclenche des workflows automatisés, il devient difficile de distinguer une commande légitime d'une donnée corrompue. Les agents IA modernes peuvent envoyer des emails, modifier des infrastructures cloud, exécuter du code et interagir avec des systèmes internes, ce qui signifie qu'une seule instruction malveillante peut déclencher des actions aux conséquences réelles et durables. Le problème touche directement les équipes de sécurité, les DSI et les développeurs qui déploient ces systèmes sans protocoles de validation robustes. Les techniques d'injection ont considérablement évolué, ciblant désormais des architectures bien plus complexes que le simple chatbot. L'injection inter-modèles exploite le fait que la sortie corrompue d'un modèle sera traitée par d'autres modèles en aval, propageant ainsi la manipulation à travers toute la chaîne. L'empoisonnement de pipelines RAG consiste à publier des contenus malveillants (documentations, articles, READMEs GitHub) en espérant qu'ils soient ingérés par les systèmes de récupération d'information des entreprises. Le détournement d'agents et les attaques par débordement de contexte, utilisant des fenêtres de millions de tokens pour noyer les garde-fous dans un flot de données, complètent un arsenal en constante expansion. Face à cette réalité, la question n'est plus de savoir si une organisation sera ciblée, mais à quel moment ses pipelines IA seront compromis, et si elle aura mis en place les contrôles nécessaires pour le détecter.

SécuritéOpinion

1 source

1746Le Big Data

IA : Le propriétaire de Peppa Pig veut cloner la voix des enfants acteurs

Hasbro, le géant américain du jouet et du divertissement qui détient les droits de Peppa Pig, aurait intégré dans les contrats des jeunes comédiens de la série une clause autorisant le clonage de leur voix par intelligence artificielle. L'information, révélée par Deadline, a provoqué une levée de boucliers immédiate : l'Association des agents de jeunes artistes (AYPA) a publié une lettre ouverte cosignée par plus de 1 000 professionnels du secteur, exigeant que « tout accord concernant la voix d'un enfant soit totalement exempté de toute utilisation de l'IA ». Hasbro n'est pas nommé explicitement dans ce document, qui évoque « un grand studio détenant les droits d'une franchise internationale pour enfants », mais Deadline ne laisse guère de doute sur l'identité visée. Face à la polémique, un porte-parole de la société a affirmé que « la protection des enfants artistes est au cœur de l'identité d'Hasbro », tout en refusant de commenter les négociations contractuelles en cours. L'enjeu dépasse largement un simple désaccord contractuel. La cession de droits vocaux à une IA permettrait à un studio de reproduire la voix d'un enfant à volonté, pendant des années, sans rémunération supplémentaire ni contrôle de l'artiste. Or, comme le souligne la lettre de l'AYPA, un enfant ne peut pas donner un consentement éclairé et légal, et l'accord d'un parent ne saurait constituer un blanc-seing absolu pour cloner et réutiliser indéfiniment sa voix. Cette affaire marque un tournant : jusqu'ici, les débats sur l'IA vocale dans le doublage concernaient principalement les adultes. Désormais, les mineurs sont directement dans le viseur des studios, ce qui soulève des questions éthiques et juridiques d'une tout autre gravité. Cette controverse s'inscrit dans un mouvement plus large de résistance aux usages de l'IA dans l'industrie du divertissement. Depuis la grève historique de la SAG-AFTRA en 2023, les acteurs américains se battent pour encadrer le recours à leurs données biométriques. La pression s'étend désormais à l'animation : le scénariste et réalisateur Jorge Gutierrez, primé aux Emmy Awards, a dû renoncer à un projet de série développée avec MGM Studios (Amazon) après une tempête de critiques sur les réseaux sociaux, accusé de trahir les artistes en intégrant l'IA dans le processus créatif. Ces épisodes successifs montrent que ni les grandes franchises, ni les créateurs réputés ne sont à l'abri d'une réaction publique violente dès lors que l'IA semble menacer l'emploi ou l'intégrité des artistes, et que la question du consentement des enfants pourrait devenir le prochain front législatif du secteur.

ÉthiqueOpinion

1 source

1747Le Big Data

GPT-5.6 est enfin là… mais vous n’y aurez pas accès : voici pourquoi

OpenAI a officiellement lancé GPT-5.6 le 26 juin 2026, une nouvelle génération de modèles déclinée en trois variantes : Sol, Terra et Luna. Sol représente un bond significatif en termes de performances tout en conservant le même tarif que son prédécesseur GPT-5.5. Terra, lui, offre des performances équivalentes à GPT-5.5 mais à la moitié du prix, ce qui le positionne comme une option attractive pour les entreprises soucieuses de leur budget. Le lancement a été annoncé directement par Sam Altman sur X, mais accompagné d'une précision majeure : ces modèles ne sont disponibles, pour l'instant, qu'auprès d'une vingtaine de partenaires sélectionnés et validés par le gouvernement américain. Ce déploiement en accès limité n'était pas le plan initial d'OpenAI. C'est l'administration Trump qui a pesé dans la balance, préoccupée par les capacités croissantes de modèles de cette génération. Le résultat est une mise en service progressive, que Sam Altman qualifie lui-même d'approche raisonnable face à des systèmes atteignant ce niveau de puissance. OpenAI a néanmoins tenu à préciser que ce processus n'est pas figé : l'entreprise souhaite collaborer avec Washington pour établir un mécanisme d'accès anticipé plus transparent, et s'engage à rendre GPT-5.6 accessible au grand public le plus rapidement possible. Pour des millions d'utilisateurs et de développeurs qui attendaient ce lancement, l'attente se prolonge donc, sans calendrier précis. Ce blocage partiel s'inscrit dans une tendance plus large de tension entre les grandes entreprises d'IA et l'administration américaine autour de la diffusion des modèles les plus avancés. OpenAI semble pour l'instant s'en tirer avec un traitement relativement souple comparé à son concurrent Anthropic, qui a subi une injonction gouvernementale bien plus radicale concernant ses modèles Mythos 5 et Fable 5. Cette directive interdit l'usage de ces modèles par des ressortissants étrangers, y compris des employés travaillant pour des entreprises américaines, et a conduit à leur suspension totale à l'échelle mondiale, sans exception même pour les pays du G7. Le secteur de l'IA se retrouve ainsi face à une nouvelle réalité réglementaire où Washington impose des contraintes inédites sur la distribution internationale des modèles de pointe, redessinant les rapports de force entre innovation technologique et souveraineté nationale.

RégulationReglementation

1 source

1748Le Big Data

Si ChatGPT ou Gemini vous induit en erreur, qui est le fautif ?

Quand un chatbot diffuse une information erronée, la question de la responsabilité juridique se pose avec une acuité croissante. Au début du mois de juin 2026, un tribunal allemand a tranché dans un sens inédit : Google est responsable des résumés générés par son IA dans les résultats de recherche, les AI Overviews. Les juges ont explicitement rejeté l'argument selon lequel les utilisateurs savent qu'il ne faut pas faire confiance aveuglément à une IA, ou qu'ils peuvent vérifier l'information ailleurs. Pour la justice allemande, ces réponses synthétisées reflètent directement l'activité commerciale de Google et engagent donc sa responsabilité. Un positionnement d'autant plus frappant que Google lui-même, interrogé sur la question via son IA, a répondu que la responsabilité incombait... à l'utilisateur. Cette décision pourrait redessiner en profondeur les règles du jeu pour les grandes plateformes technologiques. Depuis les débuts d'Internet, celles-ci ont habilement navigué entre deux statuts : intermédiaire technique, exempté de responsabilité pour les contenus tiers, et éditeur, qui choisit et met en avant certaines informations. Aux États-Unis, l'article 230 du Communications Decency Act de 1996 les protège largement contre les poursuites liées aux contenus de leurs utilisateurs. Mais les AI Overviews de Google franchissent un seuil supplémentaire : contrairement au moteur de recherche classique qui renvoie vers des sources externes, ces résumés reformulent, sélectionnent et synthétisent l'information pour produire une réponse originale. Un travail qui ressemble davantage à celui d'un rédacteur qu'à celui d'un simple conduit technique. Si la décision allemande est confirmée en appel, elle pourrait fragiliser ce modèle et forcer les plateformes à assumer une responsabilité éditoriale qu'elles ont longtemps cherché à esquiver. L'enjeu dépasse largement Google et ses résumés de recherche. La logique juridique dégagée par le tribunal allemand repose sur un principe fort : un agent conversationnel doit être considéré comme le représentant de l'organisation qui le déploie, au même titre qu'un employé ou un mandataire. Si un rédacteur publie une erreur, son employeur en répond ; si un chatbot d'entreprise induit un client en erreur, la société devrait en assumer les conséquences. Cette question devient critique alors que des acteurs comme Visa et OpenAI développent des assistants capables d'effectuer des achats au nom des utilisateurs. Sans cadre de responsabilité clair, laisser les entreprises se réfugier derrière les erreurs de leur IA créerait un précédent dangereux : elles pourraient remplacer des professionnels par des systèmes automatisés tout en s'exonérant des conséquences lorsque ces systèmes se trompent. La confiance dans ces services, condition sine qua non de leur adoption massive, en dépend directement.

RégulationReglementation

1 source

1749The Decoder

L'IA ne deviendra un vrai collègue que lorsqu'elle finira les tâches au lieu de se contenter de répondre

Une équipe de chercheurs de Tencent et de plusieurs universités chinoises a publié un article de synthèse qui cartographie la trajectoire des systèmes d'intelligence artificielle vers ce qu'ils appellent le "collègue numérique". Leur constat central : les assistants IA actuels restent fondamentalement limités parce qu'ils répondent à des questions plutôt qu'ils ne terminent des tâches. Pour franchir ce seuil, deux conditions sont nécessaires : des environnements de travail persistants, dans lesquels l'agent conserve un état entre deux interactions, et des compétences réutilisables, c'est-à-dire des séquences d'actions que le système peut mobiliser sans les réapprendre à chaque fois. L'enjeu est considérable pour les entreprises qui misent sur l'automatisation. Un agent capable uniquement de générer du texte reste un outil consultatif. Un agent qui peut ouvrir un fichier, modifier une base de données, envoyer un e-mail et vérifier le résultat le lendemain est un exécutant autonome. Cette distinction change radicalement le périmètre de ce que l'IA peut remplacer ou augmenter dans les environnements professionnels réels. Ce travail s'inscrit dans une vague de recherche sur les agents IA dits "long-horizon", capables de maintenir un objectif sur plusieurs étapes et plusieurs sessions. Des laboratoires comme Google DeepMind, Anthropic et OpenAI travaillent sur des architectures similaires, mais la feuille de route proposée ici par Tencent offre un cadre structuré pour évaluer la maturité de ces systèmes. La course au "vrai" agent de travail est désormais l'un des fronts les plus disputés de l'IA appliquée.

RecherchePaper

1 source

1750The Decoder

Une firme chinoise de cybersécurité développe des outils IA rivaux de Mythos et évoque une dissuasion cyber-nucléaire

Zhou Hongyi, fondateur de la société de cybersécurité chinoise 360, a présenté deux nouveaux outils d'intelligence artificielle conçus pour concurrencer directement Mythos, le système de sécurité offensive d'Anthropic. L'un de ces outils a déjà identifié 3 432 vulnérabilités lors de ses premières utilisations. Zhou n'a pas précisé de date de commercialisation, mais le lancement public des deux outils semble imminent selon les déclarations de l'entreprise. L'enjeu dépasse la simple rivalité technologique. Zhou compare explicitement Mythos à des "armes cyber-nucléaires" et appelle la Chine à se doter de son propre arsenal de dissuasion stratégique dans le domaine numérique. Cette rhétorique militarisée illustre comment la compétition en IA s'est transformée en question de souveraineté nationale : disposer ou non de tels outils changerait fondamentalement l'équilibre des forces entre États dans le cyberespace. Zhou reconnaît cependant que les modèles chinois accusent encore un retard de 20 à 30 % par rapport aux modèles occidentaux équivalents, un écart significatif dans un domaine où chaque point de performance peut déterminer la détection ou le passage d'une attaque sophistiquée. Cette admission publique est inhabituelle et révèle la pression que ressentent les acteurs chinois depuis qu'Anthropic a présenté Mythos comme un outil capable de mener des opérations offensives autonomes. La course aux armements cyber-IA entre les États-Unis et la Chine entre ainsi dans une nouvelle phase, où les laboratoires privés deviennent des fournisseurs stratégiques pour les gouvernements.

SécuritéOpinion

1 source

1751MarkTechPost

Construire un workflow stable avec les traces Fable 5 dans Colab : analyse d'appels d'outils, audit et entraînement

Le jeu de données "Fable-5-traces", publié par Glint Research sur Hugging Face sous l'identifiant Glint-Research/Fable-5-traces, rassemble des traces réelles d'agents de codage fonctionnant avec le modèle Fable 5. Un tutoriel technique détaille comment construire un pipeline d'analyse complet de ces données dans Google Colab, en contournant délibérément les bibliothèques instables comme datasets, scikit-learn ou scipy. Le workflow s'appuie sur le téléchargement manuel d'un fichier JSONL unique nommé fable5cotmerged.jsonl via huggingfacehub, puis enchaîne l'inspection des fichiers de dépôt, la normalisation des appels d'outils, un audit structurel du dataset, la détection de secrets potentiels via des expressions régulières couvrant des formats comme sk-, hf, AKIA ou githubpat, et la visualisation de distributions clés comme les types de sorties, les outils appelés ou la longueur des textes produits. Ces traces constituent des données d'entraînement précieuses pour affiner des modèles de langage sur des tâches de programmation réelles. Le tutoriel montre comment en extraire des exports "safe no-CoT" au format SFT, directement exploitables pour du fine-tuning supervisé sans exposer les raisonnements intermédiaires de l'agent. Un classificateur Naive Bayes écrit en Python pur, entraîné sur ces traces, sert de baseline quantitative pour tester si le contexte d'une conversation prédit le type de sortie produit et les outils sollicités, avant d'engager des ressources de fine-tuning plus coûteuses. L'attention portée à la détection de secrets intégrés dans les traces répond à un risque documenté : les datasets publics de traces d'agents contiennent parfois des credentials réels capturés par inadvertance lors des sessions d'enregistrement. Fable 5, le dernier modèle d'Anthropic, s'inscrit dans une génération de modèles dont les traces d'utilisation commencent à circuler publiquement, aux côtés de jeux de données comme SWE-bench ou les trajectoires OpenHands. La décision de construire un pipeline autonome sans dépendances lourdes répond aux contraintes concrètes des environnements Colab, où les incompatibilités de versions ont régulièrement brisé des notebooks complexes. En proposant un workflow stable reposant sur Python standard, pandas et matplotlib, ce tutoriel abaisse la barrière d'entrée pour les chercheurs et praticiens qui souhaitent analyser le comportement des agents de codage, repérer des biais dans leurs sorties ou assembler leurs propres jeux de données d'entraînement à partir de traces existantes. La disponibilité croissante de ce type de données soulève aussi des questions sur la gouvernance de leur publication, notamment autour de la confidentialité des sessions capturées et des risques de fuite d'informations sensibles.

LLMsTuto

1 source

1752MarkTechPost

Liquid AI lance LFM2.5-230M avec support llama.cpp, MLX, vLLM, SGLang et ONNX pour l'inférence sur appareil

Liquid AI a lancé son modèle le plus compact à ce jour, le LFM2.5-230M, un modèle texte de 230 millions de paramètres disponible en open-weight sur Hugging Face. La startup publie deux versions : un modèle de base pour le fine-tuning et une version instruction-tuned prête à l'emploi. Le modèle repose sur l'architecture LFM2, combinant huit blocs de convolution LIV à double porte et six blocs d'attention groupée (GQA), un agencement hybride conçu pour maximiser la vitesse d'inférence sur CPU. Il a été pré-entraîné sur 19 000 milliards de tokens, puis affiné en trois étapes : supervision par distillation depuis le modèle frère LFM2.5-350M, optimisation par préférence directe (DPO), et apprentissage par renforcement multi-domaine. Il tourne à 213 tokens par seconde sur un Samsung Galaxy S25 Ultra et à 42 tokens par seconde sur un Raspberry Pi 5, avec une empreinte mémoire de 293 à 375 Mo en quantification 4-bit. La compatibilité est immédiate avec llama.cpp, MLX, vLLM, SGLang et ONNX. Ce modèle s'impose sur des tâches précises : le suivi d'instructions et l'extraction de données structurées. Sur le benchmark IFEval, il obtient 71,71 points, devançant nettement le Qwen3.5-0.8B (59,94) et le Gemma 3 1B (63,49), deux modèles pourtant trois à quatre fois plus lourds. Sur CaseReportBench, un test d'extraction clinique, il score 22,51 contre 2,28 pour Gemma 3 1B. Concrètement, cela ouvre la voie à des pipelines de traitement massif, Liquid AI cite l'exemple de 100 000 rapports cliniques parsés localement en champs structurés, sans coût d'API par token. Le modèle a également été déployé sur un robot humanoïde Unitree G1, tournant entièrement sur le module embarqué NVIDIA Jetson Orin, où il traduit des instructions en langage naturel en séquences d'appels d'outils invoquant les primitives du framework SONIC de NVIDIA. Liquid AI, fondée en 2023 à partir de travaux du MIT sur les réseaux neuronaux à états liquides, s'est positionnée dès le départ sur des architectures alternatives aux transformers classiques. Le LFM2.5-230M s'inscrit dans une stratégie de couverture du spectre complet, des petits modèles embarqués aux grands modèles cloud. La société est transparente sur les limites : ce modèle n'est pas recommandé pour les tâches de raisonnement avancé, la génération de code ou les mathématiques complexes, son score MMLU-Pro de 20,25 reste très en deçà du Qwen3.5-0.8B (37,42). La vraie bataille se joue sur les appareils de périphérie, robots, hubs domotiques, assistants mobiles, où la taille du modèle et la vitesse d'inférence priment sur la polyvalence. Avec la montée des architectures agentiques embarquées, la capacité à faire tourner un modèle capable d'enchaîner des appels d'outils en local, sans latence réseau ni dépendance cloud, devient un avantage concurrentiel réel.

LLMsOpinion

1 source

1753VentureBeat AI

Claude Code a triplé la productivité des ingénieurs : les entreprises manquent maintenant de concepteurs produit

Anthropic a récemment demandé à son équipe de croissance de recruter davantage de chefs de produit (product managers), et non moins. La raison : Claude Code avait discrètement transformé son équipe d'ingénierie en une organisation capable de livrer à environ trois fois son effectif réel. Ce détail résume une bascule structurelle que traverse aujourd'hui l'ensemble de l'industrie. Les questions mensuelles posées sur Stack Overflow ont chuté de 77 % depuis novembre 2022, date de lancement de ChatGPT. En 2026, pour une part significative des développeurs actifs, la première commande tapée dans un nouveau terminal n'est plus git ou vim, c'est claude. Des équipes AWS ont décrit une refonte d'architecture initialement prévue pour 30 ingénieurs sur 18 mois, menée à bien par 6 personnes en 76 jours. Amazon, avec son IDE Kiro, a compressé des cycles de développement de deux semaines à deux jours grâce à des flux pilotés par spécifications. En avril 2026, Anthropic a lancé les Claude Code Routines : des agents persistants, planifiables, qui s'exécutent sur un calendrier, sur un webhook ou pendant la nuit. Le goulot d'étranglement du logiciel n'est plus la frappe au clavier. C'est la décision de ce qu'il faut coder. Les ingénieurs qui délèguent cette responsabilité à quelqu'un d'autre sont désormais en situation de stagnation. Concrètement, le ratio traditionnel d'un chef de produit pour huit ingénieurs, déjà sous tension, s'approche en pratique de 1 pour 20, puisque chaque ingénieur produit davantage chaque jour. LinkedIn a supprimé son programme de chef de produit associé et l'a remplacé par un programme "Product Builder" formant des généralistes capables de couvrir produit, design et ingénierie. Le système produit des fonctionnalités construites plus vite qu'il ne produit de la clarté sur ce qu'il faut construire. Cette évolution s'est faite en plusieurs phases distinctes. L'ère Stack Overflow (2014-2022) a d'abord organisé le savoir collectif des développeurs. Puis ChatGPT a introduit un oracle plus rapide, encore externe à l'éditeur de code. L'intégration native dans l'IDE avec Cursor et Claude Code, entre 2024 et 2025, a dissous la hiérarchie technique traditionnelle : l'escalade vers l'ingénieur senior a largement disparu. La phase actuelle, celle des agents routiniers et des spécifications comme langage de travail, redistribue les rôles en profondeur. Les entreprises qui ont réellement déployé des flux agentiques en production convergent vers le même constat : la valeur ne réside plus dans la capacité à écrire du code, mais dans la capacité à décrire précisément ce que "correct" signifie. Celles qui n'ont pas encore ajusté leurs structures organisationnelles en conséquence accumulent une dette de gouvernance produit aussi réelle que la dette technique.

SociétéOpinion

1 source

1754MarkTechPost

DeepSeek publie DSpark, un framework de décodage spéculatif qui accélère la génération par utilisateur de DeepSeek-V4 de 60 à 85 % par rapport à MTP-1

DeepSeek a publié DSpark, un cadre de décodage spéculatif conçu pour accélérer l'inférence de ses grands modèles en production, accompagné de checkpoints open-source et du code d'entraînement DeepSpec sous licence MIT. DSpark n'est pas un nouveau modèle : il s'agit d'une optimisation de service qui s'appuie sur les poids existants de DeepSeek-V4, auxquels est greffé un module de brouillon. Deux checkpoints sont disponibles, DeepSeek-V4-Pro-DSpark et DeepSeek-V4-Flash-DSpark, et les résultats annoncés sont significatifs : en production, la génération par utilisateur est 60 à 85 % plus rapide que la baseline MTP-1, sans aucune perte de qualité sur les sorties. En conditions hors ligne, la longueur acceptée par cycle dépasse Eagle3 de 26 à 31 %, et DFlash de 16 à 18 %. DSpark tire sa performance d'une architecture hybride qui résout un problème connu du décodage spéculatif : les systèmes parallèles sont rapides mais génèrent des tokens sans tenir compte des voisins, ce qui entraîne une dégradation rapide des acceptations en fin de bloc. DSpark combine un backbone parallèle lourd, basé sur DFlash, qui produit des logits de base pour chaque position, avec une tête séquentielle légère qui ajoute un biais dépendant du préfixe avant l'échantillonnage. Cette tête de Markov, factorisée en rang 256, ne regarde que le token précédent, mais suffit à maintenir un taux d'acceptation élevé sur l'ensemble du bloc. Un mécanisme de vérification à confiance calibrée complète le système : une tête de confiance estime la probabilité qu'un token survive à la vérification, tandis qu'un planificateur adapte dynamiquement la longueur de vérification selon la charge GPU, vérifiant davantage de tokens quand les ressources sont libres et moins quand elles sont saturées. Le décodage spéculatif est devenu l'un des axes majeurs d'optimisation de l'inférence LLM à grande échelle, notamment depuis la montée en charge de services comme ChatGPT ou Claude, où la latence perçue par utilisateur devient un différenciateur clé. DeepSeek, acteur chinois qui a bousculé le marché début 2025 avec des modèles très compétitifs à faible coût, continue ici de publier ses travaux en open source, une stratégie qui lui permet d'influencer les pratiques de la communauté tout en consolidant sa réputation technique. La mise à disposition de DeepSpec, le code d'entraînement et d'évaluation des brouilleurs, facilitera l'adoption de ces techniques par d'autres équipes. La prochaine étape naturelle sera de voir si ces gains se transfèrent à d'autres architectures de la famille V4, ou si des tiers parviennent à adapter DSpark à leurs propres modèles.

LLMsOutil

1 source

1755The Decoder

La moitié des utilisateurs de Claude estiment que l'IA gère déjà la moitié de leur travail

Selon une enquête menée par Anthropic auprès de près de 9 700 utilisateurs de Claude, environ la moitié d'entre eux estiment que l'IA est déjà capable de prendre en charge 50 % ou plus de leurs tâches professionnelles. Dans un horizon de douze mois, 26 % des sondés prévoient que l'IA couvrira entre 60 et 90 % de leur travail quotidien. Cette étude, publiée en juin 2026, constitue l'une des rares tentatives d'Anthropic de quantifier l'intégration réelle de son assistant dans les flux de travail professionnels. Ces chiffres dessinent une fracture générationnelle et expérientielle nette. Les travailleurs en début de carrière sont les plus anxieux face à cette évolution, craignant que l'IA ne réduise les opportunités d'apprentissage et de montée en compétences traditionnellement associées aux postes juniors. A l'inverse, les utilisateurs les plus intensifs de Claude se montrent les plus optimistes quant à leurs propres perspectives professionnelles, suggérant que la maîtrise de l'outil transforme la perception de la menace en avantage concurrentiel. Ce sondage intervient dans un contexte de débat intense sur l'impact de l'IA générative sur l'emploi. Anthropic, qui positionne Claude comme un assistant de productivité avancé face à ChatGPT d'OpenAI et Gemini de Google, a tout intérêt à documenter l'adoption réelle de son produit. Les résultats alimentent également les discussions autour du concept d'"agent IA" capable d'exécuter des tâches complexes de manière autonome, une direction vers laquelle l'ensemble de l'industrie s'oriente activement.

SociétéOpinion

1 source

1756Next INpact

Anthropic déploie de nouveau Mythos 5, Fable 5 attend son feu vert

Anthropic a reçu, le vendredi 26 juin, l'autorisation du gouvernement américain de redéployer Mythos 5 auprès d'organisations états-uniennes chargées d'opérer et de défendre des infrastructures critiques. Ce modèle, jumeau de Fable 5 mais dépourvu des garde-fous liés aux domaines sensibles comme la cybersécurité, la biologie, la chimie ou la distillation de modèles IA, avait été dévoilé le 10 juin aux côtés de Fable 5. Deux jours plus tard, le 12 juin, l'administration Trump imposait leur fermeture à tous les ressortissants étrangers. Incapable de vérifier la nationalité de ses utilisateurs, Anthropic avait dû bloquer l'accès à l'ensemble de sa base. Depuis, l'accès à Mythos 5 est en cours de rétablissement pour les membres du projet Glasswing. Quant à Fable 5, le modèle grand public, il pourrait obtenir son feu vert dans le courant de la semaine prochaine, selon Axios. Howard Lutnick, secrétaire au Commerce, a confirmé dans une lettre révélée par Semafor que des « avancées significatives » avaient été réalisées lors des négociations, et qu'Anthropic s'était engagée à travailler sur des protocoles et des normes de mise à disposition. Ce déblocage partiel est un soulagement pour Anthropic, dont les modèles les plus avancés étaient indisponibles depuis plus de deux semaines pour la quasi-totalité de ses clients commerciaux et développeurs. Mythos 5, conçu spécifiquement pour les usages en cybersécurité, représente un outil stratégique pour les opérateurs d'infrastructures critiques américaines. La remise en circulation de ces modèles réduit le manque à gagner commercial et restaure en partie la crédibilité d'Anthropic face à ses concurrents, notamment OpenAI, qui a lancé simultanément GPT-5.6 sous les modèles Sol, Terra et Luna, mais lui aussi en accès limité à quelques organisations sélectionnées par le gouvernement. L'épisode illustre la tension croissante entre la Maison-Blanche et les grands laboratoires d'IA autour du contrôle des exportations de modèles avancés. L'administration Trump, soucieuse d'éviter que ces technologies ne profitent à des puissances étrangères, a imposé un processus d'autorisation gouvernementale opaque que les acteurs du secteur jugent incompatible avec leurs modèles économiques. Dès le 12 juin, Anthropic réclamait publiquement un « processus statutaire transparent, équitable, clair et fondé sur des faits techniques ». OpenAI a exprimé hier une position identique, estimant que ce type de contrôle d'accès « ne doit pas devenir la norme à long terme ». La résolution du cas Mythos 5 ne règle donc pas le fond du problème : les deux géants de l'IA veulent des règles prévisibles, alors que Washington semble préférer traiter ces autorisations au cas par cas, modèle par modèle.

RégulationReglementation

1 source

1757The Information AI

Les employés de Salesforce s'inquiètent de l'intégration d'Anthropic dans Slack

Anthropic a lancé cette semaine Claude Tag, un assistant IA intégré directement dans les conversations de groupe Slack. Plutôt qu'un simple chatbot, Claude Tag fonctionne comme un coéquipier virtuel permanent : il lit et mémorise l'historique des échanges, signale les fils de discussion sans réponse, et prend en charge des tâches concrètes comme le codage, l'analyse de données ou la recherche de fichiers. Le lancement a suscité une réaction inattendue chez Salesforce, la maison mère de Slack, dont certains employés ont exprimé leur confusion sur les réseaux sociaux au moment même où l'entreprise en faisait la promotion officielle. L'embarras tient à une contradiction flagrante : Slack commercialise déjà son propre assistant IA intégré, Slackbot, lequel est ironiquement alimenté par la technologie d'Anthropic. En promouvant Claude Tag, Salesforce se retrouve à mettre en avant un concurrent direct de son propre produit, créé par l'un de ses partenaires technologiques. Pour les équipes commerciales de Slack, la situation soulève des questions légitimes sur le positionnement et la stratégie produit de l'entreprise. Cet épisode illustre les tensions croissantes entre plateformes de collaboration et fournisseurs d'IA à mesure que ces derniers cherchent à s'implanter directement chez les utilisateurs finaux, court-circuitant parfois leurs propres partenaires distributeurs. Anthropic, soutenu par Google et Amazon à hauteur de plusieurs milliards de dollars, multiplie les déploiements B2B pour convertir sa puissance technologique en revenus récurrents, quitte à marcher sur les plates-bandes de ses clients et partenaires les plus proches.

BusinessOpinion

1 source

1758The Decoder

Les entreprises qui automatisent vos emplois financent un programme d'un milliard de dollars pour votre reconversion

Gina Raimondo, ancienne secrétaire américaine au Commerce sous l'administration Biden, a lancé "Raise Us", une organisation à but non lucratif bipartisane dotée d'un budget d'un milliard de dollars, dont l'objectif est de préparer les travailleurs américains aux mutations professionnelles induites par l'intelligence artificielle. L'initiative est cofinancée par Amazon, Anthropic, Microsoft et la Fondation OpenAI, quatre acteurs majeurs du secteur qui développent précisément les technologies susceptibles de supprimer ou transformer des millions d'emplois. Le paradoxe est immédiatement visible : les entreprises qui accélèrent l'automatisation sont également celles qui financent la réponse sociale à cette disruption. Cette configuration soulève des questions légitimes sur l'indépendance du programme et ses priorités réelles. Pour les travailleurs concernés, notamment dans les secteurs administratifs, logistiques ou du service client, l'enjeu est concret : sans reconversion efficace, le risque de déclassement économique est réel et documenté par de nombreuses études sur l'impact de l'IA générative sur le marché du travail. Ce type d'initiative s'inscrit dans une dynamique plus large où les géants technologiques cherchent à anticiper les critiques politiques et réglementaires en proposant eux-mêmes des solutions aux dommages qu'ils causent. Amazon avait déjà investi 1,2 milliard de dollars dans la formation de ses employés via son programme Upskilling 2025. La question reste entière : un programme piloté par les bénéficiaires de l'automatisation peut-il réellement défendre les intérêts des travailleurs qu'il prétend aider ?

SociétéOpinion

1 source

1759Ahead of AI

Utiliser des agents de code en local

Il est désormais possible de faire tourner un agent de programmation complet entièrement en local, sans dépendre d'OpenAI, Anthropic ou d'un autre service propriétaire. Le principe repose sur deux composants : un modèle de langage open-weight hébergé localement via un serveur d'inférence, et un "harness" de codage, c'est-à-dire une couche logicielle qui permet au modèle de lire des fichiers, effectuer des modifications, exécuter des commandes et vérifier les changements produits. Des outils populaires comme Codex CLI ou Claude Code peuvent ainsi être reconfigurés pour pointer vers un modèle local plutôt que vers les API cloud de leurs éditeurs respectifs. Des alternatives plus spécialisées existent également : Qwen-Code (optimisé pour Qwen3.6), OpenCode, Cline ou encore Noumena Code. L'auteur de ce tutoriel, qui utilise toujours Codex et Claude Code comme outils principaux au quotidien, documente en détail comment assembler cette pile locale de bout en bout. Les avantages d'une telle configuration sont multiples et concrets. Sur le plan économique, le coût est ramené aux seules dépenses matérielles et électriques, indépendamment des limites d'abonnement ou des fluctuations tarifaires des API. Sur le plan de la confidentialité, des données sensibles comme des factures ou des documents internes ne transitent jamais hors du poste de travail, ce qui est impossible à garantir avec les services cloud. La reproductibilité constitue un autre atout : un modèle local ne change pas sans que l'utilisateur en décide, alors que des mises à jour silencieuses chez OpenAI (GPT-5.4 vers 5.5, par exemple) peuvent altérer des workflows existants. Enfin, l'usage hors-ligne reste possible, que ce soit en avion ou dans un lieu sans connexion stable. La montée en puissance des solutions locales s'inscrit dans un contexte de tensions croissantes autour des services propriétaires. Anthropic a récemment été accusé de brider les performances de son modèle phare dans certains contextes de recherche sur les LLM, ce qui illustre que les grands fournisseurs peuvent restreindre l'accès à leurs outils pour des raisons qui leur sont propres. Parallèlement, la qualité des modèles open-weight ne cesse de progresser, avec des acteurs comme Qwen (Alibaba) ou Mistral qui publient régulièrement des versions capables de rivaliser avec les offres commerciales sur les tâches de codage. Pour les développeurs soucieux de leur autonomie ou disposant du matériel adéquat, mettre en place un agent local pleinement opérationnel n'est plus une curiosité technique mais une alternative crédible et pérenne aux solutions des grandes plateformes.

OutilsTuto

1 source

1760Latent Space

OpenAI GPT-5.6 Sol / Terra / Luna : réservé aux partenaires de confiance

OpenAI a lancé le 25 juin 2026 une nouvelle famille de modèles baptisée GPT-5.6, composée de trois variantes : Sol (flagship), Terra (milieu de gamme) et Luna (rapide et économique). Le déploiement est volontairement restreint : seul un groupe d'environ vingt entreprises considérées comme "partenaires de confiance" y a accès via Codex et l'API, avec un élargissement prévu "dans les prochaines semaines". Sam Altman a confirmé qu'OpenAI avait initialement prévu un lancement grand public, mais a modifié ses plans à la demande explicite du gouvernement américain. La tarification est structurée : Sol coûte 5 dollars pour un million de tokens en entrée et 30 dollars en sortie, Terra 2,50 et 15 dollars, Luna 1 et 6 dollars. Sur le plan des performances, OpenAI revendique que Sol Ultra atteint 91,9 % sur le benchmark Terminal-Bench 2.1, dépassant selon certains observateurs Claude Mythos 5, tandis que Terra serait le premier modèle de taille intermédiaire à franchir les 80 % sur ce même test. Deux nouvelles fonctionnalités ont également été introduites : le "max reasoning" pour des raisonnements prolongés et un "ultra mode" mobilisant des sous-agents pour des tâches complexes. Ce lancement marque un tournant dans la manière dont les grands modèles de langage atteignent le marché : pour la première fois, un déploiement frontier est ouvertement conditionné par une décision gouvernementale, transformant ce qui était jusqu'ici un processus commercial en un mécanisme de contrôle public. Pour les développeurs et entreprises qui comptaient sur un accès immédiat, cela signifie des semaines d'attente supplémentaires. Pour l'écosystème plus large, cela établit un précédent : les gouvernements peuvent désormais influencer directement le calendrier de mise à disposition des modèles les plus puissants. Sur le plan tarifaire, la famille GPT-5.6 challenge directement Anthropic : Sol se positionne en dessous de Claude Mythos 5 (10/50 dollars) tout en revendiquant des performances supérieures sur certains benchmarks, ce qui pourrait accélérer une guerre des prix sur le segment haut de gamme. Ce lancement s'inscrit dans un contexte de tensions croissantes autour de la sécurité des IA frontier. OpenAI a pris soin de préciser que Sol ne franchit pas le seuil "Cyber Critical" de son cadre de préparation aux risques : dans des évaluations sur Chromium et Firefox, le modèle a identifié des failles et des primitives d'exploitation, mais n'a pas produit de chaîne d'exploit fonctionnelle de manière autonome. Ce soin dans la communication signale que la pression réglementaire s'intensifie autour des capacités offensives des modèles. En parallèle, la négociation en cours entre Anthropic et ses investisseurs autour de Fable, et l'assouplissement des contrôles Mythos, suggèrent que tous les grands laboratoires naviguent simultanément entre course aux performances et contraintes institutionnelles grandissantes.

LLMsOpinion

Aussi sur MarkTechPost,Next INpact,Numerama,VentureBeat AI