Actualités IA — page 9

9 245 articles au fil, du plus récent au plus ancien.

46

Illustration générée par IA

161AWS ML Blog 

Présentation de Reflection Beam : un modèle open-weight pour le code à base d'agents sur AWS

Reflection AI a présenté Beam, un modèle à poids ouverts conçu pour le codage agentique et les tâches de longue haleine : maintenance de code, utilisation d'outils, interprétation de résultats intermédiaires et exécution de workflows en plusieurs étapes. Il s'agit d'un modèle de type mixture d'experts parcimonieux, doté de 501 milliards de paramètres au total mais de seulement 23 milliards actifs par token. Reflection annonce une longueur de contexte effective d'un million de tokens. Les poids sont publiés sur Hugging Face sous licence Apache 2.0, en trois variantes de checkpoint (BF16, FP8 et NVFP4) qui offrent des empreintes mémoire et des compatibilités matérielles différentes. Amazon Web Services détaille trois voies de déploiement : un endpoint temps réel Amazon SageMaker JumpStart entièrement managé, JumpStart sur SageMaker HyperPod Inference pour ceux qui veulent un contrôle Kubernetes via Amazon EKS, et enfin SGLang ou vLLM sur HyperPod pour maîtriser l'image de service, les arguments d'exécution, la quantification et l'exécution distribuée. Au lancement, Beam est disponible dans JumpStart dans les régions US East (Virginie du Nord) et US East (Ohio). Cette publication importe parce qu'un modèle de cette taille, librement modifiable, devient exploitable en production sans dépendre d'une API fermée. Les équipes peuvent choisir leur environnement d'exécution, personnaliser le modèle et conserver la maîtrise de leurs données et de leurs coûts. Le choix entre les trois voies dépend du compromis entre simplicité et contrôle : l'endpoint JumpStart évite d'opérer Kubernetes, tandis que HyperPod expose le cluster, le routage, la mise en cache et l'autoscaling. Les 501 milliards de paramètres déterminent le stockage des checkpoints, la mémoire nécessaire aux poids, le partitionnement et le parallélisme, alors que les 23 milliards de paramètres actifs pèsent sur le calcul par token. Le dimensionnement doit aussi intégrer le cache KV, la longueur de contexte, le batching et la charge d'exécution, à partir de la concurrence et des objectifs de latence mesurés. Il faut également disposer d'un quota et d'une capacité GPU adaptés, d'un compte AWS avec les permissions voulues, de l'AWS CLI et de Python 3.11 ou supérieur, et accepter les conditions du modèle. Cette annonce s'inscrit dans la stratégie de Reflection AI, qui affirme vouloir rendre l'intelligence ouverte et accessible à tous grâce à des poids ouverts, des recherches publiées et des logiciels open source. L'entreprise développe une pile complète couvrant modèles, logiciels de base, infrastructure de production et applications, et Beam la décline vers les développeurs de systèmes d'ingénierie logicielle et d'agents. Pour AWS, l'enjeu est de proposer des modèles ouverts de pointe sur son infrastructure, en concurrence avec les offres fermées et avec les autres clouds. La disponibilité limitée à deux régions américaines au lancement laisse attendre une extension géographique, et la possibilité de passer de JumpStart à HyperPod ou à des runtimes personnalisés permet de monter en charge progressivement.

LLMs⚡Actu

1 source

47

Illustration générée par IA

162The Decoder 

Gemini 4 Argon de Google se rapproche de la frontière de l'IA plus que tout autre modèle de Google depuis des mois

Gemini 4 Argon, le nouveau modèle de Google DeepMind, a obtenu 97,5 % au benchmark ARC-AGI-3. Google devient ainsi le deuxième laboratoire, après OpenAI, à franchir la barre des 95 %. Ce chiffre est toutefois très sensible à la configuration du test. Dans le cadre standard (« harness »), le score tombe à 49,8 %, soit près de moitié moins. Argon reste par ailleurs en retrait face à ses concurrents en mathématiques et en génie logiciel, deux domaines où les rivaux de Google conservent une avance. Cet écart entre 97,5 % et 49,8 % relativise la portée du résultat. Un score de référence ne dit pas grand-chose s'il dépend autant des outils, des consignes et de l'environnement fournis au modèle. Pour les entreprises qui comparent les modèles avant de choisir un fournisseur, c'est un rappel que les classements publiés ne se transposent pas toujours à l'usage réel. Les faiblesses en mathématiques et en programmation comptent aussi, car ces compétences pèsent lourd dans les usages professionnels les plus rémunérateurs, notamment les assistants de développement et les agents autonomes. Argon rapproche néanmoins Google de la frontière technologique, ce qui n'était plus le cas de ses modèles précédents depuis plusieurs mois. Ces dernières années, Google a souvent donné l'impression de courir derrière OpenAI et Anthropic sur les modèles les plus avancés, malgré ses ressources considérables et ses infrastructures propres. ARC-AGI-3 appartient à la famille de tests censés mesurer la capacité d'un système à raisonner face à des problèmes inédits plutôt qu'à restituer des connaissances apprises. C'est justement ce qui rend le débat sur les protocoles d'évaluation si sensible. La suite dépendra de la capacité de Google à combler ses lacunes en mathématiques et en code, et de la manière dont la communauté fera évoluer les standards de test pour éviter que les résultats ne varient autant d'une configuration à l'autre.

LLMs⚡Actu

1 source

56

Illustration générée par IA

163The Verge AI 

Les nouvelles conditions de Meta pourraient lui permettre d'entraîner son IA sur des sites d'actualité sans payer

Meta a modifié ses conditions commerciales, qui entreront en vigueur le 30 octobre, et elles semblent l'autoriser à explorer et à collecter le contenu des sites web « associés » aux entreprises qui utilisent ses plateformes, y compris les sites d'éditeurs de presse. D'après un reportage du Nieman Lab, ces nouvelles clauses précisent que Meta peut exploiter ce contenu externe pour « développer, améliorer, rechercher » et « entraîner » ses produits d'intelligence artificielle. Le porte-parole de l'entreprise, Daniel Roberts, affirme qu'il s'agit simplement d'une « consolidation » des conditions commerciales et des conditions des outils publicitaires en libre-service. L'enjeu est considérable pour les médias en ligne. Des experts juridiques interrogés par le Nieman Lab estiment que ce libellé pourrait permettre à Meta de soutenir que ses conditions commerciales prévalent sur les autres instructions de blocage, comme le fichier robots.txt, que les sites utilisent pour interdire l'accès aux robots d'indexation. Un éditeur qui aurait fermé la porte aux crawlers de Meta pourrait donc voir son contenu aspiré malgré tout, dès lors qu'il achète de la publicité ou utilise un service de la plateforme. L'entraînement de modèles d'IA sur des articles de presse se ferait ainsi gratuitement, sans accord de licence ni rémunération, alors que d'autres acteurs de l'IA ont signé des contrats payants avec des groupes de presse. Ce dispositif s'inscrit dans un bras de fer plus large entre les développeurs d'IA et les producteurs de contenus. Le fichier robots.txt, simple convention technique sans valeur contraignante en soi, est devenu le principal outil de défense des éditeurs, mais sa portée juridique reste discutée. En l'adossant à un contrat commercial, Meta pourrait chercher à contourner cette limite en s'appuyant sur le consentement contractuel des annonceurs. Les éditeurs concernés devront examiner de près ces conditions avant leur entrée en vigueur, tandis que les contentieux sur le droit d'auteur et l'entraînement des IA se poursuivent.

Régulation⚖Reglementation

1 source

40

Illustration générée par IA

164The Decoder 

L'interprétabilité de l'IA est-elle proche d'une percée ? Un nouvel essai divise les chercheurs

Un nouvel essai affirme que les réseaux de neurones seraient bien plus lisibles qu'on ne le supposait. Selon sa thèse centrale, environ 90 % des neurones d'un modèle remplissent une fonction claire et identifiable. Cette affirmation contredit l'idée répandue selon laquelle l'intérieur des grands modèles d'IA resterait pour l'essentiel une boîte noire, impossible à déchiffrer unité par unité. Le texte a immédiatement divisé la communauté de la recherche : certains y voient les prémices d'une percée de l'interprétabilité, d'autres doutent que l'argument tienne face à un examen rigoureux. L'enjeu dépasse la curiosité scientifique, car il touche directement à la sécurité de l'IA. Si la plupart des neurones ont un rôle lisible, il devient envisageable de repérer un comportement trompeur ou dangereux directement dans les circuits du modèle, au lieu de se contenter d'observer ses réponses de l'extérieur. Les chercheurs en sécurité disposeraient alors d'un outil d'audit bien plus fiable, capable de détecter une intention problématique avant qu'elle ne se manifeste. À l'inverse, si la thèse s'avère fragile, l'idée d'une surveillance fine des modèles resterait en grande partie hors de portée. Ce débat s'inscrit dans une longue discussion sur la difficulté de comprendre ce que calculent réellement les modèles actuels. Depuis des années, l'interprétabilité est présentée comme l'un des principaux leviers pour rendre les systèmes avancés contrôlables, mais ses progrès restent contestés. Le désaccord actuel porte moins sur l'intérêt d'une telle lisibilité que sur la solidité des preuves avancées. Les prochaines vérifications et réponses de la communauté diront si l'essai marque un tournant ou une hypothèse séduisante de plus.

Sécurité❧Opinion

1 source

45

Illustration générée par IA

165InfoQ AI 

Présentation : des GPU qui explosent

Andrew Martin soutient que la sécurité de l'intelligence artificielle est indissociable de celle de Kubernetes. Dans sa présentation « Exploding GPUs », il dresse un état des lieux des menaces qui évoluent autour des charges de travail d'IA. Il en distingue trois sources principales: le comportement non déterministe des agents, les vulnérabilités de la chaîne d'approvisionnement des GPU et les risques liés au calcul partagé. Il propose aussi des parades concrètes, du filtrage des prompts par un pare-feu dédié jusqu'à l'identité propre aux agents, pour protéger les déploiements cloud-native en production. L'enjeu est pratique pour les équipes qui exploitent des modèles sur des clusters. Un agent dont les actions ne se prédisent pas à l'avance échappe aux règles statiques qui suffisaient pour des applications classiques. Les GPU, souvent mutualisés entre plusieurs équipes ou clients, créent des surfaces d'attaque où une charge compromise peut menacer ses voisines. Les composants matériels et logiciels qui les entourent, comme les pilotes et les bibliothèques, élargissent encore ce risque, car une faille en amont se propage jusque dans l'environnement de production. Les équipes plateforme et sécurité ne peuvent donc plus traiter l'IA comme une application ordinaire. Cette réflexion s'inscrit dans la montée en puissance de Kubernetes comme socle de référence pour héberger l'entraînement et l'inférence des modèles. À mesure que les agents obtiennent l'accès à des outils, des données et des API, la question de leur identité et de leurs droits devient centrale, et elle rejoint les pratiques éprouvées du monde cloud-native: moindre privilège, isolation, contrôle d'accès. Les acteurs de l'écosystème, des fournisseurs de cloud aux équipes de sécurité, devront probablement adapter ces mécanismes à des systèmes autonomes et imprévisibles.

Sécurité❧Opinion

1 source

43

Illustration générée par IA

166Frandroid 

Avec Live 1.1, ChatGPT peut enfin parler français sans accent américain

OpenAI a commencé jeudi 15 octobre à déployer GPT-Live-1.1, une mise à jour du mode vocal de ChatGPT. Cette version ajoute 13 nouvelles voix et promet des accents plus naturels, en particulier en français, langue pour laquelle l'assistant conservait jusqu'ici une prononciation marquée par l'anglais américain. Elle arrive environ trois mois après la sortie du premier modèle GPT-Live, ce qui témoigne d'un rythme d'itération rapide sur la voix. Le déploiement est progressif, et ses modalités précises d'accès n'ont pas été détaillées. Pour les utilisateurs francophones, l'enjeu est concret. Un accent étranger fatigue l'écoute, nuit à la compréhension et rappelle sans cesse que l'on parle à une machine. Une prononciation plus fidèle rend l'assistant plus agréable au quotidien, que ce soit pour se faire expliquer un sujet, préparer une conversation, apprendre une langue ou dicter des idées en mobilité. Les 13 voix supplémentaires élargissent aussi le choix de timbres et de styles, ce qui permet de mieux adapter l'outil à chacun. Cette annonce s'inscrit dans la course à l'interface vocale entre les grands acteurs de l'IA générative, où la qualité de la voix et le naturel des échanges deviennent des arguments de différenciation, au même titre que la puissance des modèles. La localisation, c'est-à-dire la capacité à bien parler chaque langue avec son accent propre, est un chantier majeur pour conquérir les marchés non anglophones. La suite dépendra de la qualité réelle constatée par les utilisateurs et de l'extension éventuelle de ces progrès à d'autres langues.

LLMs⚡Actu

1 source

38

Illustration générée par IA

167Frandroid 

Des projets « finis » à l’IA : pourquoi l’un des leaders de la décompilation de jeux jette l’éponge

Le 15 octobre 2026, Luke Street a fermé l'index public de decomp.dev et cessé d'accepter de nouveaux projets. Lancé en 2024, ce site recensait et suivait l'avancement de la décompilation de jeux rétro. Cette pratique consiste à reconstituer, à la main, un code source qui, une fois recompilé, redonne exactement le programme d'origine. Son créateur explique sa décision par l'arrivée de l'intelligence artificielle, qui aurait selon lui brisé l'entraide entre bénévoles, moteur de ces chantiers collectifs. Ce renoncement touche un écosystème où des centaines de passionnés travaillent sans rémunération, fonction après fonction, pendant des années. Un tel suivi public donnait de la visibilité aux projets, attirait de nouveaux contributeurs et permettait de mesurer concrètement les progrès. Si des projets sont désormais déclarés « finis » grâce à l'IA, la valeur de ces indicateurs s'érode : le pourcentage affiché ne reflète plus forcément le travail humain, la compréhension du code ni la transmission du savoir. Pour les communautés, c'est la confiance et la motivation qui sont en jeu, tout comme la place des nouveaux venus. Le mouvement de la décompilation s'est développé sur la base d'un effort partagé, où chacun relit, corrige et enrichit le travail des autres. L'irruption des outils génératifs pose la même question que dans d'autres communautés open source : comment accueillir des contributions produites en masse sans décourager ceux qui s'investissent à la main ? D'autres sites et projets pourraient adopter des règles plus strictes, ou choisir comme Luke Street de se retirer.

Société⚡Actu

1 source

44

Illustration générée par IA

168Next INpact 

Microsoft l’assure, son Windows 11 évolue dans le bon sens

Dans un billet publié le 15 octobre, Microsoft affirme que Windows 11 progresse sensiblement après une série d'annonces au printemps et plusieurs mois d'améliorations, de nouvelles fonctions et de corrections. L'éditeur met d'abord en avant les performances : l'ensemble du système serait jusqu'à 20 % plus réactif, avec des gains perceptibles dès le démarrage du PC et dans le menu Démarrer, l'Explorateur de fichiers, la recherche, l'Outil de capture, Microsoft 365 ou Edge. Une grande part de ce travail repose sur une gestion plus « intelligente » de la mémoire et des ressources. Les effets varient selon les configurations, mais les machines dotées de seulement 8 Go de mémoire en profiteraient le plus : Windows 11 peut y conserver jusqu'à 2 Go supplémentaires de « données actives » en mémoire plutôt que de les déplacer vers un stockage plus lent (le swap). Les widgets ne sont plus chargés qu'à l'ouverture, ce qui économise 200 Mo. Microsoft cite aussi des progrès concrets au quotidien, comme des casques Bluetooth plus fiables à l'appairage et à la reconnexion, avec des AirPods connectés jusqu'à 15 secondes plus vite, une connexion accélérée via Windows Hello et la poursuite de sa Driver Quality Initiative visant la qualité des pilotes tiers, déjà évoquée cet été. Ces annonces comptent parce qu'elles touchent d'abord les utilisateurs aux configurations modestes, nombreux parmi ceux qui ont dû migrer vers Windows 11. Un gain de mémoire sur des machines à 8 Go, encore très répandues dans les parcs grand public et professionnels, peut changer la fluidité ressentie sans aucun achat de matériel. La fiabilité du Bluetooth et des pilotes s'attaque à des irritants quotidiens qui nourrissent depuis longtemps la défiance envers le système. Pour Microsoft, l'enjeu est aussi d'image : le billet vise explicitement à convaincre que les choses changent réellement, et pas seulement dans les communiqués. Reste que ces chiffres proviennent de l'éditeur lui-même, avec des résultats annoncés comme variables selon les machines, et qu'ils devront être confirmés par des mesures indépendantes et par le ressenti des utilisateurs. Windows 11 se trouve dans une position inconfortable. Il traîne une mauvaise réputation héritée d'un manque de nouveautés à sa sortie et d'exigences matérielles strictes. Il subit aussi le sentiment d'une mise à jour forcée depuis la fin du support de Windows 10, même si l'Europe bénéficie d'une situation un peu moins précaire. Sa pertinence est enfin questionnée à une époque où Linux n'a plus grand-chose à envier à Windows pour le jeu vidéo, et où le foisonnement logiciel explose grâce au vibe coding. Microsoft cherche donc à reprendre la main sur le récit en multipliant les démonstrations d'amélioration. Le billet annonce par ailleurs d'autres chantiers, dont une nouvelle recherche et une nouvelle application Photos, dont le détail n'est pas précisé ici. La suite dépendra de la capacité de l'éditeur à tenir ses promesses de stabilité sur la durée.

Outils⚒Outil

1 source

43

Illustration générée par IA

169MarkTechPost 

Liquid AI lance d1-ultra, un modèle de décision multimodal qui obtient 65 à l'AA Decision Index

Liquid AI a lancé d1-ultra, le plus performant de ses modèles de décision, accessible dès maintenant via l'API de l'entreprise au tarif de 0,042 dollar par million de tokens d'entrée. Le modèle lit du texte, des images ou les deux, et répond à des questions typées en attribuant une probabilité à chaque réponse possible. Il le fait en un seul passage avant, sans générer le moindre token de sortie, ce que confirme la documentation de l'API d1, où le champ output_tokens reste toujours à zéro. Trois types de questions sont gérés : oui/non avec une probabilité entre 0 et 1, choix d'une étiquette parmi plusieurs avec une probabilité par étiquette, et score pondéré sur une grille ordonnée. Liquid affirme que d1-ultra domine les 8 catégories de sa suite de 112 évaluations et surpasse Jev 1.14 de TypeSafe sur toutes les tâches, au même prix. Sur l'Artificial Analysis Decision Index, il obtiendrait 65, soit la première place selon Liquid. Le nombre de paramètres et la longueur de contexte ne sont pas divulgués. Pour les développeurs, l'intérêt est concret : classification, routage, modération, garde-fous, tri et remplacement des « LLM juges » peuvent s'exécuter sans payer de texte généré, avec une sortie directement exploitable par le code. Seuls les tokens d'entrée sont facturés. Une image coûte 1,5 token par bloc de 32×32 pixels, soit 1 536 tokens pour une image de 1024×1024. Chaque question est facturée comme un prompt distinct, texte et images compris : trois questions sur une même image la facturent donc trois fois. Liquid cible des cas ambigus, comme repérer un défaut sur une carte électronique par rapport à une spécification, ou vérifier une déclaration de dommage à partir de la photo du client. Les gains seraient les plus marqués sur les tâches de connaissance. Pour les tâches de résumé, de conversation ou de génération de code, la documentation recommande en revanche un modèle de langage classique. Ce lancement s'inscrit dans l'émergence d'une catégorie encore jeune, celle des modèles de décision, où Liquid affronte TypeSafe, Microsoft et Fastino. L'indice d'Artificial Analysis, publié le 13 octobre, moyenne quatre évaluations à 25 % chacune : AA-Omniscience-Decision (connaissance et hallucination), HLE-MultiChoice (raisonnement), When2Call (appel d'outils) et WildGuardTest (classification de sécurité). Il plaçait alors Jev 1.13 en tête avec 58, devant GLiDE de Fastino et Microsoft-Decision-1, tous deux à 54. Le score de 65 reste toutefois rapporté par Liquid, sans détail public par benchmark. Liquid explique que d1-ultra repose sur une base open-weight plus grande que d1, avec de fortes personnalisations maison, mais le modèle n'est disponible que via l'API, sans poids téléchargeables ni versions quantifiées. La prise en charge de Vercel AI Gateway et d'OpenRouter est annoncée comme prochaine, et un terrain de test est ouvert dans le d1 Playground.

LLMs⚡Actu

1 source

50

Illustration générée par IA

170Next INpact 

Pour Linus Torvalds, le code généré par IA est légitime, à condition de savoir le lire

Linus Torvalds estime que le code généré par intelligence artificielle est parfaitement légitime dans le noyau Linux, à condition que celui qui le soumet sache le lire et comprenne le fonctionnement du noyau. Le débat a démarré en juillet 2025, quand Sasha Levin, développeur chez NVIDIA et co-mainteneur des versions LTS, a proposé de marquer les contributions produites par des LLM avec une étiquette « Co-developed-by », devenue ensuite « Assisted-by ». Adoptée au Maintainers Summit de fin 2025, malgré les doutes déjà exprimés par Torvalds, elle a été formalisée dans un document coding-assistants.rst intégré au noyau 7.0. Au fil de 2026, Torvalds a refusé que la documentation prenne parti, puis s'est emporté en mai contre la multiplication de rapports de bugs automatiques de mauvaise qualité. En juillet, à propos de Sashiko, le service de Google qui relit automatiquement la liste de diffusion du noyau, il a rappelé que les mainteneurs jugent l'IA utile lorsqu'elle est bien employée et qu'il ne fallait pas rejeter ces rapports en bloc. Lors du Maintainers Summit de Prague, le 8 octobre, Jonathan Corbet (LWN.net) a rapporté que le noyau 7.3 compte 18 533 changements, dont 10 % portent la mention « Assisted-by », un chiffre sûrement très inférieur à la réalité. Ces chiffres montrent que l'assistance par IA est déjà installée dans le processus de développement du projet open source le plus critique du monde. Les candidates 6 et 7 du noyau 7.3 corrigent des centaines de bugs, alors qu'elles n'en traitent traditionnellement que quelques-uns à ce stade : cette « nouvelle normalité » suggère que les outils automatiques détectent et corrigent bien plus de défauts qu'avant. L'enjeu concerne aussi les mainteneurs, dont le temps de relecture est limité. Selon Torvalds, le problème ne vient pas des modèles mais d'utilisateurs, souvent de nouveaux contributeurs, qui ne savent ni s'en servir ni comment fonctionne le noyau. Il demande que leurs contributions reçoivent une faible priorité et que la communauté cesse de chercher à faciliter la contribution. Plusieurs développeurs ont indiqué avoir essayé de les encadrer, presque toujours en vain, faute d'écoute. Cette position s'inscrit dans une crispation plus large du monde du libre face au « slop », ces contenus générés à la hâte et de faible qualité. L'équipe de FFmpeg avait déjà dénoncé les rapports de bugs produits sans discernement par des LLM. Pour certains, le code généré trahit l'esprit du libre, pour d'autres il ne pose aucun problème. Torvalds tranche en déplaçant la question de l'outil vers la responsabilité de l'humain qui signe le correctif. À Prague, les mainteneurs ont convenu que l'étiquette « Assisted-by » était désormais obsolète, ce qui en réduit l'intérêt puisque l'assistance devient la norme. Le développeur Laurent Pinchart s'y est toutefois opposé, ce qui relance la discussion, et Torvalds s'est de nouveau fâché. La suite dira si la communauté maintient ce marquage ou s'oriente vers une exigence centrée sur la compétence et la responsabilité des contributeurs.

Société❧Opinion

1 source

46

Illustration générée par IA

171FrenchWeb 

Positive lance ses MCP pour connecter les assistants IA directement aux campagnes marketing et commerciales des PME

Positive, éditeur de solutions marketing et commerciales destinées aux PME, lance ses propres serveurs MCP (Model Context Protocol). Ils permettent à un assistant IA de se connecter directement aux outils de l'entreprise, d'en analyser les données et de déclencher des actions, sans se limiter à répondre à des questions. Selon l'annonce relayée par FrenchWeb, un seul agent IA peut ainsi orchestrer tout le parcours client, de la visibilité dans les moteurs de recherche jusqu'à la vente. Il n'a pas besoin de changer d'outil, et la chaîne des autorisations reste intacte. Pour les PME, l'enjeu est concret. Elles jonglent souvent entre plusieurs logiciels de référencement, de campagnes et de suivi commercial, avec peu de ressources pour les relier. Un agent qui agit à l'intérieur de ces outils, plutôt qu'à côté, peut automatiser des tâches répétitives et croiser des données auparavant cloisonnées. Le maintien des autorisations répond à une inquiétude fréquente des dirigeants : laisser une IA agir sans lui ouvrir un accès illimité aux données ou aux fonctions sensibles. Cette annonce s'inscrit dans l'adoption rapide du standard MCP, lancé par Anthropic fin 2024 pour relier les modèles d'IA aux outils et aux sources de données externes. De nombreux éditeurs de logiciels l'adoptent pour que leurs produits restent accessibles aux assistants IA, qui deviennent un point d'entrée de plus en plus courant dans le travail quotidien. Positive se positionne sur ce terrain face à des concurrents qui multiplient les intégrations similaires. Les suites dépendront de l'adoption par les PME et de la capacité des éditeurs à garantir la sécurité de ces connexions.

Outils⚒Outil

1 source

57

Illustration générée par IA

172Next INpact 

Avec Muse Spark Open, Meta ouvre les poids et se rapproche d’Apple

Avec Muse Spark Open, Meta publie un modèle multimodal à poids ouverts de 816 milliards de paramètres, dont 42 milliards sont actifs pour chaque token grâce à une architecture Mixture of Experts. Il dispose d'une fenêtre de contexte de 1 million de tokens et accepte en entrée du texte, des images, de la vidéo et de l'audio, mais ne génère que du texte. Meta le présente comme « le modèle à poids ouverts américain le plus capable », conçu pour la programmation et les tâches agentiques, notamment les travaux de longue haleine et le raisonnement en plusieurs étapes. Face à ses concurrents à poids ouverts, il arrive premier sur deux des trois benchmarks agentiques (JobBench et MCP-Atlas), mais il est dépassé sur GDPval-AA v2 par trois modèles chinois et par Mistral Large 4. En programmation, il ne décroche aucune première place : il est derrière quatre rivaux sur Terminal-Bench 2.1 et dans la moyenne sur DeepSWE. Au total, Meta revendique six premières places sur onze benchmarks. Les comparaisons avec les modèles fermés d'OpenAI et d'Anthropic sont absentes du tableau. Le modèle est optimisé avec Apple pour tourner en local sur des Mac Studio équipés de la puce M5 Ultra, dont la bande passante atteint 1,2 To/s. Deux machines de 512 Go de mémoire, reliées en Thunderbolt 5, offrent un téraoctet au total et suffisent à loger les 816 milliards de paramètres quantifiés en 4 bits. Le framework MLX d'Apple répartit l'exécution entre les machines, et Meta indique qu'on peut monter jusqu'à quatre Mac Studio. Le ticket d'entrée reste élevé : la configuration à deux machines devrait aisément dépasser 30 000 euros, Apple n'ayant pas encore annoncé le prix de l'option mémoire de 512 Go. Pour les entreprises et les développeurs soucieux de confidentialité ou de souveraineté, l'intérêt est de faire tourner un modèle de rang frontière sans dépendre d'une API distante. Pour Apple, c'est une démonstration de la valeur de sa mémoire unifiée pour l'IA locale. Cette sortie referme un cycle agité pour Meta. Sa famille Llama devait lui servir d'arme face aux modèles propriétaires d'OpenAI, d'Anthropic et de Google, mais Llama 4, publié en avril 2025, a été entaché d'accusations de manipulation de benchmarks. Mark Zuckerberg a alors fait créer un nouveau laboratoire, dont les membres ont été recrutés à prix d'or dans la Silicon Valley et au-delà. Le premier résultat, un an plus tard, fut Muse Spark, un modèle fermé. Meta est revenu aux poids ouverts cet été avec Muse Glimmer, 30 milliards de paramètres sous licence Apache 2.0, au moment où le débat sur les modèles ouverts battait son plein, dominé par les laboratoires chinois. Spark Open prolonge ce retour. Le rapprochement avec Apple, longtemps rival acharné de Meta, illustre à quel point l'IA recompose les alliances. Reste à voir si les développeurs adopteront un modèle aussi gourmand en mémoire et si Meta publiera des comparaisons avec les modèles fermés.

LLMs⚡Actu

Aussi surAWS ML Blog

46

Illustration générée par IA

173FrenchWeb 

Avec New Material, MISTRAL veut maîtriser le passage du modèle au produit

Mistral AI, la start-up française spécialisée dans les modèles d'intelligence artificielle, a annoncé l'acquisition de New Material. L'opération vise à renforcer les équipes chargées de transformer un modèle en outil réellement utilisable en entreprise. Les conditions financières de la transaction ne sont pas précisées dans les éléments disponibles. L'objectif est de maîtriser une étape que les fournisseurs de modèles confiaient souvent à des partenaires: concevoir l'interface adaptée aux salariés d'un client, puis la relier à ses logiciels existants. L'enjeu est concret. Un modèle capable d'analyser un document ou d'écrire du code ne crée de valeur que s'il s'insère dans les processus quotidiens d'une organisation. Cela suppose de développer des outils sur mesure, de gérer les connexions aux systèmes internes et d'accompagner les utilisateurs. En internalisant ces compétences, Mistral peut proposer à ses clients des solutions plus complètes et réduire sa dépendance à des intégrateurs tiers. Pour les entreprises, cela promet des déploiements plus rapides et un interlocuteur unique, de la technologie de base jusqu'à l'usage final. Cette acquisition s'inscrit dans un mouvement plus large du secteur. OpenAI et Anthropic investissent eux aussi pour accompagner leurs clients au-delà de la simple fourniture d'un modèle. À mesure que les performances des modèles se rapprochent, la différenciation se déplace vers la capacité à livrer des produits intégrés et fiables. Pour Mistral, qui se positionne comme l'acteur européen face aux géants américains, il s'agit de consolider sa place auprès des grandes entreprises. D'autres rachats ou recrutements d'équipes spécialisées dans l'intégration pourraient suivre.

Business⚡Actu

1 source

48

Illustration générée par IA

174Latent Space 

[AINews] Des agents réfutent la polysémanticité et améliorent nettement l'interprétabilité et l'alignement

Meta a publié le 15 octobre 2026 Muse Spark Open, un modèle à mélange d'experts de 816 milliards de paramètres au total dont 42 milliards actifs, doté d'une fenêtre de contexte d'un million de tokens. Il accepte en entrée du texte, des images, de la vidéo et de l'audio, et vise le code, les agents à longue durée d'exécution et le raisonnement en plusieurs étapes. Il compte 62 couches de décodeur, toutes de type MoE, avec 256 experts par couche dont 8 actifs par token. Selon Artificial Analysis, il obtient 39 à son indice d'intelligence, ce qui en fait le meilleur modèle à poids ouverts américain, mais il reste derrière GLM-5.3 (45) et Kimi K3 (44). Il consomme seulement 40 000 tokens de sortie par tâche et mène les modèles ouverts sur AA-Omniscience (25), mais termine dernier parmi les neuf meilleurs sur les quatre évaluations agentiques, ce qui explique l'intégralité des 6 points d'avance de GLM-5.3. Le tarif de lancement chez Together, Fireworks et Baseten est de 1,25 $ en entrée et 4,25 $ en sortie par million de tokens, soit 0,84 $ par tâche de l'indice, contre 2,01 $ pour GLM-5.3. Les poids en BF16 pèsent environ 1,6 To, et la version quantifiée NVFP4 environ 530 Go. Le support de llama.cpp, vLLM et Unsloth était disponible dès le premier jour. Pour l'écosystème ouvert, c'est la première réponse américaine crédible face aux modèles chinois qui dominent le classement, avec un coût par tâche nettement inférieur à celui de ses rivaux directs. Les 530 Go de la version NVFP4 tiennent sur quatre GPU Blackwell Ultra, huit H200 ou deux Mac Studio M5 Ultra de 512 Go, ce qui le met à portée de nombreuses organisations. Son point faible en tâches agentiques limite toutefois son intérêt pour les usages où l'autonomie compte le plus. La licence maison, qui exige la mention « Built with Muse Spark Open » et un accord séparé pour les services de modèle dépassant 20 millions de dollars de revenus annuels, a été jugée mauvaise par Nathan Lambert. Elle freinera sans doute une partie des intégrateurs commerciaux. Ce lancement tient la promesse faite par Meta de publier une version ouverte de sa famille Muse, mais avec un modèle plus faible que son Spark 1.3, plutôt comparable à un Spark 1.2. Selon Jack Rae, il s'agit du premier modèle de base entraîné sous la nouvelle organisation MSL, avec un entraînement complémentaire pour la version ouverte. Sur le plan architectural, Muse est le seul grand modèle ouvert américain sans experts partagés, et il recourt à des résidus à portes et à des multiplicateurs de type muP. Le même jour, un autre sujet a retenu l'attention : Nick Cammarata, de Goodfire, a publié un essai défendant que « les réseaux de neurones sont déjà propres ». Selon lui, de nombreux cas connus de polysémanticité et de superposition, ces nœuds de poids rebelles à l'interprétation humaine, cèdent face à une analyse agentique plus poussée. Si cette thèse se confirme, elle ouvrirait la voie à une interprétabilité et un alignement bien meilleurs, et justifierait une baisse globale des estimations de risque catastrophique.

LLMs⚡Actu

1 source

50

Illustration générée par IA

175MarkTechPost 

Meta publie Muse Spark en open source : un MoE de 816 milliards de paramètres, contexte de 1 million de tokens

Meta Superintelligence Labs a publié Muse Spark Open, la version à poids ouverts de son modèle Muse Spark. Il s'agit d'un modèle de type mélange d'experts (MoE) de 816 milliards de paramètres au total, dont 42 milliards sont activés par token. Il compte 256 experts, dont 8 sont sollicités à chaque token, et 62 couches. Il accepte du texte, des images, de la vidéo et de l'audio en entrée, produit du texte et gère une fenêtre de contexte d'un million de tokens. Un encodeur de perception distinct de 1,8 milliard de paramètres traite la vision. Les poids sont disponibles sur Hugging Face en BF16 (environ 1,6 To) et en NVFP4 (environ 530 Go, seuls les experts étant quantifiés). Meta revendique le titre de modèle ouvert américain le plus performant à ce jour. Sur les benchmarks, le modèle brille en usage d'outils et en fiabilité des connaissances : 89,2 sur MCP-Atlas (devant Qwen3.8 à 84,5 et GLM 5.3 à 84,2), 26,1 sur HLE-Diamond sans outils (contre 22,2 pour Kimi K3) et 50,0 sur ZeroBench avec outils (contre 41,0). Le code reste son point faible : 76,4 sur Terminal-Bench 2.1, loin de Kimi K3 (85,0), GLM 5.3 (83,9) et Qwen3.8 (82,0). L'enjeu concret tient au déploiement. La version NVFP4 tourne sur deux Mac Studio équipés de puces M5 Ultra et de 512 Go de mémoire chacun, reliés en Thunderbolt 5 avec RDMA, grâce au parallélisme tensoriel de MLX. En centre de données, quatre GPU Blackwell Ultra ou huit H200 suffisent. Les versions GGUF 2 bits d'Unsloth tiennent dans environ 300 Go de mémoire. Un modèle de cette taille devient ainsi accessible à de petites équipes et à des laboratoires qui ne disposent pas d'un cluster. L'écosystème est prêt dès le premier jour : SGLang, vLLM, TensorRT-LLM, Transformers, MLX et llama.cpp le prennent en charge, et des API hébergées existent chez Baseten, Fireworks, Groq, Modal, Nebius, OpenRouter et Together AI. OpenRouter facture 1,25 dollar par million de tokens en entrée et 4,25 dollars en sortie. Deux modèles brouillons accélèrent le décodage, et Meta annonce un débit multiplié par 3,7 avec DFlash V2 sur AMD MI355X. Le réglage fin passe par TorchTitan, TRL ou NeMo AutoModel. Le contexte est celui d'une course à l'ouverture dominée par les laboratoires chinois. Sur l'indice d'intelligence d'Artificial Analysis, Muse Spark Open obtient 39, derrière GLM 5.3 (45), Kimi K3 (44) et Qwen3.8 (40). Le qualificatif de meilleur modèle ouvert américain tient donc, mais les modèles chinois gardent l'avantage global, et certains scores des concurrents sont auto-déclarés. Meta a ajouté une phase de post-entraînement dédiée à la sécurité, censée rendre le modèle plus robuste sans garde-fous au niveau du système. La licence Muse Model autorise l'usage, le réglage fin, la distillation et la redistribution, avec deux conditions principales. Les produits doivent afficher la mention « Built with Muse Spark Open », et les fournisseurs de modèle en service dépassant 20 millions de dollars de revenus sur douze mois sont soumis à des obligations supplémentaires. La raideur de cette licence, comme la capacité de Meta à rattraper son retard en programmation, déterminera l'adoption du modèle par les développeurs.

LLMs⚡Actu

Aussi surThe Decoder

47

Illustration générée par IA

176The Verge AI 

ChatGPT peut désormais consulter vos onglets Chrome

OpenAI enrichit l'extension Chrome de ChatGPT. Une fois l'extension installée, l'assistant peut consulter les onglets déjà ouverts dans le navigateur, à condition que l'utilisateur mentionne Chrome dans l'application web ou de bureau de ChatGPT. Dans une vidéo de démonstration, une personne demande à ChatGPT de comparer trois onglets ouverts, qui présentent chacun un canapé qu'elle envisage d'acheter. OpenAI présente cette nouveauté comme la première d'une série de mises à jour pour les utilisateurs de Chrome. L'entreprise dit vouloir mettre la puissance du « computer use », c'est-à-dire la capacité d'une IA à agir dans un environnement numérique, à la portée de toute personne qui utilise ce navigateur. Le changement est surtout pratique. Jusqu'ici, faire analyser des pages déjà consultées obligeait à copier des liens ou du contenu dans la conversation. Désormais, ChatGPT s'appuie sur ce que l'utilisateur a déjà sous les yeux pour comparer des produits, croiser des sources ou accomplir certaines tâches à sa place, avec des réponses plus pertinentes. L'assistant s'intègre ainsi aux habitudes de navigation de millions de personnes, sans leur demander de changer d'outil. Cet accès aux onglets soulève toutefois des questions de confidentialité, puisque ceux-ci peuvent contenir des informations personnelles ou professionnelles sensibles. Cette annonce arrive alors que ChatGPT Atlas, le navigateur développé par OpenAI, a été abandonné. L'entreprise mise désormais sur une extension pour Chrome plutôt que sur un navigateur concurrent à créer de toutes pièces. Ce choix illustre le déplacement de la compétition entre assistants d'IA vers le navigateur, point d'entrée quotidien vers le web. D'autres annonces pour les utilisateurs de Chrome sont déjà promises.

Outils⚒Outil

1 source

41

Illustration générée par IA

177The Verge AI 

Trump publie une photo retouchée par IA pour vanter les travaux de rénovation de la Maison-Blanche

Le président Donald Trump a publié sur Truth Social une série de photos vantant les travaux de rénovation de la Maison-Blanche. L'une d'elles semble avoir été retouchée par intelligence artificielle. L'image compare une colonne de la résidence présidentielle avant et après « restauration ». L'outil de détection d'IA de Google l'a signalée comme « créée ou modifiée avec OpenAI ». Des internautes sur Reddit ont relevé plusieurs incohérences. La colonne « restaurée » présente un nombre inégal de marches de chaque côté de la structure, et ce nombre ne correspond pas à celui de la photo « avant ». Les deux clichés ont aussi un angle de prise de vue et un niveau de détail presque identiques, ce qui est peu plausible pour deux photos prises à des moments différents. L'épisode montre qu'un contenu publié par le chef de l'État lui-même, censé documenter un chantier bien réel, peut mêler image authentique et image générée sans que rien ne soit précisé. Pour le public et les journalistes, cela complique la vérification des communications officielles. Même si les travaux ont bien eu lieu, une seule image douteuse jette le soupçon sur l'ensemble de la série. Cela illustre aussi l'utilité croissante des outils de détection et de la vigilance collective des internautes face aux contenus truqués. Cette affaire s'inscrit dans la banalisation des images générées ou retouchées par IA dans la communication politique, alimentée par des outils d'éditeurs comme OpenAI, devenus faciles d'accès. Les plateformes et les entreprises technologiques développent des mécanismes de marquage et de détection, mais leur fiabilité reste débattue. La Maison-Blanche n'avait pas, à ce stade, expliqué l'origine de l'image.

Société⚡Actu

1 source

46

Illustration générée par IA

178The Verge AI 

L'outil d'IA de Bluesky permet désormais de créer des jeux et des applications à partager sur le réseau social

Attie, l'outil d'IA de Bluesky lancé plus tôt cette année pour créer ses propres fils d'actualité grâce à l'intelligence artificielle, permet désormais de fabriquer de « petites » applications sociales : jeux, sondages, tableaux de bord. Chacune peut ensuite être partagée comme un site web à part entière. Lors de TechCrunch Disrupt, le PDG de Bluesky, Toni Schneider, a décrit Attie comme du « vibe coding social, ou du vibe coding pour votre communauté ». Il suffit de saisir une instruction en langage naturel : un journaliste de The Verge a ainsi obtenu en quelques minutes un sondage opposant Pokémon Rouge et Pokémon Bleu. Le site d'Attie met par ailleurs en avant plusieurs exemples plus complets créés par des utilisateurs. Cette évolution déplace Bluesky du terrain de la simple personnalisation de flux vers celui de la création d'outils communautaires. Des personnes sans compétences en programmation peuvent désormais produire un mini-service sur mesure pour un groupe de fans, une association ou un cercle d'amis, sans passer par un développeur ni par une plateforme tierce. Pour Bluesky, c'est aussi une manière de montrer ce que son architecture ouverte permet, là où les grands réseaux fermés laissent peu de place aux applications conçues par leurs propres utilisateurs. Le réseau gagne ainsi un argument pour se distinguer de X ou de Threads. Le mouvement s'inscrit dans l'essor du « vibe coding », qui consiste à décrire un logiciel en langage courant et à laisser un modèle d'IA écrire le code. Bluesky s'appuie sur le protocole AT, conçu pour que des services indépendants se greffent sur un même réseau social. Attie en est une application directe, après une première version centrée sur les fils personnalisés. Reste à savoir si ces mini-applications trouveront un véritable public, et comment Bluesky gérera la modération et la qualité de contenus générés automatiquement et diffusés à grande échelle.

Outils⚒Outil

1 source

37

Illustration générée par IA

179MarkTechPost 

NVIDIA lance Nemotron 3.5 Super VL, un modèle multimodal ouvert de 120 milliards de paramètres pour agents autonomes

NVIDIA a publié Nemotron 3.5 Super VL, un modèle ouvert de vision-langage destiné aux agents d'entreprise fonctionnant en continu. Il s'agit d'un mélange d'experts de 120 milliards de paramètres au total, dont 12 milliards sont activés par jeton. Il lit du texte, des images, des documents et de la vidéo (clips MP4 de deux minutes maximum), puis raisonne, appelle des outils et écrit du code, avec une fenêtre de contexte allant jusqu'à un million de jetons. Le raisonnement peut être activé ou désactivé via le modèle de conversation. Les poids sont distribués sous licence OpenMDW-1.1, accompagnés de jeux de données ouverts, de recettes d'entraînement et d'environnements d'apprentissage par renforcement dans NeMo Gym. NVIDIA a aussi lancé deux modèles pour l'edge, Nemotron 3.5 Bolt 74B-A9B et Bolt E4B. Selon les scores publiés par le constructeur pour le point de contrôle NVFP4, le modèle atteint 89,90 sur GPQA-Diamond, 71,07 sur SWE-bench Verified, 60,80 sur Terminal-Bench 2.1, 77,5 sur BrowseComp, 79,88 sur CharXiv reasoning et 52,3 sur OSWorld-Verified. Son point faible est tau3-bench banking, avec 17,78. Pour les développeurs, un seul point de contrôle ouvert remplace la combinaison d'un modèle de texte et d'un modèle de vision distincts. Le modèle tient sur un seul DGX Spark, un H200 ou un GB200, ou sur deux H100 avec la version NVFP4, et une version BF16 est également disponible. NVIDIA revendique jusqu'à cinq fois plus de débit par GPU que les modèles ouverts concurrents, et plus de 600 jetons par seconde sur les tâches agentiques d'Artificial Analysis via un point d'accès Baseten. Sur les évaluations de harnais d'agents, il dépasse Nemotron 3 Ultra, pourtant doté d'environ 4,6 fois plus de paramètres : 63,44 % contre 56,33 % sur Hermes Bench, et 87,05 % contre 84,3 % sur les évaluations LangChain. Ces chiffres sont tous publiés par NVIDIA, et le faible score en tâches bancaires de longue durée rappelle que les agents autonomes restent fragiles sur les scénarios longs. L'architecture entrelace des couches Mamba-2, des couches de mélange d'experts (512 experts routés par couche) et de l'attention. Un encodeur visuel C-RADIO, relié par un connecteur, injecte images, pages de documents et images vidéo dans le modèle de langage. La vitesse repose sur quatre techniques : la prédiction multi-jetons, où un générateur natif propose plusieurs jetons vérifiés en une seule passe ; LiLiCorr, un décodage spéculatif pour DGX Spark, jusqu'à 2,3 fois plus rapide ; la quantification NVFP4 avec distillation consciente de la quantification (poids et activations en 4 bits sur Blackwell) ; et la réutilisation du contexte, qui conserve caches d'attention et états Mamba entre les tours d'un agent. Le modèle a été distillé à partir de Nemotron 3 Ultra et entraîné sur environ 26 000 milliards de jetons. Le post-entraînement a mobilisé environ 3,8 millions d'échantillons et de l'apprentissage par renforcement dans des dizaines d'environnements, et un pré-entraînement continu a ajouté 10 milliards de jetons en langues indiennes. NVIDIA poursuit ainsi sa stratégie de modèles ouverts, efficaces et adaptés à ses propres puces, pour faire de son matériel la plateforme de référence des agents d'entreprise.

LLMs⚒Outil

1 source

49

Illustration générée par IA

180The Verge AI 

Meta et Apple s'associent pour optimiser les modèles d'IA Muse sur les Mac

Meta a dévoilé Muse Spark Open, un modèle d'IA à poids ouverts qu'elle présente comme « le modèle ouvert américain le plus performant à ce jour ». Le groupe affirme aussi qu'il s'agit du premier modèle de sa catégorie pouvant tourner sur un poste de travail, grâce à deux Mac Studio équipés de puces Apple M5 Ultra et du dernier framework MLX d'Apple. Le lancement s'est fait en coordination avec Apple : Mark Zuckerberg a remercié publiquement John Ternus, nouveau PDG d'Apple, et l'équipe de la firme à la pomme pour leur travail. Ternus a répondu en félicitant les équipes et en saluant la possibilité de faire fonctionner un modèle de cette ampleur en local. Cette annonce change concrètement l'accès aux grands modèles. Jusqu'ici, faire tourner un modèle de ce niveau exigeait des grappes de GPU coûteuses ou un recours au cloud. Pouvoir l'exécuter sur deux machines de bureau grand public ouvre la voie à des usages où les données restent en local, sans dépendance à un fournisseur ni facturation à l'usage. Les développeurs, les chercheurs et les entreprises soucieuses de confidentialité en sont les premiers bénéficiaires. Pour Apple, c'est une démonstration de la capacité de son architecture à mémoire unifiée à accueillir des charges d'IA lourdes. Pour Meta, c'est un argument supplémentaire en faveur de sa stratégie d'ouverture. Les deux entreprises sont habituellement concurrentes, notamment sur les plateformes, la vie privée et le matériel de réalité mixte. Leur rapprochement public est donc notable. Il s'inscrit dans une course où les laboratoires américains cherchent à répondre à la pression des modèles ouverts venus de Chine, en revendiquant le leadership dans l'open-weight. Pour Apple, soutenir un modèle ouvert performant sur son matériel permet de valoriser ses Mac comme plateformes d'IA locale, alors que l'entreprise a été critiquée pour son retard sur l'IA générative. La suite dépendra des performances mesurées de façon indépendante et de l'adoption du modèle par la communauté des développeurs.

LLMs⚡Actu

1 source