OpenAI lance GPT-6 Cyber, Anthropic ouvre Personal Finance dans Claude, Perplexity lance Teammates

OpenAI lance GPT-6 Cyber, un modèle de cybersécurité classé Critical, d’abord réservé à certains clients Daybreak Red, au lendemain du billet où sa chaîne autonome de recherche de failles, propulsée par ce modèle, a validé 948 failles d’élévation de privilèges du noyau Linux pour 1,2 million de dollars. Anthropic ouvre Personal Finance dans Claude, en lecture seule et en bêta aux États-Unis, et Perplexity lance Teammates, des agents qui travaillent en continu, comme ceux que Mistral ajoute à Studio. Côté création, OpenAI accélère la génération d’images avec Images 2.6 et Google passe Gemini Omni 1.2 Flash en disponibilité générale, avec des vidéos de 15 secondes et un prix en baisse de 30 %. De son côté, Ricursive Intelligence publie Ripple-65B Preview, un modèle dense à poids ouverts tourné vers le code agentique.

OpenAI lance GPT-6 Cyber, un modèle de cybersécurité classé Critical, d’abord réservé à des clients Daybreak Red

5 novembre — OpenAI lance GPT-6 Cyber, successeur de GPT-5.6 Cyber, entraîné à trouver et à valider des vulnérabilités exploitables tout en restant dans le périmètre fixé par les chercheurs. Son cadre de préparation (Preparedness Framework) le classe Critical en cybersécurité, contre High pour GPT-5.6 Cyber. Selon OpenAI, il surpasse GPT-6 Astra sur la plupart des tâches cyber, y compris quand Astra ne refuse pas la requête.

Introducing GPT‑6 Cyber: a major advance in security research that pairs stronger capabilities with better model alignment. The model powered the Linux kernel research we announced yesterday, and security teams at companies like Mozilla, Palo Alto Networks, Calif, and Cisco—alongside our own at OpenAI—are already putting it to work. GPT-6 Cyber is available to select Daybreak Red customers and we are expanding access over time.

🇫🇷 Voici GPT-6 Cyber : une avancée majeure pour la recherche en sécurité, qui associe des capacités renforcées à un meilleur alignement du modèle. Le modèle a alimenté les recherches sur le noyau Linux annoncées hier, et des équipes de sécurité d’entreprises comme Mozilla, Palo Alto Networks, Calif et Cisco, aux côtés des nôtres chez OpenAI, l’utilisent déjà. GPT-6 Cyber est disponible pour certains clients Daybreak Red et nous élargirons l’accès au fil du temps. — @OpenAI sur X

Les chiffres publiés par OpenAI portent d’abord sur l’exploitation, puis sur la capacité du modèle à rester dans sa mission : ExploitGym Honeypot place près de la cible des services annexes volontairement faciles à attaquer, qu’il doit laisser de côté.

Évaluation publiée par OpenAI	Score de GPT-6 Cyber	Point de comparaison
ExploitGym (exploiter une faille donnée à distance)	48,5 %	32,1 % pour GPT-5.6 Cyber
Test d’intrusion web sans accès au code source	40,3 % des failles retrouvées	32,0 % pour GPT-6 Astra
RemoteExploitBench (évaluation initiale)	95 % de tâches réussies	100 % de refus pour GPT-6 Astra (Daybreak Blue)
ExploitGym Honeypot, sans prompt de déploiement	99,93 % d’attaques hors périmètre évitées	94,49 % pour GPT-5.6 Cyber
SRE-Bench, rétro-ingénierie binaire (fiche système)	92,84 %	87,98 % pour GPT-6 Astra

Sur le terrain, OpenAI met en avant 948 exploits d’élévation locale de privilèges dans le noyau Linux (détaillés ci-dessous) et 81 vulnérabilités inédites de gravité élevée dans Firefox, selon la classification de Mozilla, qui a commencé à publier les correctifs. Les équipes sécurité de Cisco, Calif et CodeRabbit s’en servent déjà pour la recherche de vulnérabilités et la revue de code.

Les garde-fous sont renforcés : surveillance du désalignement propre au cyber, Private Safety Processing en règle générale obligatoire pour les clients de l’API en non-conservation des données (enregistrements chiffrés gardés 30 jours dans le stockage du client), liste d’adresses IP autorisées exigée par défaut pour l’accès API de Daybreak Red, et nouveaux contrôles contre l’aide aux attaques de systèmes critiques. Un groupe Daybreak Red for Critical Infrastructure ouvre des tests autorisés aux défenseurs d’infrastructures critiques approuvés, après des évaluations menées avec Dragos sur une centrale électrique simulée.

GPT-6 Cyber est d’abord proposé, dans l’API et Codex, à un groupe restreint de clients Daybreak Red approuvés, avant une extension progressive à tous ces clients ; GPT-5.6 Cyber leur est ouvert dès maintenant. Dans l’API, gpt-6-cyber coûte 20 dollars par million de tokens en entrée (2 dollars en cache) et 100 dollars en sortie, avec une fenêtre de contexte de 1 050 000 tokens. OpenAI promet d’autres annonces lors d’une diffusion en direct, « Cyber at the Frontier », le 12 novembre à 10 h, heure du Pacifique.

🔗 GPT-6 Cyber: Advancing the frontier of aligned cybersecurity agents (OpenAI) · Fiche système de GPT-6 Cyber

Un pipeline autonome a validé 948 failles d’élévation de privilèges Linux pour 1,2 million de dollars

4 novembre — La veille du lancement, l’équipe Cyber d’OpenAI a décrit un prototype qui enchaîne sans intervention la découverte de failles, leur reproduction dans une machine virtuelle isolée, l’évaluation de leur exploitabilité et la génération de correctifs, avant un examen humain. Il a tourné dix jours à la mi-octobre sur la branche principale du noyau Linux, dans son état le plus récent, avec le modèle que le tweet de lancement identifie comme GPT-6 Cyber ; ses 948 failles d’élévation locale de privilèges sont comptées par correctif distinct.

Étape de l’exécution	Résultat obtenu	Coût en crédits API
Recherche par les agents analystes (12 h)	2 308 vulnérabilités potentielles	316 549 dollars
Validation dynamique (30 h)	1 724 vulnérabilités reproduites	73 330 dollars
Exploitation	1 169 exploits fonctionnels, 948 failles distinctes	775 929 dollars
Exécution complète, repérage et tri compris	948 failles distinctes d’élévation de privilèges	1 213 430 dollars, soit 1 279 par faille

Fin juillet, GPT-5.6 Sol n’avait trouvé et exploité que 166 failles de ce type, pour 513 690 dollars, et le noyau a été durci pendant les trois mois qui séparent les deux campagnes. Sur kernelCTF, le programme de Google au noyau renforcé, la chaîne a obtenu 21 exploits en 112 heures pour environ 32 936 dollars. Les agents ont employé au moins 10 techniques d’exploitation inconnues d’OpenAI comme des experts consultés, dont les détails restent confidentiels. OpenAI estime, à titre d’hypothèse, que ces failles auraient valu de 18,9 à 66,3 millions de dollars aux anciens barèmes de primes de Pwn2Own et TyphoonPWN. Au terme des dix jours, 61 failles étaient déjà corrigées en amont, 43 avaient un correctif en préparation et 299 faisaient l’objet de discussions publiques.

🔗 A thousand fewer paths to root (OpenAI)

Anthropic lance Personal Finance dans Claude, en lecture seule via Plaid et en bêta aux États-Unis

5 novembre — Anthropic lance Personal Finance dans Claude, en bêta aux États-Unis sur les forfaits Pro, Max et Ultra. L’utilisateur relie les comptes bancaires et les cartes de son choix, puis pose ses questions d’argent en langage courant ; Claude répond à partir de ses propres soldes et transactions.

Introducing Personal Finance in Claude, in beta in the US. Connect the accounts you choose, and Claude answers your money questions in everyday language, from your own balances and transactions. Access is read-only, and Claude can’t move, manage, or invest your money.

🇫🇷 Voici Personal Finance dans Claude, en bêta aux États-Unis. Reliez les comptes de votre choix, et Claude répond à vos questions d’argent en langage courant, à partir de vos propres soldes et transactions. L’accès est en lecture seule, et Claude ne peut ni déplacer, ni gérer, ni investir votre argent. — @claudeai sur X

La connexion passe par Plaid : l’utilisateur se connecte lui-même à sa banque et y accepte l’accès de Claude, qui ne voit jamais le mot de passe bancaire. Pour les comptes choisis, Claude lit le nom de la banque, le nom, le type et les quatre derniers chiffres de chaque compte, les soldes, les plafonds de crédit et jusqu’à deux ans de transactions ; pour les placements, les prêts et les cartes, il ne lit que les soldes et les plafonds, ni les positions ni les taux. La fonction n’est pas conçue pour donner des conseils en investissement et n’affiche ni publicité ni recommandation sponsorisée ; Anthropic précise ne proposer ni carte de crédit, ni prêt, ni compte épargne.

Une page dédiée réunit dépenses, flux de trésorerie, abonnements et factures à venir. Dans l’exemple de l’article, Claude totalise 4 309,37 dollars de dépenses sur le mois, dont plus de la moitié en loyer et charges, liste quatre prélèvements à venir avant la paie et calcule ce qui restera : 1 393,22 dollars. Il signale aussi les prélèvements en double, les frais inattendus ou une facture qui grimpe, et peut construire un graphique, un calendrier des échéances ou un tableau de bord.

Paramètre de l’offre	Valeur annoncée
Forfaits concernés	Pro, Max et Ultra (ni Free, ni Team, ni Enterprise)
Pays et banques	États-Unis, 16 banques américaines au plus
Statut du lancement	Bêta, déploiement progressif dès cette semaine
Plateformes	Web, Claude Desktop, iOS et Android
Données lues	Jusqu’à 24 mois de transactions, en lecture seule
Entraînement des modèles	Conversations de l’espace Personal Finance exclues

Hors de cet espace, les réglages de confidentialité habituels s’appliquent ; selon le centre d’aide, une conversation qui a utilisé les comptes n’alimente ni la mémoire ni la recherche dans l’historique. Les comptes reliés ne servent ni dans Cowork, ni dans Claude Code, ni dans les tâches planifiées, et la fonction est absente de Claude Duet. Anthropic présente Personal Finance comme un premier pas et dit explorer, sans date, un travail aux côtés de professionnels agréés et d’établissements régulés. Claude rejoint ChatGPT, Perplexity et Grok, qui passent eux aussi par Plaid.

🔗 Introducing Personal Finance in Claude · Use Personal Finance in Claude (centre d’aide)

Agents qui travaillent en continu : Perplexity Teammates et les agents gérés de Mistral Studio

5 novembre — Perplexity lance Teammates, des agents personnels pour le travail de longue durée, annoncés par Aravind Srinivas puis par le compte officiel de Perplexity. Chaque coéquipier (teammate) part de ce qui existe déjà dans Computer : projets, skills, mémoire, plugins et automatisations. On lui donne un nom, un rôle, une consigne permanente et des règles qui disent quand revenir vers soi ; il planifie le travail, coordonne des sessions Computer et d’autres coéquipiers, vérifie les résultats en chemin et rend le travail terminé pour validation. Il garde les objectifs, l’historique des tâches et les fichiers d’une exécution à l’autre, dans un fil unique et permanent.

Today, we’re launching Perplexity Teammates. They are personal agents for work. And change the paradigm from writing prompts in a session to giving high-level goals. Rolling out to Max users on the web today. Native apps (mobile, desktop) coming soon.

🇫🇷 Aujourd’hui, nous lançons Perplexity Teammates. Ce sont des agents personnels pour le travail. Et ils changent le paradigme : de l’écriture de prompts dans une session à la définition d’objectifs de haut niveau. Déploiement aujourd’hui pour les utilisateurs Max sur le web. Les applications natives (mobile, ordinateur) arrivent bientôt. — @AravSrinivas sur X

La différence avec Computer tient à la proactivité. Un coéquipier surveille le travail en cours et agit quand quelque chose change, sans nouvelle requête : un coéquipier commercial repère un client régulier qui n’achète plus, examine ses commandes et ses tickets, puis prépare une offre ou signale un problème. Selon la FAQ, les coéquipiers tournent en arrière-plan 24 heures sur 24 et préviennent quand une décision s’impose. Ajouté à un canal Slack, un coéquipier reçoit du travail de collègues, et les coéquipiers se passent le relais : l’un trouve des bugs sur un site, un autre prépare les correctifs.

Aspect du produit	Détail publié par Perplexity
Forfait requis	Perplexity Max uniquement
Plateformes	Web dès le 5 novembre, applications natives annoncées sans date
Coût d’usage	Gratuit pendant une période promotionnelle, puis crédits mensuels inclus dans Max
Isolation	Bureau, navigateur, sessions et cookies propres à chaque coéquipier
Permissions	Celles des outils et projets de Computer, identifiants chiffrés

L’utilisateur peut relire le travail, prendre la main sur le bureau ou réorienter un coéquipier en cours de route. La fin de la période promotionnelle n’est pas datée, et Perplexity promet d’élargir l’accès et les fonctions dans les prochaines semaines. Teammates prolonge Computer dans Slack, lancé le 1er avril, et les automatisations du 29 septembre.

🔗 Teammates are agents for complex, ongoing work (Perplexity) · Page produit Perplexity Teammates

Mistral étend Studio avec des agents gérés et des applications, et passe Workflows en disponibilité générale

5 novembre — Côté entreprise, Mistral élargit Studio, sa plateforme d’IA : agents gérés (Managed Agents) et applications (Apps) arrivent en préversion publique, et Workflows, en préversion publique depuis fin avril, passe en disponibilité générale. Les trois briques sont disponibles dès le 5 novembre sur Mistral Cloud et arriveront dans les déploiements en cloud privé et sur site à la fin novembre. Les agents gérés s’écrivent en Python avec le SDK mistralai-agents : défini une fois, le même agent tourne sur ses propres serveurs (agents serve) ou chez Mistral (agents deploy), travaille en arrière-plan pendant des heures ou des jours, reprend à sa dernière étape terminée après un plantage et peut attendre l’approbation d’une personne. Studio fournit aux applications l’hébergement, l’authentification et le contrôle d’accès. Les notes de version listent douze nouveautés, dont un constructeur de flux de travail en langage naturel avec Mistral Vibe, des évaluations hors ligne et sur le trafic réel, un index de recherche géré et des webhooks. Mistral cite notamment ABANCA, BNP Paribas, Capgemini et CMA CGM parmi les clients et partenaires qui utilisent déjà Studio en production. Aucun tarif n’est publié, et l’API des agents gérés peut encore changer pendant la préversion.

🔗 Le Chonk brings the brains. Studio puts it to work (Mistral AI)

OpenAI lance Images 2.6 : GIF animés, images de référence et deux modèles d’API 50 % plus rapides

4 novembre — Deux mois après Images 2.5, OpenAI lance Images 2.6 dans ChatGPT, Codex et l’API, avec une annonce publiée le soir du 4 novembre. Le modèle génère les images 50 % plus vite et préserve mieux les détails d’une retouche à l’autre, par exemple la tenue d’un personnage quand on change l’arrière-plan. Il est disponible dans le monde entier dans ChatGPT et Codex, pour tous les abonnements, sur le web, l’ordinateur et le mobile.

Deux fonctions arrivent dans ChatGPT. La création de GIF, en cours de déploiement, transforme un prompt, une image ou un croquis en boucle animée, avec une vitesse de lecture réglable et la possibilité de retoucher chaque image. Les images de référence enregistrées permettent de réutiliser une photo dans de nouvelles conversations : on enregistre la photo de son chien sous le nom de Pepper, puis on demande un portrait à l’aquarelle de @Pepper sans la renvoyer.

Modèle de l’API	Point fort annoncé	Image en sortie, par million de tokens
`gpt-image-2.6-flare`	Une image en six secondes en qualité faible, mise en page soignée des affiches et visuels	30 dollars
`gpt-image-2.6-sunburst`	Meilleure qualité et cohérence au fil des retouches, en qualité moyenne ou élevée	30 dollars

Dans l’API, les deux modèles servent à la génération comme à la retouche. L’API gagne aussi un paramètre de complexité, qui règle le degré de planification du modèle (une valeur basse convient aux retouches rapides), l’export SVG, la génération de GIF animés et l’édition guidée par annotation, ouverte aussi aux modèles GPT Image 2.5 compatibles. Les tarifs sont ceux de GPT-Image-2.5 Flare : 5 dollars par million de tokens texte en entrée et 8 dollars par million de tokens image en entrée. OpenAI chiffre l’usage à 4 milliards d’images par semaine avec ChatGPT, Codex et l’API, soit plus d’un demi-milliard par jour. OpenArt, Figma Weave, Picsart, fal, Sable et Higgsfield ont eu un accès anticipé, et HeyGen l’a intégré dès le lendemain (voir les Brèves).

🔗 Introducing Images 2.6 (OpenAI) · Notes de version de ChatGPT

Google passe Gemini Omni 1.2 Flash en disponibilité générale : vidéos de 15 secondes et prix en baisse de 30 %

5 novembre — Google lance Gemini Omni 1.2 Flash, nouvelle version de son modèle de génération et de modification vidéo, en disponibilité générale dans l’API Gemini (gemini-omni-1.2-flash, palier payant uniquement) et dans Gemini for business. Selon Google, c’est la première fois que Gemini Omni est en disponibilité générale avec l’infrastructure de Google Cloud, Provisioned Throughput compris ; chaque sortie porte un filigrane SynthID.

Le modèle produit et modifie nativement des clips de 15 secondes, contre 10 pour Omni 1.1, avec une durée réglable à la seconde entre 3 et 15 secondes. Il tient mieux ses références (images de personnage, de produit ou de style, courts clips de mouvement, indices audio, jusqu’à 6 images de référence dans l’API) et produit moins de coupes franches (jump cuts). L’édition conversationnelle en plusieurs tours fonctionne sur des clips complets de 15 secondes, avec des dialogues plus naturels et une synchronisation labiale plus nette. Dans l’API, l’extension d’un clip ajoute 3 à 10 secondes par tour, jusqu’à 30 secondes au total, et les limites de débit du palier payant doublent.

Paramètre comparé	Omni 1.1 Flash	Omni 1.2 Flash
Durée native maximale	10 secondes	15 secondes
Sortie vidéo, par million de tokens	17,50 dollars	12 dollars
Prix effectif en 720p	environ 0,10 dollar par seconde	environ 0,07 dollar par seconde

Google annonce ainsi une baisse de 30 % : un clip de 15 secondes en 720p revient à environ 1,04 dollar, et la seconde coûte 0,023 dollar en 360p, 0,209 dollar en 4K suréchantillonné. Le 3 décembre, toutes les requêtes adressées à gemini-omni-1.1-flash seront routées vers la 1.2 et facturées à son tarif. Côté grand public, le modèle arrive dans Flow, dans Google Vids, où les clips de 15 secondes ne coûtent rien de plus avec un compte Google ou un abonnement Workspace, dans Google Ads et dans l’application Gemini pour tous les abonnés Google AI, les vidéos de 15 secondes y étant réservées à Google AI Ultra. Runway l’a ajouté le jour même (voir les Brèves). Google reconnaît des progrès à faire sur les actions sportives rapides, les changements rapides de script et la physique complexe, et ne publie aucun benchmark.

🔗 Introducing Gemini Omni 1.2 Flash (Google) · Tarifs de Gemini Omni 1.2 Flash

Luma connecte ses flux de travail créatifs à Claude et ChatGPT par un connecteur MCP

3 novembre — Luma lance un connecteur MCP qui amène ses outils de création dans Claude et ChatGPT ; le billet, daté du 3 novembre et mis à jour le 4, a été relayé par Luma le 5. Le connecteur donne accès à Luma Agent, présenté comme capable d’orchestrer un projet entier à partir d’un seul prompt, et aux flux prédéfinis de Luma : Product Shots, Camera Angles, Background swap, Relight Studio et courts clips promotionnels. Images et vidéos finies reviennent dans la conversation. Le scénario mis en avant vise le marketing : demander à l’assistant quelle publicité a le mieux marché la semaine précédente, puis faire décliner la gagnante par Luma, avec de nouvelles scènes, de nouveaux angles et un nouvel éclairage. Le compte Luma se connecte une fois et chaque génération consomme des crédits de l’abonnement Luma, sans tarif propre au connecteur. Luma avait déjà relié un connecteur MCP à Claude Motion le 8 octobre ; la nouveauté tient à ChatGPT, aux flux prédéfinis et à Luma Agent, désormais disponibles dans les deux assistants. Luma rejoint Runway, Synthesia, Suno et HeyGen, qui ont tous branché leurs outils sur les assistants ces dernières semaines.

🔗 Connect Luma to ChatGPT and Claude (Luma)

Ricursive Intelligence publie Ripple-65B Preview, un modèle dense à poids ouverts tourné vers le code agentique

4 novembre — Ricursive Intelligence, un laboratoire jusqu’ici absent de cette veille, publie Ripple-65B Preview : un modèle de langage dense de 65 milliards de paramètres, préentraîné de zéro sur 12 000 milliards de tokens, sous licence Apache 2.0, avec un contexte allant jusqu’à 1 048 576 tokens. La publication comprend le modèle instruit en BF16 et en NVFP4, un modèle de base issu du seul préentraînement et un petit modèle brouillon DFlash2 pour le décodage spéculatif. Ricursive se présente comme un laboratoire qui co-optimise matériel, logiciel et modèle, et Ripple-65B Preview est la variante généraliste du modèle propriétaire de sa plateforme de conception de puces par IA.

Le chiffre mis en avant concerne le code agentique : 80,5 % sur Terminal-Bench 2.1, 79,1 % sur SWE-Bench Pro v2.0-Hard et 44,3 % sur DeepSWE v1.1. Ricursive revendique la tête des modèles à poids ouverts américains dans ce domaine, devant des modèles bien plus gros, des mélanges d’experts (Mixture-of-Experts, MoE) ; la revendication porte sur les modèles ouverts américains, pas sur l’ensemble des modèles ouverts.

Caractéristique (fiche de Ricursive)	Ripple-65B Preview	Reflection Beam	Muse Spark Open	Inkling	Nemotron 3 Ultra
Architecture du modèle	Dense	MoE	MoE	MoE	MoE
Paramètres totaux	65B	501B	816B	975B	550B
Paramètres actifs	65B	23B	42B	41B	55B
Terminal-Bench 2.1	80,5	80,1	76,4	63,8	56,4
GPQA Diamond	85,2	90,6	89,0	87,2	87,0

Ricursive parle d’une comparaison au mieux (best-effort) : scores officiels des concurrents quand ils existent, évaluation maison sinon, harnais différents selon les tests, et des scores Terminal-Bench 2.1 tous plus bas avec le harnais officiel Terminus 2, sauf pour Muse Spark Open. En connaissances générales (GPQA Diamond), Ripple reste derrière ses concurrents.

La recette est celle d’une petite équipe, passée d’une à cinq personnes. Ricursive est partie de la recette d’entraînement d’Olmo 3, le modèle ouvert d’Ai2, et l’a retravaillée sur tous les plans (lois d’échelle, architecture, données, post-entraînement) : elle dit avoir multiplié par 16 l’efficacité de calcul sur le code par rapport à la série de modèles d’Olmo 3, et jusqu’à 55 fois pour l’entraînement complet. Le modèle est dense plutôt qu’un mélange d’experts, pour simplifier l’infrastructure, avec une architecture fine et profonde inspirée de Gemma 3N (80 couches) et un entraînement en BF16 sans noyaux de calcul maison. Le post-entraînement, relativement léger, a atteint 80,5 sur Terminal-Bench 2.1 avec 1,4 million de déroulements d’apprentissage par renforcement (rollouts), environ 70 fois moins que Reflection Beam selon Ricursive.

Le modèle génère 250 tokens par seconde sur deux B200 (lots de 8) sans quantification et tient sur une DGX Spark avec le point de contrôle NVFP4. Together AI le sert depuis le 5 novembre à 0,20 dollar par million de tokens en entrée et 0,60 dollar en sortie, avec une fenêtre de 128K tokens sur sa plateforme, et Atomic Chat en a publié un premier GGUF en le portant dans llama.cpp.

🔗 L’annonce de Ricursive sur X · Ripple-65B Preview sur Hugging Face · Ripple-65B Preview sur Together AI

Agents de code : Devin Review 2.0, applications en ligne dans Cursor, microVM de Replit et Qwen Code v0.26.8

Cognition lance Devin Review 2.0, une revue de PR moins chère et incrémentale par défaut

5 novembre — Cognition lance Devin Review 2.0 et en fait l’outil de revue de pull requests par défaut quand on travaille avec Devin. Le billet titre sur une revue cinq fois moins chère depuis août et chiffre à 82 % la baisse du coût par PR sur la période, grâce à un meilleur mélange de modèles et à l’optimisation du harnais ; le fil d’annonce de @cognition parle, lui, d’une revue jusqu’à cinq fois moins chère. Une revue typique coûte entre 0,25 et 0,75 dollar, et un bug corrigé revient en moyenne à environ 2,25 dollars chez les clients. Selon Cognition, le nombre moyen de bugs trouvés par PR passe de 1,22 à 1,32 et la latence médiane de 139 à 94 secondes. La revue devient incrémentale par défaut : un nouveau passage ne relit que ce qui a changé, environ 80 % des PR coûtent moins d’un dollar, toutes poussées comprises, et un plafond de dépense par PR évite les dérives. S’y ajoutent Devin Review Ultra, un niveau d’effort plus poussé et plus cher pour le code sensible (facturation, sécurité), et des relecteurs personnalisés (Custom Reviewers) en bêta ; aucun prix nouveau n’est publié.

🔗 Devin Review 2.0 (Cognition)

Cursor construit, héberge et partage des applications en ligne

5 novembre — Cursor permet de construire des applications en ligne et de les partager par un lien. Constat de départ selon Cursor : les agents ont fait baisser le coût du code, mais la plupart des outils créés ne quittent jamais la machine locale (localhost). On lance un agent cloud en lui demandant explicitement une application : Cursor l’échafaude, crée une base Postgres si besoin, place l’authentification derrière la connexion Cursor et l’héberge dans un compte dédié, isolé de ceux des autres équipes. Avant toute mise en ligne sur le domaine choisi, quatre contrôles déterministes (secrets écrits dans les fichiers, fichiers d’identifiants, fichiers .env, cartes de sources) et une revue de sécurité par IA doivent réussir, puis l’utilisateur publie explicitement. Les administrateurs voient toutes les applications et tous les secrets, ajoutent leurs propres règles de revue et peuvent dépublier n’importe quelle application. Le partage vise des personnes, des groupes, l’équipe ou le public, ce dernier étant désactivé par défaut pour Teams et Enterprise. La fonction est disponible sur toutes les offres payantes dotées des agents cloud, depuis Cursor Origin ou GitHub, GitLab étant annoncé bientôt ; aucun prix d’hébergement n’est indiqué.

🔗 Build Live Apps in Cursor · Documentation de Cursor sur les applications

Replit réécrit son moteur de bac à sable autour de microVM, chacune avec son noyau Linux

4 novembre — Replit publie la première partie d’une série sur son nouveau moteur de bac à sable, mise en ligne le 4 novembre au soir et relayée le lendemain. Chaque bac à sable est désormais une microVM, une machine virtuelle légère dotée de son propre noyau Linux, au lieu de conteneurs qui partagent le noyau de l’hôte ; Replit dit avoir migré des centaines de millions de projets sans perte de données. Le moniteur Cloud Hypervisor partage des composants avec Firecracker, et le noyau invité, construit à partir de tinyconfig, se passe de Bluetooth, d’USB et des pilotes d’affichage.

Audit des CVE du noyau Linux (1er juin au 4 novembre 2026)	Valeur selon Replit
CVE publiées et auditées	6 211
CVE évitées par le nouveau moteur	5 969 (96,1 %)
Correctifs intégrés avant la divulgation	4 375 (70,4 %)
CVE écartées par la configuration du noyau	676 (10,9 %)

Pour CVE-2026-98432, la faille TCP dont Anthropic a démontré l’exploitation, le noyau corrigé était en place dès le 12 octobre. Les règles de sortie réseau sont appliquées hors de la machine invitée, par un proxy côté hôte, et des courtiers d’identifiants appellent GitHub ou Google Docs sans jamais remettre la clé du compte au bac à sable. Un bac à sable s’obtient en environ 500 millisecondes ; une deuxième partie portera sur l’orchestration de dizaines de milliers de microVM avec Kubernetes.

🔗 Inside Replit’s New Sandbox Engine, Part 1

Qwen Code v0.26.8 se connecte aux abonnements Plus et Pro de Qwen

5 novembre — Qwen Code v0.26.8 rétablit la connexion par compte Qwen, désormais liée à un abonnement. Dans le CLI, l’extension VS Code et l’application Desktop, l’option « Qwen Account with Subscription » permet d’utiliser un abonnement Plus ou Pro souscrit sur chat.qwen.ai, sans clé API : le client charge le catalogue de modèles du compte, utilise l’abonnement pour la conversation et la recherche web intégrée, et guide l’utilisateur en cas d’erreur d’authentification, de quota ou de limite de débit. Selon la demande de fusion qui l’introduit, cette voie répond à la fin de l’ancien service OAuth gratuit ; ni la note de version ni la documentation ne donnent la date de cette fin ni le prix des formules, et la CI comme les conteneurs restent sur une clé API. Cette version stable, sans changement cassant, compte 83 entrées, dont 14 fonctionnalités, 37 correctifs et 13 optimisations de performance : les Mods peuvent soumettre leurs propres prompts, et les hooks fournis par un projet passent derrière une boîte de dialogue d’approbation. L’application Desktop v0.26.8 et le SDK TypeScript v0.1.28 suivent le même jour.

🔗 Qwen Code v0.26.8

Inférence plus rapide : le CPU Vera de NVIDIA, sgl-muse-mega de Meta et Runway Characters en temps réel

NVIDIA chiffre l’avance de son CPU Vera sur les x86 pour les agents

5 novembre — NVIDIA publie de nouveaux chiffres sur Vera, son processeur pensé pour les agents. Chaque étape d’un agent (chercher, interroger une base, écrire et tester du code, agir) s’exécute sur un CPU, et comme les usines d’IA sont limitées par l’énergie, NVIDIA mesure le travail accompli par watt. Dans sa propre comparaison, à l’échelle d’un centre de données de 100 mégawatts, un seul CPU Vera ferait tourner 1,6 fois plus d’agents par watt que le x86 le plus rapide et rendrait les agents deux fois plus rapides que le x86 le plus économe ; ni l’un ni l’autre n’est nommé. NVIDIA cite aussi les résultats de six partenaires :

Partenaire cité par NVIDIA	Résultat annoncé avec Vera
Perplexity	Codage agentique 1,5 fois plus rapide que sur des CPU traditionnels, déploiement prévu
DeepInfra	Jusqu’à 2,2 fois la vitesse du meilleur x86 en orchestration agentique
ClickHouse	Montée en charge quasi linéaire sur 176 cœurs, en tête du classement ClickBench
DuckLabs	Environ 1,5 fois la performance médiane d’un Intel Xeon 6 sur TPC-H SF1000
Daytona	1 000 bacs à sable en ligne en 10,8 s, contre 88,4 s en x86
Modal	Jusqu’à 2 fois le débit de bacs à sable par cœur face à un x86 comparable

Le billet ne donne ni prix ni calendrier ; Vera avait été présenté au CES en janvier, puis livré à AWS fin août.

🔗 Vera Delivers the Best of Both Worlds (NVIDIA)

Meta publie sans annonce sgl-muse-mega, qui décode Muse Spark Open jusqu’à 2,1 fois plus vite sur GB300

5 novembre — Meta a publié sur le GitHub de facebookresearch, sous licence MIT et sans annonce, sgl-muse-mega : un plugin pour le moteur d’inférence SGLang qui sert Muse Spark Open, son modèle à poids ouverts de 816 milliards de paramètres (42 milliards actifs), sur des GPU GB300. Au lieu de lancer des centaines de petits noyaux de calcul (kernels) par pas de décodage, il exécute chaque couche du décodeur en un seul lancement, et réunit le brouillon DFlash2, la vérification et l’acceptation du décodage spéculatif dans un même graphe CUDA. Selon le README, une requête unique atteint jusqu’à 1 109 tokens par seconde sur GSM8K avec huit GB300, contre 517 pour SGLang avec le même brouillon, soit 2,1 fois plus ; un pas de décodage passe de 12,9 ms et 1 450 noyaux à 5,9 ms et 97 noyaux. Le gain ne vaut que pour le décodage d’une requête à la fois (les autres requêtes retombent sur SGLang), l’outil est marqué expérimental et il exige huit GB300 dans un même domaine NVLink, ou quatre sur un nœud.

🔗 sgl-muse-mega (facebookresearch)

Runway sert en temps réel le modèle vidéo de 57B de Runway Characters sur quatre H100

5 novembre — Runway Research publie un billet et un article arXiv sur la façon dont Runway Characters, ses personnages vidéo avec lesquels on converse en direct à partir d’une seule image, tient le temps réel. Un transformeur de diffusion vidéo autorégressif d’environ 57B de paramètres doit produire, à 24 images par seconde, un bloc de quatre images en 704x1088 toutes les 166,7 ms, pour un seul utilisateur : impossible de regrouper les requêtes de plusieurs utilisateurs, chaque milliseconde doit être gagnée sur l’étape elle-même. Premier gisement, le cache : 29 % du temps GPU servait à retraiter, dans chacun des 240 appels d’attention, un cache presque inchangé. En appliquant RoPE et la quantification FP8 une seule fois, à l’écriture, dans un cache en anneau, Runway ramène son entretien de 69,7 à 6,2 ms par étape.

Configuration mesurée par Runway	Durée d’une étape de diffusion
Logiciel du lancement, sur quatre H100	240,9 ms
Après optimisation, sur quatre H100	159,3 ms (24,5 images/s)
Avec un noyau qui fusionne réduction et calcul FP8	147,4 ms
Sur trois B200	154,3 ms

Une session tient désormais sur quatre H100, contre huit au lancement. Sur sept semaines de production, la moyenne a dépassé 23,5 images par seconde dans 99,5 % des sessions, et un tour de conversation médian prend 2,13 s, dont 1,42 s pour l’agent vocal.

🔗 Real-Time Video at Batch Size One (Runway) · Article arXiv 2611.05642

Robotique ouverte : LeRobot v0.7.0 de Hugging Face et ToyBlocks d’Ai2

Hugging Face publie LeRobot v0.7.0, qui fait dialoguer avec un robot en marche

5 novembre — Hugging Face publie LeRobot v0.7.0, nouvelle version de sa bibliothèque de robotique ouverte, alors que le Hub héberge presque 300 To de données d’IA physique au format LeRobot. Avec les sessions interactives, on parle au robot en marche : /subtask change la consigne sans l’arrêter, /vqa demande à la politique ce qu’elle voit et /autosteer lui confie un objectif. Ces deux dernières commandes demandent une politique qui génère du texte, comme FineART-VLA, entraînée sur le jeu FineART de Scale AI et Hugging Face (1 718 heures de manipulations à deux bras, plus de 533 000 sous-tâches annotées), ou un planificateur VLM externe. Côté entraînement, les jeux se lisent en flux depuis le Hub ou LanceDB, sans téléchargement, et la pile passe à FSDP2 et HSDP : sur un modèle FastWAM de 6B, le pic mémoire à la reprise tombe de 143 à 42 Go par GPU. La version ajoute quatre modèles d’action du monde (Cosmos 3 et Long-WAM de NVIDIA, FLUX 3 Action de Black Forest Labs, LaWAM de RLinf) et quatre politiques vision-langage-action, dont LingBot-VLA 2.0 et Wall-OSS-0.5. Elle casse plusieurs usages : PyTorch compilé pour CUDA 13, inférence asynchrone remplacée par un serveur de politiques, Trackio à la place de Weights & Biases.

🔗 LeRobot v0.7.0 (blog Hugging Face)

Ai2 met en ligne sans annonce ToyBlocks, un cadre de simulation qui génère des démonstrations pour robots

5 novembre — Ai2 a mis en ligne entre le 4 au soir et le 5 novembre, sans annonce, les pièces de ToyBlocks : un cadre de simulation ouvert, bâti sur IsaacSim et IsaacLab, où un bras robotique pousse, retourne et empile des blocs sur une table. Son intérêt est de remplacer la téléopération par la génération automatique de tâches et de démonstrations : le jeu publié réunit 83 496 démonstrations réussies d’empilement de trois blocs, soit 143,7 millions d’images et près de 1 600 heures, sur trois niveaux de difficulté, avec des jeux de validation de 1 000 épisodes par niveau. Deux modèles l’accompagnent : Molmo2-4B-tb, un Molmo2-4B affiné qui lit l’image de la caméra et l’objectif, énonce un court plan et désigne l’action suivante (prendre, poser, retourner, tourner) et sa cible, à environ 6 Hz, et une politique ManiFlow qui exécute ces gestes. Le billet de blog cité par les dépôts renvoyait une erreur 404 au moment du scan et le rapport technique est annoncé bientôt.

🔗 ToyBlocks (allenai)

Anthropic mesure comment les scientifiques utilisent Claude, sur 207 049 sessions de recherche

5 novembre — L’équipe Economics d’Anthropic publie un rapport sur l’usage scientifique de Claude, fondé sur 207 049 sessions de recherche des forfaits grand public entre le 2 août et le 30 septembre 2026, analysées par des classifieurs qui ne gardent que des étiquettes de domaine et de tâche. Les sciences formelles utilisent Claude bien plus que leur poids dans la recherche mondiale : l’informatique pèse 32,7 % des sessions Claude Code pour 4,3 % des chercheurs dans le monde.

Mesure observée	Sur Claude (Chat et Cowork)	Sur Claude Code
Sessions analysées	128 914	78 135
Part de l’analyse de données	33,7 %	48,1 %
Part de l’idéation et des hypothèses	4,2 %	2,1 %

Les scientifiques se servent surtout de Claude pour analyser des données et écrire, beaucoup moins pour formuler des hypothèses, alors que les 528 chercheurs interrogés classent l’idéation et la collecte de données en tête des tâches qui comptent ; sur Claude Science, l’idéation pèse environ deux fois plus que sur Claude. Le rapport esquisse des scénarios présentés comme illustratifs, pas comme des prévisions : avec les capacités actuelles largement adoptées, la production de recherche serait multipliée par 1,35 (arts) à 2,02 (statistiques) ; si l’IA prenait en charge tout le travail non physique, par 15 à 16 dans les domaines sans paillasse, contre 3 à 4 en biologie ou en chimie. Environ 40 % des chercheurs interrogés attendent des projets de recherche menés seuls par l’IA d’ici 2030.

🔗 AI for scientific discovery: How researchers use Claude (Anthropic)

OpenAI publie un pacte avec les communautés qui accueillent ses campus de calcul

5 novembre — OpenAI publie un pacte national avec les communautés (National Community Compact) et un plan de politiques publiques pour les campus de calcul (Compute Campus Policy Blueprint). Chaque futur campus qu’OpenAI possédera et exploitera aura son pacte local, avec une consultation assez tôt pour peser sur le projet, un interlocuteur local et un rapport public annuel. OpenAI s’engage à payer l’intégralité de l’électricité et des infrastructures nécessaires, avec des garanties financières pour protéger les autres clients si un projet est retardé, réduit ou annulé, à publier la consommation d’eau et d’électricité de chaque site, à privilégier un refroidissement en boucle fermée ou peu gourmand en eau, et à ne pas imposer d’accords de confidentialité aux élus et agents publics, hors protections étroites. Dans le comté d’Effingham, en Géorgie, les habitants ont orienté une subvention de 4,8 millions de dollars vers des repas scolaires gratuits pour les 14 000 élèves du comté ; dans le comté de Pike, en Ohio, OpenAI et SB Energy engagent 6 millions de dollars pour la garde d’enfants. Le plan demande aussi des règles communes aux décideurs : faire payer aux gros consommateurs les coûts qu’ils ajoutent au réseau, faciliter le raccordement des campus capables de réduire leur demande, comme le prévoit Grid Protectors lancé le 2 novembre, et accélérer les lignes de transport d’électricité.

🔗 Setting a new standard for responsible AI infrastructure (OpenAI)

Brèves

Agents et outils de code

Amp et GitLab — Amp s’intègre à GitLab, sur gitlab.com comme sur les instances auto-gérées : ses environnements cloud, les orbs, clonent et poussent au nom de l’utilisateur, ouvrent et suivent des demandes de fusion, et Orb Spawner démarre une orb pour chaque nouvelle demande ou ticket ; aucun tarif. 🔗 source
Revue des PR d’agents chez Warp — Ben Holmes propose trois leviers contre l’engorgement de la revue : un agent de revue maison en plusieurs tours, une vérification de bout en bout par l’agent et une note de risque de fusion sur cinq critères, publiée sous forme de skill /merge-risk. 🔗 source
Copilot CLI 1.0.106-10 — Une nouvelle préversion paraît sur npm sans notes de version ; le SDK Copilot 1.0.29-preview.9, qui l’embarque, laisse voir une compaction expérimentale de l’historique et la connexion par code d’appareil. La dernière stable reste la 1.0.105 du 28 octobre. 🔗 source
Copilot Fusion — GitHub fixe au 30 novembre la fin de la remise de 30 % sur ce routeur de modèles, que l’annonce du 28 octobre réservait aux forfaits Copilot payants pour une durée limitée ; le tweet le présente dans l’application GitHub Copilot, Copilot CLI et VS Code. 🔗 source
Kimi Code 2.5.1 — Huit correctifs, dont la fin des erreurs HTTP 400 répétées causées par des messages système vides pour les schémas d’outils dynamiques et le retour des aperçus d’images et de vidéos dans les résultats d’outils. 🔗 source
Kimi Work 3.2.25 — Une recherche globale couvre projets, plugins, skills et conversations, les plugins non autorisés sont repérés en cours de tâche avec une fenêtre qui guide leur autorisation, et une nouvelle action arrête la tâche avant de l’archiver. 🔗 source
CLI mistral 0.17.2 — Deux correctifs le jour de l’extension de Studio : le lien d’avertissement de mistral apps deploy ouvre l’onglet Secrets de l’application, et les commandes mistral agents n’échouent plus sur le verrou uv.lock quand le shell exporte UV_DEFAULT_INDEX ou UV_INDEX_URL. 🔗 source
Codex sur iOS — Le 2 novembre, ChatGPT pour iOS 1.2026.300 permet d’ajouter et de retirer des pièces jointes sans quitter le compositeur plein écran de Codex, synchronise le statut de lecture des tâches entre appareils et oriente par défaut les relances vers la tâche en cours. 🔗 source
Extensions Antigravity — Le 2 novembre, l’extension VS Code 1.11.0 rend cliquables les pastilles de contexte du terminal envoyées à la conversation, et l’extension Visual Studio 1.0.261102.0 active par défaut les diffs en ligne, acceptés ou rejetés par bloc ou par fichier. 🔗 source
Page Overview des pull requests — GitHub ouvre en préversion publique, sur adhésion, une page qui remonte en haut l’état de fusion et les prochaines actions, avec une zone de fusion redessinée et des filtres sur la conversation ; retour à la vue classique possible. 🔗 source
Discord en Rust — Hors IA, Discord montre une nouvelle version de son client reconstruite en Rust, que Zed présente comme bâtie sur GPUI, son framework d’interface open source. 🔗 source

Entreprises et partenariats

DevRev et Codex — Dans une étude de cas publiée par OpenAI, DevRev confie le raisonnement de ses agents Computer et Operator aux modèles d’OpenAI, dont GPT-6.1 Sol, et dit avoir passé toute son ingénierie sur Codex en abandonnant ses licences Cursor ; aucun chiffre de résultat. 🔗 source
Replit et SMFL — Replit s’associe à Sumitomo Mitsui Finance and Leasing pour relier sa plateforme à AssetForce, le service de gestion d’actifs de SMFL utilisé par plus de 200 entreprises, à l’appui de l’objectif de SMFL : décupler ses revenus de services numériques, à 10 milliards de yens d’ici 2031. 🔗 source
Baseten et la Nemotron Coalition — Baseten rejoint l’alliance de NVIDIA autour des modèles ouverts, présentée en mars avec Mistral, Black Forest Labs, Cursor, Ai2 et Perplexity, et y apporte environnements d’apprentissage par renforcement, post-entraînement et inférence optimisée. 🔗 source

Plateformes, API et sécurité

Sécurité de Claude Enterprise — Anthropic ajoute, en bêta, un centre de sécurité qui compare les réglages de la conversation, de Cowork et de Claude Code à ses recommandations, une console d’administration centralisée et un capteur EDR (détection et réponse sur les postes) dans la machine virtuelle locale de Cowork, sur macOS et Windows. 🔗 source
Claude Console et Admin API — En bêta, une liste d’adresses IP autorisées, jusqu’à 1 000 adresses ou plages par organisation, refuse les requêtes venues d’ailleurs, ce qui limite l’usage d’une clé API divulguée, et l’Admin API peut déconnecter partout un membre de Claude Enterprise. 🔗 source
SDK d’OpenAI — openai-python 3.46.0 et openai-node 7.51.0 ajoutent les options de résidence des données Australie, Inde et Japon, GPT-6 Rosalind et les contrôles d’Images 2.6, puis les versions suivantes ajoutent gpt-6-cyber ; toujours aucune stable de Codex CLI depuis la 0.166.0 du 29 octobre. 🔗 source
API Gemini — L’API accepte désormais les présentations PPT et ODP et les tableurs ODS, traite les documents DOC en images de pages, et les outils peuvent renvoyer au modèle de l’audio, de la vidéo ou des fichiers Office et OpenDocument. 🔗 source
API de Perplexity — L’Agent API ouvre le niveau d’effort ultra, qui tourne sur Claude Opus 5.5 pour la recherche large, à ne pas confondre avec le niveau Ultra de l’Effort Mode de Computer ; la veille, la Decisions API apprenait à lire le texte d’une URL avant de chercher, à 0,001 dollar par récupération. 🔗 source
Orchestration d’agents — Perplexity publie un guide qui compare trois architectures d’orchestration (centralisée, décentralisée, hiérarchique), recense sept pannes courantes et propose sept bonnes pratiques, des contrats de tâche aux nouvelles tentatives idempotentes ; aucune nouveauté produit. 🔗 source
Analyse des secrets de GitHub — SpaceX devient partenaire : un identifiant starlink_public_api_v2_secret exposé dans un dépôt public lui est transmis pour révocation, et les détecteurs de six fournisseurs, dont AWS et Google Cloud Storage, produisent moins de faux positifs. 🔗 source

Infrastructure et simulation chez NVIDIA

Mémoire et inférence — Un billet explicatif défend la conception conjointe de toute la pile face à une HBM rare et chère : de Blackwell Ultra à Vera Rubin, la HBM par GPU n’augmente que d’environ 3 %, mais le débit par dollar grimpe jusqu’à 30 fois sur SemiAnalysis AgentX ; le stockage NVIDIA CMX réunit neuf partenaires. 🔗 source
Into the Omniverse — NVIDIA met à jour son billet sur les simulations construites par des agents, couvert le 9 octobre, avec une dizaine de projets menés surtout avec GPT-6 Astra, parfois Claude, dont un entrepôt de 80 convoyeurs, 40 bras et 800 boîtes tenu à 30 images par seconde ; aucun produit nouveau. 🔗 source

Modèles ouverts, données et recherche

ML Intern dans Slack — L’agent open source de Hugging Face qui évalue, prépare des données et affine des modèles devient un bot Slack à installer dans son espace de travail, branché sur ses données, ses fichiers et ses serveurs MCP ; ni tarif ni lien d’installation. 🔗 source
Llama et les modèles de décision — L’application locale de l’équipe llama.cpp et de Hugging Face, gratuite sur Mac et Windows, exécute d1-Omni de Liquid AI et d3-flash, qu’elle attribue à vLLM et place en tête du Jev Decision Index. 🔗 source
Sand3D — Sandflow publie 106 094 objets 3D, dont 10 456 articulés, chacun écrit sous forme de court programme Python dans sa bibliothèque ouverte sand3d, avec un export OpenUSD lisible dans la visionneuse 3D du Hub. 🔗 source
SimReady Central — Lightwheel détaille son rôle dans la bibliothèque d’objets 3D de NVIDIA sur Hugging Face, qui dépasse désormais 3 500 objets OpenUSD : la société valide et règle leur comportement physique au contact et en mouvement. 🔗 source
DreamTac — Un billet présente ce jeu de l’Université de Pékin, converti par Voxel51 pour FiftyOne : 703 trajectoires d’un bras Franka aux bouts de doigts en gel, sur 12 tâches et 7,03 heures, où le contact devient visible à l’image. 🔗 source
Synthèse vocale en libanais — Bilal Zaraket a cloné la voix d’un testeur de Beyrouth avec quatre modèles : notée à l’aveugle par cinq auditeurs natifs, la vraie voix obtient 4,98 sur 5, le meilleur modèle, VoxCPM2, 3,89, et n’est perçu comme libanais que dans 65 % des cas. 🔗 source
Guardián colombiano — Hugo Alonso affine Tiny Aya Global (3,35 milliards de paramètres) pour modérer en espagnol de Colombie un mur public de mémoire collective, sur un GPU de 6 Go, à la place d’une chaîne de trois services cloud. 🔗 source
Anvaya-1B — Un développeur préentraîne de zéro un modèle d’un peu plus d’un milliard de paramètres sur deux cartes T4 de 16 Go, avec PyTorch FSDP et FineWeb, et publie le premier point de contrôle et la recette. 🔗 source
traj2envs — Hugging Face publie sans annonce un outil qui transforme des trajectoires d’agents au format ATIF en tâches d’apprentissage par renforcement Harbor vérifiées, avec des images d’environnement épinglées. 🔗 source

Image, vidéo et avatars

Runway et Gemini Omni 1.2 Flash — Runway ajoute le nouveau modèle de Google pour créer et éditer des vidéos jusqu’à 15 secondes, retoucher une scène sans repartir de zéro puis l’agrandir en 4K ; ni billet ni coût en crédits. 🔗 source
HeyGen et Images 2.6 — HeyGen intègre ChatGPT Images 2.6 pour les personnages secondaires de ses scènes, avec de meilleures planches de personnages et plus de cohérence dans HeyGen Video 1 ; ni tarif ni offres précisés. 🔗 source
Photo Reframe de Luma — Après Expression Sheet et Character Sheet, Luma ajoute un outil qui complète l’espace autour d’une image pour l’adapter à une publication Instagram, une pochette d’album ou une affiche ; ni billet ni tarif. 🔗 source
Manus Studio — Les projets s’exportent désormais vers Premiere Pro, DaVinci Resolve, CapCut ou Final Cut Pro, pour finir ailleurs le montage d’une vidéo créée avec l’IA ; ni format d’export ni formules précisés. 🔗 source
Muse Realtime Avatar — Présentée à Meta Connect, la technologie qui donne un visage animé en temps réel à Muse Realtime Voice arrive dans l’application Muse aux États-Unis, sans calendrier pour les autres pays. 🔗 source

Ce que ça signifie

La cybersécurité offensive passe à l’échelle industrielle, sous accès restreint. GPT-6 Cyber, classé Critical, a servi à valider 948 failles d’élévation de privilèges du noyau Linux en dix jours pour 1,2 million de dollars, soit 1 279 dollars par faille, et à trouver 81 failles de gravité élevée dans Firefox. OpenAI réserve le modèle à des clients Daybreak Red approuvés, exige par défaut une liste d’adresses IP autorisées et surveille un désalignement propre au cyber. La course se joue désormais sur la vitesse du correctif : pendant les dix jours de la campagne, d’autres contributeurs avaient déjà corrigé 61 de ces failles en amont et en préparaient 43 autres, et OpenAI juge la génération automatique de correctifs indispensable pour suivre ce rythme. Replit montre l’autre bout de la chaîne : son noyau invité intégrait 4 375 correctifs avant même leur divulgation, et la faille TCP dont Anthropic a démontré l’exploitation y était corrigée dès le 12 octobre.

Les agents qui travaillent longtemps, sur des données sensibles, font de l’isolation et des permissions le cœur du produit. Les coéquipiers de Perplexity tournent 24 heures sur 24, chacun avec son bureau, son navigateur et ses cookies ; les agents gérés de Mistral travaillent des heures ou des jours et peuvent attendre l’approbation d’une personne ; Cursor héberge chaque application dans un compte isolé, après quatre contrôles déterministes et une revue par IA. Personal Finance pousse la logique jusqu’à la lecture seule : Claude lit soldes et transactions via Plaid sans pouvoir déplacer un dollar, et les conversations de son espace ne servent pas à l’entraînement. Côté infrastructure, Replit donne à chaque bac à sable son propre noyau Linux et applique les règles réseau hors de la machine invitée ; côté administrateurs, Claude Enterprise compare désormais ses réglages de sécurité aux recommandations d’Anthropic.

L’image et la vidéo générées deviennent plus rapides, moins chères et intégrées partout en quelques heures. Images 2.6 génère 50 % plus vite, Gemini Omni 1.2 Flash allonge les clips à 15 secondes en baissant son prix de 30 %, à environ 0,07 dollar la seconde en 720p, et Runway sert ses personnages vidéo de 57B en temps réel sur quatre H100 au lieu de huit. La diffusion suit aussitôt : Runway ajoute Omni 1.2 Flash le jour de sa sortie, HeyGen intègre Images 2.6 le lendemain, et Luma installe ses outils de création dans Claude et ChatGPT. Pour les créateurs, l’enjeu se déplace du choix du modèle vers l’outil où il apparaît, souvent le jour même.

Le coût de l’inférence devient un argument à part entière. NVIDIA vend Vera au nombre d’agents par watt, Meta fait décoder Muse Spark Open 2,1 fois plus vite avec un seul noyau de calcul par couche, et Cognition réduit de 82 % le coût d’une revue de code depuis août tout en trouvant un peu plus de bugs. Ripple-65B Preview applique la même logique à l’entraînement : un modèle dense préentraîné de zéro sur une recette issue d’Olmo 3, post-entraîné avec 1,4 million de déroulements d’apprentissage par renforcement, revendique la tête des modèles ouverts américains en code agentique et se loue 0,20 dollar par million de tokens en entrée chez Together AI.