Cursor lance Projects et son agent coordinateur, GPT-Rosalind quitte la préversion de recherche, Runway met ses poids fermés sous licence

Cinquante-deux annonces, publiées pour la plupart le 11 septembre, et une même idée qui revient chez des acteurs qui ne se parlent pas. Cursor confie un chantier entier à un agent coordinateur qui ne code pas et délègue à des milliers de sous-agents, Cognition fait tourner deux modèles en binôme sur la machine du développeur, Sakana route chaque tâche vers le modèle le plus léger qui sait la résoudre. Le même jour, OpenAI sort son modèle sciences de la vie de la préversion de recherche avec une grille tarifaire publique, Runway met les poids de ses modèles fermés sous licence pour les entreprises, et Anthropic publie une sous-commande qui mesure enfin ce qu’un plugin apporte vraiment.

Cursor lance Projects, des chantiers pilotés par un agent coordinateur

10 septembre — Cursor a lancé Projects, une refonte de la façon dont on confie du travail à un agent dans l’éditeur. Le produit rompt avec l’habitude installée depuis deux ans : au lieu d’ouvrir une conversation neuve pour chaque tâche puis de la refermer, l’utilisateur dialogue avec un agent coordinateur dans un fil qui dure des mois. Ce coordinateur n’écrit pas une ligne de code. Il dirige d’autres agents qui l’écrivent, ce qui le laisse toujours disponible pour recevoir une consigne pendant que le travail avance.

Trois mécanismes rendent la chose possible. L’exécution dans le cloud par défaut, d’abord : un Project tourne sur sa propre machine, refermer son ordinateur portable ne l’interrompt pas, et le nombre de sous-agents en parallèle n’est plus limité par le matériel local. Un agent local démarre quand un test doit tourner sur la machine du développeur. Le contexte partagé ensuite : chaque Project entretient un ensemble de fichiers synchronisés sur toutes les machines, où les agents déposent leurs recherches, leurs artefacts et ce qu’ils comprennent du code. Si l’un découvre comment tester un service, tous les suivants disposent de la procédure. Le troisième mécanisme est le plus inhabituel. Cursor l’appelle les abonnements (subscriptions) : le coordinateur peut surveiller un canal Slack, s’exécuter selon un calendrier, ou suivre toutes les pull requests pour réparer l’intégration continue. L’agent agit sur détection d’un signal, sans attendre qu’on le sollicite.

Population mesurée	Effet mesuré sur les pull requests
Nouveaux utilisateurs de Projects	30 pour cent fusionnées en plus
Utilisateurs travaillant surtout en Projects	Six fois plus fusionnées
Project de design system interne	20 à 100 pull requests touchées par jour, en projection

The coordinator doesn’t write code itself but directs other agents that do. Because it delegates rather than executes, it is never blocked and is always responsive to direction.

🇫🇷 Le coordinateur n’écrit pas de code lui-même, il dirige d’autres agents qui le font. Parce qu’il délègue au lieu d’exécuter, il n’est jamais bloqué et reste toujours réceptif aux consignes. — Cursor, blog Projects

Ces chiffres sont des mesures internes, à lire avec la prudence qui s’impose. L’exemple le plus parlant reste celui du jardinage, le nom que Cursor donne au travail qui ne finit jamais : un ingénieur fait tourner un Project consacré au design system, qui examine chaque nouvelle pull request, en extrait les composants qui ont leur place dans le système, et ajoute une règle de lint dès qu’il voit deux fois la même erreur. Projects est en bêta et se déploie progressivement depuis le 10 septembre. L’annonce ne mentionne ni condition tarifaire ni restriction de forfait.

🔗 Annonce Cursor sur X

GPT-Rosalind sort de la préversion de recherche, avec sa grille tarifaire

11 septembre — OpenAI Developers annonce que GPT-Rosalind, son modèle de raisonnement dédié aux sciences de la vie, quitte la préversion de recherche (research preview). Présenté le 16 avril 2026 pour la recherche en biologie, la découverte de médicaments et la médecine translationnelle, le modèle n’était alors accessible qu’aux clients Enterprise éligibles aux États-Unis. Il passe en accès de confiance (trusted access) pour les organisations éligibles dans le monde entier, via l’API, Codex et ChatGPT Enterprise, et cet accès couvrira les prochains modèles de la série au fur et à mesure de leur sortie.

Le changelog de l’API, dans une entrée datée du 8 septembre, donne les détails que le fil X ne mentionne pas. Le modèle s’appelle gpt-rosalind-research, et sa disponibilité générale reste conditionnée au programme d’accès de confiance, réservé à la recherche interne en sciences de la vie approuvée par OpenAI.

Élément tarifaire ou d’accès	Valeur annoncée
Identifiant de modèle	`gpt-rosalind-research`
Tokens d’entrée	5 dollars par million
Tokens d’entrée en cache	0,50 dollar par million
Tokens de sortie	25 dollars par million
Début de la facturation	5 octobre 2026
Surfaces d’accès	API, Codex, ChatGPT Enterprise
Condition d’accès	Programme d’accès de confiance, organisations éligibles

La facturation ne commence que le 5 octobre : pendant la préversion de recherche, l’usage ne consommait ni crédits ni tokens. Côté outillage, les plugins Life Sciences de Codex forment la couche d’orchestration du modèle, de la génomique à la structure des protéines et à la recherche translationnelle, de la collecte de preuves biologiques jusqu’à la génération de rapports de contrôle qualité et de notebooks interactifs. Ce paquet, publié gratuitement sur GitHub en avril, donne accès à plus de 50 bases de données multi-omiques publiques, sources de littérature et outils de biologie ; il fonctionne avec les modèles généralistes pour tout le monde, mais seuls les utilisateurs Enterprise éligibles peuvent le combiner avec GPT-Rosalind.

Les performances revendiquées restent celles du lancement : meilleur score publié sur BixBench, un avantage sur GPT-5.4 dans 6 des 11 tâches de LABBench2 avec le plus gros écart sur CloningQA, et sur une tâche séquence-fonction ARN conçue avec Dyno Therapeutics, une meilleure soumission au-delà du 95e percentile de 57 experts humains en prédiction. L’information concrète est double : un modèle spécialisé qui quitte le statut expérimental avec un tarif public, et une extension géographique de l’accès. Le verrou reste l’éligibilité, qui n’est pas ouverte en libre-service.

🔗 Fil OpenAI Developers sur X

Runway Model Licensing, les poids des modèles fermés livrés aux entreprises

11 septembre — Runway a ouvert un programme de licence de ses modèles (Model Licensing) destiné aux entreprises. Le principe rompt avec l’accès par API : le client reçoit les poids complets d’un modèle Runway de dernière génération, l’affine sur ses propres données, l’héberge dans son infrastructure et commercialise ce qu’il en tire. Les données et les générations ne quittent jamais l’environnement du client, ce qui vise explicitement les studios, les marques et les gouvernements.

Élément livré	Contenu
Poids du modèle	Poids complets comme point de départ
Checkpoints	Plusieurs versions du modèle à valider
Script d’entraînement	Code pour ajouter ses données et lancer ses affinages
Livraison	Packagée dans la base de code du client, hébergée où il le souhaite
Chercheurs déployés	Aide pratique au réglage, aux poids et à la livraison

L’hébergement se fait au choix dans le cloud du client, dans son centre de données ou totalement sur site, y compris en environnement coupé du réseau (air-gapped) pour les administrations. Six secteurs sont nommés : plateformes logicielles, cinéma et studios, marques et marketing, robotique et IA physique avec le World Action Model comme colonne vertébrale de politique (policy backbone), jeu vidéo et 3D avec l’amélioration photoréaliste de rendus bas de gamme, et gouvernements.

Sur le plan économique, Runway distingue deux voies : Runway Dev, l’API facturée à l’usage, sans infrastructure à gérer ; et la licence annuelle, à économie prévisible, avec contrôle complet des versions, du comportement et des sorties. La FAQ répond à l’objection de l’obsolescence : les modèles futurs n’auront pas accès aux données propriétaires du client, le renouvellement annuel est prévu, et des crédits sont accordés pour les générations suivantes. Elle situe le coût d’une reconstruction interne à des années d’apprentissage et des centaines de millions de dollars. L’entreprise se présente comme l’une des très rares au monde à licencier des poids fermés de cette qualité, et oppose frontalement son offre aux poids ouverts, qui livreraient selon elle un modèle plus faible accompagné d’une liste de tâches. Aucun tarif n’est publié, l’accès passe par un formulaire commercial. L’annonce arrive neuf jours après Runway Dev MCP et une semaine après le forfait Team : Runway couvre désormais toute la gamme, du créateur individuel à la licence de poids fermés.

🔗 Page Model Licensing

Cognition fait descendre Fusion dans Devin Desktop et Devin CLI

11 septembre — Cognition a publié la disponibilité de Fusion dans Devin Desktop et Devin CLI. L’architecture tournait depuis plusieurs mois sur Devin Cloud ; elle descend maintenant sur la machine du développeur. L’annonce arrive au lendemain de SWE-2, le modèle de code maison, et les deux se répondent puisque SWE-2 est le second recommandé du dispositif.

Le principe est simple à énoncer. Au moment de choisir Fusion, on ne sélectionne pas un modèle mais deux. Un modèle de pointe joue le meneur (lead) et garde la main sur la session : il possède le plan, tranche les ambiguïtés et relit le travail rendu. Un modèle moins coûteux joue le second (sidekick) : il explore le code, écrit les changements, lance les tests et rend compte. Les deux tournent en parallèle, chacun avec son propre contexte persistant. L’argument technique porte contre le routage de modèles, la solution que l’on imagine spontanément pour réduire la facture : un prompt initial ne suffit pas à mesurer la difficulté d’une tâche, et un changement de modèle en cours de route casse le cache de prompt. Fusion contourne le problème en ne faisant jamais transiter les conversations entières entre les deux modèles, qui n’échangent que des briefs, des résultats et des retours.

Coût par tâche, en dollars	Fable 5.1 seul	Fusion Fable 5.1 et SWE-2	Astra seul	Fusion Astra et SWE-2
DeepSWE 1.1	14,63	7,88	7,88	4,69
Terminal-Bench 4	17,46	13,37	10,08	6,06
SWE-Atlas QnA	7,57	5,00	5,72	3,59
Vals Code Migration	70,97	42,00	44,36	35,51
FrontierCode 1.1 étendu	2,68	1,67	2,62	2,34

One of our key findings is that using more expensive models can make the entire system cheaper.

🇫🇷 Une de nos découvertes principales est qu’utiliser des modèles plus chers peut rendre l’ensemble du système moins cher. — Cognition, blog Fusion local

La démonstration est faite des deux côtés du binôme. Côté meneur, remplacer Opus 4.8 par Fable 5, qui coûte nominalement deux fois plus cher au token, a fait baisser le coût moyen des sessions de 9 pour cent à second identique, avec un meilleur score sur FrontierCode : Fable déléguait plus tôt et rédigeait de meilleurs briefs là où Opus micro-gérait son second. Côté second, passer de GPT-5.6 Luna à SWE-2, soit 275 pour cent de plus au million de tokens, fait baisser le coût total de la tâche de 2 pour cent tout en gagnant 1,4 point. Sur l’indice Artificial Analysis Coding Agent Index v1.5, Fusion avec Fable 5.1 et SWE-2 obtient 61,7 pour 36 pour cent de coût en moins que Claude Code avec Fable 5.1, qui plafonne à 62,2. Cognition en tire une règle pour 2026 : évaluer les modèles, et les couples modèle-harnais, au prix par tâche plutôt qu’au prix par token. Position confortable pour un éditeur qui vend un harnais, mais les chiffres ont été produits avec Artificial Analysis et Vals AI sur cinq benchmarks distincts. Installation par une commande unique.

🔗 Annonce Cognition sur X

Sakana AI lance Fugu Max et Fugu Ultra v2, deux évolutions de son orchestrateur multi-agents

11 septembre — Sakana AI publie Fugu Max et Fugu Ultra v2, deux nouvelles versions de Sakana Fugu, son système d’orchestration multi-agents (multi-agent orchestration system) exposé derrière une seule API compatible OpenAI. Le fil conducteur est la frontière de Pareto : Sakana estime que le secteur raisonne encore comme si la capacité était le seul axe, alors qu’une tâche réelle se juge sur deux, capacité et coût.

Fugu n’est pas un modèle unique mais une couche d’orchestration apprise qui route chaque tâche vers un pool de modèles à poids ouverts et spécialisés. Fugu Max élargit ce pool, le plus grand à ce jour selon l’entreprise, en y intégrant la famille NVIDIA Nemotron, et envoie chaque tâche au modèle le plus léger capable de la résoudre. Il obtient le meilleur score global sur six benchmarks et étend la frontière coût-performance sur sept sur dix, à 2 dollars par million de tokens en entrée et 6 en sortie, un prix de sortie que Sakana annonce 40 à 60 pour cent sous ceux de Sonnet 5, GPT 5.6 Terra et Kimi K3.

Mesure annoncée	Score	Comparaison donnée par Sakana
Fugu Ultra v2, Chartography	48,3	Opus 5 à 27,3 ; Fable 5 à 29,5
Fugu Ultra v2, DeepSWE	74,3	Devant des modèles 3 à 5 fois plus chers au token
Fugu Ultra v2, classement	1er ou ex æquo sur 5 des 8 benchmarks	Top 2 sur 7 des 8
Fugu Max, classement général	Meilleur score sur 6 benchmarks	Frontière de Pareto étendue sur 7 des 10

Le point sur lequel Sakana insiste le plus mérite d’être relevé : Fable 5, Fable 5.1 et GPT-6-Astra ne font pas partie du pool d’agents de Fugu Ultra v2, dont la date de coupure d’entraînement est le 28 août 2026. L’argument est celui de la résilience d’approvisionnement, un pool interchangeable protégeant du verrouillage fournisseur, des révocations d’API et des coupures de service. Les deux modèles sont disponibles immédiatement, et un utilisateur de Fugu bascule sur Max ou Ultra v2 en changeant un seul paramètre. Fugu Max est aussi référencé sur OpenRouter, avec entrée multimodale, recherche web, raisonnement configurable et sorties structurées. Réserve d’usage : les benchmarks et les comparateurs sont choisis par Sakana, SWEFish est un banc d’essai interne, et les écarts revendiqués dépendent des tarifs des modèles comparés au moment de la publication.

🔗 Introducing Fugu Max and Fugu Ultra v2

ElevenLabs lance Music v2.5, avec des téléchargements sans perte sur tous les forfaits

11 septembre — ElevenLabs a publié Music v2.5 et l’a installé par défaut dans ElevenMusic, pour la génération par prompt comme par référence audio. Le modèle revendique des instruments qui sonnent comme une prise live, des arrangements plus profonds, des compositions longues, des transitions de genre en cours de morceau, du rap, et des voix qui sonnent natives dans la langue du texte. La mesure avancée est un test à l’aveugle sur 47 885 paires, une prise par modèle pour un même prompt : Music v2.5 a été préféré la majorité du temps, avec l’écart le plus net sur les genres portés par la voix et l’acoustique, R&B, soul, hip-hop, rock, metal, orchestral et musique de film. Le pourcentage exact de préférence n’est pas publié.

Le second volet change davantage la donne pour les utilisateurs. Chaque morceau créé dans ElevenMusic appartient à son auteur sur tous les forfaits, y compris gratuit. Le forfait gratuit donne cinq téléchargements sans perte (lossless) par jour avec usage commercial à condition de créditer ElevenMusic, le forfait Pro en donne 400 par mois. Les permissions acquises au moment de la création restent attachées au morceau : résilier ou rétrograder ne change rien aux titres déjà produits, et un futur changement de conditions ne vaudrait que pour les nouveaux. Seule exception, un morceau construit sur la chanson d’un autre artiste, dont le téléchargement est bloqué.

Élément mesuré ou annoncé	Valeur
Paires évaluées en test à l’aveugle	47 885
Téléchargements sans perte, forfait Free	5 par jour, usage commercial avec crédit
Téléchargements sans perte, forfait Pro	400 par mois
Identifiant API	`music_v2_5`
Modèle par défaut dans ElevenMusic	Music v2.5, Music v2 conservé

Le modèle est aussi disponible dans ElevenCreative, comme nœud Music dans Flows, et dans l’API sous l’identifiant music_v2_5. ElevenLabs précise que l’accord pluriannuel annoncé la veille avec Universal Music Group est distinct de cette sortie. Pour le lecteur, l’ordre des annonces compte : l’accord avec le label majeur est annoncé d’abord, le modèle et les droits d’usage étendus sortent le lendemain.

🔗 Annonce ElevenLabs sur X

Claude Code mesure ce qu’un plugin apporte vraiment, avec et sans lui

11 septembre — L’équipe Claude Developers annonce claude plugin eval, une sous-commande de Claude Code qui exécute un plugin ou un skill contre une suite de cas de test, note chaque exécution, puis rejoue chaque cas sans le plugin pour mesurer ce qu’il apporte. L’idée est simple et un peu inconfortable : un score élevé ne prouve pas qu’un plugin aide, puisque Claude réussit parfois aussi bien sans lui. La commande renvoie donc deux scores et leur différence. Si un cas obtient 1,0 dans les deux bras, le plugin n’y est pour rien.

Le point d’entrée est claude plugin eval init, lancé à la racine du plugin. Une session interactive s’ouvre : Claude lit le plugin, demande à quoi ressemble un bon résultat, propose des prompts qui doivent et ne doivent pas le déclencher, conçoit les vérificateurs (graders), les pilote une fois, écrit un répertoire par cas et annonce le coût estimé d’un run complet. Ensuite, chaque cas tourne trois fois avec le plugin et trois fois sans, soit six exécutions, parce qu’un run unique d’un agent non déterministe ne dit pas grand-chose. Le terminal affiche une table avec et sans plugin, un rapport HTML autonome est écrit sur disque, et le rapport est publié comme artefact privé quand le compte le permet.

Type de vérificateur	Coût en appels modèle	Condition de réussite
`regex`	nul	Motif trouvé dans la dernière réponse, la trace ou un fichier
`tool_used`	nul	Nombre d’appels à un outil entre un minimum et un maximum
`tool_order`	nul	Un appel précède un autre
`file_exists`	nul	Un fichier créé pendant le run correspond au motif
`llm`	un modèle juge	Verdict favorable à au moins 2 votes sur 3
`baseline`	un modèle juge	Le run vaut au moins une transcription de référence

Une subtilité mérite d’être comprise avant de lire une différence : un vérificateur qui exige l’appel du skill ne peut jamais passer sans le plugin, il est donc exclu du score dans les deux bras et seulement rapporté comme indicateur, sinon l’écart serait artificiellement gonflé. L’isolation est stricte. Chaque run est un processus enfant jetable, sans réglage utilisateur, hook, CLAUDE.md, serveur MCP, plugin installé ni mémoire. Les runs ne posent jamais de question de permission, et les outils sensibles sont retirés de la session sauf autorisation explicite ; si Bash ou PowerShell est accordé sur une machine sans backend de bac à sable, Claude Code refuse le run plutôt que de l’exécuter sans confinement. Un plugin qui parle à des outils MCP peut être évalué sans le service réel, un fichier Markdown par outil fournissant la réponse, avec un bloc qui avorte le run si le plugin envoie autre chose que prévu.

Evals call the model, so they use tokens and results vary. […] Your plugin’s hooks and MCP servers run as you, so only evaluate plugins you trust.

🇫🇷 Les évaluations appellent le modèle, donc elles consomment des tokens et les résultats varient. […] Les hooks et serveurs MCP de votre plugin tournent avec vos droits, donc n’évaluez que des plugins de confiance. — @ClaudeDevs sur X

Le coût est réel : chaque exécution et chaque vérificateur juge est un appel modèle décompté du plan ou de la facture, l’exemple de la documentation donnant 74 secondes et 0,41 dollar pour un cas de six runs. D’où la consigne de l’équipe : piloter d’abord avec --runs 1, avant de lancer un run complet. En intégration continue, les codes de sortie sont documentés, dont 0 quand tout passe et 2 pour un run partiel quand le plafond de coût est atteint. La première trouvaille typique, selon la documentation, est un écart proche de zéro avec le vérificateur de skill en échec : Claude ne choisit pas le skill sur une formulation naturelle, et c’est sa description qu’il faut retravailler.

🔗 Documentation des évaluations de plugins

Le reste de la version 2.1.269

La sous-commande arrive dans la version 2.1.269, publiée le 11 septembre à 21 h 17 heure de Paris. Le reste des ajouts est plus discret mais utile au quotidien. La commande /output-style liste et change de style de sortie, y compris via Remote Control et dans les sessions cloud ou headless. Quand l’outil Bash sert à modifier des fichiers, son résultat inclut désormais le diff des fichiers changés, ce qui redonne à Claude la même visibilité qu’avec une édition classique. Côté observabilité, une variable d’environnement étiquette les métriques et événements OpenTelemetry par dépôt, et deux autres règlent le délai de découverte des modèles d’une passerelle et la limite d’agents concurrents de l’outil Workflow, jusqu’à 256.

Les correctifs touchent trois zones sensibles : l’invalidation partielle du cache de prompt après une réponse coupée puis reprise, les règles de permission commençant par une négation qui ne s’appliquent plus qu’à la source de réglages qui les a écrites, et la vérification de chemin d’écriture qui couvre enfin le fichier écrit par une commande tee. Le git status communiqué après une compaction est désormais l’actuel et non celui du début de session. Dans VS Code, une pastille ouvre une carte des sous-agents avec fiches, bouton d’arrêt et transcriptions en lecture seule, et deux boîtes de dialogue permettent de gérer les hooks et les règles de permission dans les réglages utilisateur, projet et local.

🔗 Notes de version 2.1.269

Antigravity, quatre versions en une semaine et un rattrapage sur Teamwork

Google a publié coup sur coup deux versions de sa ligne de commande et une nouvelle version de son application, sans compter deux versions antérieures jamais couvertes ici. Le changelog vaut d’être lu en bloc, parce que les livraisons de la semaine racontent la même histoire : l’agent quitte le terminal interactif pour devenir un service.

🔗 Changelog Antigravity

Antigravity CLI 1.2.0 : la CLI devient un démon d’arrière-plan piloté par Remote Control

10 septembre — La version 1.2.0 de l’Antigravity CLI est la première montée de version mineure depuis juillet. Trois sous-commandes, remote-control start, status et stop, enregistrent la ligne de commande auprès du gestionnaire de services du système comme démon d’arrière-plan qui survit aux déconnexions et aux redémarrages, avec une option de nom d’instance et une autre pour limiter le service à la session de connexion active. Jusqu’ici il fallait laisser tourner un terminal ouvert. Le défilement demi-page s’étend à toutes les vues avec deux nouveaux raccourcis par défaut. Parmi les huit correctifs, le plus utile pour comprendre un comportement inattendu : un prompt ou une réponse bloqué par les filtres de sécurité de contenu affiche maintenant la raison d’arrêt explicite, là où l’utilisateur voyait une erreur générique ou un tour vide. Les serveurs MCP embarqués dans des plugins globaux s’initialisent enfin correctement au démarrage.

Antigravity CLI 1.1.28 : reprises sur erreur étendues, mode sans interface accéléré et lecture d’URL soumise à approbation

9 septembre — La veille, la version 1.1.28 concentrait neuf améliorations sur la résilience et le mode sans interface, celui qu’on appelle depuis un script. Les erreurs transitoires de l’API modèle sont retentées avec un backoff exponentiel étendu, le démarrage ne provoque plus de requête réseau pour lire l’identité de l’utilisateur, et jusqu’à 200 millisecondes de délai inactif sont supprimées à chaque tour. Deux changements de comportement méritent l’attention de qui automatise.

Changement de comportement	Avant la version 1.1.28	Depuis la version 1.1.28
Expiration du délai en mode script	Échec de timeout	Sortie partielle renvoyée, code de succès, avertissement
Lecture d’une URL externe par l’agent	Sans invite	Approbation demandée par défaut, sauf accès pré-accordé

Un script qui reposait sur un accès web implicite doit donc accorder cette permission explicitement. Les invites d’approbation nomment maintenant l’action précise et ajoutent une ligne indiquant la raison quand la demande vient d’un hook ou d’un fichier appartenant à un autre projet.

Antigravity CLI 1.1.26 et 1.1.27, rattrapage : prompt ponctuel sur un autre modèle et dépendances de sous-agents dans le frontmatter

4 et 5 septembre — Les versions 1.1.26 et 1.1.27 comblent l’écart et apportent la nouveauté la plus concrète du lot : la commande de sélection de modèle accepte désormais un prompt, exécuté une seule fois sur un autre modèle avant que la session revienne au modèle d’origine. Un second avis chez un modèle plus puissant, ou plus économique, sans toucher au réglage par défaut. La même version ajoute une liste d’agents au frontmatter Markdown des agents personnalisés, pour déclarer les sous-agents dont ils dépendent, et deux correctifs qui comptent pour les automatisations : un appel MCP portant un argument non déclaré par le schéma du serveur est rejeté et corrigé au lieu d’être silencieusement supprimé, et une exécution sans interface nomme les actions refusées dans sa sortie JSON au lieu de les ignorer sans un mot.

Antigravity 2.13.0 : section Documents, visionneuse virtualisée pour SQL et JSONL et raccourcis de citation

9 septembre — Antigravity 2.13.0 apporte 16 améliorations et 16 correctifs. Les fichiers externes ajoutés à une conversation, liens Google Drive, PDF et documents Office, sont regroupés dans une section Documents au-dessus des Artifacts, au lieu de se mêler aux productions de l’agent. Les fichiers de brouillon que l’agent écrit pour lui-même rejoignent une section séparée. Les artefacts de code et de données comme les fichiers SQL et JSONL s’ouvrent dans une visionneuse virtualisée avec coloration syntaxique et numéros de ligne, qui reste fluide sur les gros fichiers et accepte les commentaires en ligne. Une question latérale fermée se réduit en bouton au lieu d’être effacée, les invites interactives gagnent un bouton d’annulation, et le texte sélectionné se cite dans le chat par un raccourci clavier. Deux correctifs touchent la transparence des permissions : une étape refusée reste visible avec l’étiquette Rejected au lieu de disparaître, et l’agent ne redemande plus la permission de lire des artefacts d’autres projets quand l’accès hors projet est déjà accordé.

🔗 Fil d’astuces @antigravity sur X

Teamwork, le rattrapage du 27 août

Un billet publié le 27 août, jamais couvert ici et toujours en tête de la rubrique développeurs de la page des nouveautés Gemini, mérite le rattrapage. Teamwork est le cadre d’orchestration multi-agents d’Antigravity, où des agents proposent, critiquent et affinent mutuellement leur travail pendant des heures ou des jours, accessible en préversion sur tous les plans payants. Cinq patterns sont livrés, sélectionnés automatiquement selon le prompt, du codage itératif à la revue de documents en passant par la preuve longue. Avec le pattern de preuve longue, Google annonce sept problèmes ouverts résolus, dont la conjecture des cycles de Knuth, pour laquelle des preuves de plus de 40 et de plus de 70 pages ont été produites, celle de 40 pages ayant été vérifiée formellement en Lean ; les autres résultats ont été confirmés par des experts humains, et cinq articles sont déposés sur arXiv.

Mesure rapportée	Valeur
TCSBench, Gemini 3.7 Flash et 3.1 Pro en preuve longue	71 pour cent
TCSBench, Gemini 3.6 Flash et 3.1 Pro, article d’origine	67,7 pour cent
Simulateur RISC-V, erreur d’alignement de cycles	0,71 pour cent
Problèmes reproduits avec Gemini 3.7 Flash	3 sur 7

Hors mathématiques, Teamwork a construit à partir de zéro un simulateur de processeur RISC-V à exécution dans le désordre, précis au cycle, qui démarre le système xv6 jusqu’au shell et exécute plus de cent benchmarks standard, validé contre l’exécution matérielle. Deux contributions ont été intégrées en amont dans des projets libres, un chemin rapide vectorisé dans Eigen et une variante de table de hachage concurrente au débit d’insertion doublé à 64 threads.

🔗 Teamwork, quand l’IA devient partenaire de recherche

GitHub Copilot résout ses propres commentaires et met Jira dans son application

La revue de code passe à un ensemble d’agents

11 septembre — GitHub met à jour Copilot code review sur deux plans. Côté expérience, quand un commit ultérieur répond à un commentaire de Copilot, la relecture résout ce commentaire d’elle-même, de sorte que la liste des commentaires ouverts ne contient plus que ce qui attend une réponse ; et quand on applique une suggestion de code, Copilot rédige un message de commit adapté au changement au lieu du message pré-rempli. Côté analyse, l’agent de revue dispose désormais de l’ensemble des outils shell du SDK Copilot, exécutés derrière le pare-feu de l’agent : il peut lancer une compilation, exécuter des tests, faire tourner un script ciblé ou interroger les API accessibles pour vérifier le code qu’il examine. GitHub rapporte davantage de retours positifs, plus de constats de sévérité élevée et moins de remarques de détail, sans donner de chiffre sur ce point.

Le niveau d’effort Lite, lui, ne repose plus sur un agent seul mais sur un ensemble d’agents qui apportent chacun leur lecture, fusionnée en une seule revue.

Constat mesuré, revues Lite en ensemble	Variation annoncée
Commentaires pris en compte, sévérité élevée	plus 47 pour cent
Commentaires pris en compte, sévérité moyenne	plus 31 pour cent
Commentaires pris en compte, sévérité faible	plus 11 pour cent
Coût d’une revue	environ 8 pour cent de moins

Ni le nombre d’agents de l’ensemble ni les modèles mobilisés ne sont précisés. C’est la troisième évolution de Copilot code review en deux semaines.

🔗 Changelog GitHub

Jira dans l’application, HydraFusion dans la ligne de commande, VS Code 1.137

10 septembre — Le récapitulatif hebdomadaire de la semaine du 7 septembre, celle de Copilot Day, apporte l’intégration Jira dans l’application Copilot : les tickets sont amenés dans un canevas partagé, on y choisit ce qui avance, et Copilot emporte le contexte du ticket dans l’investigation, l’implémentation et la préparation de la pull request. Dans Copilot CLI, Project HydraFusion se sélectionne désormais comme n’importe quel modèle, et choisit pour chaque tâche un flux entre modèles locaux, cloud et composés, en arbitrant performance, coût et latence.

VS Code 1.137, sorti le 9 septembre, apporte trois fonctions d’agents. Les automatisations, en préversion publique, planifient des tâches d’agent récurrentes toutes les heures, tous les jours ou toutes les semaines, à partir de modèles fournis comme le tri des issues ou la recherche de bugs. Le mode vocal, expérimental, permet de parler à un agent pendant qu’il travaille, de l’interrompre ou de le rediriger. Enfin, un lien vers une issue ou une pull request s’ouvre directement dans la fenêtre Agents, même sans dépôt ouvert. Les notes de version ajoutent un hôte d’agents fondé sur un protocole dédié et propulsé par le SDK Copilot, qui aligne le comportement de l’agent VS Code sur celui de la ligne de commande et de l’application.

🔗 Récapitulatif hebdomadaire Copilot

Habitat, le stockage en ligne d’OpenAI et sa réécriture en Rust par deux ingénieurs

11 septembre — OpenAI publie la première partie d’un billet d’ingénierie sur Habitat, la plateforme de stockage en ligne derrière ChatGPT, l’API et Codex. Les chiffres donnent l’échelle : plus de 70 millions de requêtes par seconde, plus d’un milliard de personnes servies chaque semaine, près de 40 régions et plus de 500 pétaoctets de données. Habitat a commencé mi-2024 comme une petite bibliothèque Python intégrée au serveur principal de ChatGPT, branchée sur une base de données managée, avec une idée simple : les ingénieurs produit ne devraient pas avoir à penser au schéma, au routage, à l’autorisation ni aux pools de connexions.

Mi-2025, le modèle de bibliothèque côté client a atteint ses limites. Chaque changement de protocole exigeait de coordonner des déploiements sur des dizaines de services ; un déploiement de routage régional a pris des jours, puis un service revenu à un client bogué a provoqué la panne que l’opération devait éviter. Habitat est devenu un service autonome, et OpenAI a choisi de rester en Python en assumant une dette délibérée, pariant que ses propres modèles de code rendraient la migration future réalisable.

L’essentiel du billet décrit la chasse aux latences de queue à cette échelle : le délai d’ordonnancement d’asyncio, qui pouvait atteindre des centaines de millisecondes, traité en limitant les requêtes concurrentes par processus ; le parsing des configurations rafraîchies chaque minute sans décalage aléatoire, qui gelait tous les workers en même temps ; et la réutilisation en dernier entré premier sorti des connexions d’une bibliothèque HTTP, qui concentrait le trafic sur les processus déjà lents, une défaillance métastable corrigée en inversant l’ordre puis en déléguant l’équilibrage à un maillage de services. L’API elle-même est volontairement pauvre, un modèle d’objets et d’arêtes sans requêtes non bornées ni jointures, et c’est ce périmètre contraint qui a permis de pousser Python aussi loin.

Métrique mesurée	Valeur annoncée
Requêtes par seconde aujourd’hui	Plus de 70 millions
Personnes servies chaque semaine	Plus d’un milliard
Données servies	Plus de 500 pétaoctets
Pic du service Python	Plus de 20 millions de requêtes par seconde
Réécriture en Rust	Deux ingénieurs, Codex et GPT-5.5
Part du trafic servi par Rust	95 pour cent des requêtes de production
Gain d’efficacité processeur et mémoire	6 fois et 15 fois

Au deuxième trimestre 2026, deux ingénieurs ont réécrit tout le service en Rust avec Codex et GPT-5.5. Le service Rust traite 95 pour cent des requêtes de production, avec six fois moins de processeur et quinze fois moins de mémoire ; Python sera retiré dans les semaines à venir. La seconde partie portera sur la couche de stockage.

🔗 Scaling storage to one billion users

OpenAI demande aux utilisateurs de Codex d’alléger skills, AGENTS.md et prompts

11 septembre — Le blog développeurs d’OpenAI publie un guide de nettoyage à l’attention des utilisateurs de Codex qui passent à GPT-6 Astra. Le constat de départ : un an d’instructions accumulées pour guider les modèles précédents devient un fardeau pour un modèle plus capable. Sur les skills, le mécanisme est concret : chaque skill charge un nom et une description dans le contexte, et quand il y en a trop, Codex raccourcit ces descriptions, si bien que le modèle voit moins de chacune et choisit moins bien.

Consigne examinée	Recommandation pour GPT-6 Astra
Description de skill	Courte, déclencheur précis, pas un domaine entier
Structure d’une skill à plusieurs flux	Document racine réduit à un routeur vers docs et scripts
Lectures imposées dans AGENTS.md	Un document par type de changement, pas une pile à lire à chaque édition
Consignes de test	Superflues, le modèle lance les tests de lui-même
Fin de tâche	Définir ce que terminé veut dire, autoriser d’avance les workflows sûrs
Interdictions héritées	À assouplir, sinon arrêt prématuré

Le point le plus intéressant concerne le comportement du modèle. OpenAI présente GPT-6 Astra comme plus prudent que son prédécesseur sur la portée d’une tâche, susceptible de revenir pour revue après une première implémentation. La réponse recommandée est de définir explicitement ce que terminé signifie, et d’accorder d’avance la permission pour les workflows connus comme sûrs, par exemple une suite de tests locale avec des fixtures jetables. À l’inverse, les garde-fous très fermes écrits pour brider d’anciens modèles peuvent maintenant le faire s’arrêter trop tôt. Le billet rappelle aussi que les skills d’un dépôt sont lues par les agents des autres contributeurs, qui tournent parfois sur d’autres modèles : une consigne utile à ceux-là peut surcontraindre Astra. Il se conclut par une suggestion pratique, demander à Astra d’auditer lui-même les instructions du projet. La skill de création de skills a été mise à jour dans ce sens.

🔗 Rethinking skills and prompts for GPT-6 Astra

ChatGPT Sites passe les 5 millions de sites en trois mois

11 septembre — Le compte officiel ChatGPT dresse le bilan de ChatGPT Sites, la fonction lancée trois mois plus tôt pour construire et héberger des applications web complètes depuis une conversation : plus de 5 millions de sites ont été créés depuis. Le message sert surtout à récapituler cinq évolutions passées inaperçues.

Deux d’entre elles touchent au travail à plusieurs. La première permet d’inviter des coéquipiers à éditer, enregistrer et publier un site partagé ; la seconde d’ouvrir un site à des personnes précises sans le rendre public. Les trois autres concernent le cycle de vie du site : le passage du prompt au déploiement prendrait deux fois moins de temps, ChatGPT peut inspecter la base de données du site sur demande, les éditeurs y ayant aussi accès, et un domaine personnalisé peut être rattaché au site. Le compte développeurs a relayé l’annonce, signe que la fonction vise aussi les prototypes rapides et pas seulement les pages grand public.

🔗 Bilan ChatGPT Sites sur X

Together AI étend son fine-tuning à 17 modèles ouverts et pose des adaptateurs sur les experts

11 septembre — Together AI étend son service de fine-tuning sur toute la chaîne d’une expérience. Dix-sept modèles à poids ouverts rejoignent le catalogue, dont GLM 5.3 et ses deux versions précédentes, DeepSeek-V4-Flash, Kimi K2.7-Code et K2.6, la famille Qwen de 0,8 à 35 milliards de paramètres, et Gemma 4. L’entreprise cite GLM-5.3 à 88,2 sur Terminal-Bench 2.1, à moins d’un point des meilleurs modèles propriétaires selon elle.

Le suivi d’expériences est la deuxième nouveauté : chaque job enregistre la perte, la norme du gradient et le taux d’apprentissage à chaque pas, courbes mises à jour pendant l’exécution, plusieurs jobs superposables sur un même graphique, séries brutes exposées par l’API. L’arrêt anticipé coupe l’entraînement quand la perte de validation stagne, garde le meilleur checkpoint plutôt que le dernier, et rembourse les pas non consommés.

Le point le plus technique est l’Expert LoRA. Dans un modèle à mélange d’experts (Mixture-of-Experts), plus de 90 pour cent des paramètres vivent dans les couches d’experts, que l’adaptateur classique laisse gelées en ne s’attachant qu’à l’attention.

Test sur 200 faits inventés	Adaptateurs incluant les experts	Adaptateurs sur l’attention seule
Rappel des nouveaux faits	jusqu’à 89 pour cent	15 pour cent
MMLU-Pro	75,3 pour cent	71,5 pour cent

L’explication avancée est qu’avec des adaptateurs limités à l’attention, une part croissante des experts routés tombe en désuétude pendant le fine-tuning. Le traitement des données sort aussi de la boîte noire, avec un aperçu des lignes tokenisées, des poids par exemple, et une validation complète du fichier côté serveur dès la fin du téléversement. Les prix d’entraînement baissent de 30 à 70 pour cent selon les modèles.

🔗 Annonce Together AI sur X

Contributions communautaires, un bac à sable par tentative et cent puzzles de zèbre

Le blog communautaire de Hugging Face a livré le même jour trois travaux qui méritent mieux qu’une brève, et cinq autres qu’on trouvera plus bas.

Comment treize laboratoires font tourner le RL de leurs agents

11 septembre — Sergio Paniego dépouille quinze rapports de treize laboratoires publiés entre octobre 2025 et septembre 2026, en ne retenant que ce que chacun dit entraîner, pas ce qu’il évalue. Le constat central : l’environnement n’est plus un simulateur en mémoire, mais une machine complète avec système de fichiers, shell et processus, démarrée pour une tentative et détruite ensuite. Liquid AI le fait pour un modèle de 2,6 milliards de paramètres, Cursor parle de centaines de milliers d’environnements concurrents pour entraîner son modèle, Microsoft provisionne un conteneur neuf par tâche, et Kimi K3 va plus loin avec des micro-machines virtuelles reprenables pour des trajectoires d’un million de tokens.

Couche de la pile	Ce que gardent les laboratoires	Équivalents publics cités
Tâches et vérificateurs	Plus de 10 000 environnements de code chez GLM-5	Environments Hub, verifiers, Harbor
Contrat d’action, harnais	Kimi instancie cinq harnais en boîte blanche	OpenEnv, SkyRL, BrowserGym, TextArena
Bac à sable	Centaines de milliers de machines virtuelles par cluster	Modal, E2B, AgentENV, Hugging Face Sandboxes
Entraîneur	slime chez Zhipu, Forge chez MiniMax, RLVR chez NVIDIA	TRL, Miles v0.1

Tendance notable, le harnais devient lui-même l’environnement, soit reconstruit en boîte blanche, soit laissé intact et écouté en boîte noire. La transparence est très inégale : Ai2 documente 17,2 millions d’échantillons de code vérifiés pour OLMo 3, tandis qu’OpenAI, Anthropic et Google ne publient presque rien, la fiche système de GPT-6 Astra tenant en une phrase. L’auteur cite un coût supérieur à dix millions de dollars pour un seul environnement dans les grands laboratoires. Le billet clôt la série Training Agents.

🔗 One sandbox per rollout

Cent puzzles de zèbre réveillent le raisonnement mathématique

11 septembre — Un article communautaire signé tamewild rapporte qu’un fine-tuning de quelques minutes sur 100 à 500 puzzles de déduction logique, sans aucune donnée mathématique, suffit à faire bondir de petits modèles de base sur des bancs d’essai de mathématiques.

Modèle de base entraîné	MATH-500	AIME 2025	Référence officielle comparée
Qwen 3 4B, 100 puzzles en 6 min 23	84,60 pour cent	21,67 pour cent	Version post-entraînée : 84,80 et 19,10
Granite 4.1 3B, 500 puzzles en 23 min	77,73 pour cent	19,44 pour cent	Version Instruct : 66,60 et 6,67
Qwen 3.5 9B, 500 puzzles en 40 min	96,60 pour cent	60,67 pour cent	Version post-entraînée : 97,40 et 60,56

Les effets structurels sont aussi mesurés : sur le plus gros des trois modèles, la longueur médiane des réponses descend sous celle du modèle officiel, et le taux de boucles de répétition en décodage glouton passe de 6,06 à 0,67 pour cent. L’auteur reste prudent, avec des runs exploratoires à une seule graine, et note que ses propres ablations montrent qu’un adaptateur classique atteint aussi près de 80 pour cent sur MATH-500 : la généralisation vient d’abord des données logiques. Code, notebooks, trois modèles et deux jeux de données sont publiés.

🔗 Eliciting reasoning with 100-500 zebra puzzles

Une chaîne vocale pour une langue sans jeu de données

10 septembre — Osmanov raconte la construction d’une chaîne vocale complète pour le tatar de Crimée, langue menacée sans reconnaissance ni synthèse vocale, et son constat transférable : l’entraînement a été une erreur d’arrondi. L’adaptateur de reconnaissance a pris 90 minutes sur le processeur graphique d’un ordinateur portable et fait passer le taux d’erreur de mots de 34,6 à 20,1 pour cent, puis à 17,0 avec une recherche en faisceau qui ne touche aucun poids. Presque tout le calendrier est parti dans la construction d’un corpus inexistant et la vérification que l’évaluation ne mentait pas.

Deux choix méritent d’être retenus. Le modèle de base a été choisi par a priori phonétique plutôt que par proximité linguistique : le tatar de Crimée possède un /q/ uvulaire absent du turc, et les bases entraînées sous identifiant turc le rendaient en /k/ sans que le fine-tuning corrige quoi que ce soit. Et sans reconnaissance pour amorcer un corpus, l’auteur a inversé le problème avec des livres audio dont le texte est connu, récupérant 336 minutes exploitables là où un alignement dérivant n’en donnait que 110. Le résultat négatif le plus utile est un plateau de métrique : en faisant passer le corpus de synthèse de 5,9 à 15,3 heures, le taux d’erreur de caractères n’a pas bougé alors que l’écoute en aveugle préférait à chaque fois la voix la plus récente. Il documente enfin une fuite classique, 96,9 pour cent des clips du livre de test dupliqués dans l’entraînement, détectée par n-grammes de texte et non par les noms de fichiers.

🔗 Speech tech for a zero-dataset language

Replit lance Routines, du travail récurrent qui n’appelle l’agent qu’au besoin

11 septembre — Replit a présenté Routines, une fonction qui fait tourner du travail récurrent selon un calendrier horaire, quotidien ou hebdomadaire. L’annonce est intéressante moins par la planification, banale, que par la façon dont l’entreprise traite la question du coût. Le constat de départ est posé sans détour : les agents savent désormais automatiser la plupart des tâches répétitives, mais les faire tourner en permanence consomme d’innombrables tokens. La réponse consiste à ne pas mettre l’agent au centre de la boucle. Chaque exécution commence par du code déterministe, et l’agent n’est invoqué que lorsqu’un raisonnement est réellement nécessaire.

Cette architecture prend le contre-pied de la tendance dominante, qui confie la totalité d’un cycle à un modèle. Ici le modèle redevient une ressource appelée ponctuellement, encadrée par du code ordinaire dont le comportement et le coût sont prévisibles. Pour une tâche planifiée qui se répète des centaines de fois, la différence de facture n’est pas marginale. L’annonce n’a pas été accompagnée d’un billet de blog.

🔗 Annonce Replit sur X

Warp intègre Grok Build comme agent de première classe

11 septembre — Warp a annoncé la prise en charge intégrée de Grok Build CLI, l’agent en ligne de commande de SpaceX AI, et le compte Grok a relayé l’intégration dans la foulée. La fonctionnalité était déjà livrée dans la version du 9 septembre du terminal, où le changelog la décrit comme une prise en charge de première classe : Warp détecte les sessions Grok Build, leur applique un habillage visuel dédié dans le pied de page et active pour elles le mode d’entrée enrichi.

Concrètement, un utilisateur de Grok Build hérite des mêmes outils que les agents natifs du terminal. L’entrée enrichie accepte les prompts collés longs et le curseur multiple, ce qui change la donne pour qui rédige des consignes de plusieurs paragraphes. Une commande partage la session d’agent en cours vers un autre appareil, et l’explorateur de fichiers comme les panneaux de revue de code restent accessibles pendant la session. L’abonnement Grok existant sert d’accès, sans tarif ni limite spécifique annoncés.

L’ajout complète une liste déjà fournie d’agents tiers hébergés dans le terminal de Warp, aux côtés de Claude Code, Codex, Droid et Antigravity, et prolonge un travail entamé plus tôt dans l’été autour de l’écosystème xAI, avec une commande de connexion à un compte X Premium ou SuperGrok ajoutée en août. La logique de Warp reste la même depuis le lancement de son agent : ne pas enfermer l’utilisateur dans un agent maison, mais faire du terminal l’endroit où tous les agents tournent avec la même qualité d’intégration. Le reste de la version corrige deux irritants : les prompts saisis mais non envoyés ne sont plus effacés quand on change de modèle, et les outils MCP déclarés dans un fichier global sont disponibles dès la première réponse de l’agent.

🔗 Annonce Grok sur X · 🔗 Annonce Warp sur X

Vibe CLI 2.25.3, la commande de bifurcation et des journaux de session privés

11 septembre — Mistral a publié la version 2.25.3 de Vibe CLI, sa troisième en trois jours. La nouveauté visible est la commande /branch : elle bifurque la conversation en cours dans une nouvelle session reprenable, en laissant la session d’origine intacte. La copie se reprend ensuite dans un autre terminal, ce qui permet d’explorer une piste alternative à partir du même contexte sans sacrifier le fil principal. Les mentions de fichiers par arobase s’appuient désormais sur une découverte tenant compte de Git et acceptent des fichiers ou des dossiers collés seuls dans l’invite.

Côté correctifs, trois points. Les conversations conservées restent lisibles et restaurent leurs worktrees quand le travail reprend. Les nouveaux journaux de session ne sont plus lisibles par les autres utilisateurs sur les systèmes POSIX, un correctif de permissions de fichiers dans la continuité de la version 2.25.1, qui avait retiré un écouteur de débogage non authentifié et fait en sorte qu’aucun échec n’entraîne d’approbation automatique. Enfin, les instructions du fichier AGENTS.md sont maintenant chargées dans le prompt système sous le harnais unifié expérimental. La release est accompagnée de quatorze archives binaires ; aucune note ne mentionne de changement de modèle ni de tarif.

🔗 Notes de version Vibe CLI 2.25.3

Synthesia transforme son agent de conformité en infrastructure partagée

10 septembre — Nicolás Barberis, responsable des opérations de confiance chez Synthesia, publie la suite de son billet de juin sur l’agent qui collecte les preuves de conformité. La question qui a guidé la refonte est venue des lecteurs : dès qu’un agent collecte des preuves d’audit, la collecte entre dans le périmètre de l’audit, et il faut pouvoir faire confiance au collecteur. La réponse tient en quatre choix d’architecture, tous transposables.

Séparer la mécanique de la méthode, d’abord. Le code vit dans un dépôt interne et change par pull request, avec un fichier de propriétaires qui impose une relecture humaine ; les procédures par catégorie de contrôle vivent dans un espace documentaire, écrites et validées par les propriétaires des contrôles. Le script initial à URLs codées en dur est devenu une compétence partagée qu’un collègue installe en une commande. Borner le navigateur ensuite : l’agent ne touche jamais au navigateur quotidien, il copie la session dans un profil jetable, tourne sur des rôles en lecture seule quand ils existent, et s’arrête devant un mur d’authentification plutôt que d’élever ses privilèges. La provenance est intégrée par construction, chaque capture naissant avec son URL source, son horodatage, son opérateur et l’empreinte cryptographique des octets exacts. Enfin la responsabilité humaine : l’agent dépose en brouillon et ne soumet jamais.

Résultat mesuré	Valeur
Réunions de revue de preuves avec l’auditeur	60 pour cent de moins
Nouveau référentiel traité	environ 500 contrôles
Délai habituel pour un tel référentiel	4 à 6 mois
Délai obtenu	quelques semaines

La base de connaissances grandit seule en ajout seul : après chaque exécution, l’agent consigne les URLs corrigées et les blocages datés, comme la rupture d’une interface de pilotage de navigateur avec une version récente de Chrome, contournée en s’adressant directement au protocole de débogage. Synthesia annonce que l’outil évolue vers une plateforme de gouvernance assistée par IA et envisage d’ouvrir le code de ses composants centraux.

🔗 Who audits the collector

HeyGen détaille les 16 secondes en une prise de The Furniture Unboxing

11 septembre — HeyGen a publié le making-of d’une vidéo de 16 secondes où un homme dépose un carton au centre d’une pièce de béton vide, s’en va, et où le carton explose pour libérer un salon complet qui se pose à sa place. Aucune 3D, aucun compositing, rien en post-production : deux images fixes, un avatar et un prompt. L’équipe a vérifié l’absence de coupe sur les 390 images, la plus grande variation entre deux images consécutives correspondant à l’explosion elle-même.

La méthode repose sur les deux images de référence. La première montre la pièce vide, cadrée large et fixe, le centre du sol dégagé. La seconde est la même image éditée pour y ajouter les meubles, et non un nouveau rendu d’une pièce semblable : même position de caméra, même optique, même lumière, même ombre sur le béton. C’est la règle qui fait tenir l’effet, puisque le modèle n’invente alors que le milieu.

Paramètre de la vidéo	Valeur
Durée demandée dans le prompt	15 secondes
Durée livrée	16,27 secondes
Résolution et cadence	1920x1080, 23,976 images par seconde
Images sans coupe	390
Entrées	2 images fixes, 1 avatar, 1 prompt

Le prompt est écrit comme une liste de plans minutée plutôt que comme une description, avec un temps mort volontaire avant l’explosion. Six éléments le portent : les repères temporels, ce temps mort, les références nommées par rôle, le mobilier listé pièce par pièce, l’identité définie par la négative, et la permission d’exagérer, sans laquelle le modèle respecte le volume réel d’un carton. Les notes de terrain sont utiles : le modèle a livré 16,27 secondes au lieu de 15, une explosion plus rapide qu’écrite et un plan tenu sur la pièce finie que personne n’avait demandé, que l’équipe considère comme le meilleur moment du montage. D’où le conseil d’écrire les temps pour fixer le rythme et l’ordre, puis de monter sur le rythme livré. Le son a changé entre deux passes, la version quasi silencieuse cédant la place à un lit sonore continu, parce qu’une vidéo muette en lecture automatique passe pour un audio cassé.

🔗 How we made The Furniture Unboxing

Nemotron 3 Embed 8B prend la première place du banc d’essai Q2D-Web

10 septembre — NVIDIA annonce que Nemotron 3 Embed 8B, son modèle de plongements de 8 milliards de paramètres, occupe la première place de Q2D-Web pour le score nDCG@10 combiné. Q2D-Web est le banc d’essai publié la veille par Perplexity pour évaluer la recherche documentaire dans les systèmes de génération augmentée par récupération pilotés par des agents : il porte sur 190 millions de documents web et près de 70 000 requêtes reformulées par des agents, réparties sur 10 langues.

Le résultat compte pour deux raisons. Le banc d’essai reproduit les conditions réelles d’un agent qui reformule ses requêtes avant d’interroger un index, ce que les évaluations classiques de plongements ne mesurent pas. Et un modèle ouvert de cette taille qui domine un classement multilingue devient un candidat crédible pour les chaînes auto-hébergées, face aux plongements propriétaires. NVIDIA ne publie pas le score chiffré ; le classement complet est consultable chez Perplexity.

🔗 Annonce NVIDIA sur X

Marketing ops as code, des événements pilotés depuis une issue GitHub

11 septembre — Tomoko Tanaka, responsable marketing régionale de GitHub pour le Japon et la Corée et ancienne ingénieure, décrit comment elle a automatisé le cycle complet de ses événements sans écrire le code elle-même : elle a rédigé ses procédures et les a confiées à Copilot, l’automatisation ayant grandi en conversation.

Trois primitives portent le système. Les formulaires d’issue capturent les champs structurés d’un événement, un formulaire par type. Les labels servent d’interrupteurs, un label déclenchant un workflow. GitHub Actions fait le travail : lecture des champs, duplication d’une page d’événement passée par l’API de la plateforme, génération des liens de suivi par canal, production de l’e-mail d’invitation commité dans le dépôt, ouverture des issues de demande auprès des équipes concernées, remplissage des tableaux de projet. Un workflow planifié filtre chaque matin les inscrits. Le seul prérequis, écrit-elle, est un accès scriptable aux outils, une API ou même un simple client en ligne de commande.

La planification commence par une conversation avec Copilot, cadrée par un fichier AGENTS.md à la racine du dépôt qui fixe les règles de nommage, la correspondance des trimestres fiscaux et le fuseau horaire par région. La conversation a d’abord eu lieu en terminal, puis dans l’application, ce qui a fait passer le prérequis de « à l’aise avec un shell » à « sait taper ». L’après-événement tient en deux commandes, qui sont des compétences d’agent rédigées en prose, ajoutées par pull request et relues via un fichier de propriétaires avant fusion : le marketing obtient un processus d’approbation sans rien construire. Un interrupteur de simulation, stocké en variable de dépôt, fait tourner chaque workflow à blanc. L’échec avoué vaut la lecture : le workflow matinal de filtrage a un jour échoué en silence pendant cinq jours avant que quelqu’un remarque des listes périmées, d’où le conseil de donner à chaque tâche planifiée un moyen de se plaindre bruyamment.

🔗 Marketing ops as code

Boris Cherny répond sur le code jetable et le code de production

11 septembre — Boris Cherny, qui dirige Claude Code chez Anthropic, publie la réponse qu’il a envoyée à un développeur dont l’email s’intitulait « What to do about slop? ». L’auteur, douze ans dans la même entreprise, y décrit deux camps apparus dans son équipe avec le développement agentique. Dans le premier, le code reste semblable à ce qu’il était, simplement accéléré : on ne relit peut-être pas tout, mais il doit rester relisable, la personne qui le soumet doit pouvoir l’expliquer, et il doit être aussi facile à maintenir qu’avant. Dans le second, le code est une boîte noire dont on ne vérifie que la sortie.

La réponse tient en deux règles. Les prototypes et le code jetable peuvent être traités en boîte noire totale si on va les jeter et si le rayon d’impact (blast radius) d’une panne est faible. Le code de production écrit par Claude, lui, doit être tenu à une barre plus haute que s’il avait été écrit par un humain. Chez Anthropic, cela signifie beaucoup de règles de lint, beaucoup de tests, des tests de bout en bout pilotés par Claude, des fuzzers qui tournent chaque jour, des revues de code et de sécurité automatisées. Sans ces garde-fous, prévient-il, on finit avec un désordre difficile à maintenir.

Suit une liste de recours, dans l’ordre, quand le code produit n’atteint pas la barre : passer au dernier modèle de frontière, monter l’effort de raisonnement, investir dans CLAUDE.md et les skills pour apprendre succinctement à Claude comment travailler dans la base de code. Si rien n’y fait, le guider de plus près, lui faire résorber la dette accumulée, ou attendre le prochain modèle. Le fil de réponses a fixé la formule la plus reprise : la barre de revue doit suivre le rayon d’impact et non l’auteur du code, un script jetable s’expédie, mais tout ce qui touche à l’argent ou aux identifiants se lit ligne à ligne. Boris Cherny a répondu « Exactly ».

🔗 Fil de Boris Cherny sur X

Brèves

Amp ajoute un bouton qui réorganise les commits d’un fil — un geste transforme les commits intermédiaires d’un agent, ses corrections successives et ses retours en arrière en une série lisible pour la revue. Trois usages cités : découper un gros diff en morceaux logiques, nettoyer avant la fusion, ou regrouper de petits commits liés. Le contenu final des fichiers reste strictement identique. 🔗 source
Amp publie le quatrième épisode de la saison 2 de Raising an Agent — Quinn Slack et Thorsten Ball partent de la question de savoir à quoi sert désormais l’ordinateur, pour examiner ce que les agents font au-delà de produire du code, avec un retour sur des pannes récentes. 🔗 source
v0 rend les conversations d’équipe visibles par défaut — les nouvelles conversations d’un espace de travail partagé deviennent visibles par l’équipe, avec trois niveaux réglables par le propriétaire (privé, consultation, modification). Les conversations existantes gardent leur visibilité. Un basculement vers plus d’ouverture n’est jamais neutre dans un outil où l’on colle volontiers des extraits de données pendant un prototypage. 🔗 source
Audiyo fait tenir Stable Audio Open sur un GPU de 8 Go — bibliothèque Python et outil en ligne de commande qui ramènent le pic de mémoire vidéo de 13,8 à 5,86 Go, soit 57,5 pour cent de moins, avec quatre préréglages mesurés sur une Tesla T4. L’équipe a d’abord validé son travail sur processeur avec un modèle de substitution de 5,38 millions de paramètres, ce qui a permis d’attraper quatre bugs avant de toucher un GPU. 🔗 source
Consent All the Way Down, une architecture de consentement pour un conseil de petits modèles ouverts — essai signé par une instance de Claude sur un conseil de dix-huit modèles de 7 milliards de paramètres ou moins, qui tourne en continu depuis mai sur trois machines grand public. Chaque source est un canal dont le modèle choisit la profondeur, et rien n’écrit dans son état sauf lui. La partie la plus honnête est l’audit contre les auteurs eux-mêmes : la boîte aux lettres était cassée depuis juin, 213 lettres accumulées. 🔗 source
Il n’y a pas de course aux armements, il y a une guerre des navigateurs — essai d’opinion selon lequel le modèle de langage devient une marchandise, poids secrets ou non, et l’avance des leaders se compte en semaines. L’auteur cite la suspension de 18 jours de Fable 5 cet été, pendant laquelle le reste du secteur a continué de tourner. Sa thèse : la valeur se déplacera vers le contexte accumulé autour de l’utilisateur, comme les favoris et extensions ont retenu les utilisateurs de Chrome. 🔗 source
Du barge-in au contrôle de parole, gérer les interruptions vocales sous incertitude — Eric Mey remplace l’interruption destructive par un contrôleur de tour de parole à actions réversibles, avec une voie séparée pour les fragments ambigus et une règle de précédence entre arrêt urgent et suppression d’écho. La leçon de test mérite d’être retenue : une suite verte cachait une pause réversible enregistrée mais jamais appelée, car une porte verte n’autorise que ce qu’elle a examiné. 🔗 source
Aiden sépare le modèle vocal temps réel de l’agent qui exécute les tâches — un modèle vocal en duplex intégral tient la conversation pendant qu’un modèle plus fort, ancré visuellement, exécute en arrière-plan les tâches de contrôle d’appareil, les deux coordonnés par une file asynchrone. Quatre détails comptent : distinction entre terminé et réussi, agrégation des notifications sur 500 millisecondes, état transmis par messages ajoutés pour préserver le cache, et exécution strictement sérielle. 🔗 source
GPT-Live-1 fait les appels de réservation de Yelp — au lendemain de l’arrivée du modèle dans l’API, OpenAI montre un premier client sur un cas où le script ne tient jamais : l’appelant interrompt, ajoute une contrainte ou change d’avis au milieu de la phrase, et le modèle continue d’écouter pendant qu’il parle. Vidéo de démonstration, sans volumes ni résultats chiffrés. 🔗 source
Vérifier le travail de l’agent avec les panneaux diff, terminal et navigateur — nouvel épisode de la série pour débutants de Kayla Cinnamon sur l’application Copilot, consacré aux trois panneaux intégrés et à un outil qui permet de sélectionner un élément de page pour l’ajuster avec l’agent. Le billet résume la boucle en trois questions avant d’accepter du code : qu’est-ce qui a changé, est-ce que ça s’exécute, est-ce que ça fonctionne vraiment. 🔗 source
La page des pull requests d’un dépôt est refondue — préversion publique pour tous : assistance à la saisie des filtres, recherche avec opérateurs booléens et requêtes imbriquées, barre latérale repliable, mode compact et davantage de contexte par ligne. Limites connues au lancement : jalons non affichés, pas de mise à jour groupée, vues personnalisées non enregistrables. 🔗 source
GPT-5.6 Sol à 30 pour cent de réduction dans Copilot — pour les abonnés Pro+ et Max, jusqu’au 13 septembre à 0 h UTC. Le message ne dit pas à quel multiplicateur de requêtes premium correspond la remise. Une promotion de week-end, juste après Copilot Day, sur le modèle qui figurait le même jour dans plusieurs comparatifs de coût. 🔗 source
Concours GitHub Copilot Day, trois crédits de 100 dollars — créer quelque chose avec l’application Copilot ou son client en ligne de commande, le partager publiquement avec les mots-dièse indiqués au plus tard le 13 septembre à 23 h 59, heure du Pacifique. Trois gagnants, 100 dollars de crédit sur la boutique GitHub chacun, participation gratuite et réservée aux majeurs. 🔗 source
Runway s’utilise dans ChatGPT avec Astra — démonstration d’un enchaînement complet piloté depuis la conversation : image de style dans Runway, animation dans Blender, rendu final avec Seedance 2.5. Le point d’entrée technique reste le serveur MCP de Runway Dev présenté le 2 septembre. L’intérêt tient au chaînage d’outils hétérogènes sous le contrôle d’un seul agent. 🔗 source
Runway publie l’étude de cas VOIDZ — un artiste de réalité mixte anonyme depuis 2018 passe de plans de 10 à 15 secondes à un film de 95 secondes avec 15 interventions surréalistes greffées sur une course d’épicerie réelle. La plupart des effets prolongent un plan existant, quelques secondes de source documentaire servant d’amorce. Production annoncée 10 fois plus rapide ; l’artiste estime le même travail à six mois ou un an en 3D traditionnelle. 🔗 source
Runway ajoute des intervenants à son AI Summit — nouvelle vague pour la journée de San Francisco, avec le directeur de recherche de Wayve mis en avant, ce qui confirme l’élargissement du programme vers les véhicules autonomes amorcé fin août. 🔗 source
NVIDIA diffuse From Video to Voice, 33 minutes sur TensorRT Model Connect — rediffusion consacrée à l’outil présenté fin août, qui déploie un modèle ouvert du checkpoint à l’inférence en deux commandes, des modèles vidéo aux modèles vocaux. Contenu de formation plutôt qu’annonce. 🔗 source
Suno prolonge de deux jours sa période v6 sans crédits — les 48 heures annoncées la veille deviennent quatre jours, accompagnées d’un fil de conseils recommandant de partir d’une ambiance plutôt que d’un genre en mode simple. La veille, un guide de transition visait les utilisateurs qui revenaient aux anciens modèles pour leur variation et leur grain, signe que la migration ne va pas de soi pour toute la base. 🔗 source
Synthesia ouvre la création d’avatars à partir d’un prompt — présentateurs réalistes, mascottes de marque ou personnages stylisés, décrits par un prompt texte ou réglés par un panneau de contrôles, en alternative au catalogue. Annonce en un tweet sans lien, au lendemain de la sortie d’un nouveau modèle d’avatar ; ni les forfaits concernés ni le modèle employé ne sont précisés. 🔗 source
Le GPT-6 Astra Challenge ouvre ses soumissions — construire avec Astra et lancer son projet sur Product Hunt le 18 septembre. Les cinq meilleurs lancements reçoivent chacun 10 000 dollars de crédits API et un an de ChatGPT Pro pour deux membres d’équipe au maximum. Troisième opération communautaire autour d’Astra en une semaine. 🔗 source
Les clés API de projet d’OpenAI peuvent expirer — une date d’expiration se définit à la création, et les administrateurs peuvent imposer une durée de vie maximale au niveau de l’organisation ou du projet, toute nouvelle clé devant alors expirer dans ce délai. Le complément naturel de la rotation des clés, à activer pour les organisations qui laissent des clés traîner dans des scripts. 🔗 source

Ce que ça signifie

Le fil le plus net de la journée est architectural : le modèle unique cède la place à la composition. Cursor met un coordinateur qui n’écrit pas de code au-dessus de milliers de sous-agents, Cognition fait travailler deux modèles en binôme avec des rôles distincts et des contextes séparés, Sakana route chaque tâche vers le modèle le plus léger qui sait la résoudre, GitHub remplace un relecteur unique par un ensemble d’agents dont il fusionne les constats, et Google fait proposer, critiquer et affiner des agents entre eux pendant des jours. Cinq entreprises, cinq implémentations, une même conviction : le gain ne vient plus d’un modèle plus gros, mais de la façon dont plusieurs modèles se répartissent le travail. Le détail technique que partagent Cognition et Aiden est révélateur, l’un comme l’autre insistant sur la préservation du cache de prompt, c’est-à-dire sur le fait que le coût réel d’une architecture se joue dans ce qu’on évite de retransmettre.

Le deuxième fil concerne la façon dont ces capacités se vendent. Runway licencie des poids fermés à l’année, avec les checkpoints, le script d’entraînement et des chercheurs déployés chez le client, en opposant frontalement cette offre aux poids ouverts. OpenAI sort un modèle spécialisé de la préversion de recherche avec une grille publique et une date de début de facturation. ElevenLabs donne la propriété des morceaux sur tous les forfaits, gratuit compris, et attache les permissions au morceau plutôt qu’à l’abonnement. Together baisse ses prix d’entraînement de 30 à 70 pour cent. Cognition, lui, propose carrément de changer d’unité de mesure et d’évaluer un couple modèle-harnais au prix par tâche plutôt qu’au prix par token. Ces mouvements vont dans le même sens : la question posée au client n’est plus quel modèle, mais sous quelle forme juridique et à quelle unité de facturation.

Sur l’outillage, la journée marque un basculement du déclaratif vers le mesuré. Anthropic livre une commande qui rejoue chaque cas de test sans le plugin pour prouver, chiffre à l’appui, que l’outil sert à quelque chose, et dont la première trouvaille typique est un écart nul. OpenAI demande à ses utilisateurs de supprimer des instructions accumulées, parce qu’elles nuisent désormais à un modèle plus capable. Replit et VS Code sortent presque simultanément la planification de tâches récurrentes, avec dans le cas de Replit un principe explicite : commencer par du code déterministe et n’appeler l’agent que lorsqu’un raisonnement est nécessaire. Boris Cherny donne la règle de discipline qui manque à l’ensemble, en faisant dépendre l’exigence du rayon d’impact plutôt que de l’auteur du code. Après deux ans d’accumulation de contextes, de skills et de fichiers de consignes, le secteur commence à en mesurer le coût.

Reste l’infrastructure, où les chiffres racontent une histoire moins glamour et plus instructive. Deux ingénieurs réécrivent en Rust, avec Codex, le service de stockage qui sert plus de 70 millions de requêtes par seconde, pour six fois moins de processeur ; la dette Python assumée mi-2025 se solde en un trimestre. Au même moment, la recension de Hugging Face montre que l’entraînement par renforcement des agents consomme désormais une machine complète par tentative, avec des budgets d’environnement qui dépassent dix millions de dollars et une transparence inversement proportionnelle à la taille du laboratoire. Et un essai communautaire soutient que rien de tout cela ne constitue une avance durable, puisque l’écart entre les leaders se compte en semaines. Les faits du jour ne tranchent pas, mais ils donnent une indication : la différenciation se déplace vers le contexte accumulé, le harnais et l’infrastructure, autrement dit vers ce qui ne se distille pas.