Moonshot publie les poids de Kimi K3.1 Pro, Cognition lance SWE-2 Flash, RoboColosseum évalue les robots en conditions réelles

Moonshot AI tient sa promesse et publie sur Hugging Face les poids de Kimi K3.1 Pro, un MoE de 2,8T paramètres, sous une licence de type MIT assortie de conditions pour les plus gros revendeurs. Cognition lance SWE-2 Flash, un modèle de code bâti sur Inkling-Small et cinq fois moins cher que SWE-2, et RoboColosseum fait juger des politiques robotiques sur plus de 100 robots réels. OpenAI va acquérir Pierre, dont les outils équipent déjà Codex, tandis que VS Code 1.145 réunit Copilot, Claude et Codex dans une même session et que GitHub Copilot entre dans l’assistant de code de Xcode.

Moonshot AI publie comme promis les poids de Kimi K3.1 Pro, un MoE de 2,8T paramètres, sur Hugging Face

4 novembre — Lors du lancement de Kimi K3.1 Pro, le 23 octobre, Moonshot AI avait promis les poids complets pour le 4 novembre au plus tard : c’est chose faite. Le dépôt moonshotai/Kimi-K3.1-Pro, créé le 2 novembre et annoncé par @Kimi_Moonshot le 4 novembre à 16 h 00 UTC, est en accès libre, sans formulaire : 96 fichiers safetensors, environ 1,56 To au total.

La fiche du modèle détaille ce que l’annonce de lancement résumait. Kimi K3.1 Pro, que Moonshot AI présente comme son modèle « de classe 3T » le plus capable, est nativement multimodal (texte et image) et post-entraîné à partir de Kimi K3. Changement d’architecture signalé par rapport à Kimi K3 : ses couches d’attention complète Gated MLA cèdent la place à 24 couches Gated DeepSeek Sparse Attention (Gated DSA), plus efficaces sur les longs contextes. Les poids sont livrés en MXFP4, avec des activations en MXFP8, un format appris dès l’entraînement (quantization-aware training).

Caractéristique technique	Valeur selon la fiche
Paramètres totaux et actifs	2,8T, dont 104B actifs
Couches du réseau	93, dont 69 KDA et 24 Gated DSA
Experts du MoE	896, dont 16 par token et 2 partagés
Fenêtre de contexte	1 048 576 tokens
Format des poids	MXFP4, activations en MXFP8
Encodeur visuel	MoonViT-V2, 401M paramètres
Fichiers publiés	96 safetensors, environ 1,56 To

Moonshot AI recommande vLLM, SGLang et TokenSpeed pour servir le modèle, également accessible par l’API de platform.kimi.ai (identifiant kimi-k3.1-pro). Together AI, listé parmi les fournisseurs d’inférence de la page, le sert déjà et propose de le post-entraîner (voir les Brèves). La fiche insiste sur un point d’intégration : en conversation à plusieurs tours ou avec des appels d’outils, le message complet de l’assistant, raisonnement compris, doit être renvoyé tel quel au modèle. Les scores, présentés au lancement, sont repris : 65,7 sur Terminal-Bench 4.0, juste derrière Claude Opus 5.5 (66,4), et 51,7 sur SWE Marathon v1.1, meilleur score du tableau, Kimi K3.1 Pro étant évalué avec Claude Code comme harnais.

La licence, baptisée « Kimi K3.1-Pro License », reprend la trame d’une licence MIT (usage, modification, redistribution et vente autorisés) avec deux conditions. Une entreprise qui exploite une activité de modèle en tant que service (Model as a Service), en donnant à des tiers un accès à l’inférence ou à l’affinage, et dont le chiffre d’affaires cumulé dépasse 20 millions de dollars sur douze mois consécutifs doit signer un accord séparé avec Moonshot AI avant tout usage commercial. Un produit commercial de plus de 100 millions d’utilisateurs actifs mensuels, ou de plus de 20 millions de dollars de revenu mensuel, doit afficher « Kimi K3.1-Pro » de façon visible. Ni l’usage interne ni l’usage via les produits officiels de Moonshot AI ou ses partenaires d’inférence certifiés ne sont concernés.

🔗 Kimi K3.1 Pro sur Hugging Face · L’annonce de Moonshot AI sur X

Cognition lance SWE-2 Flash, un modèle de code bâti sur Inkling-Small et cinq fois moins cher que SWE-2

4 novembre — Cognition lance SWE-2 Flash, un modèle de code rapide et efficace, disponible immédiatement dans Devin Desktop et la CLI Devin, et gratuit jusqu’au 30 novembre (pour les abonnés Pro, Max et Teams, précise le fil d’annonce). Changement de base : là où SWE-2, sorti le 10 septembre, était post-entraîné sur Kimi K3, SWE-2 Flash part d’Inkling-Small, le modèle à poids ouverts de Thinking Machines (276B paramètres, dont 12B actifs). Cognition le présente comme un modèle de code entièrement américain (fully American coding model). Selon l’éditeur, il coûte cinq fois moins cher que SWE-2 et va trois fois plus vite, sans tarif absolu publié ; la démonstration de vitesse (200 contre 60 tokens par seconde) est une relecture simulée d’une tâche.

Introducing SWE-2 Flash, our new fast & efficient coding model. On leading evals, it outperforms all American open-weight models, even ones 3x larger. To balance transparency and cyber risks, we are building a program to securely share the weights with partners & researchers.

🇫🇷 Voici SWE-2 Flash, notre nouveau modèle de code rapide et efficace. Sur les principales évaluations, il surpasse tous les modèles américains à poids ouverts, même ceux trois fois plus gros. Pour concilier transparence et risques cyber, nous mettons en place un programme de partage sécurisé des poids avec des partenaires et des chercheurs. — @cognition sur X

La nouveauté tient d’abord à la recette. Pour la première fois, Cognition insère une phase de mi-entraînement (mid-training) avant l’apprentissage par renforcement : quelques milliers de milliards de tokens d’articles scientifiques, de blogs et de code, en trois étapes qui réservent les données les plus rares et les plus soignées à la fin. Vient ensuite un RL à grande échelle, dont les gains viennent surtout de tâches plus variées et mieux vérifiées. Résultat annoncé sur le modèle de base : Terminal-Bench 4.0 passe de 0,9 % à 20,0 %, FrontierCode 2.0, le benchmark maison, de 3,2 % à 24,0 %, et ExploitBench de 11,3 % à 34,8 %.

Banc d’évaluation (%)	SWE-2 Flash	Inkling-Small (base)	Muse Spark Open	GLM 5.3 Flash	SWE-2
Taille (total-actifs)	276B-A12B	276B-A12B	816B-A42B	320B-A18B	2,8T-A104B
FrontierCode 2.0	24,0	3,2	6,2	14,2	23,8
Terminal-Bench 4.0	20,0	0,9	8,0	41,8	27,3
DeepSWE 1.1	60,1	17,4	60,0	63,4	73,0
SWE-Atlas QA	50,0	27,4	54,0	56,5	56,3
ExploitBench	34,8	11,3	—	36,0	36,1

Le tableau du billet nuance l’affirmation phare. Muse Spark Open de Meta, trois fois plus gros, garde l’avantage sur SWE-Atlas QA (54,0 contre 50,0) et fait jeu égal sur DeepSWE 1.1. Face aux modèles ouverts chinois, le bilan est partagé : SWE-2 Flash devance GLM 5.3 Flash et DeepSeek V4.1 Flash sur FrontierCode 2.0, mais reste loin derrière eux sur Terminal-Bench 4.0 (20,0 contre 41,8 et 42,3). Il bat d’un cheveu SWE-2 sur FrontierCode 2.0, sans le rattraper sur aucune autre ligne.

Les poids ne sont pas publiés pour l’instant. Cognition a ciblé la cybersécurité pendant l’entraînement et rappelle que ces capacités servent aussi les attaquants, comme l’a montré selon elle une récente vague de cyberattaques. L’entreprise prépare un programme de partage sécurisé des poids avec des partenaires industriels et des laboratoires de recherche de confiance, qui pourraient affiner le modèle et le faire tourner dans des environnements sensibles ; les détails sont promis dans quelques semaines.

🔗 Introducing SWE-2 Flash (Cognition)

Agents de code : Claude Code 2.1.318, VS Code 1.145, Copilot dans Xcode, Vibe CLI 3.1.0 et Antigravity 2.29.0

Claude Code 2.1.318 annonce l’expiration des connexions, et Haiku 5.5 rédige la ligne d’état des sous-agents

4 novembre — Claude Code 2.1.318 compte 84 entrées, dont 47 correctifs. Arrivée sur npm le 3 novembre à 21 h 55 UTC, elle a vu ses notes publiées sur GitHub peu après minuit UTC ; le canal stable de npm reste sur la 2.1.311. La nouveauté la plus utile concerne les connexions claude.ai stockées, qui expirent : leur date de fin apparaît désormais dans claude auth status (loginExpiresAt) et dans les résultats JSON de claude -p (credential_expires_at), et claude -p prévient sur stderr dix jours avant l’échéance. Une tâche automatisée ne découvre plus l’expiration au moment où elle échoue.

Domaine concerné	Nouveauté de la 2.1.318
Sessions cloud	Option No repository : une session sur un environnement hébergé par Anthropic, sans choisir de dépôt
Sous-agents en arrière-plan	Une commande shell passe en arrière-plan après 3 minutes, pour que le cache de prompt n’expire pas
Administration	`deniedMcpServers` bloque aussi les serveurs fournis par Anthropic dont l’URL amont correspond, `assume_role` sur les upstreams `mantle`
Extension IDE	Plus installée au démarrage dans le terminal d’un IDE : passer par `/ide`
Runner auto-hébergé	Nouveau format des journaux de l’orchestrateur, scripts qui cherchent `retryable=true:` à revoir

Le même jour, @ClaudeDevs annonce un changement qu’aucune note de version, de la 2.1.316 à la 2.1.318, ne décrit. La ligne d’état d’un sous-agent en arrière-plan, rafraîchie toutes les 30 secondes, relisait jusqu’ici toute sa conversation ; elle est désormais rédigée par Haiku 5.5 à partir de notes courtes, le sous-agent gardant son propre modèle. Selon Anthropic, chaque mise à jour coûte environ 99 % de moins, et les sessions avec des sous-agents en arrière-plan ont consommé environ 5 % de limite en moins, soit environ 6 % de prompts en plus. Le changement vaut pour la plupart des abonnés Pro, Max et Ultra et pour tous les Team et Enterprise, avec Claude Code 2.1.316 ou plus ; Lydia Hallie, de l’équipe Claude Code, précise qu’il ne concerne que le CLI.

🔗 Notes de version de Claude Code 2.1.318 · Le fil de @ClaudeDevs sur Haiku 5.5

VS Code 1.145 mêle les harnais Copilot, Claude et Codex dans une même session

4 novembre — VS Code 1.145 poursuit sa bascule vers les agents. Principale nouveauté, en préversion : une même session peut réunir des conversations imbriquées qui tournent sur des harnais différents, par exemple Claude qui relit le plan rédigé par une conversation Copilot, ou Codex à qui l’on confie la même tâche, côte à côte. Chaque conversation garde son modèle, son agent et ses niveaux de permission. L’idée prolonge Compare Models, arrivé en préversion avec VS Code 1.143.

Les automatisations locales acceptent désormais une planification par expression cron et peuvent s’appuyer sur un agent personnalisé de l’espace de travail ; les automatisations cloud n’y ont pas droit. Pour les agents distants, le navigateur intégré de la fenêtre Agents passe par l’hôte distant, ce qui permet de prévisualiser l’application lancée par l’agent sur cette machine (préversion). Le harnais Copilot reste le choix par défaut des nouvelles sessions, avec un guide de transition depuis le harnais Local, qui perd trois outils (#installExtension, #runCommand et #newWorkspace) ainsi que la commande /new : les agents personnalisés et fichiers de prompt qui les citent sont à corriger. En entreprise, la liste de serveurs MCP autorisés gérée par l’organisation prime désormais sur la restriction au registre.

🔗 Notes de version de VS Code 1.145

GitHub Copilot arrive dans l’assistant de code intégré de Xcode, en préversion publique

4 novembre — GitHub Copilot fonctionne désormais dans l’assistant de code intégré à Xcode, en préversion publique à partir de Xcode 27.3 bêta, sur un Mac sous macOS Tahoe 26.6 ou ultérieur. L’intégration se configure dans les réglages de Xcode, rubrique Intelligence, et fonctionne avec tous les forfaits Copilot. C’est une seconde porte d’entrée pour les développeurs Apple : l’extension GitHub Copilot for Xcode, distribuée à part, reste disponible. GitHub ne précise ni les modèles proposés ni les fonctions accessibles depuis l’assistant d’Apple, et recueille les retours dans le dépôt de l’extension ou par l’outil de signalement d’Apple (Feedback Assistant).

🔗 GitHub Copilot dans l’assistant de code de Xcode

Vibe CLI 3.1.0 ajoute /context, une jauge d’usage mensuel et la lecture d’images

4 novembre — Mistral publie Vibe CLI 3.1.0, première version mineure depuis la 3.0.0 du 19 octobre, sans annonce sur X : 67 entrées (11 ajouts, 25 changements, 29 correctifs et 2 retraits). La commande /context montre ce qui remplit la fenêtre de contexte (prompt système, définitions d’outils, skills, conversation, espace libre et réserve d’auto-compaction) avec une estimation en tokens par catégorie. Le pied de page affiche la part consommée de l’usage mensuel de Vibe Code, en jaune puis en rouge, ou la mention PAYG quand le paiement à l’usage prend le relais. L’outil read_file ouvre aussi les images avec un modèle qui sait les lire, Ctrl+R cherche dans l’historique des prompts (l’enregistrement vocal passe sur Ctrl+T), et un connecteur MCP de Mistral arrive en expérimental.

Plusieurs correctifs visent Mistral Large 4 : un tour lancé sans niveau de réflexion n’échoue plus en erreur 400, le sélecteur propose Low, High et Max, et le mode smart approve ne réclame plus une approbation à chaque appel d’outil avec les modèles qui ne peuvent pas couper leur raisonnement, comme GLM 5.3. Le réglage smart_approve_default disparaît au profit de default_agent = "smart-approve".

🔗 Notes de version de Vibe CLI 3.1.0

Antigravity 2.29.0 commence à déployer un mode vocal Gemini Live et des agents distants dans le cloud

3 novembre — La version 2.29.0 de l’application Antigravity (22 améliorations, 13 correctifs) commence à déployer progressivement deux fonctions. Le mode vocal, propulsé par Gemini Live, permet de parler à Antigravity et de confier des demandes à l’agent à la voix. Les agents distants (remote agents) arrivent chez les abonnés Google AI Ultra et Pro : les conversations d’un projet cloud s’exécutent dans le cloud plutôt que sur l’ordinateur, et restent accessibles depuis antigravity.google.com/remote. Antigravity savait déjà se piloter à distance avec Remote Control depuis août, mais la session tournait alors sur la machine de l’utilisateur ; cette fois, c’est l’exécution elle-même qui quitte le poste.

La version ajoute aussi une visionneuse native de notebooks Jupyter, une page des automatisations refondue (planifiées, toujours actives, en pause) et, dans le navigateur intégré, les téléchargements et un historique de navigation. Côté correctifs, les worktrees Git créés pour les sous-agents emportent désormais les modifications locales non commitées.

🔗 Le changelog d’Antigravity

RoboColosseum évalue les politiques robotiques sur une flotte de plus de 100 robots réels

4 novembre — RoboColosseum ouvre ses portes : une initiative d’évaluation ouverte qui mesure les politiques robotiques hors des laboratoires et des simulateurs, sur une flotte de robots déployés en conditions réelles (in-the-wild), comme des humanoïdes Unitree G1 dans des logements ou des bras YAM dans des restaurants. Son site la dit fondée par le NUS MAGIC Lab, BitRobot, EAIC Singapore et Hugging Face, qui se présente comme partenaire fondateur. Le fil de lancement annonce plus de 100 robots, plus de 140 scènes et 10 000 heures d’évaluation gratuites, attribuées sur candidature.

Robotics has an evaluation problem. Most benchmarking efforts have measured progress in sim or labs.

🇫🇷 La robotique a un problème d’évaluation. La plupart des efforts de mesure ont suivi les progrès en simulation ou en laboratoire. — @RoboColosseum sur X

Deux pistes coexistent. L’Open Track oppose deux modèles anonymes qui reçoivent la même consigne inédite dans la même scène : un évaluateur humain choisit la meilleure exécution ou déclare l’égalité. Le Fine-tune Track affine chaque modèle sur une même tâche à partir des 100 mêmes démonstrations, puis lui laisse 25 tentatives. La première campagne oppose cinq politiques vision-langage-action (VLA) à trois modèles de frontière.

Politique évaluée (Franka, Open Track)	Éditeur du modèle	Note DCR (±1 écart-type)	Comparaisons à l’aveugle
GPT-6 Astra	OpenAI	1 925 ±38	194
MolmoAct2	Ai2	1 869 ±24	1 859
G0.5	Galaxea	1 744 ±27	1 626
Claude Opus 5.5	Anthropic	1 636 ±47	206
GR00T N1.7	NVIDIA	1 350 ±36	1 797
π0.5	Physical Intelligence	1 285 ±43	1 845
LingBot-VLA v2	Robbyant	1 233 ±56	1 603
Grok 4.7	SpaceXSI	1 160 ±128	193

Sur le bras Franka, le classement en ligne de l’Open Track (données du 4 novembre, actualisées toutes les heures, 4 662 comparaisons jugées à l’aveugle) place GPT-6 Astra en tête, devant MolmoAct2 d’Ai2, mais l’écart reste dans les barres d’erreur, et les modèles de frontière n’y comptent qu’environ 200 comparaisons chacun, contre plus de 1 600 pour chaque VLA. Ai2 souligne que MolmoAct 2 termine deuxième sans entraînement supplémentaire pour ces tâches.

L’article qui accompagne le lancement, mis en ligne sur arXiv le 2 novembre, nuance ce tableau à partir de 5 699 comparaisons menées sur 124 sites : les agents de frontière rivalisent avec les VLA spécialisés, mais aucun système n’accomplit de manière fiable les tâches en monde ouvert. Après affinage, GR00T N1.7 prend la tête sur SO-101 et π0.5 sur Franka et sur le poste bimanuel YAM, et les classements de l’Open Track prédisent mal ceux obtenus après affinage. Sur l’humanoïde G1, aucune politique ne termine la moindre des cinq tâches, avec une progression moyenne de 13,3 % à 23,2 %. Toutes les exécutions, échecs compris, sont publiées sur Hugging Face au format LeRobot.

🔗 Le fil de lancement de RoboColosseum · Le classement RoboColosseum · L’article arXiv 2611.02497

OpenAI va acquérir Pierre Computer Company, dont les outils Trees et Diffs équipent déjà Codex

4 novembre — OpenAI annonce qu’elle va acquérir Pierre Computer Company, une petite entreprise d’outils pour développeurs. Son produit commercial, Code Storage, est une API qui permet aux applications de stocker du code et d’en suivre l’historique avec Git ; ses bibliothèques open source Trees, pour naviguer dans les fichiers d’un projet, et Diffs, pour visualiser les modifications, sont déjà intégrées à l’application Codex.

Today we’re announcing that OpenAI will acquire @pierrecomputer to accelerate our vision for making Codex a place where teams can build software together with AI, from first idea to the version they ship. Pierre’s open-source developer tools already power parts of Codex today. Together, we’ll build on that foundation for the agentic era.

🇫🇷 Nous annonçons aujourd’hui qu’OpenAI va acquérir @pierrecomputer pour accélérer notre projet de faire de Codex un endroit où les équipes construisent des logiciels avec l’IA, de la première idée à la version qu’elles livrent. Les outils open source pour développeurs de Pierre font déjà fonctionner certaines parties de Codex. Ensemble, nous bâtirons sur ces fondations pour l’ère des agents. — @OpenAINewsroom sur X

OpenAI relie l’opération à Pando, le backend Git de son monodépôt présenté deux jours plus tôt : l’entreprise veut fixer les standards du développement logiciel, de la première branche créée par un agent jusqu’au déploiement, et faire progresser la gestion de versions (source control) dans tout le secteur une fois l’acquisition finalisée. Les projets open source de Pierre resteront ouverts, et Code Storage restera accessible à ses clients le temps d’intégrer ses fonctions dans Codex. L’opération doit encore obtenir les autorisations réglementaires habituelles ; ni le montant ni le calendrier ne sont communiqués.

🔗 OpenAI to acquire Pierre Computer Company

L’IA au service de la science : un vault de bactériophage avec Claude, NeuralGCM+ chez Ai2 et FVCOM porté en Rust

Anthropic décrit avec Claude la structure 3D d’un vault issu d’un bactériophage

4 novembre — L’équipe scientifique d’Anthropic publie la structure 3D d’un vault produit à partir d’une protéine de bactériophage, une première chez les procaryotes selon l’entreprise. Les vaults sont de grandes coques protéiques creuses, environ trois fois plus lourdes qu’un ribosome, découvertes en 1986 et dont la fonction reste inconnue. Celui-ci, baptisé L05 et produit dans la bactérie E. coli, compte 96 copies d’une même protéine, contre 78 chez les mammifères, pour environ 9,5 mégadaltons et environ 25 % de volume en plus. Une petite molécule non identifiée, logée dans chacune des 96 copies, rappelle par sa forme la coenzyme A : une première piste vers une fonction, si elle se confirme.

Claude est intervenu à chaque étape : recherche de parents de la protéine parmi environ 15 milliards de protéines prédites avec Claude Science, purification ramenée d’environ trois jours à environ 90 minutes, premier modèle structural en 34 heures au lieu de plusieurs semaines selon l’équipe. Anthropic détaille aussi ses erreurs : un protocole contenant un additif qui gêne l’entrée de l’ADN dans les cellules a coûté deux semaines, et une étape standard sautée en cryo-microscopie électronique a produit une carte mêlée à son image miroir. La prépublication est soumise à bioRxiv ; Leonard Rome, codécouvreur des vaults, a conseillé l’équipe en tant que consultant rémunéré.

🔗 Investigating vault particles with Claude

Ai2 lance NeuralGCM+, un modèle climatique ouvert financé par Google.org sur trois ans

4 novembre — Ai2 lance un programme de modélisation climatique financé par Google.org à hauteur de plusieurs millions de dollars sur trois ans (le montant exact n’est pas publié), avec le soutien technique de Google Research. Il doit produire NeuralGCM+, un modèle open source qui prolonge NeuralGCM de Google Research : un modèle hybride qui résout les équations physiques pour la dynamique à grande échelle et confie à l’IA les processus plus fins, comme la formation des nuages et les précipitations. Dans un banc public, une version atmosphère seule de NeuralGCM a simulé un an d’atmosphère mondiale en huit minutes sur un seul TPU.

Ai2 veut y coupler l’océan et la banquise pour tenir des simulations stables sur plusieurs décennies, en réduisant les erreurs régionales de température et de pluie sur les 50 dernières années. Les rôles sont répartis : Google Research vise des prévisions à quelques semaines ou mois, Ai2 les tendances sur des années et des décennies, comme l’évolution des pluies et de l’eau disponible d’ici le milieu du siècle dans le sud-ouest des États-Unis. Modèles et cadres de modélisation seront publiés avec des workflows documentés.

🔗 Le billet d’Ai2 sur le partenariat avec Google

Google porte en Rust le cœur de FVCOM, un modèle océanique Fortran de 174 000 lignes, avec Gemini 4 Argon

3 novembre — Autre façon d’outiller la modélisation des océans : sur le blog d’Antigravity, Dan Gruhl et Prashant Nair, de l’équipe AI R&D de Google, racontent comment Gemini 4 Argon a modernisé FVCOM (Finite-Volume Community Ocean Model), un modèle océanique côtier de 174 774 lignes de Fortran 90 et de C réparties dans 264 fichiers. À partir d’un seul prompt, l’agent en a porté le cœur en Rust entièrement sûr pour la mémoire, en 59 minutes, sous quatre contraintes : aucun code unsafe, aucune allocation dans les boucles de calcul, des fichiers de moins de 400 lignes et un résultat identique à celui du Fortran sur 100 graines aléatoires.

L’audit a fait remonter six bugs vieux de plusieurs décennies dans le code d’origine, dont un dépassement d’entier sur les grilles de plus de 1 300 nœuds. Les 100 simulations concordent avec le Fortran à 12 décimales près.

Étape de la migration	Durée d’exécution	Accélération mesurée	Mémoire maximale
Fortran 90 et C d’origine (-O3)	883 ms	1,00x	11,84 Mo
Rust sûr idiomatique	682 ms	1,29x	6,39 Mo
Structure de tableaux (SoA), sans allocation en boucle	548 ms	1,61x	5,83 Mo
Optimisation guidée par profil LLVM	469 ms	1,88x	5,48 Mo

Google présente la méthode sous forme d’un skill open source, migrate-to-rust, qui figure dans le dépôt google/skills depuis le 13 octobre.

🔗 Le billet d’Antigravity sur FVCOM

API et plateformes pour développeurs : Decisions API de Perplexity, filigrane par défaut de Grok, Together Compiler et Cohere sur OpenRouter

La Decisions API de Perplexity cherche sur le web avant de répondre

4 novembre — Perplexity ajoute un ancrage sur le web (web grounding) à sa Decisions API, l’API de modèles de décision lancée le 1er octobre, qui répond par des probabilités plutôt que par du texte. Jusqu’ici, le modèle ne connaissait que son entraînement et le contexte (state) envoyé par le développeur. Avec le réglage "mode": "web_grounding", la passerelle lance d’abord une recherche Perplexity Fast Search par question (jusqu’à 100 par requête), ajoute titres, URL et texte des pages au contexte, et la réponse liste les sources dans search_results. Chaque recherche coûte 0,001 dollar en plus des tokens d’entrée (0,02 dollar par million pour pplx-decider-v1.2). Avec les SDK Python et TypeScript, le paramètre se passe dans le corps de la requête.

Mesure publiée par Perplexity	Sans web grounding	Avec web grounding
Test interne, 328 affirmations	56,4 %	97,3 %
Test interne, latence médiane	139 ms	366 ms
PWS-Decisions, 100 questions publiques	51 %	86 %

Sur le banc public PWS-Decisions, Perplexity mesure aussi 370 ms de latence médiane et 685 ms au 95e centile avec la recherche web.

🔗 Web grounding for the Decisions API

SpaceXSI filigranera par défaut le texte de ses modèles Grok dans l’API à partir du 7 novembre

3 novembre — La version 0.2.8 du SDK TypeScript de SpaceXSI a rendu visible une page de documentation mise à jour le 31 octobre : à partir du 7 novembre 2026, le texte produit par grok-4.7, grok-4.6, grok-4.5, grok-4.3 et les trois variantes de grok-4.20 sera filigrané par défaut dans l’API, pour se conformer à l’AI Act européen. Le filigrane, invisible, oriente légèrement le choix des tokens sans ajouter de caractère ; il couvre toutes les API de texte, sorties structurées et arguments d’appels d’outils compris, sur tous les points d’accès. L’en-tête x-watermark signale une réponse filigranée, et l’API de détection, statistique, n’est ouverte que sur candidature.

Seuls les administrateurs d’équipe peuvent le désactiver, modèle par modèle, avec effet sous 5 minutes, en attestant qu’une exception prévue par la loi s’applique et que l’équipe assume seule ses obligations de marquage ; certains modèles peuvent rester verrouillés. Anthropic a étendu son propre filigrane de texte le 3 novembre, alors que celui d’OpenAI reste désactivé par défaut dans l’API.

🔗 Output Watermarking, documentation SpaceXSI

Together AI lance Together Compiler, des agents qui optimisent en continu l’inférence de ses modèles ouverts

4 novembre — Together AI confie à des agents l’optimisation de son moteur d’inférence. Together Compiler part du modèle, du matériel et de la forme du trafic : un essaim d’agents propose des modifications de kernels, un moteur persistant teste chacune en vitesse et en exactitude face au moteur d’origine, et seules les modifications vérifiées passent en production. Together parle de compilation continue (continual compilation), relancée quand le modèle, le matériel ou la charge changent.

Les gains annoncés sont ceux de Together : jusqu’à 2,6 fois plus de tokens par GPU à vitesse égale par utilisateur sur Kimi K3, GLM 5.3, MiniMax M3.1-Flash et DeepSeek V4.1-Flash, après 24 heures de compilation sur deux nœuds par modèle, face aux meilleures configurations publiées sur le banc InferenceX de SemiAnalysis ; jusqu’à 50 % plus rapide sur des charges de clients ; 1 111 et 1 205 tokens par seconde en faible latence sur MiniMax M3.1-Flash et DeepSeek V4.1-Flash. SemiAnalysis dit avoir validé l’un des résultats. Le compilateur est déjà activé par défaut sur DeepSeek V4.1 Flash, GLM 5.3 Flash et GLM 5.3 en serverless. Together le présente comme le premier système d’inférence à auto-amélioration récursive (recursive self-improvement) à l’échelle de la production, une formulation qui n’engage que lui.

🔗 Together Compiler sur le blog de Together AI

Cohere rend Embed 5 et Rerank 5 disponibles sur OpenRouter

4 novembre — Les quatre variantes des modèles de recherche de Cohere (Embed 5 Pro et Fast, Rerank 5 Pro et Fast) arrivent sur OpenRouter, utilisables avec la clé et les crédits OpenRouter existants, aux tarifs de l’API Cohere : 0,12 et 0,08 dollar par million de tokens pour les embeddings, 0,05 et 0,02 dollar pour le reclassement (reranking). Deux limites propres à OpenRouter : les vecteurs y sont renvoyés en flottants (l’int8 et le binaire passent par l’API Cohere), et Rerank 5 reste limité au texte. Le billet, un tutoriel de génération augmentée par récupération (RAG), rappelle que selon les tests de Cohere sur 40 jeux de données, interroger avec Embed 5 Fast un index construit avec Embed 5 Pro conserve 98,4 % de la qualité d’une recherche tout Pro.

🔗 Cohere retrieval models on OpenRouter

Voix : remixage de voix de Gemini 3.8 Flash TTS et ElevenAgents dans les centres de contact

Gemini 3.8 Flash TTS gagne le remixage, qui crée une nouvelle voix à partir d’une voix existante

4 novembre — Google ajoute un troisième mode de création de voix à Gemini 3.8 Flash TTS, après la conception (Voice design) et la réplication lancées le 23 septembre. Le remixage de voix (Voice remixing) part d’une voix existante, l’une des plus de 2 000 voix de la bibliothèque ou une voix conçue sur mesure, et la modifie par des instructions en langage naturel : timbre, hauteur, débit, accent ou âge. Google cite par exemple un léger accent du sud des États-Unis, ou une voix de dragon cracheur de feu.

Côté API, l’appel POST /v1beta/voices avec gemini-3.8-flash-tts crée une nouvelle voix stockée, indépendante de l’originale, utilisable avec Gemini 3.8 Flash TTS et Gemini 3.8 Flash-Lite TTS, et qui peut à son tour servir de base à un nouveau remixage. Dans AI Studio, le bouton Remix this voice propose trois prises à écouter côte à côte. Il faut un projet au palier payant (Tier 1 ou plus) ; chaque projet stocke jusqu’à 200 voix, et une voix est conservée un an après sa dernière utilisation.

🔗 L’annonce de Google sur X · Le guide Voice remixing

ElevenLabs intègre nativement ElevenAgents à NiCE CXone, Genesys Cloud, Amazon Connect et Five9

4 novembre — ElevenAgents, la plateforme d’agents vocaux d’ElevenLabs, s’intègre désormais nativement à quatre grandes plateformes de centre de contact, pour ajouter des agents vocaux aux flux d’appels existants sans toucher à la téléphonie, au routage ni au CRM. Pour toute autre plateforme, ElevenAgents se branche en SIP (Session Initiation Protocol), avec des fournisseurs de téléphonie comme Twilio, Vonage, Telnyx, Plivo, Bandwidth ou Exotel.

Plateforme de centre de contact	Mode d’intégration annoncé
NiCE CXone	Intégration native, CXone garde la téléphonie, le routage et les rapports
Genesys Cloud	Audio Connector natif, sans liaison SIP (SIP trunking)
Amazon Connect	L’agent IA d’Amazon Connect fait intervenir ElevenAgents, puis reprend la main
Five9	SIP via Five9 AI Agent Connect, un module complémentaire de Five9

Le billet rappelle plus de 17 000 voix dans plus de 90 langues et cite AMC Health, qui a choisi ElevenLabs notamment parce que Genesys était déjà sa plateforme de téléphonie. Il ne donne ni tarif ni chiffre de performance, et prolonge le partenariat avec Genesys annoncé le 3 septembre.

🔗 ElevenAgents integrates with top contact center platforms

Vidéo et musique génératives : Kling 4.0 Flash pour tous et Suno qui part d’un fichier MIDI

Kling rend Kling 4.0 Flash disponible pour tous, sur son site et via l’API

4 novembre — Kling 4.0 Flash, la variante rapide de Kling 4.0, en accès anticipé limité depuis le 28 septembre, est désormais ouverte à tous sur le site Kling AI et via l’API. Kling précise qu’on peut aussi l’appeler par son serveur MCP, sa CLI et ses plugins, dont ceux pour Adobe Photoshop, Premiere Pro et After Effects. L’annonce ne donne ni durée maximale, ni résolution, ni tarif, et les notes de version de Kling s’arrêtent au lancement de Kling 4.0, le 15 octobre. Pendant l’accès anticipé, Kling 4.0 Flash produisait des plans de 3 à 20 secondes en 720p ; rien n’indique si ces limites ont changé.

🔗 L’annonce de Kling sur X

Suno permet de commencer une chanson à partir d’un fichier MIDI

4 novembre — Suno accepte désormais un fichier MIDI comme point de départ d’une chanson : on glisse un fichier .mid ou .midi sur la page Create, ou on le choisit dans le menu « + », puis on indique en langage naturel ce que Suno doit en faire, jouer les notes exactement comme elles sont écrites ou reprendre un motif pour le développer ou le confier à d’autres instruments. À la différence de Remix et Cover, qui partent d’un fichier audio (WAV ou MP3), le MIDI transmet les notes et le rythme exacts, donc un contrôle plus précis. Le billet cite l’arrangement d’un MIDI pour orchestre complet, une chorale gospel avec piano ou un quatuor à cordes fidèle aux accords. Au lancement, la fonction passe par le mode Simple Create et le modèle v6-wild, et elle est réservée aux abonnés Pro et Premier ; elle complète l’export MIDI ajouté le 26 juillet.

🔗 Start Songs with MIDI

Les dots de ChatGPT passent en disponibilité générale pour Enterprise, Edu et Healthcare, activés par défaut le 18 novembre

4 novembre — Les dots, les agents permanents de ChatGPT lancés le 29 septembre pour les forfaits Pro et Business Premium avec une bêta Enterprise, passent en disponibilité générale pour les espaces ChatGPT Enterprise, Edu et Healthcare éligibles. Une préversion réservée aux administrateurs court jusqu’au 18 novembre 2026 : d’ici là, les dots restent désactivés sauf si l’administrateur les active ; ensuite, ils deviennent disponibles par défaut, sauf refus de l’espace de travail. Les administrateurs choisissent quels membres y ont droit, voient les dots personnels et leurs connexions, peuvent les mettre en pause ou les relancer et suivent l’usage ; selon l’article d’aide, l’activation suppose aussi des politiques Agent Security compatibles. Côté conformité, les dots prennent en charge la résidence des données et Enterprise Key Management, avec une inférence hébergée dans l’UE ou aux États-Unis ; les dots créés avant la disponibilité générale migrent vers la région requise sous 30 jours, et ils sont éligibles HIPAA dans les espaces couverts.

🔗 Notes de version ChatGPT Enterprise et Edu

Brèves

Agents et outils de code

Zed 1.27 et préversion 1.28 — La 1.27 stable reprend la préversion du 28 octobre (panneau Agent plus économe, fin des points de restauration, macOS 12 minimum) ; la préversion 1.28 suit la dernière version de l’Agent Client Protocol, tronque à 2 000 caractères les lignes lues par l’agent et corrige trois défauts de la compaction du contexte. 🔗 source
Delta 0.24 — Les changements d’un sous-fil se fusionnent dans le fil parent (/merge-into-parent, /pull-from-subthread), un agent lit un fil partagé depuis son seul lien et écrit à l’agent d’un autre fil avec delta thread send ; les serveurs MCP acceptent les jetons bearer et les en-têtes personnalisés. 🔗 source
Copilot CLI 1.0.106-7 à 1.0.106-9 — Trois préversions, toujours sans 1.0.106 stable : une commande /code ouvre la session en cours dans VS Code, le niveau Fusion se règle dans copilot config, et 79 correctifs neutralisent notamment de nouvelles séquences d’échappement. 🔗 source
Gemini CLI v0.67.0 et v0.68.0-preview.0 — La stable promeut la série 0.67.0 déjà présentée et la preview regroupe les nightlies des huit derniers jours ; seule nouveauté, la nightly du 4 novembre fait reconnaître à gemini hooks migrate l’événement SubagentStop de Claude Code et ajoute --userns=keep-id sous Podman sans droits root. 🔗 source
Qwen Code v0.26.7 — Les hooks, autorisations et serveurs de langage fournis par un dépôt ne s’exécutent plus sans une confiance explicite accordée au dossier ; qwen serve s’ouvre aux connexions distantes, et le choix d’outil forcé est corrigé pour Claude Opus 5.5, Sonnet 5.5, Fable 5.1 et Mythos 5.1. 🔗 source
Kimi Code 2.5.0 — Une session peut naître dans un environnement SSH, Docker ou défini par une commande (--environment), et /model ou /effort s’utilisent pendant que l’agent travaille ; plusieurs points d’accès REST et WebSocket du serveur disparaissent, bien que classés parmi les correctifs. 🔗 source
CLI mistral 0.17.0 — mistral agents init crée un projet d’agent, et une application peut embarquer un agent que mistral dev sert en développement et que mistral deploy publie, derrière le drapeau mistral_cli_agents ; la connexion mistral login --device est désormais refusée. 🔗 source
DeepSeek Harness 0.2.2-rc.1 — Première version candidate de la série 0.2.2 et 37e préversion sans version stable : elle reprend surtout les alpha déjà couvertes, aligne les SDK TypeScript et Python sur le mode Web et sort Ralph loop et la recherche de sessions du statut expérimental. 🔗 source
Usine logicielle selon Zach Lloyd — Sur le blog de Warp, il soutient qu’une usine logicielle (software factory) ne se monte pas en enchaînant des prompts et des agents cloud, mais comme une pile : usine décrite en code, orchestration durable, évaluations et rejeu des tâches passées, intégrations API et MCP d’abord. 🔗 source

Plateformes, API et administration

Together AI et Kimi K3.1 Pro — Together AI sert Kimi K3.1 Pro le jour de la publication de ses poids, tel quel ou post-entraîné en RL ou SFT avec Together Post-Training ; aucun tarif dans l’annonce. 🔗 source
SDK d’OpenAI — openai-python 3.45.0 et openai-node 7.50.0 prennent en charge le cache de réponses de 12 heures et les niveaux de service par projet, annoncés en octobre ; côté Codex CLI, aucune stable depuis la 0.166.0 du 29 octobre, seulement des préversions aux notes vides. 🔗 source
Métriques d’usage de Copilot — L’API de métriques d’usage isole désormais l’usage BYOK (bring your own key) local, compté en borne basse, et signale les modèles personnalisés d’entreprise par l’indicateur is_custom_enterprise_model ; les totaux existants ne changent pas. 🔗 source
grok-imagine-image-quality retiré — Depuis le 2 novembre, SpaceXSI sert les requêtes de ce modèle d’image par grok-imagine-image-2.0 en qualité basse, sans changement de code, à 0,04 dollar l’image 1K et 0,06 dollar l’image 2K, soit 0,01 dollar de moins qu’avant. 🔗 source
Claude Marketplace — 14 agents et produits partenaires rejoignent le Claude Marketplace, de Chainguard à Zoom en passant par Datadog, Netlify, Runway et Glean, soit plus de 25 au total, payables sur une partie de l’engagement de dépenses Anthropic des entreprises éligibles. 🔗 source

Sécurité

Clé GPG de Warp — Warp renouvelle par précaution la sous-clé GPG qui signe une partie de ses paquets Linux, après un incident de sécurité non nommé et sans usage frauduleux constaté ; sur Fedora 42 et antérieures, RHEL et openSUSE, il faut d’abord supprimer l’ancienne clé. 🔗 source
GPT-5.6 Cyber dans AWS GovCloud — Les clients approuvés de Daybreak Red accèdent à GPT-5.6 Cyber dans la région AWS GovCloud (US-East) par Amazon Bedrock, après une approbation d’OpenAI puis une activation par AWS ; AWS l’avait publié dès le 30 octobre. 🔗 source
Mistral Large 4 face à une faille de Django — Dans une vidéo accélérée 90 fois, 133 agents cartographient le code, trouvent et confirment une vulnérabilité récente de Django, puis Le Chonk la corrige ; ni numéro de CVE, ni coût, ni durée réelle. 🔗 source
CodeQL 2.27.4 — Moins de faux positifs en Java et Kotlin, en Rust et en C/C++, étiquette CWE-730 retirée des requêtes ReDoS dans six langages, et les fichiers liés hors de la racine d’un pack sont écartés à sa création ; pas de volet IA cette fois. 🔗 source
Guide MCP de Perplexity — Trois familles et onze risques des systèmes MCP, de l’injection de prompt indirecte à la compromission d’un serveur local, avec leurs parades ; aucun produit ni chiffre Perplexity. 🔗 source

Modèles ouverts et recherche

Détection des voix synthétiques — Deux chercheurs de l’Université de Melbourne publient VeriSpoof, un LLM audio de 2,9 milliards de paramètres qui détecte une voix synthétique, en attribue la source et explique son verdict ; taux d’égale erreur (EER) moyen de 1,79 % sur Speech-DF-Arena pour sa variante VeriSpoof-Plus selon les auteurs, poids sous licence non commerciale CC BY-NC 4.0. 🔗 source
Field Extractor de Dharma-AI — Un modèle de 2B qui renvoie en JSON typé les champs d’un document ; sur le banc maison de 546 documents, 0,834 contre 0,816 pour Claude Opus 5, face à des modèles qui ne sont pas les derniers de leurs éditeurs, et sans poids repérés sur le Hub. 🔗 source
OTAP de Cribl — Une métrique qui juge un agent sur la structure de son plan, alignée par transport optimal sur des plans de référence ; selon les auteurs, elle s’accorde mieux avec des juges humains que ROUGE-L sur 236 trajectoires (0,74 contre 0,64). 🔗 source

Agents grand public

Grok Bot et les achats — Le 3 novembre, l’agent de SpaceXSI propose une expérience d’achat : trouver la meilleure offre, comparer des articles et suivre toutes les commandes ; ni pays, ni formule, ni marchands précisés. 🔗 source
Grok Bot au téléphone — Le 4 novembre, le compte @bot annonce que Grok Bot peut passer des appels téléphoniques, vidéo à l’appui, sans pays, formule ni tarif. 🔗 source
Get Maine Lobster et Computer — Dans un pilote proposé par Perplexity, avec un budget de test de 30 000 dollars fourni par Perplexity, la campagne Meta de Computer affiche un retour sur dépense publicitaire (ROAS) supérieur de 63 % et 3,5 fois le chiffre d’affaires pour 2,1 fois la dépense, face aux publicités habituelles du client. 🔗 source
MotionSites dans Computer — Le skill de @viktoroddy permet à l’agent de Perplexity de construire des sites animés en WebGL, avec animations au défilement, à partir de 40 plans de référence et 52 ressources hébergées ; disponible pour tous sur le web. 🔗 source
Manus en 3D — Manus transforme des photos en version 3D jouable de l’utilisateur, à faire entrer dans les mondes créés avec l’agent, dans la suite de Game Dev ; ni formule ni coût en crédits. 🔗 source

Image, vidéo et créateurs

HeyGen Video 1 sur mobile — Le modèle vidéo de HeyGen arrive dans l’application HeyGen sur iOS et Android, sans précision de tarif, de durée ni de résolution. 🔗 source
Pika H3 Flex — Le modèle arrive officiellement sur la plateforme Pika, deux jours après la date annoncée, avec 15 générations gratuites par jour jusqu’au 15 novembre pour les abonnés Creator et Fancy. 🔗 source
Character Sheet de Luma — Au lendemain d’Expression Sheet, une planche de personnage multivue cohérente, créée à partir de références ou d’une description, avec huit mises en page ; ni billet ni tarif. 🔗 source
HyperFrames — La famille d’outils vidéo de HeyGen revendique plus de 700 000 utilisateurs mensuels, sans méthode de calcul, et ouvre un Discord dédié à sa communauté. 🔗 source

Ce que ça signifie

Les poids ouverts atteignent l’échelle de la frontière, avec des conditions. Kimi K3.1 Pro, 2,8T paramètres et environ 1,56 To de fichiers, se télécharge librement, et Together AI le sert et propose de le post-entraîner dès le premier jour. Sa licence montre pourtant où s’arrête l’ouverture : au-delà de 20 millions de dollars de chiffre d’affaires, un revendeur doit traiter avec Moonshot AI, et la licence de Mistral Large 4 réservait déjà, le 29 octobre, le modèle en tant que service à une licence commerciale. L’infrastructure suit : Together Compiler confie à des agents l’optimisation de modèles ouverts aux architectures toutes différentes, et revendique jusqu’à 2,6 fois plus de tokens par GPU. À l’inverse, Cognition garde pour l’instant les poids de SWE-2 Flash au nom du risque cyber, et change de base : SWE-2 reposait sur Kimi K3, SWE-2 Flash sur un modèle américain.

Les agents de code se mélangent et s’outillent. VS Code fait travailler Copilot, Claude et Codex dans une même session, Copilot entre dans l’assistant natif de Xcode, et OpenAI va acquérir les outils Git qui équipent déjà Codex, deux jours après avoir présenté Pando : la gestion de versions devient un terrain stratégique quand les agents multiplient les branches. Le coût reste l’autre front. SWE-2 Flash coûte un cinquième de SWE-2 selon Cognition, et Anthropic confie à Haiku 5.5 la ligne d’état des sous-agents pour gagner environ 6 % de prompts sur une même limite.

L’évaluation sort du banc d’essai. RoboColosseum fait juger des politiques robotiques sur de vrais robots, dans des logements et des restaurants, et le résultat tempère les classements : les modèles de frontière rivalisent avec les VLA spécialisés, mais aucun système n’est fiable en monde ouvert, et aucun ne termine une seule tâche sur l’humanoïde G1. La Decisions API de Perplexity part du même constat côté logiciel : un modèle qui ne connaît que son entraînement se trompe sur l’actualité, et la recherche web fait passer pplx-decider-v1.2 de 51 % à 86 % sur un banc public. En science, la vérification devient le livrable : FVCOM en Rust concorde avec le Fortran à 12 décimales sur 100 simulations, et Anthropic publie les erreurs de Claude avec ses résultats.

Le filigrane devient un réglage par défaut dicté par la réglementation. SpaceXSI l’active le 7 novembre sur sept modèles Grok au nom de l’AI Act, et seule une attestation d’exception légale permet de s’en passer ; Anthropic a étendu le sien le 3 novembre, quand OpenAI laisse le sien désactivé par défaut. Pour les développeurs, la différence ne se voit pas dans le texte, mais dans l’en-tête de réponse et dans la responsabilité : désactiver le filigrane, c’est assumer seul ses obligations de marquage.