Rechercher

OpenAI intègre le harness de Codex à son Agents SDK en préversion, Shruti couvre 22 langues indiennes et HeliosLM vise Taïwan

JLS42 /
Article généré par intelligence artificielle
openai codex gpt agents coding-tools devin cognition github copilot github-copilot securite google gemini gemini-cli antigravity qwen alibaba huggingface open-source audio recherche cohere robotique nvidia gpu actualites
OpenAI intègre le harness de Codex à son Agents SDK en préversion, Shruti couvre 22 langues indiennes et HeliosLM vise Taïwan

Sociétés de cette veille

Décochez ce qui ne vous intéresse pas. Votre choix vaut pour toutes les veilles et reste sur cet appareil.

Grands labos
Chine
Outils de code
Infrastructure et open source
Autres

OpenAI publie deux préversions alpha de son Agents SDK, pour Python et pour JavaScript, qui embarquent le harness de Codex comme moteur natif : stockage des conversations, limites d’usage, dialogue entre agents par A2A et, côté Python, un effort de raisonnement par défaut relevé. Le reste de ce dimanche tient en brèves : les notes de version de Devin, deux préversions de GitHub Agentic Workflows, des correctifs pour Antigravity et Gemini CLI, l’application de bureau de Qwen Code, puis une série de billets communautaires sur Hugging Face, dont des modèles vocaux ouverts pour Taïwan et pour les 22 langues officielles de l’Inde, et une mesure du surcoût du turc.

OpenAI intègre le harness de Codex à son Agents SDK : deux préversions alpha avec A2A, budgets d’usage et stockage des conversations

8 novembre — OpenAI publie deux préversions alpha de son Agents SDK : v0.24.0-alpha.7 pour Python et v0.22.0-alpha.2 pour JavaScript. La série, ouverte le 3 novembre, embarque le harness de Codex comme moteur natif ; l’ancien moteur reste disponible en « Classic ». La préversion Python est distribuée par GitHub Releases, pas par PyPI.

Ces versions ajoutent le stockage des conversations côté application, les outils hébergés FileSearch, CodeInterpreter et ImageGeneration, des limites d’usage RunBudget (requêtes, tokens ou coût estimé), qui ne garantissent pas un plafond de dépense, des adaptateurs A2A entre agents et des workflows vocaux. Mises à jour à prévoir : écriture stricte par défaut des nouveaux environnements, puis, côté Python, modes d’approbation MCP renommés et effort de raisonnement par défaut relevé de low à medium pour GPT-6 Astra, GPT-6.1 Sol et GPT-5.6 Sol, sauf réglage explicite.

🔗 Préversion Python · Préversion JavaScript

Brèves

Agents et outils de code

  • Notes de version de Devin du 6 novembre — Rattrapage : les administrateurs fixent la visibilité par défaut des nouvelles sessions et peuvent limiter leur partage à l’organisation, les connexions Gerrit synchronisent groupes et accès aux projets vers les droits de Devin (les nouvelles connexions exigent Gerrit 3.13 ou plus récent), et un bouton déconnecte d’un coup tous les appareils, de l’application web aux applications mobiles. Aucun tarif n’est annoncé. 🔗 source
  • GitHub Agentic Workflows 1.2.0 et 1.2.1 — Deux préversions publiées les 4 et 6 novembre, après la disponibilité générale du 28 octobre. Un workflow déclenché par pull_request_target depuis un fork exige désormais une adhésion explicite pour un usage sans restriction, un changement cassant ; s’y ajoutent un relecteur de pull requests guidé par la spécification du projet, un moteur déclaratif expérimental, Atomic, et des revues de sécurité qui échouent en mode fermé (fail closed) quand elles restent non résolues. 🔗 source
  • Antigravity 2.29.1 — Rattrapage du 6 novembre : cette version de l’application corrige quatre défauts du mode vocal Gemini Live. Le mode vocal demande désormais de se reconnecter quand la connexion du compte doit être renouvelée, lit les liens et les mentions @ des messages tapés pendant un appel, ne rattache plus à la dernière phrase des propos plus anciens et n’affiche plus, après une coupure, des morceaux de réponse jamais entendus. 🔗 source
  • Gemini CLI, PR 30183 — Fusionnée sur main le 6 novembre mais pas encore publiée dans une version, elle rend réglable le délai de 60 secondes accordé aux premiers en-têtes de réponse, qui coupait puis rejouait depuis le début les requêtes à réflexion longue, quel que soit le mode de connexion (variable GEMINI_API_HEADERS_TIMEOUT_MS ou réglage model.requestTimeoutMs). 🔗 source
  • Qwen Code Desktop v0.27.0 et SDK TypeScript v0.1.30 — Publiés le 8 novembre, au lendemain de la stable v0.27.0 du CLI, sans rien d’inédit : l’application reprend les 112 modifications des versions v0.26.9 et v0.27.0 du CLI, et le SDK embarque le CLI 0.27.0. Desktop est livrée pour macOS, Windows x64 et Linux (AppImage, .deb, RPM pour Fedora 44 et RHEL 10). 🔗 source

Modèles ouverts pour la voix et les langues régionales

  • HeliosLM — Chien-Hsin Lin publie une première série de modèles ouverts pensés pour Taïwan : un modèle de conversation et un classifieur de sécurité dérivés de Gemma 4 E4B-it, et deux modèles de reconnaissance vocale dérivés de Whisper large-v3. Selon ses mesures, le taux d’erreur par caractère tombe de 231,13 à 32,69 % sur le taïwanais (hokkien) de Common Voice, et de 15,25 à 5,10 % sur le mandarin de Taïwan. 🔗 source
  • Shruti — Udgam Labs, auteur du petit modèle Laghu, publie 22 modèles de reconnaissance vocale sous Apache-2.0, un par langue de la huitième annexe de la Constitution indienne. Chacun pèse environ 30 Mo, transcrit aussi l’anglais et tourne hors ligne, jusque sur un téléphone de 2021 ; les 22 réunis font 653 Mo, environ un quart d’IndicConformer-600M. En conversation réelle, 22,9 à 56,8 % des mots restent faux, selon l’équipe. 🔗 source
  • La taxe du turc — Serkan Peker estime qu’avec vLLM sur une H200, produire le même texte en turc demande 1,45 à 1,62 fois le temps GPU de l’anglais sur quatre modèles ouverts (Turkish-Gemma-9b-T1, Gemma 4 12B, Ministral 3 14B et Qwen3.8-27B), dont 76 à 82 % s’expliquent par le surplus de tokens. Sur sept tokenizers, seul celui du modèle turc Kumru-2B consomme moins de tokens en turc qu’en anglais. 🔗 source

Recherche et données communautaires

  • Tiny Aya Global au hackathon de Lexsi Labs — Trois équipes du hackathon de sécurité et d’alignement de Lexsi Labs publient leurs affinages de ce modèle ouvert de Cohere Labs (3,35 Md de paramètres). Selon leurs propres mesures, SafeQuery fait passer un agent SQL de 19,8 à 99,1 % de réussite sans céder aux injections testées, TaxOps remplit 93,3 % de déclarations fiscales synthétiques exactes et SafetyPulse ramène les attaques HarmBench réussies de 25,2 à 12,3 %. 🔗 SafeQuery · 🔗 TaxOps · 🔗 SafetyPulse
  • Effacer un style en modifiant les poids — Javad Taghia publie une expérience où GPT-6 Astra, doté d’un accès outillé aux poids d’un petit modèle de diffusion (segmind/tiny-sd) mais d’aucun gradient, doit en effacer le style de Van Gogh. Selon son protocole préenregistré, l’agent retire 11,5 points de style de plus que la méthode UCE en abîmant autant les peintres voisins, et bat de 52 points une recherche aléatoire dotée des mêmes outils. 🔗 source
  • SEW Multimodal AMR dans FiftyOne — Harpreet Sahota publie le 7 novembre une conversion pour FiftyOne de ce jeu de 3 151 images annotées en 55 épisodes MCAP, prises par le robot mobile autonome de SEW-EURODRIVE avec six types de capteurs (caméras RGB et thermique, profondeur, radar 4D, scanners laser, ultrasons), pour comparer ce que chacun perçoit d’une même scène. 🔗 source

Infrastructure GPU

  • NVIDIA DSX OS, billet du 5 novembre — Rattrapage : NVIDIA détaille comment les trois briques open source de DSX OS, sous licence Apache 2.0, accompagnent une grappe GPU sous Kubernetes. AICR fige la configuration en recettes versionnées, NVCRE la certifie par de vraies charges (tests NCCL, diagnostic DCGM de niveau 4, préentraînement NeMo) et NVSentinel ne remet un nœud réparé en service qu’après réussite des tests. 🔗 source

Ce que ça signifie

Avec ces préversions, le harness qui fait tourner Codex devient le moteur natif de l’Agents SDK, en Python comme en JavaScript. Plusieurs de ses fonctions existaient déjà dans l’API Agents hébergée d’OpenAI, comme le plafond de budget, en bêta sur demande depuis le 6 novembre, ou la compaction ; le SDK les rapproche du code de l’application, qui garde ses conversations dans son propre stockage et dialogue avec d’autres agents par A2A. Le prix est celui d’une phase alpha : des interfaces qui changent d’une version à l’autre, une distribution Python hors de PyPI et un effort de raisonnement par défaut relevé côté Python, qui modifie le comportement des projets qui ne le fixent pas eux-mêmes.

Les réglages par défaut se durcissent aussi dans les outils d’agents. Le SDK d’OpenAI passe les nouveaux environnements en écriture stricte, GitHub Agentic Workflows exige une adhésion explicite pour un usage sans restriction des workflows déclenchés depuis un fork et fait échouer les revues de sécurité restées non résolues, et Devin laisse les administrateurs fixer la visibilité des sessions et limiter leur partage. Chez GitHub comme chez OpenAI, la mise à jour demande une vérification : le changement est cassant pour gh-aw, et le SDK Python refuse les anciens noms des modes d’approbation MCP.

Plusieurs billets communautaires visent des langues que les grands modèles servent mal. HeliosLM ramène l’erreur de Whisper large-v3 sur le taïwanais de 231,13 à 32,69 %, Shruti fait tenir la reconnaissance vocale de 22 langues indiennes dans des fichiers d’environ 30 Mo qui tournent hors ligne, et Serkan Peker chiffre ce que coûte une langue mal découpée en tokens : 1,45 à 1,62 fois le temps GPU de l’anglais pour du turc. Udgam Labs résume l’obstacle : construire pour ces langues voulait dire jusqu’ici une facture de cloud à la minute, un modèle de plusieurs gigaoctets ou la permission d’une grande entreprise. Tous ces chiffres sont mesurés par leurs auteurs, et Udgam Labs publie lui-même les limites de Shruti : en conversation réelle, jusqu’à 56,8 % des mots restent faux.

Sources