Gemini 4 Argon disponible pour tous, SpaceXSI réunit Grok et Cursor dans The X Subscription, NVIDIA publie Run:ai en open source

Deux semaines après l’avoir réservé aux défenseurs cyber du Fairwind Program, Google ouvre Gemini 4 Argon à tous : l’API Gemini le facture 2 dollars le million de tokens en entrée jusqu’au 30 novembre, l’application Gemini et AI Mode le proposent aux abonnés Google AI Pro et Ultra, et Cursor, Devin, GitHub Copilot et Manus l’ajoutent le jour même. SpaceXSI réunit Grok, Grok Bot, Cursor et X Premium dans The X Subscription, une formule unique de 0 à 200 dollars par mois, et NVIDIA publie en open source toute sa plateforme d’orchestration de GPU Run:ai. Liquid AI sort LFM2.5-24B-A2B, un modèle de raisonnement à 2 milliards de paramètres actifs pour les agents locaux, et NVIDIA détaille les logiciels prêts pour le lancement des PC RTX Spark, vendredi.

Gemini 4 Argon disponible pour tous : API Gemini, application Gemini, AI Mode et Antigravity

13 octobre — Annoncé le 30 septembre et réservé jusqu’ici aux défenseurs cyber du Fairwind Program, Gemini 4 Argon se déploie dans le monde entier. Google présente son modèle de frontière comme un modèle de travail en profondeur (deep work) pour la programmation, la finance, le juridique, la cybersécurité et la science. Voici qui y accède, et comment.

Public visé	Accès à Gemini 4 Argon au 13 octobre
Développeurs	API Gemini payante, dans Google AI Studio et Android Studio
Abonnés Google AI Ultra	Antigravity et AI Studio
Entreprises	Gemini for business, API Gemini, Antigravity
Grand public	Application Gemini et AI Mode de la recherche, pour les abonnés Google AI Pro et Ultra
Scientifiques	Plus haut niveau d’usage d’Antigravity gratuit pendant 6 mois, sur candidature (10 000 places)
Défenseurs cyber	Fairwind Program étendu à des centaines de partenaires, Argon sans garde-fous cyber

Pour les développeurs, l’identifiant est gemini-4-argon, en version stable. Le prix de lancement reste celui annoncé fin septembre : 2 dollars le million de tokens en entrée et 10 dollars en sortie, avec 95 % de remise sur les entrées en cache, jusqu’au 30 novembre 2026 ; ensuite, 4 et 20 dollars. Le modèle accepte texte, image, vidéo, audio et PDF, répond en texte, et partage une fenêtre unique de 1 048 576 tokens entre l’entrée, la réflexion et la sortie. Une requête renvoie au plus 64K tokens en streaming et 32K sans streaming (65 536 sur Gemini 3.x), mais le décodage long (long decode) permet de produire jusqu’à un million de tokens moins l’entrée : les SDK récents (google-genai 2.30.1, @google/genai 2.29.1) enchaînent eux-mêmes les requêtes. La réflexion se règle sur trois niveaux (low, medium par défaut, high), et le cache explicite n’est pas pris en charge.

Côté résultats, Google classe Argon premier du Vals Index et revendique 87 % sur ERQA, un benchmark de raisonnement spatial pour la robotique, devant tous les autres modèles de frontière. Parmi les clients de l’accès anticipé, Box mesure 14 % de précision en plus par rapport à Gemini 3.1 Pro. Google promet enfin le reste de la famille Gemini 4, sans date.

🔗 Le billet de lancement de Gemini 4 Argon · Nouveautés de Gemini 4 Argon dans l’API Gemini

La sécurité d’Argon : 12 cyberattaques simulées résolues sur 12, un moniteur de désalignement

13 octobre — Google publie avec le modèle un rapport de sécurité complet (Safety and Security Report), qui part de ses capacités cyber.

The same coding and reasoning improvements that enabled Argon to find and patch vulnerabilities also drove better performance on our cybersecurity tests — solving all 12 of the end-to-end simulated cyberattack scenarios, up from five in our previous generation.

🇫🇷 Les mêmes progrès en programmation et en raisonnement qui ont permis à Argon de trouver et de corriger des vulnérabilités ont aussi amélioré ses résultats à nos tests de cybersécurité : il résout les 12 scénarios de cyberattaque simulés de bout en bout, contre cinq pour notre génération précédente. — Anca Dragan, VP AI Safety & Behavior, Google

Comme ses versions sans garde-fous aident aussi nettement mieux à dépanner des protocoles de laboratoire en biologie, Google active sur ces deux domaines trois couches de protection en temps réel : filtrage des requêtes par de petits modèles, sondes d’activation (activation probes) qui lisent les signaux internes du modèle, surveillance capable de couper l’agent en pleine réponse. Un moniteur de désalignement lit aussi ses actions et sa chaîne de pensée, que Google refuse de pénaliser : lors d’un essai où une pénalité y avait été appliquée par erreur, la part de raccourcis pris en silence est passée de 11,2 % à 36,4 %. Contre l’injection de prompt, le succès des attaques tombe à 0,7 % sur Gray Swan IPI.

🔗 Developing Gemini 4 Argon responsibly and safely

Antigravity : Argon pour les abonnés Ultra, après un rodage auprès de plus de 100 000 utilisateurs chez Alphabet

13 octobre — Argon arrive dans l’application de bureau et l’Antigravity CLI pour les abonnés Google AI Ultra et les abonnements Gemini Enterprise éligibles ; il faut mettre Antigravity à jour vers sa dernière version. L’équipe raconte le rodage interne : plus de 100 000 personnes chez Alphabet utilisent chaque mois Argon dans la version interne de l’outil, et Google a mesuré en quatre semaines 35 % de code produit par des agents en plus et 30 % de retours arrière après soumission en moins.

Parmi les exemples cités : l’empreinte CPU du frontend des commentaires YouTube divisée par deux, 97 tickets obsolètes ou en double clos en moins de trois heures sur une file de 134, une base Fortran réécrite en Rust, 1,8 fois plus rapide, et un audit de contrôle d’accès qui a relevé quatre failles critiques manquées par deux modèles de pointe précédents. L’usage déborde l’ingénierie : plus de la moitié des équipes commerciales Cloud et près de la moitié de la finance de Google utilisent Antigravity.

🔗 Gemini 4 Argon dans Google Antigravity

13 octobre — Les notes de version de l’application Gemini accompagnent le déploiement d’Argon de deux nouveautés. Antigravity est intégré à l’application Gemini pour macOS : un bouton lance un agent de code, on approuve son plan et on retourne au chat pendant qu’il construit et teste le code en arrière-plan, avec une notification quand le résultat est prêt. L’intégration est proposée en anglais, aux comptes éligibles de 18 ans et plus.

Un nouveau menu Customize regroupe le réglage des réponses, la découverte d’applications et l’ajout de skills, et Gemini se connecte désormais à plus de 40 applications ou services, comme Instacart, OpenTable ou Adobe. Customize se déploie pour tous les niveaux d’abonnement, sur le web, le mobile, Windows et macOS, mais la plupart des applications connectées restent en anglais et aux États-Unis. Google évoque aussi une bascule du chat vers les tâches (tasks), pour que Gemini continue de travailler en l’absence de l’utilisateur.

🔗 Notes de version de l’application Gemini · Gemini 4 Argon dans l’application Gemini

Gemini 4 Argon chez les outils tiers : Cursor, Devin, GitHub Copilot et Manus

13 octobre — Quatre outils ouvrent Argon le jour même, chacun avec ses conditions et sa propre mesure.

Outil tiers	Où l’utiliser	Prix affiché	Résultat revendiqué
Cursor	Éditeur Cursor	2 dollars en entrée, 0,10 dollar en lecture de cache, 10 dollars en sortie par million de tokens	52,8 % sur CursorBench 4.0 à l’effort par défaut
Devin	Devin Desktop et Devin CLI	75 % sous le prix catalogue jusqu’au 27 octobre	60,5 % sur FrontierCode 1.1
GitHub Copilot	Formules Pro+, Max, Business et Enterprise, huit surfaces	2 dollars en entrée, 0,10 dollar en cache, 10 dollars en sortie jusqu’au 1er décembre	Plus de tâches résolues que les Gemini précédents, sans chiffre
Manus	Manus, avec Google Cloud	Non précisé	Aucun chiffre

Selon Cursor, Argon se place au niveau d’Opus 5.5. Le tableau de CursorBench 4.0 précise que l’égalité vaut à effort moyen (Opus 5.5 Medium à 52,5 %, pour 2,91 dollars par tâche contre 4,39 dollars pour Argon) : Opus 5.5 reste devant en High (56 %) et en Max (57,8 %, en tête du classement), et Argon consomme près de trois fois plus de tokens par tâche. Chez Devin, la remise cumule les 50 % de lancement de Google, valables jusqu’au 1er décembre, et 50 % propres à Devin ; sur FrontierCode 1.1, le banc maison de Cognition, Argon passe juste devant GPT-6.1 Sol (60,4 %) mais reste derrière Claude Opus 5.5 (65,3 %) sur le graphique, intitulé 1.1 Extended.

GitHub l’ouvre en disponibilité générale pour Pro+, Max, Business et Enterprise (Pro et Free ne figurent pas dans la liste), avec un déploiement progressif dans le sélecteur de modèle de huit surfaces, de VS Code et Copilot CLI à Xcode et Eclipse ; en Business et Enterprise, il est activé d’office sauf si l’administrateur a coupé l’activation par défaut des nouveaux modèles. Manus l’annonce en service avec Google Cloud, pour coder, planifier et modéliser en 3D, sans formule, tarif ni crédits précisés.

🔗 Annonce de Cursor · CursorBench 4.0 · Billet de Devin · Changelog de GitHub · Annonce de Manus

The X Subscription : SpaceXSI réunit Grok, Grok Bot, Cursor et X Premium, de 0 à 200 dollars par mois

12 octobre — SpaceXSI (ex-SpaceXAI) lance The X Subscription, un abonnement unique qui réunit Grok, Grok Bot, Cursor et X Premium, et Cursor l’a annoncé le soir même : l’éditeur, qui a rejoint SpaceX en août, se vend désormais dans le même forfait que l’assistant Grok et les avantages du réseau social X. L’offre est ouverte aux nouveaux clients depuis le 12 octobre et doit être proposée à tous, dans le monde entier, dans les prochains jours.

Formule d’abonnement	Prix mensuel	Usage inclus	Ce que la formule ouvre dans Cursor
Free	0 dollar	Limité	Allocation de départ pour les agents de code
Plus	8 dollars	Base	Modèles Grok seulement
Premium	30 dollars	4 fois Plus	Agents cloud, automatisations, Origin, revues de code IA, modèles tiers au prix de l’API
Super	100 dollars	15 fois Plus	Comme Premium, avec plus d’usage
Ultra	200 dollars	50 fois Plus	Comme Premium, avec plus d’usage

Premium reprend les avantages de SuperGrok, Cursor Pro et X Premium+, qui coûtaient auparavant 90 dollars par mois cumulés selon SpaceXSI. Le cœur de l’offre est une réserve d’usage commune à Grok et à Cursor, renouvelée chaque semaine ; au-delà, on recharge (top-ups) ou on attend le renouvellement. SpaceXSI promet au moins deux fois plus d’usage de code avec ses propres modèles que dans la formule Cursor comparable. Les modèles tiers, ceux des autres laboratoires, restent disponibles dans Cursor à partir de Premium, mais ils sortent de la réserve : ils sont facturés au prix catalogue de l’API, par recharges, avec des plafonds de dépense réglables.

Cursor is now part of The X Subscription. Current Cursor subscribers can keep their plan or switch to The X Subscription.

🇫🇷 Cursor fait désormais partie de The X Subscription. Les abonnés actuels de Cursor peuvent garder leur formule ou passer à The X Subscription. — @cursor_ai sur X

Les anciennes formules ne sont plus proposées aux nouveaux inscrits. Les abonnés actuels de SuperGrok, Cursor ou X Premium gardent formule, prix et fonctions, ou basculent avec un remboursement au prorata ; chez Cursor, l’usage inclus des modèles tiers continue jusqu’à la bascule. SpaceXSI prévient toutefois qu’il fera passer à terme les clients restants sur les nouvelles formules, sans calendrier et avec un préavis. Pour les équipes, Premium, Super et Ultra gardent le même prix par siège qu’en individuel, moins cher que les anciennes formules Cursor Teams selon SpaceXSI, avec trois fois plus d’usage de code, le SSO, la facturation consolidée et la conformité SOC 2.

🔗 Introducing The X Subscription · Fil de @SpaceXSI

NVIDIA publie en open source toute la plateforme Run:ai

13 octobre — NVIDIA publie en open source l’intégralité de NVIDIA Run:ai, sa plateforme qui alloue dynamiquement les GPU et orchestre les charges IA sur Kubernetes, du traitement des données à l’entraînement et à l’inférence. Le code est déposé dans l’organisation GitHub NVIDIA DSX AI Factory, et la plateforme est aussi proposée sur NGC en version communautaire (Community Product), avec un chart Helm qui installe la pile intégrée. Cette version ne demande aucun abonnement Run:ai payant mais n’inclut pas le support entreprise, et le téléchargement sur NGC passe par l’acceptation de la licence logicielle de NVIDIA. Les offres commerciales continuent : produit autonome, NVIDIA Mission Control, NVIDIA AI Enterprise et places de marché cloud.

La publication se découpe en quatre briques adoptables séparément :

Composant publié	Rôle dans la plateforme
KAI Scheduler	Ordonnanceur natif Kubernetes (ordonnancement en bloc, partage équitable, placement selon la topologie), déjà open source sous Apache 2.0 et projet CNCF Sandbox
GPU Fractioning Operator	Fractions de GPU natives de CUDA 13.4, avec une limite stricte de mémoire par charge ; l’implémentation propriétaire de Run:ai est retirée
KAI Resource Management	Projets, départements, quotas et groupes de nœuds
Workload Map	Bibliothèque Go qui décrit chaque type de charge (PyTorchJob, RayCluster, KServe, graphes Dynamo) pour que les outils n’aient plus à coder chaque CRD

Huit partenaires de l’écosystème DSX l’intègrent déjà : Crusoe, Mirantis (k0rdent AI), Nebius (déploiement en un clic), OpenNebula Systems, Rafay (service entièrement géré), Saturn Cloud (Token Factory), Spectro Cloud (PaletteAI) et vCluster. NVIDIA rappelle aussi deux projets ouverts voisins : Model Streamer, qui charge les poids directement en mémoire GPU pour réduire le démarrage à froid des répliques d’inférence (intégré à vLLM et SGLang, et 3 à 6 fois plus rapide que le chargeur par défaut sur huit VM H100 de Microsoft Azure), et Grove, l’API Kubernetes de Dynamo pour les charges à plusieurs composants. L’objectif affiché est de faire de Run:ai une fondation ouverte de la plateforme DSX AI Factory, pour que chaque partenaire et chaque cloud IA tire plus de ses GPU.

🔗 Run:ai en open source (blog technique NVIDIA)

LFM2.5-24B-A2B : Liquid AI publie un modèle de raisonnement à 2 milliards de paramètres actifs pour les agents locaux

13 octobre — Liquid AI publie LFM2.5-24B-A2B, un mélange d’experts (MoE) de 24 milliards de paramètres dont 2 milliards seulement s’activent par token. C’est, selon Liquid AI, le plus gros modèle de la famille LFM2.5, qui va désormais de 230 millions à 24 milliards de paramètres, et un modèle de raisonnement pur : il produit toujours une chaîne de pensée avant sa réponse. L’objectif est l’agent local : chaque token de raisonnement coûtant peu, un agent peut tourner en continu sur la machine de l’utilisateur, appeler des outils et enchaîner des tâches.

L’architecture reprend celle de LFM2-24B-A2B (40 couches, 64 experts par bloc avec routage top-4, hybride de convolutions courtes à portes et d’attention GQA). Ce qui change : le contexte passe de 32 000 à 131 000 tokens, le vocabulaire double, de 65 000 à 128 000 tokens, et le pré-entraînement passe d’environ 17 000 à 33 000 milliards de tokens, avant un post-entraînement en cinq étapes qui se termine par un apprentissage par renforcement mené dans des harnais d’agents (OpenClaw, Hermes Agent, Pi, OpenCode).

Banc évalué	LFM2.5-24B-A2B	Qwen3.6-35B-A3B	Gemma-4-26B-A4B-it	Nemotron-3.5-Lightning
AutomationBench	27,69	8,72	5,46	2,61
BFCLv4	65,01	65,00	57,09	53,78
ToolSandbox	80,71	75,02	72,09	75,13
LiveClaw	48,09	38,19	41,25	37,72
PinchBench	83,18	89,93	77,12	84,20
WebArena Verified	26,75	37,62	25,62	28,69
IFBench	74,69	64,21	47,44	71,67
GPQA Diamond	74,42	83,69	74,90	72,42
MATH-500	96,04	96,73	95,66	96,40
SWE-Bench Verified (OpenCode)	51,00	66,20	25,80	53,40

Face à trois MoE plus gros, le modèle tient la comparaison sur l’usage d’outils et le suivi d’instructions, et décroche sur les connaissances et le code agentique ; Liquid AI recommande d’ailleurs de l’associer à une recherche ou à une base documentaire pour les tâches qui demandent des connaissances. La vitesse est l’autre argument : 184 tokens/s sur un Apple M5 Max, 114 sur un Ryzen AI Max+ 395, et plus de 21 000 tokens de sortie par seconde à forte concurrence sur un seul B300. La base et le modèle post-entraîné sont publiés à poids ouverts sous licence maison lfm1.0, avec une prise en charge immédiate de llama.cpp, MLX, vLLM, SGLang et ONNX.

🔗 LFM2.5-24B-A2B (blog Hugging Face de Liquid AI)

IA locale sur PC Windows : NVIDIA prépare les RTX Spark avec Nemotron 3.5 Bolt 74B, Hugging Face lance Llama Windows

13 octobre — À trois jours de la sortie des portables RTX Spark, vendredi 16 octobre, après l’ouverture des précommandes le 7, NVIDIA détaille les logiciels prêts pour le lancement de cette puce qui réunit jusqu’à 128 Go de mémoire unifiée et 1 pétaflop de calcul IA. La pièce maîtresse est un nouveau modèle ouvert, Nemotron 3.5 Bolt 74B-A9B 24GB : un MoE de 74 milliards de paramètres dont 9 milliards actifs, quantifié en 2 bits avec un entraînement qui tient compte de la quantification pour tenir dans 24 Go, et conçu pour les agents locaux. Il sort jeudi 15 octobre dans llama.cpp, vLLM, Ollama, Unsloth et LM Studio, et sera appelable depuis Hermes et OpenClaw ; données d’entraînement, poids et recettes sont ouverts.

Côté agents, NVIDIA chiffre les téléchargements de LLM locaux à 5 fois ceux de toute l’année dernière. GitHub Copilot, Hermes, OpenClaw, Perplexity, Pi et WorkBuddy recommandent et configurent un modèle local adapté ; la sécurité passe par le bac à sable OpenShell et les conteneurs MXC de Microsoft, et la bibliothèque open source Switchyard route les requêtes entre modèles locaux et cloud. NVIDIA PAIR, le routeur qui répartit l’inférence entre les PC d’un réseau local, sort de bêta avec la prise en charge de llama.cpp et le téléchargement direct de modèles depuis Hugging Face. Pour la création, Adobe annonce jusqu’à 2 fois plus de vitesse dans Photoshop et Premiere (optimisations en bêta), et NVIDIA Broadcast 2.3 ajoute la super-résolution vidéo, la génération d’images intermédiaires et un serveur MCP pour que les agents pilotent ses effets. Pour les développeurs, Windows on Arm reçoit son premier build PyTorch-CUDA et Python 3.15 natif par défaut.

Élément annoncé	Date de disponibilité
NVIDIA PAIR hors bêta, Broadcast 2.3, Llama Windows	13 octobre
Nemotron 3.5 Bolt 74B-A9B 24GB	jeudi 15 octobre
Portables RTX Spark, guides pratiques d’IA (playbooks), modèle DLSS 5 deux fois plus rapide	vendredi 16 octobre
Nemotron 3.5 Bolt E4B 4GB pour les personnages ACE, RTX Remix 1.6	vendredi 23 octobre
DLSS Ray Reconstruction dans Blender	novembre

🔗 Les logiciels du lancement des RTX Spark (blog NVIDIA)

Llama Windows : Hugging Face met llama.cpp dans la zone de notification de Windows 11

13 octobre — Hugging Face lance Llama Windows, une application WinUI 3 gratuite et open source qui installe et exécute llama.cpp depuis la zone de notification de Windows 11, sans terminal, sans compilation et sans droits administrateur. On choisit un modèle quantifié sur le Hub, on le télécharge en un clic et on le charge depuis un panneau compact ; au démarrage, l’application se raccroche à un serveur llama.cpp déjà lancé ou installe llama.cpp avec son installeur officiel. C’est la contrepartie Windows de llama.app sur macOS.

Pour les développeurs, le serveur local écoute sur http://localhost:9931 avec une API compatible OpenAI, et les téléchargements vont dans le cache Hugging Face standard, partagé avec les autres outils de l’éditeur. L’application tourne nativement sur Windows on Arm et prend en charge les NVIDIA RTX Spark dès le premier jour, un travail mené avec NVIDIA. Le code est publié sous licence MIT dans le dépôt ggml-org/Llama-Windows.

🔗 Llama Windows (blog Hugging Face)

Sécurité : les défenses d’Anthropic contre la distillation, l’exploit de Chrome construit par XBOW, le classifieur de secrets de GitHub

Trois annonces portent sur la sécurité des modèles et du code : Anthropic fait le bilan de ses défenses contre la copie de ses modèles, XBOW montre ce qu’un modèle public permet en attaque, et GitHub remplace un pipeline LLM par un petit classifieur.

Anthropic réduit de 90 à 99 % les données récoltées par les distillateurs, selon ses premiers indices

12 octobre — Anthropic fait le bilan de ses défenses contre les attaques par distillation, ces campagnes qui aspirent les réponses d’un modèle de pointe, souvent par des réseaux de comptes frauduleux, pour en entraîner un autre à moindre coût. Selon les premiers indices, ses nouvelles méthodes réduisent d’environ 90 à 99 % les données récoltées. Selon Anthropic, Zhipu a tenté de distiller Claude Fable 5 pendant le développement de GLM-5.3, avant de se rabattre sur un modèle Claude plus ancien et sur celui d’un autre laboratoire.

Trois couches s’ajoutent : la pensée préservée (preserved thinking) de Claude Fable 5.1 et Opus 5.5, qui empêche les comptes API créés depuis le 31 août de modifier le contexte antérieur de Claude, avec un raisonnement de Sonnet 5.5 réservé à l’organisation qui a émis la requête ; un classifieur en deux étapes à moins de 0,1 % de faux positifs, actif sur Sonnet 5.5, Opus 5 et 5.5, Fable 5 et 5.1 ; enfin des limites d’usage durcies, des bannissements et, depuis le 24 septembre, la facturation des requêtes bloquées. Résultat annoncé : 10 à 100 fois moins de tokens de raisonnement extraits et des dizaines de milliers de comptes bannis, souvent en moins de deux heures.

🔗 Strengthening our defenses against distillation attacks

XBOW construit avec GPT-5.6 Sol un exploit complet de Chrome, récompensé de 250 000 dollars par Google

13 octobre — XBOW, société de tests d’intrusion menés par des agents d’IA, a construit une chaîne d’exploitation complète (full chain) de Chrome : la simple visite d’une page web suffisait à prendre le contrôle à distance d’une machine Windows, soit environ un milliard d’utilisateurs exposés selon XBOW. Google lui a accordé une prime de 250 000 dollars, et les trois bugs sont corrigés. L’annonce vient d’XBOW, non d’OpenAI, dont le compte @OpenAIDevs l’a seulement repostée.

We deliberately picked a model that is available to anyone, not a specialized security model or one with restricted access.

🇫🇷 Nous avons délibérément choisi un modèle accessible à tous, et non un modèle de sécurité spécialisé ou à accès restreint. — Oege de Moor, fondateur et CEO d’XBOW

Le modèle retenu est GPT-5.6 Sol, avec ses prédécesseurs. La chaîne a coûté 40 000 dollars de calcul sur six jours, du 2 au 7 août : l’IA a parcouru le code source de Chrome, construit des preuves de concept et écrit les premières versions de l’exploit, quatre chercheurs fixant la stratégie et vérifiant le travail. Selon XBOW, chacun des trois bugs pourrait être trouvé par des agents seuls d’ici un an.

🔗 Le récit d’XBOW

GitHub détaille son classifieur de secrets : 86 % de temps d’analyse en moins que son ancien pipeline LLM

13 octobre — Six jours après avoir annoncé son classifieur de secrets divulgués, GitHub en publie les coulisses. Le scanner travaille en deux temps : des expressions régulières ratissent large pour repérer tout ce qui ressemble à un identifiant, puis un classifieur ModernBERT affiné, exporté en ONNX avec une quantification 8 bits, lit chaque candidat avec son contexte (chemin du fichier, type de secret, noms de variables, code voisin) pour écarter les sosies, comme les valeurs d’exemple ou les données factices des tests.

Mesure comparée au pipeline LLM	Écart publié
Temps médian d’analyse post-push	−86 %
Coût de service	plus de 98 % de moins
Acceptation des alertes pondérée par propriétaire de dépôt (test A/B)	+11,5 %
Précision hors ligne	+13 %
Rappel hors ligne	+19 %

Ce gain de vitesse a permis d’étendre la détection des secrets génériques à la protection des pushes, avant même l’envoi du code.

🔗 GitHub’s model for secret detection (GitHub Blog)

Scion : Anthropic remplace git par son propre système de gestion de versions

13 octobre — Anthropic raconte sur son blog Engineering pourquoi il a quitté git pour son monorepo : ses équipes fusionnaient environ 2 500 changements par jour en mai 2026, plus de 30 000 en septembre. Avec un historique de près de 100 Go et de l’ordre de 25 millions d’extractions par jour pour la CI, l’outillage pensé pour des humains devenait le frein, même avec plusieurs centaines de miroirs git internes.

Scion, construit en cinq mois par sept personnes, part du principe que ses clients, surtout des agents et des tâches automatisées, sont toujours en ligne : le serveur calcule l’historique, l’attribution ligne à ligne (blame) et les fusions, et une tâche de CI n’a souvent plus besoin de copie locale. Anthropic revendique une empreinte 200 fois plus petite que ses miroirs git, des extractions en secondes au lieu de minutes et 25 % de CPU récupérés pour la CI ; une préversion interne de Claude Mythos Preview a réécrit le pipeline d’ingestion avec 20 fois moins de mémoire. Anthropic n’en prévoit pas de version publique, Scion s’écartant trop de git pour servir ailleurs : il en partage plutôt les principes pour que d’autres les appliquent à git, et dit vouloir travailler avec GitHub, GitLab et la communauté open source.

🔗 Redesigning source control at Anthropic

NVIDIA en France : investissements prévus dans Doctolib, Entalpic, Genesis AI et Pigment, modèles de Mistral en orbite sur Altair-1

13 octobre — En ouverture de sa tournée européenne vers GTC Berlin, où Jensen Huang tiendra sa conférence d’ouverture (keynote) le 21 octobre, NVIDIA annonce des investissements prévus dans quatre start-up françaises, sans montant : Doctolib (agents pour les soignants et compagnon de santé pour les patients), Entalpic (conception de matériaux à l’échelle atomique pour les semi-conducteurs), Genesis AI (robots généralistes et modèles de fondation) et Pigment (planification d’entreprise). NVIDIA dit avoir engagé près de 10 milliards de dollars dans l’écosystème technologique européen.

Le même billet dresse un état des lieux de l’IA souveraine en France. Bull étendra sa production européenne de serveurs aux systèmes Vera Rubin Ultra NVL72, prévus pour 2028 et assemblés dans son usine d’Angers. Twake.ai, bâti sur Nemotron, devient par l’accord-cadre CANUT, remporté par LINAGORA et Docaposte, le seul espace de travail numérique souverain référencé pour plus de 2 500 organismes publics français. La journée s’est terminée par une rencontre entre Jensen Huang et Emmanuel Macron à l’Élysée.

Côté espace, Mistral a relayé l’annonce : Altair-1, premier satellite d’une constellation de 50 satellites que NVIDIA chiffre à 1 milliard de dollars, a atteint son orbite. Intégré par Loft Orbital et construit à Abou Dhabi par Orbitworks, coentreprise de Loft Orbital et de Marlan Space, il embarque des modules NVIDIA Jetson AGX Orin qui exécutent des modèles Mistral pour l’observation de la Terre en temps réel et des opérations autonomes ; Loft Orbital cite Ministral 3 et vise des alertes générées par IA en quelques minutes. Aucun chiffre de performance ni date de lancement précise : Loft Orbital situe le lancement il y a quelques semaines, NVIDIA ce mois-ci.

🔗 L’écosystème français et NVIDIA (blog NVIDIA) · Le fil GTC Berlin de NVIDIA · Tweet de Mistral AI

Agents et outils de code : la marketplace d’Origin, Devin dans Pylon et ses Dynamic Workflows, Puck d’Amp joignable par MCP

Cursor ouvre aux éditeurs tiers la marketplace de son hébergement de code, Devin s’installe dans un outil de support et orchestre des équipes de sessions, et Amp rend son méta-agent joignable depuis d’autres assistants.

Cursor ouvre la marketplace d’Origin aux soumissions publiques

13 octobre — Origin, la plateforme d’hébergement de code de Cursor lancée en bêta le 17 août, s’ouvre aux outils tiers. Sa marketplace propose plus de 20 applications de déploiement (Cloudflare, Netlify, Vercel…), d’intégration continue (Buildkite, CircleCI…), de revue de code (CodeRabbit, Greptile), de sécurité (Semgrep, Socket Security), de supervision (Sentry) et de gestion de projet (Linear). Depuis le 13 octobre, elle accepte aussi les soumissions publiques : une équipe crée son application dans son espace de noms, la construit sur l’API Origin (JWT d’application, jetons d’installation, événements webhook, check runs, commentaires et revues de pull requests), puis la soumet avec une vidéo de démonstration ; Cursor relit chaque soumission avant de la lister. Aucun tarif n’est annoncé.

🔗 Origin App Marketplace (changelog de Cursor)

Devin s’intègre à Pylon, avec 15 000 dollars de crédits pour les nouveaux clients

13 octobre — Cognition lance l’intégration native de Devin dans Pylon, l’outil de support client. Quand un ticket est signalé pour l’ingénierie, Devin démarre seul : il fouille les logs, reproduit le bug, trouve la cause racine et ouvre une PR de correctif ; le support suit dans Pylon, les ingénieurs reprennent la session liée, et les mises à jour se synchronisent dans les deux sens. Le support peut aussi lancer depuis Pylon des recherches dans le code pour répondre aux questions produit. Les témoignages cités par Cognition évoquent des correctifs livrés environ 30 % plus vite, parfois en 15 à 20 minutes au lieu de plusieurs heures. Les nouveaux clients Devin sur Pylon reçoivent 15 000 dollars de crédits.

🔗 Devin in Pylon

Les Dynamic Workflows de Devin orchestrent des équipes de sessions par un script Python

13 octobre — Cognition met en avant les Dynamic Workflows de Devin : Devin écrit un script Python déterministe qui décide quelles sessions Devin lancer, dans quel ordre et avec quelles consignes, en s’appuyant sur les résultats structurés (schéma JSON) des précédentes. Chaque agent est par défaut une session complète sur sa propre machine virtuelle, le code circulant par branches git, ou partage la machine de la session qui orchestre. Une exécution interrompue reprend où elle s’était arrêtée, dans une limite de sept jours, et un workflow réussi s’enregistre comme skill. La fonction est disponible dans toute session Devin, mais reste coupée dans les comptes Enterprise tant qu’un administrateur ne l’active pas ; la documentation prévient du coût, chaque agent consommant comme une session. La date de lancement n’est confirmée nulle part : la page de documentation n’est pas datée, et la fonction n’apparaît pas dans les notes de version récentes.

🔗 Devin Dynamic Workflows (documentation)

Amp rend Puck joignable depuis ChatGPT, Claude et d’autres agents via MCP

13 octobre — Amp rend Puck, son méta-agent qui coordonne les autres agents, joignable depuis ChatGPT, Claude et d’autres clients MCP. Le serveur MCP d’Amp (ampcode.com/mcp) expose deux outils : puck, pour dialoguer avec son Puck, et orbs, une vue interactive des orbs en cours avec des liens vers leurs portails. Exemple donné : développer une idée avec le mode vocal de ChatGPT pendant une promenade, puis l’envoyer à Puck, qui la confie à la bonne orb. Le branchement se fait depuis les réglages de Puck dans Amp ou en collant l’adresse du serveur dans le client, puis en se connectant avec son compte Amp. Jusqu’ici, Puck se servait de serveurs MCP ; il en devient un. Aucun tarif n’est annoncé.

🔗 Take Puck with You (Amp)

Partenariats : le Solutions Partner Program de Replit, Manus dans le mode Agent d’OPPO

Deux accords de distribution : Replit s’appuie sur des intégrateurs pour entrer dans les entreprises, Manus sur un fabricant de smartphones.

Replit lance son Solutions Partner Program avec Accenture, JSOL, SMFL et Snowman Labs

13 octobre — Replit lance un programme de partenaires pour les intégrateurs de systèmes, cabinets de conseil et agences qui accompagnent des entreprises sur sa plateforme : formation, accompagnement, collaboration sur les opportunités clients et parcours de certification sur les fonctions Enterprise, dans un modèle fondé d’abord sur la recommandation (referral-first). Parmi les premiers partenaires figurent Accenture, les japonais JSOL et Sumitomo Mitsui Finance and Leasing (SMFL) et le brésilien Snowman Labs. SMFL dit avoir construit en une semaine une application d’entreprise prête pour la production, et JSOL cite un client qui a bâti un prototype en un mois. L’annuaire des partenaires en comptait neuf le 13 octobre ; aucune condition financière n’est publiée.

🔗 Introducing Replit Solutions Partners

Manus s’associe à OPPO pour le nouveau mode Agent d’AI Mind Pilot

13 octobre — Manus intègre ses capacités agentiques à OPPO AI Mind Pilot, dans son nouveau mode Agent, qui fera ses débuts sur la prochaine série Find X10 sous ColorOS 17. L’exemple mis en avant : organiser un voyage à partir des billets d’avion, réservations et billets d’attractions éparpillés dans les applications du téléphone, combinés à des informations en ligne pour produire un itinéraire jour par jour. Côté confidentialité, ColorOS 17 traite localement, avec des modèles embarqués, les tâches comme la recherche ou le renommage de fichiers, dont le contenu n’est pas transmis à Manus, et AI Mind Pilot demande une confirmation explicite avant tout traitement externe. Ni date, ni marchés, ni conditions : ils seront annoncés au lancement du téléphone.

🔗 Manus Partners with OPPO

Vidéo et voix génératives : FastH3-Omni de Reactor, Runway dans Replit, les agents d’ElevenLabs au support et une voix recréée aux Lords

La vidéo temps réel gagne le son, Runway entre dans la conception de sites, et ElevenLabs montre deux usages de sa plateforme, au support client et au Parlement britannique.

FastH3-Omni : Reactor lance une version temps réel de MiniMax H3 avec son synchronisé

13 octobre — La plateforme Reactor lance FastH3-Omni, une version temps réel de MiniMax H3, le modèle vidéo de MiniMax, qui génère une vidéo avec son synchronisé à partir d’un seul prompt. Post-entraîné par l’équipe FastVideo du Hao AI Lab avec Nuva Lab, déjà à l’origine de FastH3 fin août, il est présenté comme la version open source de H3 temps réel la plus rapide et de meilleure qualité. Il ajoute le conditionnement par première et dernière image, l’entrée audio avec dialogues et jusqu’à trois images de référence. FastH3-Omni est en avant-première exclusive sur l’API Reactor jusqu’au 20 octobre ; l’annonce ne publie ni benchmark, ni tarif, ni lien vers des poids. MiniMax l’a relayée le soir même.

🔗 Annonce de Reactor

Runway se branche à Replit pour la conception de sites

13 octobre — Runway et Replit présentent le même jour Runway for web design : une fois Runway connecté à un projet Replit par Runway MCP, l’agent de développement génère images, vidéos et ressources visuelles directement dans le projet, de la première idée au site terminé. La page de Runway MCP liste Replit parmi les environnements pris en charge, avec ChatGPT, Claude, Grok Bot, Muse et Cursor ; Runway MCP était déjà compatible avec Replit à son lancement, le 27 mai, et l’annonce est donc surtout une mise en avant commune. Après l’annuaire d’applications de ChatGPT le 7 octobre et Claude Motion le 8, Runway vise cette fois la conception de sites. Aucun tarif ni coût en crédits n’est précisé.

🔗 Annonce de Runway · Annonce de Replit

ElevenLabs résout plus de 22 000 tickets de support par mois avec ses propres agents

13 octobre — ElevenLabs montre comment il utilise sa propre plateforme : son support client tourne sur ElevenAgents, qui résout plus de 22 000 tickets par mois sans intervention humaine, avec une escalade vers l’équipe si besoin. Le mois dernier, l’agent a traité de bout en bout 65 % des tickets, le temps moyen de première réponse est tombé à 60 secondes, contre plusieurs heures auparavant, et 70 % des conversations ont été notées positivement. L’agent s’appuie sur les procédures de l’équipe support, converties en Procedures (en version structurée pour les remboursements), et sur des outils webhook qui consultent l’offre, les crédits ou les voix de chaque utilisateur ; il a été validé par des tests de simulation sur une cinquantaine de scénarios, puis observé en mode fantôme (shadow mode) sur le trafic réel avant la mise en production. Architect, lancé le 6 octobre, sert ensuite à comprendre les escalades et à tester les corrections.

🔗 Le support d’ElevenLabs sur ElevenAgents

La baronne Campbell s’adresse aux Lords avec une voix recréée par ElevenLabs

13 octobre — La baronne Jane Campbell of Surbiton, militante des droits des personnes handicapées atteinte d’amyotrophie spinale et pair à vie depuis 2007, faisait lire ses discours par une assistante depuis 2012. Elle s’est cette fois adressée à la Chambre des lords avec sa propre voix, recréée par IA, lors de la deuxième lecture du Health Bill, sur les budgets de santé personnels. Selon ElevenLabs, c’est la première fois qu’un membre du Parlement britannique utilise une voix générée par IA dans l’une ou l’autre chambre. La baronne a recréé elle-même sa voix avec l’outil de clonage d’ElevenLabs à partir d’anciens enregistrements ; le texte, produit en synthèse vocale, a été diffusé par un appareil d’assistance, avec l’accord du comité de procédure des Lords. ElevenLabs dit avoir rendu leur voix à plus de 11 000 personnes.

🔗 Le premier discours prononcé avec une voix IA au Parlement britannique (ElevenLabs)

Recherche et données ouvertes : Prompteina conçoit des protéines, Basis publie Global Emotions, un billet critique sur les modèles de décision

Trois publications ouvertes du jour : un modèle de conception de protéines piloté par le texte, un jeu de parole expressive en 83 langues et une critique chiffrée des modèles de décision.

Prompteina conçoit des protéines tout-atome à partir d’une consigne en langage naturel

13 octobre — Joseph Lee, premier auteur, présente Prompteina, un travail cosigné notamment par trois chercheurs rattachés à Ai2, qui l’a relayé, et par David Baker, de l’Institute for Protein Design de l’université de Washington. L’article arXiv le décrit comme le premier modèle de génération de structures de protéines tout-atome piloté par du texte. Là où les modèles existants demandent une représentation d’entrée dédiée à chaque propriété, la propriété voulue s’écrit ici en langage naturel : sur 18 propriétés structurelles évaluées, Prompteina contrôle mieux que les références sur 15. Il a été entraîné sur 1,8 million de structures appariées à 52,4 millions de légendes, en adaptant Proteina-Complexa de NVIDIA. En conception de liants pilotée par un agent, il obtient sur 20 cibles 14 % de confiance de liaison prédite en plus que la meilleure référence. Sur GM2A, une cible pour laquelle aucun liant de novo n’avait été rapporté, 90 dessins testés en laboratoire ont donné neuf liants, dont le plus fort affiche une constante de dissociation apparente de 107 nM. Le code et les poids sont publiés.

🔗 Fil de Joseph Lee · Designing Protein Structures from Natural Language (arXiv)

Basis publie Global Emotions, 525 heures de parole expressive dans 108 locales

12 octobre — Basis publie Global Emotions, un jeu de parole expressive de 525,17 heures enregistré auprès de 10 420 locuteurs natifs rémunérés, dans 108 locales et 83 langues, en WAV à 48 kHz. Sa particularité tient à sa structure : le même comédien lit la même réplique à plusieurs intensités, neutre, moyenne puis pleine, selon une consigne (joyeux, frustré, sarcastique, chuchoté, chanté…). En gardant constants le locuteur et le texte, on isole ce qui change dans la voix, rythme, hauteur ou débit, quand l’émotion monte. Le jeu compte 137 696 enregistrements et 54 575 séries appariées, dont 12 141 enregistrements avec un signal non verbal (soupir, rire). Basis le déclare libre pour l’usage commercial et la recherche, sous licence maison à accès conditionnel, mais l’audio est livré brut, sans débruitage, et les transcriptions validées par des humains ne sont pas incluses : elles se vendent 22,7 dollars par heure d’audio.

🔗 Basis Global Emotions (blog Hugging Face)

Modèles de décision : un billet critique mesure leurs limites et en entraîne un par GRPO

13 octobre — Dans un billet communautaire du blog Hugging Face, Hajime Yagihara examine les démonstrations publiques de modèles de décision, ces modèles qui ne génèrent aucun token et renvoient une probabilité par option. Sa thèse : le code des démonstrations simule chaque option et écrit le résultat dans l’invite, donc fait le travail difficile avant le modèle. Sur le scénario Predict Position de ViZDoom, Jev sans assistance du code réussit 0 épisode sur 128, sous le hasard (12 sur 128), alors que le code seul en réussit 126 ; sur Snake, il tombe à 63,5 % dès qu’il faut prédire un seul pas.

L’auteur transpose ensuite le GRPO des LLM à ces modèles, la récompense finale étant distribuée à toutes les décisions d’un épisode. Sur NanoJev, reproduction ouverte de 0,6 milliard de paramètres, la réussite passe de 19,4 % à 79,1 % sans expert, contre 68,6 % en imitant un expert par SFT, et 81,4 % en enchaînant les deux ; l’entraînement reste instable autour de l’étape 20.

🔗 Le billet de Hajime Yagihara (blog Hugging Face)

Brèves

Copilot CLI 1.0.97 — Passée en stable avec 25 entrées venues de ses préversions, elle permet à chaque agent personnalisé de porter ses propres hooks déclaratifs, découvre tous les agents d’un dépôt même au-delà de 100 et, en Autopilot, refuse une décision « ask » d’un hook preToolUse au lieu de rester bloquée ; le SDK Copilot passe en 1.0.21. 🔗 source · 🔗 SDK
Gemini CLI v0.65.0-preview.0 et v0.64.0 — La préversion ajoute quatre correctifs du 13 octobre, dont une interruption rapide par Ctrl+C qui ne corrompt plus la session, et la stable v0.64.0 n’apporte rien d’inédit. Gemini 4 Argon n’est pas encore dans le sélecteur : une PR d’un contributeur extérieur l’ajoute, mais n’est pas fusionnée. 🔗 source
Antigravity 2.23.0 — Version du 12 octobre (16 améliorations, 8 correctifs) : sélecteur d’autorisations de l’agent dans la zone de message, visionneuse plein écran pour les images et les vidéos, archives .zip décompressées par l’agent, réparation par l’agent d’un serveur MCP qui ne démarre pas. 🔗 source
Qwen Code v0.25.2-preview.0 — Première préversion du cycle, deux jours après la stable v0.25.1 : 115 entrées dont 33 fonctionnalités et 50 correctifs, des Mods écrits en TypeScript qui peuvent intercepter les appels d’outils, un explorateur d’échecs de tests, et un navigateur de fichiers avec aperçu Excel dans le Web Shell. 🔗 source
Jev dans Amp — Le volet Changes d’Amp classe automatiquement les fichiers d’un diff, ceux qui expliquent le changement en premier, beaucoup plus vite qu’avant grâce au modèle de décision Jev de TypeSafe ; l’ordre alphabétique reste disponible. 🔗 source
Notes de Devin du 9 octobre — Rattrapage : une session en veille ne se reprend plus que pendant 14 jours au lieu de 30, Devin lit le fichier AGENTS.md à l’installation d’un dépôt, et Devin Ultra s’ouvre aux entreprises en rétention de données nulle (zero data retention), qui en étaient privées. 🔗 source
Clés Anthropic bloquées par défaut — Le secret scanning de GitHub reconnaît les clés de service et les clés utilisateur d’Anthropic et les bloque d’emblée par la protection des pushes, dépôts publics gratuits compris ; il ajoute un détecteur pour Cloudsmith, et Salesforce devient partenaire pour révoquer les jetons Marketing Cloud trouvés dans les dépôts publics. 🔗 source
Mesures de l’AI Scan — En préversion publique, la security overview de GitHub mesure l’effet de l’AI Scan des pull requests (résultats générés et résolus, taux de remédiation, usage des suggestions d’autofix), pour les clients GitHub Code Security ou GitHub Advanced Security. 🔗 source
Réglages gérés de Copilot — Avec forceRemoteSettingsRefresh, les administrateurs d’entreprise obligent Copilot CLI, VS Code et l’app GitHub Copilot à récupérer la politique courante au démarrage, le client échouant en mode fermé s’il ne peut pas la confirmer ; une version minimale du client est aussi imposée sur la clé sandbox. 🔗 source
Télémétrie de Copilot — Le réglage géré telemetry.capture.identity, désactivé par défaut, rattache l’activité de Copilot à un utilisateur dans OpenTelemetry (login GitHub, compte système, nom de machine) sans collecter ses prompts ; cinq classes de capture de contenu se règlent séparément, toutes coupées par défaut. 🔗 source
Audit de Code Quality — Le rejet et la réouverture manuels des résultats de GitHub Code Quality apparaissent désormais dans le journal d’audit, avec l’auteur, l’heure, le dépôt, la règle et le nombre de résultats, sur GitHub Team et GitHub Enterprise Cloud. 🔗 source
Alertes Dependabot retirées — Le webhook dependabot_alert gagne une action withdrawn, et l’API REST répond 410 Gone au lieu de 404 pour une alerte retirée, ce qui la distingue d’une alerte qui n’a jamais existé. 🔗 source
Registres anonymes pour Dependabot — Une méthode d’authentification Anonymous permet de déclarer, au niveau de l’organisation, un registre privé joignable sans identifiants, comme un miroir interne ouvert en lecture ; ceux qui utilisaient un jeton factice doivent recréer leur registre. 🔗 source
Budgets de facturation de GitHub — La page Budgets and alerts réunit tous les budgets dans une liste unique, filtrable par périmètre, produit, SKU ou utilisateur, budgets par utilisateur compris. 🔗 source
Le RSSI d’Uber et les agents IA — Dans un entretien publié par claude.com, Philip Martin, RSSI d’Uber, plaide pour appliquer aux agents IA un programme de lutte contre la menace interne (insider threat program) et décrit l’articulation d’Enterprise Frontier Safeguards avec ADR, l’outil open source d’Uber ; ni chiffre ni annonce produit. 🔗 source
Mistral Large 4 en ancrage visuel — Selon Mistral, son modèle obtient 42 % sur le benchmark d’ancrage visuel (visual grounding) Dense 200, devant même des modèles fermés de pointe, sans citer de concurrent ni de score comparé ; une démonstration le montre sur des dessins techniques. 🔗 source
JJ-1 de JurinAI — Quatre modèles de décision de 0,8 à 9 milliards de paramètres pour les processus métier japonais : sur le rapport de l’éditeur (88 813 questions), JJ-1-9B atteint 79,20 % devant StartLux 9B (78,02 %), Jev 1.13 et Microsoft Decision-1 (76,50 %) ; poids sous CC BY-NC 4.0, sans usage commercial. 🔗 source
AutoTrust — Deux démonstrations en ligne, de vidéos courtes et d’actualités, classent leurs recommandations avec un seul modèle de décision, sans entraînement ni journaux : une seule question de choix pour tout le lot bat l’interrogation candidat par candidat (AUC 0,931 en 0,42 s contre 0,905 en 1,54 s sur 200 cas) ; des mesures hors production, préviennent les auteurs. 🔗 source
MolmoAct 2 en tête chez Datapoint AI — La politique robotique d’Ai2 mène le Datapoint Robot Policy Bench, noté par préférence humaine, avec 1 082 points Elo sur 21 130 votes, devant OpenVLA-OFT (1 049) et π0.5-DROID (1 033) ; c’est un second classement indépendant après Reality Check, le 30 septembre. 🔗 source
Molmo2Fish — Ai2 raconte comment Kai Van Brunt (MIT) a affiné Molmo 2 sur de la vidéo sonar pour suivre des saumons et corriger ses erreurs sur simple instruction ; le prototype fait à peu près aussi bien qu’un système spécialisé, sans chiffre publié, et n’est pas déployé. 🔗 source
Reconnaissance vocale du contrôle aérien — NVIDIA publie deux skills qui guident un agent de code dans l’affinage de Nemotron 3.5 ASR : sur un banc ATCO2 de deux heures, le taux d’erreur de mots passe de 77,00 % à 22,46 %, et celui de l’anglais général de 3,50 % à 3,63 %. 🔗 source
Post-entraînement chez Together AI — Un livre de recettes Apache-2.0, apparu sans annonce, documente Together Post Training, où le client écrit sa boucle d’entraînement sur sa propre machine pendant que Together AI exécute l’entraîneur et l’échantillonnage : recettes GRPO, SFT, DPO et multi-LoRA, sans tarif ni chiffre. 🔗 source
Supabase dans Grok Bot — Supabase rejoint le réseau de partenaires de SpaceXSI : une demande faite dans le chat de Grok Bot est confiée à Cursor, qui l’exécute sur le backend via le serveur MCP de Supabase ; dans les sessions Cursor, seules 2 % environ des erreurs arrêtent la session, selon Supabase. 🔗 source
Higgsfield et GPT-6 Astra — Dans une étude de cas d’OpenAI, Higgsfield AI indique que ses vidéos, plafonnées autour d’une minute avant GPT-6 Astra, dépassent désormais 10 minutes ; selon son CEO, les appels d’outils du modèle pour la modélisation 3D aident à garder la cohérence des vidéos longues. Aucun chiffre de coût n’est donné. 🔗 source

Ce que ça signifie

Le lancement d’Argon montre comment un modèle de frontière se diffuse désormais : le jour de sa disponibilité générale, Cursor, Devin, GitHub Copilot et Manus l’ajoutent, chacun avec sa propre mesure, et ces chiffres ne se comparent pas entre eux. Sur CursorBench 4.0, Argon égale Opus 5.5 à effort moyen mais coûte plus cher par tâche et passe derrière dès qu’on pousse l’effort ; sur FrontierCode 1.1, le banc de Cognition, il devance GPT-6.1 Sol d’un dixième de point et reste à près de cinq points de Claude Opus 5.5 ; GitHub ne publie aucun chiffre. Le prix pèse autant que le score : 2 et 10 dollars par million de tokens jusqu’au 30 novembre, le double ensuite. Pour une équipe qui choisit son modèle, le calcul sera à refaire en décembre.

The X Subscription change la place de Cursor. L’éditeur se vend désormais dans le même forfait que Grok et X Premium, avec une réserve d’usage commune et au moins deux fois plus d’usage de code sur les modèles de SpaceXSI. Les modèles des autres laboratoires, comme Gemini 4 Argon ouvert le même jour dans Cursor, restent accessibles, mais seulement à partir de 30 dollars par mois, et facturés au prix de l’API en dehors de la réserve. Pour un nouvel abonné, l’offre oriente donc vers les modèles maison ; pour les anciens clients, rien ne change tant que SpaceXSI n’a pas fixé le calendrier de la migration qu’il annonce.

La cybersécurité traverse la journée. Google justifie ses garde-fous de nouvelle génération par un résultat : Argon résout les 12 scénarios de cyberattaque simulés, contre 5 pour la génération précédente. XBOW montre de son côté ce qu’un modèle accessible à tous permet déjà, une chaîne d’exploitation complète de Chrome pour 40 000 dollars de calcul. Les défenses misent sur la surveillance en temps réel : trois couches de protection autour d’Argon, un classifieur en deux étapes chez Anthropic, qui dit réduire de 90 à 99 % les données aspirées par les distillateurs, et chez GitHub un petit modèle ModernBERT qui remplace un pipeline LLM, avec 86 % de temps d’analyse en moins et un coût de service inférieur de plus de 98 %.

L’IA locale, enfin, reçoit des outils concrets. Nemotron 3.5 Bolt 74B tient en 24 Go grâce à une quantification en 2 bits, LFM2.5-24B-A2B n’active que 2 milliards de paramètres par token et revendique 184 tokens/s sur un Apple M5 Max, et Llama Windows réduit l’installation de llama.cpp à quelques clics. Côté serveurs, NVIDIA ouvre le code de Run:ai pour que ses partenaires orchestrent eux-mêmes leurs GPU, et Anthropic montre avec Scion ce que la cadence des agents fait à l’outillage : plus de 30 000 fusions par jour en septembre, contre 2 500 en mai, l’ont poussé à quitter git.