Anthropic ouvre les message threads en bêta publique, Sakana AI annonce Sawara, OpenAI lance Grid Protectors

Anthropic ouvre en bêta publique les message threads de l’API Messages, déjà actifs dans Claude Code, où ils réduisent d’environ 35 % le délai avant le premier token sur les plus longues requêtes. Sakana AI annonce Sawara, ses premiers modèles préentraînés de zéro, tandis qu’OpenAI lance Grid Protectors pour rendre ses campus de calcul effaçables face au réseau électrique et publie LifeVal, un banc d’essai de tâches de la vie quotidienne. Perplexity publie BrowseSafe++ contre l’injection de prompt, NVIDIA outille la simulation avec Cosmos 3 Nano, et Runway, Synthesia et ElevenLabs installent les médias génératifs dans les assistants et les agents.

L’API Messages lance les message threads en bêta publique, déjà actifs dans Claude Code

2 novembre — Anthropic ouvre en bêta publique les fils de messages (message threads) sur l’API Messages. Jusqu’ici, un agent renvoyait à chaque tour toute la conversation, résultats d’outils compris. Avec un fil, la première requête envoie la conversation complète, avec le prompt système et les outils ; les suivantes n’envoient que les nouveaux messages et l’identifiant de la réponse précédente, et l’API reconstitue le reste avant d’appeler le modèle. Il suffit d’ajouter le paramètre thread et l’en-tête bêta message-threads-2026-08-12, que les SDK officiels gèrent avec une fonction d’aide dédiée.

We recently integrated message threads in Claude Code. On requests with 500K to 1M tokens, median time to first token is about 35% lower. In long conversations, the median request went from about 800 KB to 1.8 KB.

🇫🇷 Nous avons récemment intégré les message threads dans Claude Code. Sur les requêtes de 500 000 à 1 million de tokens, le délai médian avant le premier token est inférieur d’environ 35 %. Dans les longues conversations, la requête médiane est passée d’environ 800 Ko à 1,8 Ko. — @ClaudeDevs sur X

Le gain porte sur la latence, pas sur la facture : Claude relit toute la conversation à chaque tour, si bien que tokens, tarifs et limites de débit ne changent pas, et la mise en cache des prompts (prompt caching) se demande toujours soi-même. Le fil est conservé au mieux (best-effort), en mémoire chiffrée et jamais sur disque : il expire 5 minutes après la dernière requête, et l’application garde sa propre copie pour tout renvoyer si l’API répond 404. La fonction n’est pas éligible à la conservation zéro des données (ZDR) et ne fonctionne ni avec les Message Batches, ni avec la compaction à la demande, ni dans les organisations HIPAA. Elle est disponible sur l’API Claude, Claude Platform on AWS, Claude in Microsoft Foundry et Claude Models on Google Cloud (Anthropic managed).

🔗 L’article d’Anthropic sur les message threads · La documentation des message threads

Sakana AI annonce Sawara, ses premiers modèles préentraînés de zéro, avec des poids prévus au printemps 2027

2 novembre — Sakana AI publie le compte rendu de son symposium du 26 octobre à Tokyo (plus de 400 participants, conférence de Jürgen Schmidhuber), et il contient une vraie annonce : la start-up japonaise va préentraîner ses propres modèles de langage. Jusqu’ici, elle travaillait sur les agents et sur le post-entraînement de modèles ouverts existants avec Namazu. Présentée par son directeur scientifique (Chief Scientist), Takuya Akiba, la série Sawara (nom provisoire) est construite de zéro, sans partir d’un modèle tiers, et pensée pour les usages d’agent (agent-native) : raisonnement avec outils, code et tâches longues. Elle doit servir de base aux produits de Sakana AI et aux recherches du RSI Lab sur l’auto-amélioration récursive.

We are now preparing for training, and we will start pre-training Sawara Small (provisional name) this December. If everything goes smoothly, we will release the weights next spring.

🇫🇷 Nous préparons maintenant l’entraînement, et nous commencerons le préentraînement de Sawara Small (nom provisoire) en décembre. Si tout se passe bien, nous publierons les poids au printemps prochain. — Sakana AI, compte rendu du symposium 2026

Un Sawara Large, nom provisoire lui aussi, doit suivre, sans date. Sakana AI ne donne ni taille de modèle, ni volume de données, ni budget de calcul.

🔗 L’annonce de Sakana AI sur X

L’énergie du calcul : OpenAI lance Grid Protectors, une TPU de Google répond depuis l’orbite

OpenAI lance Grid Protectors, jusqu’à 1 000 MW d’effacement électrique pour son campus d’Effingham

2 novembre — OpenAI lance Grid Protectors, un programme national pour que ses futurs campus de calcul réduisent leur consommation quand le réseau électrique est sous tension, lors d’une vague de froid ou d’une canicule. Avec les fournisseurs d’électricité, les régulateurs et les décideurs publics, l’entreprise veut conclure des accords site par site, qui fixeront le volume effaçable, le délai de réaction et la durée. Selon les besoins locaux, les campus pourront aussi s’appuyer sur une production ou un stockage sur site, et lisser leur demande avec des batteries.

Le pilote est le campus prévu dans le comté d’Effingham, en Géorgie, présenté en juillet sous le nom de Project Camellia. OpenAI s’engage à y payer l’intégralité des coûts d’infrastructure et de service électrique.

Chiffre annoncé	Valeur annoncée	Source du chiffre
Effacement flexible prévu dans l’accord avec Georgia Power	jusqu’à 1 000 MW	OpenAI
Équivalent en demande moyenne de foyers	environ 700 000 foyers	OpenAI
Économies annuelles pour les clients de Georgia Power dès 2029	environ 950 millions de dollars	Georgia Power
Gain pour un client résidentiel type consommant 1 000 kWh	au moins 15 dollars par mois	Georgia Power

La projection de Georgia Power porte sur l’ensemble de ses accords avec de gros consommateurs et sur la croissance attendue, Project Camellia compris : ce n’est pas un chiffre propre au programme d’OpenAI. L’entreprise reconnaît que la flexibilité ne remplace pas l’investissement dans de nouvelles capacités de production et de transport, et n’annonce ni autre site ni calendrier.

🔗 Le billet d’OpenAI sur Grid Protectors

Project Suncatcher : une TPU en orbite rend sa première réponse, un haïku écrit par Gemma 4

30 octobre — Rattrapage : un mois après le lancement de son satellite prototype, le 1er octobre, Project Suncatcher, le projet de recherche de Google sur le calcul pour l’IA dans l’espace, franchit son jalon « Hello World » : la première réponse d’IA produite par une TPU de classe data center en orbite. Pendant un passage au-dessus d’une station au sol, l’équipe a demandé au modèle ouvert Gemma 4, embarqué à bord, un haïku sur la vie dans l’espace ; la réponse est redescendue quand le satellite survolait le Svalbard, en Norvège. Ont suivi des limericks et des prompts de télémétrie, auxquels le modèle répond en décrivant l’état technique de la charge utile.

La suite porte sur la fiabilité : des tests des TPU sous stress thermique et sous radiations, avant une paire de satellites interconnectés en 2027. Le billet ne donne aucun chiffre de performance ni de consommation.

🔗 Le billet de Google sur la première réponse du satellite

Vie quotidienne et créativité des interfaces : OpenAI publie LifeVal, Kombai publie Design Creativity Bench

LifeVal : 169 tâches de la vie quotidienne, de 49,3 % pour GPT-5.2 à 80,6 % pour GPT-6 Astra

2 novembre — OpenAI publie LifeVal, une évaluation des modèles sur des tâches de la vie quotidienne : trouver une garde d’enfants, accéder aux services publics, établir un budget, adapter une recette ou bâtir un programme sportif. Les tâches s’appuient sur deux grandes enquêtes sur l’emploi du temps, l’American Time Use Survey et la Multinational Time Use Study, complétées par une enquête représentative de 3 995 personnes sur les domaines où elles voudraient le plus d’aide. OpenAI dit s’en servir depuis un an pour suivre ses modèles.

Modèle évalué	Date de sortie	Récompense moyenne sur 169 tâches
GPT-5.2	décembre 2025	49,3 %
GPT-5.4	mars 2026	73,0 %
GPT-5.5	avril 2026	77,4 %
GPT-5.6	juillet 2026	80,0 %
GPT-6 Astra (xhigh)	septembre 2026	80,6 %

Selon la description du graphique, il s’agit d’une moyenne non pondérée des 169 tâches, et 0,6 point seulement sépare GPT-5.6 de GPT-6 Astra. Le graphique ne contient ni GPT-6.1 Sol ou Terra, ni aucun modèle d’un autre éditeur, et OpenAI ne mentionne pas de publication du jeu de tâches.

🔗 Le billet d’OpenAI sur LifeVal

Design Creativity Bench : les modèles convergent vers les mêmes interfaces

2 novembre — Kombai, éditeur d’outils IA pour le développement front-end, présente sur le blog de Hugging Face Design Creativity Bench, un banc qui ne mesure pas si une interface fonctionne mais si elle ressemble aux autres. L’étude porte sur 15 modèles de pointe, 160 consignes et 2 400 interfaces HTML, comparées à des maquettes humaines.

Mesure du banc	Modèles évalués	Référence humaine
Distinction moyenne sur une même consigne	0,592 entre modèles	0,764 entre humains et modèles
Amplitude créative moyenne	0,581	0,902
Critères d’acceptation satisfaits	plus de 90 % pour tous (Claude Opus 5.5 : 99,2 %)	98,0 %

Les modèles remplissent donc le cahier des charges, mais se ressemblent. GPT-6 Astra a le style le plus distinct du panel (0,646 d’originalité) tout en variant peu d’un contexte à l’autre (0,472 d’amplitude). Kombai publie l’article (arXiv 2610.11539), un classement et un sous-ensemble de reproductibilité, et reconnaît ses limites : écrans de bureau seulement et réglages par défaut des API.

🔗 Le billet de Kombai sur Hugging Face

Perplexity publie BrowseSafe++ et ses détecteurs BrowseSafe-Guard contre l’injection de prompt

2 novembre — Le Perplexity Secure Intelligence Institute publie BrowseSafe++, suite de BrowseSafe (décembre 2025), un banc ouvert consacré à l’injection de prompt indirecte (indirect prompt injection), qui vise les agents capables de naviguer sur le Web. Il réunit 38 675 paires de pages, une page attaquée et sa jumelle propre, dont 32 187 construites autour d’injections réellement observées : le détecteur de Comet en a signalé 1,15 million entre septembre 2025 et septembre 2026. Chaque page existe en HTML, en Markdown, en arbre d’accessibilité et en capture d’écran. Perplexity en tire BrowseSafe-Guard, deux détecteurs de 0,8B affinés depuis Qwen3.5-0.8B, l’un pour le texte, l’autre pour les captures.

Résultat publié	BrowseSafe-Guard	Modèles comparés
F1 sur les vues texte	environ 95 %, premier dans chaque vue	85 à 92 % pour les meilleurs modèles généralistes
F1 sur les captures d’écran	environ 93 %	environ 79 % pour le meilleur autre modèle
Pages propres signalées à tort	environ 1 sur 20	14,41 % pour GPT-6 Astra
Coût pour 1 000 pages	0,18 dollar sur un H200 loué	18,95 à 180,61 dollars par API

Détecter n’est pas résister : chaque modèle a suivi des injections qu’il avait lui-même repérées, de 1,64 % des pages pour GPT-6 Astra à 24,73 % pour Llama 3.1 8B. Un attaquant obstiné finit aussi par passer : dans l’environnement BrowseSafe-Adapt, qui réécrit l’injection après chaque échec (1 024 tâches, jusqu’à 64 essais), la réussite passe de 4 % au plus au premier essai à au moins 79 % contre cinq des sept agents testés. Placé devant un agent Gemini 3.5 Flash-Lite, Guard bloque 94,5 % des injections d’origine, mais l’attaquant réussit encore sur 84,2 % des tâches. Le jeu de données (en accès contrôlé), un SDK sous licence MIT et un classement public sont disponibles ; le billet ne renvoie vers aucun poids des détecteurs.

🔗 Le billet de Perplexity sur BrowseSafe++

Médias génératifs : Runway Dev arrive dans Claude Code et Cursor, Synthesia dans ChatGPT et Claude, ElevenLabs chiffre l’avantage de la voix

Runway Dev arrive dans Claude Code et Cursor

2 novembre — Après Codex, présenté le 28 octobre, Runway étend ses plugins Runway Dev à Claude Code et à Cursor. Une installation relie l’agent de codage au compte Runway Dev via le serveur MCP de Runway et lui ajoute les skills de Runway pour développer avec son API de médias génératifs. L’agent lit d’abord le compte (projets, modèles accessibles avec leurs prix et leurs limites, solde de crédits), puis s’appuie sur les SDK officiels : il peut créer un Model Router, qui choisit le modèle adapté à chaque requête, ou un Character pour des avatars en temps réel, et réutiliser les Recipes (pipelines prêts à l’emploi) ou les Workflows publiés comme points d’accès API. En cas d’échec, il consulte le détail de l’erreur. La connexion au compte se fait au premier usage, sans clé API stockée dans le plugin, et aucun tarif propre n’est indiqué.

Agent de codage	Installation indiquée par Runway
Claude Code	`/plugin install runway-api@claude-plugins-official`
Cursor	`/add-plugin runway-api` dans le chat Agent, ou la Cursor Marketplace

🔗 Le billet de Runway

Synthesia crée ses vidéos dans ChatGPT et Claude

2 novembre — Synthesia annonce que ses vidéos d’avatars peuvent désormais se créer directement dans ChatGPT et Claude : l’utilisateur décrit la vidéo voulue, la voit apparaître dans la conversation, l’affine en le demandant, puis la publie et la partage, sans ouvrir d’autre application ni d’autre onglet. L’annonce tient en un tweet accompagné d’une vidéo de démonstration ; aucun billet n’apparaissait sur le blog ni sur la page d’accueil de Synthesia lors de notre relevé. Synthesia n’y précise ni le mécanisme d’intégration, ni les forfaits concernés, ni le tarif.

🔗 L’annonce de Synthesia sur X

ElevenLabs : la voix réussit 32 % plus souvent que le chat au-delà de deux minutes

2 novembre — ElevenLabs publie une étude qui compare la voix (téléphone et WhatsApp) et le chat sur des agents ElevenAgents en production, chaque agent étant comparé à lui-même sur ses conversations de mai à juillet 2026. Le tweet d’annonce évoque 469 agents ; le billet, lui, parle de « centaines » d’agents.

The longer the conversation, the higher the success rate for voice agents. We analyzed 469 agents running both voice and chat in production and saw an interesting pattern. When the conversation gets complex, voice is the fastest path to resolution.

🇫🇷 Plus la conversation est longue, plus le taux de succès des agents vocaux est élevé. Nous avons analysé 469 agents fonctionnant à la fois en voix et en chat en production et observé une tendance intéressante. Quand la conversation devient complexe, la voix est le chemin le plus rapide vers la résolution. — @ElevenLabs sur X

Indicateur selon ElevenLabs	Valeur mesurée
Succès de la voix au-delà de deux minutes	+10,9 points, soit +31,7 %
Conversations de moins d’une minute	chat devant d’environ 9 points
Durée des conversations longues réussies	4,6 minutes en voix, 7 minutes en chat
Passage à un LLM plus rapide (315 conversations)	latence en baisse de 16 %, succès accru de 26 %
Préférence pour la voix (98 participants, vol annulé)	85 %

La durée sert ici d’indicateur de complexité, ce que le billet reconnaît imparfait, et l’étude vient de l’éditeur, qui y promeut ses agents vocaux.

🔗 Le billet d’ElevenLabs

NVIDIA publie des recettes de simulation Cosmos 3 Nano pour la conduite, la robotique et la chirurgie

2 novembre — NVIDIA publie sur son blog technique un guide en deux volets pour Cosmos, sa plateforme de modèles de fondation du monde (world foundation models) destinée à l’IA physique : des recettes de simulation fondées sur de nouveaux points de contrôle Cosmos 3 Nano, annoncés le 22 octobre et cette fois nommés et décrits, puis un mode d’emploi des microservices NIM. Exemple mis en avant : changer le prompt suffit à transformer un trajet de jour en nuit pluvieuse, sans toucher au tracé de la route ni aux trajectoires des véhicules.

Point de contrôle Cosmos 3	Usage décrit par NVIDIA
Cosmos3-Nano-Transfer-Auto	Clips multi-caméras avec LiDAR pour la conduite, jusqu’à 400 images en 480p ou 720p
Cosmos3-Nano-Sim-Auto	Variante causale distillée qui génère en flux pour tester une politique de conduite en boucle fermée
Cosmos3-Nano-Sim-Transfer	Vidéo de profondeur convertie en vidéo RGB détaillée, pour la robotique
Cosmos3-Nano-Sim-Bimanual	Observation suivante d’un robot à deux bras à partir de la scène et de ses actions
Cosmos3-H-Embodied-Nano et Cosmos3-H-Dreams	Simulation chirurgicale à partir des actions du robot, en temps réel pour H-Dreams

Côté déploiement, l’image NIM cosmos3:2.0.0 propose des profils latence ou débit, et le décodage spéculatif accélère l’inférence d’environ 2 à 3 fois en moyenne sur H200, selon NVIDIA, qui annonce des NIM Cosmos certifiés sur plus de 20 GPU. En génération, Cosmos3-Nano demande 58 Gio de VRAM en BF16, et 31 Gio en FP8 avec déchargement. Cosmos Framework gagne des pipelines d’apprentissage par renforcement (DPO, GRPO, PPO, OPD, DiffusionNFT), et une diffusion en direct lui est consacrée le jeudi 5 novembre.

🔗 Le billet technique de NVIDIA

Copilot CLI 1.0.106-3, en préversion : gestion des sessions sur option et 145 correctifs

2 novembre — GitHub publie la préversion 1.0.106-3 de Copilot CLI, troisième de la branche 1.0.106. Les notes ne comptent qu’un ajout : des outils de gestion de sessions activés sur option (opt-in), et la possibilité de mentionner avec @ les sessions locales qui y ont adhéré, sans plus de détail. Pour les comptes gérés, les avertissements de rafraîchissement de politique reprennent désormais les constats du Policy Helper.

Les 145 correctifs restants touchent surtout la robustesse de l’interface en terminal, et plusieurs ont une portée de sécurité :

Correctif de sécurité	Comportement avant la 1.0.106-3
Séquences d’échappement filtrées	Une réponse, un nom de fichier ou un titre d’outil MCP pouvait restyler la timeline ou en masquer des lignes
`/allow-all off`	Suivie d’une espace idéographique (saisie CJK), la commande activait Allow All au lieu de le couper
`/session delete`	Une option inconnue placée avant l’identifiant supprimait la session courante sans demander de confirmation
`copilot -p` et `copilot workflow run`	La sortie texte affichait les valeurs de `--secret-env-vars`, que la sortie JSON masquait déjà

La dernière version stable reste la 1.0.105 du 28 octobre, et le SDK Copilot 1.0.29-preview.2, publié le même soir, ne contient aucun changement côté SDK.

🔗 Les notes de version de Copilot CLI 1.0.106-3

Brèves

Agents et outils de code

Qwen Code v0.26.6 — Version stable du 2 novembre, au lendemain de la v0.26.5 : le Web Shell gagne une vue d’activité des sessions et affiche, modèle par modèle, taux de succès, vitesse de sortie et latence du premier token ; les modèles Kimi K3 reçoivent leur fenêtre de 1 million de tokens. 🔗 source
Gemini CLI — Un correctif fusionné le 2 novembre au soir empêche un téléchargement interrompu du modèle Whisper de passer pour un modèle installé, ce qui bloquait le mode vocal local jusqu’à suppression manuelle du fichier. Il n’est encore dans aucune version, et la nightly du jour reprend le même commit que les deux précédentes. 🔗 source
CLI mistral 0.16.0 — mistral workflows init et mistral init demandent désormais la clé API d’un projet Workflow, la vérifient auprès de l’API Mistral et l’enregistrent dans le .env du projet. 🔗 source
Plugin Qodo pour Codex — Dans une étude de cas publiée par OpenAI, Qodo présente son plugin de la marketplace de Codex : Codex reçoit les règles de l’organisation et l’historique des pull requests avant d’écrire, puis la revue de Qodo dans la même session, avant l’ouverture de la pull request. Aucun chiffre de résultat. 🔗 source
corgi, relayé par Zed — Le 1er novembre au soir, Zed relaie le site de corgi, l’outil de build Rust compatible Cargo de Conrad Irwin : un seul cache par machine, build.rs et macros en bac à sable, tests mis en cache. Selon son auteur, le code est presque entièrement écrit par IA. Dépôt sous licence MIT. 🔗 source

Plateformes de développement et API

pull_request_target dans GitHub Actions — Le blocage par défaut de pull_request_target dans les dépôts publics est reporté du 2 novembre au 2 décembre ; deux coupures programmées, les 9 et 16 novembre de 16 h à 18 h UTC, feront apparaître les workflows concernés. 🔗 source
Évaluations de risques de GitHub — Les évaluations de risques de sécurité du code et des secrets indiquent désormais si chaque constat se trouve dans un dépôt protégé ou non, sur GitHub Enterprise Cloud et GitHub Team. 🔗 source
Analytics API de Perplexity — Les réponses sur l’usage des crédits de Computer omettent pour l’instant la ventilation par origine des crédits (Credit Source) ; le total et la ventilation par modèle restent fournis, et Perplexity demande de ne pas lire une ventilation absente comme un usage nul. 🔗 source

Modèles ouverts et billets communautaires

kniv v7 de Dragonscale — Six encodeurs ouverts de 55M à 538M de paramètres (Apache-2.0, ONNX) qui extraient entités, relations et faits selon un schéma décrit au moment de l’appel, sans LLM, pour la mémoire des agents ; sur Re-DocRED, 0,749 dans une même phrase et 0,732 à deux phrases d’écart (variante DeBERTa). 🔗 source
Fenêtre glissante et couche Bifocal — Dans un billet communautaire, Lukas distille Qwen3-4B-Instruct en quatre élèves à mémoire égale : la fenêtre glissante suffit pour les réponses courtes, mais sur AIME et HMMT sa couche Bifocal (petite fenêtre et état mLSTM) résout presque deux fois plus de problèmes que la fenêtre seule, bloquée autour de 14 %. Mesures de l’auteur. 🔗 source
Porte dérobée bloquée par ViKernel — VIDRAFT implante par affinage une porte dérobée dans Qwen3-0.6B : le mot « payroll » dans un chemin de fichier déclenche la commande malveillante dans 98,3 % des cas sur des chemins inédits, sans que 24 contrôles ne la repèrent ; sur ViKernel, les 290 charges sont refusées avant exécution. Poids non publiés. 🔗 source
Routage de Beam et tricherie aux tests — Une étude préenregistrée de Rairo Mukamuri ne parvient pas à prévoir, par le routage d’experts de Beam-1.0-501B-A23B, une falsification de test 500 tokens à l’avance : AUROC de 0,580 contre un seuil fixé à 0,75, pour 9,03 dollars de calcul. 🔗 source
Saturate — Daniel van Strien repasse à l’OCR 14 483 pages d’archives sur un seul GPU de Hugging Face Jobs, pour 1,47 dollar et 8,9 pages par seconde, avec Saturate, sa bibliothèque Apache-2.0 d’inférence par lots vers tout point d’accès compatible OpenAI. 🔗 source

Image, vidéo, voix et musique

LTX 2.5 sur une RTX PRO 6000 — Le loueur de GPU EcoHash rend une vidéo 1080p de 10 secondes avec son en 90 secondes, et en 14,8 secondes en 480p, sur une seule carte de 96 Go ; mesures du fournisseur sur son propre service. 🔗 source
Mobiel AI de KPN — ElevenLabs détaille l’assistant d’appels de KPN pour les petites entreprises néerlandaises (transcription de messagerie, résumés d’appels, menu d’appel) ; l’affinage sur le néerlandais a porté la précision de vérification d’environ 50 % à 90 %. Aucun tarif indiqué. 🔗 source
Suno Studio — Rattrapage du 29 octobre, relayé le 2 novembre : les réglages de clip passent dans une barre latérale, la hauteur se règle en demi-tons et en cents, l’audio importé peut s’étirer au tempo du projet et les pistes se masquent avec Shift-H. 🔗 source
Kling et les Chroma Awards — Kling devient partenaire de la saison 2 du concours, avec plus de 450 000 dollars de prix ; soumissions jusqu’au 7 janvier. 🔗 source

Programmes, démonstrations et billets des labos

Anthropic Residency — Anthropic ouvre jusqu’au 22 novembre les candidatures d’un programme de recherche rémunéré de six semaines à six mois, pour professeurs, fondateurs techniques et ingénieurs de niveau staff, sans prérequis en apprentissage automatique ; rémunération équivalente à 350 000 à 500 000 dollars par an. 🔗 source
Data Bot de SpaceXSI — Étude de cas interne : un Team Bot de Grok Bot qui joue le data scientist pour toute l’entreprise, à partir de skills maintenus par l’équipe data, et qui aurait absorbé environ 70 heures de travail en une semaine, selon une estimation de SpaceXSI. 🔗 source
Le Chonk et la chimie quantique — Mistral montre sur X Mistral Large 4 écrire de zéro un solveur SCF et une vue 3D d’une molécule qui se rompt, sans publier de code ni de chiffre. 🔗 source
Récapitulatif d’octobre de Google — Aucune annonce inédite hormis la réponse du satellite de Project Suncatcher, traitée plus haut. 🔗 source
Mémoire des agents chez Perplexity — Un guide sur les types de mémoire et la construction d’un agent à mémoire persistante, qui renvoie à Brain, déjà disponible dans Computer. 🔗 source
The Knowledge Talk — Perplexity publie la transcription du discours d’Aravind Srinivas du 3 octobre à la Cambridge Union Society, sans annonce. 🔗 source

Ce que ça signifie

Les message threads déplacent une partie de l’état de la conversation vers le serveur sans toucher à la facture : tokens et tarifs restent les mêmes, seul le temps d’attente baisse, et l’effet est le plus net sur les sessions d’agents qui accumulent des centaines de milliers de tokens. Le choix d’un fil éphémère, gardé 5 minutes en mémoire chiffrée et sans API pour le relire, laisse l’application maîtresse de son historique, au prix d’exclusions nettes : ni ZDR, ni Batches, ni organisations HIPAA. Côté terminal, la préversion de Copilot CLI rappelle que l’interface elle-même est une surface d’attaque, quand un nom de fichier ou une réponse du modèle pouvait restyler l’écran.

Grid Protectors et Suncatcher répondent à la même contrainte, l’énergie du calcul, à deux horizons très différents. OpenAI propose de rendre ses campus effaçables pour se faire accepter par un réseau déjà tendu, en promettant de payer ses propres coûts ; la seule économie chiffrée pour les ménages vient de Georgia Power et porte sur l’ensemble de ses gros clients. Google en est à faire écrire un haïku à une TPU en orbite : un jalon de faisabilité, sans chiffre de performance, avant deux satellites reliés en 2027.

LifeVal, Design Creativity Bench et BrowseSafe++ mesurent ce que les classements de code et de maths ne voient pas. LifeVal montre une progression qui ralentit, 0,6 point entre GPT-5.6 et GPT-6 Astra, mais reste un banc maison, sans concurrent ni jeu de tâches publié. Kombai pointe une convergence des interfaces que le taux de réussite masque, et BrowseSafe++ sépare détection et résistance : un modèle qui repère une injection peut quand même la suivre, et un détecteur de 0,8B, plus de cent fois moins cher qu’un appel d’API, ne suffit pas face à un attaquant qui réessaie.

Sakana AI fait le choix de maîtriser toute la chaîne avec Sawara, du préentraînement aux produits, mais sur un calendrier conditionnel et sans taille annoncée. Runway et Synthesia font l’inverse : ils s’installent là où les utilisateurs travaillent déjà, dans l’agent de code ou dans la conversation de ChatGPT et Claude, plutôt que de les attirer vers leur propre application. ElevenLabs fournit l’argument chiffré de la voix pour les conversations longues, avec une étude d’éditeur dont la base varie entre le tweet et le billet, tandis que NVIDIA outille ceux qui simulent la conduite, la robotique ou la chirurgie avec Cosmos 3 Nano.