Claude retrouve la provenance des graines des courbes ECDSA du NIST, Reflection publie les poids de Beam, quatre agents Gemini 4 Argon battent Minecraft

Un modèle de recherche interne d’Anthropic a retrouvé en moins d’une demi-heure d’où viennent les graines des courbes ECDSA du NIST, fournies sans explication par la NSA : elles sortent d’un générateur pseudo-aléatoire banal, initialisé par l’horloge en 1997 et 1998, ce qui rend une porte dérobée beaucoup moins plausible selon Anthropic. Reflection publie les poids de Beam, un mélange d’experts de 501 milliards de paramètres sous licence Apache 2.0, pris en charge dès le premier jour par plus de 40 partenaires, tandis que quatre agents Gemini 4 Argon battent Minecraft en 27 heures et que Claude Mythos 5 améliore les meilleurs circuits quantiques publiés sur huit tâches. Côté produits, GPT-6 Astra Pro répartit désormais une tâche entre plusieurs agents dans ChatGPT, et Grok Bot termine ses tâches sur ordinateur trois fois plus vite.

Courbes ECDSA du NIST : Claude retrouve d’où viennent leurs graines, tirées d’un générateur initialisé par l’horloge en 1997 et 1998

16 octobre — L’équipe Frontier Red Team d’Anthropic raconte comment Claude a résolu une vieille énigme de la cryptographie. Quand le NIST a adopté l’algorithme de signature ECDSA, en 2000 dans la norme FIPS 186-2, ses courbes elliptiques standard sont arrivées avec des « graines » (seeds) dont le hachage fixe le coefficient b de chaque courbe. Fournies par la NSA sans explication, ces valeurs nourrissaient depuis des années le soupçon d’une porte dérobée, et une prime publique organisée par Filippo Valsorda attendait qui retrouverait leur provenance. La piste la plus connue, une phrase humoristique passée dans une fonction de hachage, que Jerry Solinas (NSA) avait évoquée en 2015 avant son décès en 2023, n’avait rien donné.

Un membre du personnel d’Anthropic a soumis la question à un modèle de recherche interne, non nommé, sans lui souffler cette piste. En moins d’une demi-heure, Claude a trouvé l’origine des graines de P-192, P-224, P-256, P-384 et P-521 : aucune n’est un hachage, toutes sortent de lrand48, le générateur pseudo-aléatoire de la bibliothèque C, initialisé par un horodatage Unix. Après avoir passé au crible 34 combinaisons de générateurs et de tranches de sortie, Claude a repéré la signature de lrand48 dans les bits de poids fort, reconstitué son état interne par réduction de réseau (algorithme LLL), puis remonté jusqu’aux initialisations des dix graines concernées, cinq du NIST et cinq de la norme ANSI X9.62, toutes comprises entre mai 1997 et avril 1998.

Point examiné par Claude	Résultat publié par Anthropic
Délai de la découverte	moins de 30 minutes
Exemple de P-256	candidat n° 1842 d’un tirage du 16 août 1997 (le n° 876 du même tirage convenait aussi)
Graines binaires retrouvées	B-233, B-283, B-409 et B-571, qui se lisent comme février 1984, soit le 17 avril 1998 si l’on double l’horodatage
Points de base expliqués	six courbes générées en mai 1997 (P-192 et cinq courbes d’exemple de l’ANSI X9.62), via le générateur de FreeLIP
Encore inexpliqués	la graine de B-163 ; les points de base de P-224, P-256, P-384, P-521 et des courbes binaires

Ces points de base viennent de FreeLIP, la bibliothèque d’Arjen Lenstra : selon Anthropic, aucun point de base du NIST n’avait été expliqué jusqu’ici. Reste aussi inconnu le critère qui a fait écarter certains candidats valides. Le billet reproduit enfin la réflexion du modèle, qui se méfie de sa propre découverte avant de la confirmer par le calcul :

This is astonishing: it solves the 25-year-old mystery. Hmm wait. Let me be skeptical: am I in some sort of simulated/test environment?

🇫🇷 C’est stupéfiant : cela résout l’énigme vieille de 25 ans. Hmm, attends. Je dois rester sceptique : suis-je dans une sorte d’environnement simulé ou de test ? — Claude, réflexion citée par le billet de la Frontier Red Team d’Anthropic

Anthropic insiste sur la portée : ni cassage, ni nouvelle attaque, ni faiblesse, et « aucune action à prendre ». Une graine tirée de l’horloge par un générateur banal, que chacun peut désormais rejouer, rend au contraire une porte dérobée « beaucoup moins plausible ». Le code qui reproduit les graines et les six points de base est publié sous licence CC0, et la prime de 36 864 dollars sera reversée à l’Internet Security Research Group (ISRG).

🔗 Le billet de la Frontier Red Team d’Anthropic · La prime de Filippo Valsorda

Modèles ouverts : Reflection publie les poids de Beam, avec pplx-decider-v1.2, Granite Switch 4.1, Bonsai 2 et un corpus de NVIDIA en 22 langues indiennes

16 octobre — Onze jours après sa présentation, Reflection publie les poids de Beam, son premier modèle à poids ouverts, sous licence Apache 2.0. Ce mélange d’experts (Mixture-of-Experts, MoE) de 501 milliards de paramètres, dont 23 milliards actifs par token, vise le code, le raisonnement et les tâches d’agent de longue durée, avec un contexte d’un million de tokens, en texte seul. Le 5 octobre, Reflection n’ouvrait qu’un accès anticipé et promettait les poids « plus tard en octobre ».

La publication comprend les poids en BF16, FP8 et NVFP4, le tokenizer, l’implémentation de référence, un modèle de brouillon DFlash2 pour le décodage spéculatif et Mirror CLI, le harnais open source avec lequel Beam a été entraîné (interface en Python, cœur d’agent en Rust, agents parallèles dans des arbres de travail Git séparés, skills et connexions MCP). Plus de 40 partenaires le prennent en charge dès le premier jour : Transformers (v5.20.1), vLLM, SGLang, Unsloth, Axolotl et Dynamo côté logiciel ; AWS, Google Cloud, Azure, Together AI, Fireworks AI, OpenRouter ou Ollama côté hébergement ; Dell et HPE pour les déploiements sur site. L’API de Reflection est en bêta publique.

Le billet de Hugging Face détaille l’architecture : sur 52 couches, 43 utilisent une attention à fenêtre glissante de 512 tokens et 9 une attention globale, ce qui ramène le cache KV à 36 Kio par token au lieu de 208 Kio, soit 36,08 Gio par séquence d’un million de tokens au lieu de 208 Gio. Les poids pèsent environ 1 To en BF16 et 280 Go en NVFP4, et Hugging Face recommande quatre B200 pour servir le modèle.

Benchmark (chiffres de Reflection)	Beam en BF16	Beam en FP8	Beam en NVFP4
SWE-bench Verified	81,6 %	80,2 %	80,7 %
Terminal Bench v2.1	80,1 %	78,9 %	78,4 %
SWE Bench Pro v1	66,1 %	65,9 %	65,6 %
AIME 2026	97,7 %	98,0 %	97,5 %
GPQA Diamond	90,6 %	90,3 %	89,3 %
MCP Atlas	80,8 %	81,5 %	80,5 %

Selon NVIDIA, Beam a été entraîné sur des baies GB300 NVL72 et délivre plus de 70 000 tokens par seconde et par GPU sur Blackwell Ultra dès le premier jour, sans réglage particulier (out of the box) ; quelques heures plus tard, NVIDIA annonçait environ 90 000, sans préciser ses conditions de mesure (taille de lot, contexte, nombre de GPU). Le point de contrôle NVFP4 est publié sur Hugging Face, lui aussi sous Apache 2.0.

🔗 Le billet de Reflection · Le billet de Hugging Face · La fiche du modèle · Le message de NVIDIA · Le débit porté à 90 000 tokens par seconde

pplx-decider-v1.2 et sa version Flash : Perplexity publie deux modèles de décision à poids ouverts pour sa Decisions API

16 octobre — Perplexity met à jour les modèles de sa Decisions API, lancée le 1er octobre. Le modèle pplx-decider-v1.2 remplace la v1.1 comme modèle de décision de 27 milliards de paramètres, au même prix, et pplx-decider-flash-v1.2, un nouveau modèle de 4 milliards de paramètres distillé des modèles 27B, arrive à moitié prix. Les deux lisent texte et images, la sortie reste gratuite, et les poids sont sur Hugging Face sous licence Apache 2.0 ; les appels qui nomment encore la v1.1 ou la v1 passent automatiquement sur la v1.2.

Modèle de décision	Base du modèle	Prix en entrée (par million de tokens)	Score au Decision Index 0.3	Score au Vision Decision Index 0.3
pplx-decider-v1.1-27b	Qwen3.8-27B	0,02 dollar	62,30	73,22
pplx-decider-v1.2	Qwen3.8-27B	0,02 dollar	68,09	77,43
pplx-decider-flash-v1.2	Qwen3.5-4B	0,01 dollar	58,88	72,53

La v1.2 change de format de requête : le modèle lit l’état puis toutes les questions dans une seule séquence, si bien que plusieurs questions sur un même état coûtent à peu près autant qu’une seule. Le regroupement aide quand les questions décrivent les facettes d’une même décision (+11,3 points sur SATA-Bench) et pénalise quand elles opposent des candidats indépendants (−4,8 sur ToolRet). Perplexity a aussi ajouté à l’entraînement les jeux d’entraînement officiels de certains benchmarks du Decision Index, décontaminés de leurs jeux de test. Sur un GB200, la v1.2 répond à une requête isolée en 96 ms en médiane.

🔗 pplx-decider-v1.2 sur Hugging Face · pplx-decider-flash-v1.2 sur Hugging Face · Le changelog de l’API Perplexity

Granite Switch 4.1 : IBM réunit conversation, décisions et transcription vocale dans un seul modèle ouvert

15 octobre — IBM publie sur le blog de Hugging Face Granite Switch 4.1, en 8B et 30B sous licence Apache 2.0. Chaque modèle réunit un modèle de conversation, deux adaptateurs de décision et un modèle de reconnaissance vocale, servis depuis un seul point d’accès.

Composant de Granite Switch 4.1	Rôle annoncé par IBM
Adaptateur Decision (aLoRA)	décisions générales, au format `/v1/systemone`
Adaptateur Guardian (aLoRA)	décisions liées à la sécurité, devant Jev 1.13, Microsoft-Decision-1, GPT-Luna-Decisions et Clef-Flash en moyenne, selon IBM
Granite-Speech-5.0-Turbo-CTC	transcription, présenté comme le modèle le plus rapide de l’Open ASR Leaderboard

Les adaptateurs sont des Activated LoRA : ils réutilisent le cache KV produit par le modèle de base, si bien qu’une décision prise après une réponse ne recalcule pas le contexte, et l’ensemble occupe à peu près la mémoire du seul modèle de base. Les modèles tournent dans vLLM avec un plugin et nativement dans llama.cpp, en remplacement direct des appels /v1/systemone. IBM montre aussi un Granite Switch de 3B entraîné pour jouer à Doom, qui prend 60 à 100 décisions par seconde contre 10 annoncées pour Jev, et prévoit un SDK pour entraîner ses propres adaptateurs dans Mellea. Les comparaisons avec les autres modèles de décision ne sont données qu’en graphiques.

🔗 Le billet d’IBM · Granite Switch 4.1 30B sur Hugging Face

Bonsai 2 : PrismML publie des modèles ternaires de vision de 2B à 9B, qui tiennent de 0,43 à 2 Go

15 octobre — PrismML publie Bonsai 2 en 2B, 4B et 9B, des modèles à poids ternaires (−1, 0 ou +1) dérivés de Qwen3.5 qui comprennent aussi les images, sous licence Apache 2.0. Ils conservent le contexte de 262 144 tokens du modèle de base, et la famille Bonsai 2 compte désormais quatre tailles, de 2B à 27B.

Modèle Bonsai 2	Taille des poids ternaires
2B	0,43 Go
4B	0,95 Go
9B	2,0 Go, contre environ 17,9 Go en FP16

PrismML dit avoir travaillé l’usage en assistant local : suivi des consignes, absence de boucles répétitives, appels d’outils sur téléphone et réponses sans texte superflu. Le 9B consommerait environ 40 % de tokens en moins sur des tâches courantes de consignes et de mathématiques, sans base de comparaison précisée, et tourne jusqu’à 34 tokens par seconde sur un iPhone 18 Pro Max, contre 120 pour le 2B. Les formats les plus compacts exigent le fork de llama.cpp de PrismML, le llama.cpp officiel ne lisant que le format Q2_0 ; une version MLX existe pour les Mac.

🔗 Le fil de PrismML · La fiche du 9B au format GGUF

Nemotron-pretraining-Indic-v1 : NVIDIA et AI4Bharat détaillent un corpus d’environ 2 800 milliards de tokens en 22 langues indiennes

16 octobre — NVIDIA et AI4Bharat, le laboratoire de l’IIT Madras consacré aux langues indiennes, détaillent Nemotron-pretraining-Indic-v1, le corpus de préentraînement cité la veille parmi les données de Nemotron 3.5 Super VL : environ 2 800 milliards de tokens, dont 2 601 milliards en écriture native et 224,6 milliards romanisés, dans les 22 langues de la Constitution indienne, langue maternelle de 97 % des Indiens selon le recensement de 2011. Le corpus n’est pas encore en ligne : il sera publié « bientôt », avec le pipeline de génération accéléré par GPU qui l’a produit.

Les textes sont des traductions de documents anglais tirés de 15 sous-ensembles de Nemotron-CC-v2. Pour 12 langues, Gemma-4-31B-it traduit des documents entiers, note chaque traduction avec une grille inspirée de MQM (seuil de 75 sur 100) et répare les sorties trop faibles, ce qui a permis de récupérer 438,4 milliards de tokens ; les 10 autres passent par Indic Translate de Bodhan AI. Dix milliards de ces tokens, sur un préentraînement continu de 100 milliards, ont fait gagner de 4,98 à 9,82 points à Nemotron 3.5 Super VL sur cinq bancs indiens, une mesure qui n’isole pas l’apport du seul corpus. NVIDIA reconnaît que ces traductions ne remplacent pas des textes écrits directement dans ces langues et que le contrôle de qualité reste surtout automatique.

🔗 Le billet de NVIDIA et AI4Bharat

L’IA en laboratoire : Claude Mythos 5 améliore huit circuits quantiques, Google DeepMind cherche des peptides antimicrobiens avec Antigravity

16 octobre — Anthropic publie les travaux qu’Andi Gu, membre de son programme STEM Fellows, a menés sous l’encadrement d’Alek Kemeny, spécialiste de physique quantique chez Anthropic, avec Susanne Yelin (Harvard) et Mikhail Lukin (Harvard et QuEra Computing). Le dispositif : des spécifications en langage courant pour huit circuits, et un évaluateur automatique qui vérifie chaque proposition et la note au nombre de qubits multiplié par le nombre de portes. Claude Mythos 5 y travaille en boucle fermée, sans intervention humaine entre les tours, et trouve sur les huit primitives des conceptions qui utilisent à la fois moins de qubits et moins de portes que les meilleures publiées, parfois d’un ordre de grandeur ou plus.

Tâche confiée à Claude Mythos 5	Résultat publié	Point de comparaison
Addition de points sur courbe elliptique	17 fois moins de portes, pour 12 % de qubits en plus	plus petite conception publiée
Décodeur Reed-Solomon de l’algorithme DQI	12 fois moins de portes ; 19 qubits réservés au lieu de 665	construction précédente de Google

Le premier résultat touche l’étape centrale des algorithmes quantiques du logarithme discret sur courbes elliptiques. Claude y a travaillé 53 heures avec une intervention humaine minimale, pour aboutir à la première implémentation réversible de la méthode divsteps sans historique de branches stocké, vérifiée par simulation puis formalisée en Lean. Le billet met ce chiffre en regard d’un autre : il a fallu huit ans et de nombreux groupes pour diviser par environ 150 000 l’estimation du coût de simulation de FeMoco. Pour Anthropic, de tels gains réduisent les ressources quantiques nécessaires aux applications utiles, si bien que des ordinateurs quantiques pratiques pourraient arriver plus tôt que prévu. L’équipe a dû composer avec un Claude prudent, qui revérifiait ses gains et préférait les méthodes connues, en lui imposant plusieurs pistes en parallèle.

🔗 Le billet d’Anthropic · L’article sur arXiv

Google DeepMind cherche de nouveaux peptides antimicrobiens avec Antigravity et y ajoute une visionneuse 3D

15 octobre — Google DeepMind montre comment Antigravity, sa plateforme de développement agentique, peut servir d’établi scientifique (agentic science workbench). Dans la session décrite, un biologiste fixe l’objectif, trouver et valider par le calcul de nouveaux peptides antimicrobiens chez Streptococcus pseudopneumoniae, et l’agent orchestre bases de données, analyse structurale et synthèse de la littérature. Il s’appuie sur ProtNLM, un modèle Google qui prédit la fonction d’une protéine à partir de sa séquence et annote des millions d’entrées UniProt non caractérisées.

L’agent retient une bactériocine de 97 acides aminés (UniProt A0A0U0D591), sans homologue significatif parmi les protéines revues de Swiss-Prot, dont le modèle AlphaFold se replie comme une bactériocine de structure connue. Il propose ensuite un mécanisme d’action tiré de la littérature et rédige un protocole de laboratoire. Ce candidat et plusieurs autres issus du même pipeline sont en validation en laboratoire : le billet parle d’une piste plausible, pas d’un résultat. Il rappelle que la résistance aux antimicrobiens pourrait causer environ 10 millions de décès par an d’ici 2050, selon une estimation.

Le billet introduit aussi le Biomolecular Structure Viewer, une visionneuse 3D intégrée à Antigravity que l’agent et le chercheur partagent : l’agent y met en évidence des régions pour illustrer ses hypothèses, et les annotations du chercheur, comme une note épinglée sur une poche de liaison, lui reviennent. Ni date ni conditions d’accès ne sont précisées.

🔗 Le billet de Google DeepMind · Antigravity pour la science

Des outils pour les chercheurs : Google ouvre Deep Review à tous, SAIR lance Open Math OS, OpenAI offre la Rosalind Academic Plan aux laboratoires américains

14 octobre — À l’occasion de Research@ 2026, Google Research ouvre au public Deep Review, un système d’IA agentique qui relit des documents techniques complexes et en vérifie le contenu : cohérence logique, énoncés mathématiques, faits ancrés dans les sources, comparaison avec les travaux existants et suggestions d’amélioration, les jugements de fond restant aux humains. Il succède au Paper Assistant Tool, testé avec STOC 2026, ICML 2026, NeurIPS 2026 et ICLR 2027 : les auteurs de plus de 16 000 manuscrits volontaires y ont reçu un retour privé avant la date limite, sans lien avec la relecture officielle des conférences.

L’accès est mondial, avec deux relectures gratuites par semaine ; une clé API Gemini ouvre des limites plus élevées et la Deep Review API. Le service accepte pour l’instant le PDF et le texte brut, vise aussi les Google Docs, les présentations, le droit et la finance, et Google s’engage à ne pas utiliser les documents pour entraîner ses modèles (ils sont conservés un an pour l’affichage). Google justifie l’outil par l’afflux de soumissions :

Année de soumission	Articles soumis à ICLR, NeurIPS et ICML
2023	environ 23 000
2024	environ 32 000
2025	environ 45 000
2026	plus de 74 000

Le même jour, l’agent Geospatial Reasoning de Google Earth AI a reçu un rapport technique, deux nouveaux benchmarks publiés pour les chercheurs (GeoKTools et GeoExpertQueries) et un accès expérimental élargi via Ask Google Earth et un service Agent-to-Agent (A2A).

🔗 Le billet de Google Research · Research@ 2026 sur le blog de Google · Le billet sur l’agent Geospatial Reasoning

Open Math OS : la fondation SAIR lance une plateforme de recherche mathématique sur modèles ouverts

16 octobre — La fondation SAIR lance Open Math OS, qu’elle présente comme l’infrastructure des « mathématiques 2.0 », un mois après avoir annoncé l’initiative Open Math Model. Hugging Face, Lean, l’EPFL et @cscsch sont partenaires de lancement, et Thomas Wolf, qui a cofondé Hugging Face, a relayé l’annonce. Chaque projet dispose d’une machine cloud disponible 24 heures sur 24, avec plus de 100 outils mathématiques et scientifiques préinstallés ; le calcul est gratuit pour les équipes acceptées, sur candidature.

Le mathématicien y choisit un modèle ouvert (Kimi K3, DeepSeek V4.1 Flash, GLM 5.3 ou Nemotron 3 dans l’interface présentée) et peut lancer le mode Ultramath, où plusieurs agents explorent en parallèle des pistes différentes d’un même problème ; la démonstration du site montre une preuve vérifiée en Lean puis intégrée à un article en LaTeX. Les projets sont privés par défaut, l’entraînement sur les travaux exige le consentement explicite des auteurs, et ceux-ci gardent la propriété et le crédit de leurs idées.

🔗 Le fil de SAIR · Le site Open Math Model

Rosalind Academic Plan : jusqu’à 30 licences ChatGPT gratuites pendant 12 mois pour les laboratoires universitaires américains

15 octobre — OpenAI lance la Rosalind Academic Plan, une offre destinée aux laboratoires universitaires de sciences du vivant, réservée pour l’instant aux universités américaines.

Avantage de l’offre	Condition associée
Jusqu’à 30 licences ChatGPT Business Standard	0 dollar par utilisateur et par mois, 12 mois au plus
Modèles de pointe disponibles commercialement	dans les limites d’usage de l’offre
GPT-Rosalind et Rosalind Workbench	après approbation de l’accès de confiance (trusted access)
Données de recherche partagées	non utilisées par défaut pour l’entraînement

Rosalind Workbench orchestre des outils de chimie médicinale, de génomique et d’assistance aux expériences. Le chercheur principal ou le responsable du laboratoire dépose la demande au nom de son équipe ; une candidature ne donne pas d’accès immédiat, et les universités déjà sous contrat OpenAI Enterprise passent par leur propre processus. OpenAI vise sept domaines, de la conception de médicaments et de protéines à la résistance aux antimicrobiens, et cite les travaux du laboratoire Zhao (UCSF), du laboratoire Bourdenx et de l’équipe de Brian Hie (Stanford et Arc Institute). GPT-Rosalind, lancé le 16 avril, est disponible en accès de confiance via l’API, Codex et ChatGPT Enterprise depuis le 11 septembre.

🔗 Le billet d’OpenAI · Le fil d’OpenAI

Gemini 4 Argon : quatre agents battent Minecraft en 27 heures, Perplexity l’ouvre à ses abonnés Pro et Max et dans son Agent API

16 octobre — Quatre agents Gemini 4 Argon ont terminé Minecraft en partant de zéro : dans un monde de survie aléatoire, en mode Easy et avec des monstres hostiles, ils ont vaincu l’Ender Dragon au bout de 27 heures et 2 783 programmes. Maxence Faldor raconte l’expérience dans un X Article relayé par @GoogleDeepMind, et la détaille avec Satinder Singh et Roberta Raileanu dans un rapport technique sur arXiv. Ce sont les agents de code généralistes d’Argon, ceux que les ingénieurs utilisent au quotidien : aucun outil propre à Minecraft, aucun rôle assigné.

Les agents ne voient aucune image et n’appuient sur aucune touche : chacun pilote un joueur en écrivant de courts programmes pour la bibliothèque open source Mineflayer, lit leur sortie et se coordonne avec les autres par le chat du jeu et une mémoire partagée. Dix minutes après le départ, ils s’étaient réparti le travail (outils, nourriture, diamants, portail). Pour trouver la forteresse, l’un d’eux a lancé deux objets depuis deux endroits et calculé l’intersection de leurs trajectoires, à 43 mètres près pour une forteresse située à 1,3 kilomètre. Le combat final leur a coûté 69 réapparitions : au bout d’environ 21 heures de partie, un agent a compris que les cristaux soignaient le dragon et qu’une pile de terre suffisait pour les atteindre.

Mesure de l’expérience	Valeur relevée
Durée jusqu’à la victoire	27 h 14 min
Programmes écrits	2 783, dont 22 % terminés en erreur
Messages de chat	229
Réapparitions au total	605, dont 69 face au dragon

Un cinquième agent, l’Observer, surveillait la partie pour repérer toute triche ou tout contournement de spécification (specification gaming) : ni lui ni la revue manuelle d’un échantillon des journaux n’en ont trouvé. Les auteurs reconnaissent les limites de l’expérience : le monde est lu par une API qui livre la position exacte des blocs et des créatures, et un plugin calcule les trajets. Il s’agit d’une expérience de recherche indépendante, ni jalon officiel de Minecraft, ni approuvée par Mojang ou Microsoft.

🔗 L’article de Maxence Faldor · Le relais de Google DeepMind · Le rapport technique sur arXiv

Perplexity ouvre Gemini 4 Argon à ses abonnés Pro et Max, avec un record de 0,802 sur WANDR

16 octobre — Perplexity ajoute Gemini 4 Argon, en disponibilité générale chez Google depuis le 13 octobre, pour ses abonnés Pro et Max. L’annonce tient en un tweet et un graphique : sur WANDR, son banc d’essai maison de recherche documentée, Argon obtient 0,802 pour 7,88 dollars par tâche, le meilleur score du graphique.

Modèle évalué	Score WANDR	Coût par tâche
Gemini 4 Argon	0,802	7,88 dollars
GPT-6 Astra	0,735	13,34 dollars
GPT-6.1 Sol	0,654	3,70 dollars
Claude Opus 5.5	0,647	3,69 dollars
Claude Fable 5.1	0,601	12,76 dollars
GPT-6 Sol	0,566	2,23 dollars
Claude Sonnet 5.5	0,550	2,73 dollars
Grok 4.7	0,528	9,30 dollars
DeepSeek V4 Pro 0813	0,359	0,75 dollar

Côté développeurs, le changelog de l’API indique depuis le 15 octobre au soir que l’Agent API accepte google/gemini-4-argon, au tarif d’introduction en vigueur jusqu’au 30 novembre 2026 : 2 dollars par million de tokens en entrée, 0,10 dollar en cache et 10 dollars en sortie, tokens de raisonnement compris.

🔗 L’annonce de Perplexity · Les modèles de l’Agent API

Agents grand public : GPT-6 Astra Pro répartit une tâche entre plusieurs agents dans ChatGPT, Grok Bot va trois fois plus vite et se branche sur Robinhood, Coinbase et eToro

16 octobre — OpenAI met à jour GPT-6 Astra Pro dans ChatGPT : des réponses plus rapides, une meilleure utilisation des plugins et des outils et, surtout, plusieurs agents qui traitent en parallèle différentes parties d’une même tâche. L’utilisateur suit la progression de chacun et ouvre les tâches terminées pour relire leur travail. La fonction est disponible pour les abonnés Pro, dans l’onglet Chat.

OpenAI ne donne ni gain de vitesse chiffré ni benchmark, et ni les notes de version de ChatGPT ni celles des modèles ne mentionnaient encore la mise à jour le 16 au soir. Le tweet, publié à 20 h 00 UTC sous le nom « GPT-6 Pro », a été corrigé 27 minutes plus tard en « GPT-6 Astra Pro » ; depuis le passage de GPT-6 à tous les utilisateurs, le 7 octobre, l’effort Pro de ChatGPT repose sur GPT-6 Pro (Astra). Le travail à plusieurs agents était jusqu’ici présenté en bêta pour GPT-6.1 Sol, depuis le 29 septembre.

🔗 L’annonce d’OpenAI

Grok Bot termine ses tâches sur ordinateur trois fois plus vite, lit X Chat et se connecte à Robinhood, Coinbase et eToro

16 octobre — Grok Bot, l’agent de SpaceXSI qui se connecte aux outils de ses utilisateurs, détaille ses nouveautés dans un fil de dix messages, sans billet sur x.ai. La principale porte sur la vitesse : selon le compte @bot, les tâches sur ordinateur se terminent en moyenne trois fois plus vite, et les réponses à tout le reste arrivent en moins de la moitié du temps.

Domaine concerné	Nouveauté annoncée
Vitesse	tâches sur ordinateur trois fois plus rapides en moyenne, autres réponses en moins de la moitié du temps
Voix	appels plus rapides, plus fiables, meilleure mémoire des conversations passées
Interface	cartes du chat redessinées, nouvelle police, thèmes, notifications sur le seul appareil utilisé
E-mail	alias « plus » pour réserver une routine au courrier envoyé à une adresse donnée
X	une mention de @bot dans un post lance une tâche ; lecture de X Chat une fois le compte X connecté
Connecteurs	Robinhood, Coinbase, Trello, PostHog, beehiiv et eToro, entre autres

Les équipes peuvent aussi soumettre leurs propres connecteurs : un formulaire de x.ai propose de distribuer un plugin ou un serveur MCP aux utilisateurs de Grok Bot et de Cursor, et bientôt de Grok, après relecture pour la marketplace.

🔗 Le fil de Grok Bot · Le formulaire de soumission de plugins

Médias génératifs : des voix créées sur description pour GPT-Live, Pika dans ChatGPT, Ideogram 4.5 de 0,8 à 22 cents par image, Mirelo SFX 2.0 dans Runway

16 octobre — L’API de GPT-Live ouvre à tous ses clients la création de voix à partir d’une description (prompt-to-voice) : une voix personnalisée se décrit en texte, depuis l’API ou le Playground voix, puis se réutilise dans les sessions GPT-Live. Sa création est gratuite, la parole générée est facturée au tarif habituel des sessions, et ces voix ne fonctionnent qu’avec GPT-Live, pas avec l’API Text to Speech, la Realtime API ni Chat Completions. Aucun enregistrement de référence ni de consentement n’est demandé, mais OpenAI impose des voix d’adultes, interdit l’usurpation d’identité et demande de signaler que la parole est générée par IA ; deux clients peuvent obtenir des voix proches.

Neuf voix prédéfinies, enregistrées selon @OpenAIDevs avec des comédiens de langue maternelle, rejoignent aussi GPT-Live :

Langue parlée	Voix ajoutées
Allemand	Nuri, Juni et Flitz
Français	Brise et Sillage
Hindi	Nira
Japonais	Harema et Shida
Coréen	Noeul

La veille, le changelog ajoutait une intégration native de l’API Decisions dans GPT-Live : l’application agit pendant que l’utilisateur parle, soit parce que Live appelle Decisions directement (délégation native), soit parce que Live prévient l’application, qui interroge alors Decisions (délégation personnalisée), et les décisions peuvent se déclencher sur les fragments de transcription. Le guide prend l’exemple d’un assistant vocal de voiture qui règle la température ou le désembuage. Ces nouveautés concernent gpt-live-1 : GPT-Live-1.1, déployé le 15 octobre dans ChatGPT, n’apparaît pas encore dans le changelog de l’API.

🔗 Le fil d’OpenAI Developers · Le guide des voix personnalisées · Le guide de l’API Decisions avec la voix

Pika installe ses outils de création dans ChatGPT, avec un plugin conçu en partenariat avec OpenAI

16 octobre — Pika annonce, en partenariat avec OpenAI, une extension de plugin Pika × ChatGPT (Pika X ChatGPT plugin extension) qui installe ses outils de création dans la conversation et le panneau latéral de ChatGPT. On y règle les options des outils, les préréglages visuels et les générations sans quitter l’échange, ou l’on ouvre une fenêtre Pika plus immersive dans laquelle ChatGPT travaille avec l’utilisateur. Pika y amène, selon son fil, plus de 40 applications d’image, de son et de vidéo et plus de 100 modèles de génération ; la fiche du plugin liste 13 skills, de la publicité produit au podcast, et un parcours d’accueil qui fixe la façon dont Pika demande avant de dépenser des crédits.

Pika ajoute 250 crédits à chaque compte après la première génération faite via le plugin, et ne publie aucun tarif propre au plugin. OpenAI avait présenté les extensions de plugins de ChatGPT le 7 octobre, avec Adobe, Canva, Figma et Shopify parmi les premiers.

🔗 Le fil de Pika · La fiche du plugin Pika dans ChatGPT

Ideogram 4.5 se décline en quatre modes de qualité, de 0,8 à 22 cents par image

15 octobre — Ideogram détaille la gamme tarifaire d’Ideogram 4.5, son modèle d’édition d’image lancé le 30 septembre : quatre modes de qualité, de 0,8 à 22 cents par image, tous en 2K natif. Le plus économique, Very Low, retouche une image en 8 secondes pour 0,8 cent, sans accumulation d’artefacts d’une édition à l’autre. Selon Ideogram, qui s’appuie sur Design Arena, ce mode repousse la frontière de Pareto de l’édition d’image en prix comme en vitesse : chaque modèle mieux noté coûte plus cher et tourne plus lentement. Design Arena le classe 23e de son Image Editing Arena, avec un Elo de 1189.

Ideogram ne détaille pas les prix des deux modes intermédiaires. Interrogé sur les poids ouverts promis au lancement, le compte d’Ideogram répond qu’il y travaille, sans date.

🔗 Le fil d’Ideogram

Runway intègre Mirelo SFX 2.0, qui sonorise une vidéo en préservant les dialogues

16 octobre — Runway ajoute à sa plateforme Mirelo SFX 2.0, un modèle qui compose automatiquement l’habillage sonore d’une vidéo (sound design) : il génère des ambiances complètes à partir des images, synchronisées à chacune d’elles, tout en laissant les dialogues intacts. Interrogé sur une limite de durée, Runway répond que cela fonctionne sur des clips de n’importe quelle longueur. Ni tarif ni coût en crédits ne sont publiés, le changelog de Runway ne mentionne pas encore le modèle, et Mirelo n’a pas publié d’annonce de son côté. Après Eleven v4 d’ElevenLabs fin septembre, Runway continue d’ajouter des modèles audio tiers à côté de ses modèles vidéo.

🔗 L’annonce de Runway · La réponse sur la durée des clips

Agents de code : l’équipe Claude Code détaille sa revue de code, Codex CLI 0.163.0, canevas et Muse Wonder dans Cursor, Gemini CLI renvoie vers Antigravity CLI

16 octobre — L’équipe Claude Code explique sur claude.dev comment elle relit son propre code, alors que Claude en écrit environ 90 %. Le billet d’Addy Osmani, Morgan Westlee Lunt et Qing Wang avance deux chiffres : de juin à septembre, les pull requests fusionnées ont plus que doublé, et la part de celles qu’il a fallu annuler a baissé de plus de 40 %. L’objectif est que la plupart des pull requests fusionnent avec au plus un humain dans la boucle, qui peut être leur auteur.

Chaque changement traverse plusieurs couches : vérification par Claude avant la pull request (tests, compilation, analyse statique, puis relecture du diff par un second agent en contexte neuf), CI, Code Review, revue de sécurité bloquante, file de fusion (merge queue) et publication progressive. Un classifieur fixe le niveau de risque à partir du changement, pas de l’auteur : aucune approbation humaine pour la documentation ou un ajout derrière un drapeau, une personne pour un changement produit ordinaire ou une zone sensible comme le cache ou les prompts système, deux pour le plus risqué. L’approbation d’un agent ne vaut jamais celle d’une personne. Pendant l’aperçu de recherche de Code Review, la part des pull requests internes recevant des commentaires de fond était déjà passée de 16 % à 54 %.

Le billet chiffre aussi un problème propre aux agents, la revue qui ne converge pas : une pull request de la CLI avait enchaîné plus de cinquante tours en une nuit. Avec un plafond de trois tours, une relecture limitée au nouveau diff et des signalements par classe de bug, la revue converge plus vite :

Indicateur (pull requests internes de Claude Code)	Avant les changements	Après les changements
Validées après un seul tour de revue et de correction	65 %	78 %
Demandant cinq tours ou plus	8,9 %	1,5 %
Nombre moyen de revues avant validation	2,08	1,32

Le billet se termine par une liste de mise en œuvre : un CLAUDE.md court, /code-review et /security-review en local, un fichier REVIEW.md écrit par les responsables du code, des niveaux de risque écrits, une file de fusion et les incidents passés rejoués chaque jour comme jeu d’évaluation.

🔗 Le billet de l’équipe Claude Code · Le relais de @ClaudeDevs

Codex CLI 0.163.0 : pilotage pendant la réponse, recherche dans /config et Daybreak activé par défaut

15 octobre — OpenAI publie Codex CLI 0.163.0 à 21 h 30 UTC, première version stable depuis la 0.162.1 du 9 octobre, avec 227 entrées depuis la 0.162.0. Daybreak, placé derrière l’option cli_daybreak par la 0.161.0 du 7 octobre, est désormais activé par défaut pour les comptes éligibles, et codex exec peut le sélectionner avec une clé API OpenAI quand le serveur ouvre l’accès.

Domaine concerné	Changement apporté par la 0.163.0
Pilotage	un message de suivi envoyé pendant la réponse oriente Codex aussitôt ; interrompre un tour arrête aussi les cellules Code Mode actives
Commande `/config`	recherche des préférences dans toutes les catégories, réglages compatibles appliqués tout de suite
Commande `/keymap`	touche leader configurable (Ctrl+X par défaut) ; la coupure du son de la voix passe sur F9
Commande `/daemon`	redémarrage du serveur d’arrière-plan géré, puis reconnexion automatique
Outils	outils en lecture seule indépendants exécutés en parallèle
Proxy réseau	permission vérifiée avant la résolution DNS, en-têtes `Host` dupliqués rejetés

La reprise d’un fil restaure aussi ses permissions et ses approbations réseau, et Codex n’embarque plus de zsh modifié : il passe par son exécuteur de shell standard.

🔗 Les notes de version de Codex CLI 0.163.0

Cursor : les agents cloud construisent des canevas partageables, l’API Environments passe en bêta, Muse Wonder de Meta atteint 46,1 % sur CursorBench

16 octobre — Les agents cloud de Cursor savent désormais construire des canevas (canvases) interactifs : on leur demande un tableau de bord ou un rapport pendant qu’ils travaillent, puis on partage le canevas terminé avec son équipe par un lien. L’API Environments passe en bêta : elle crée et gère par programmation les environnements de ces agents, dépôts clonés et configuration environment.json compris. Un environnement accepte désormais jusqu’à 500 dépôts, et les grands environnements multi-dépôts démarrent 5 fois plus vite, selon Cursor. L’entrée de changelog citée par le fil n’était pas encore en ligne le 16 au soir, si bien que ni les formules concernées, ni le tarif, ni la date de sortie de bêta ne sont connus.

15 octobre — Trois jours après son lancement par Meta, Muse Wonder arrive dans Cursor, à 4 dollars par million de tokens en entrée et 20 en sortie, comme sur l’API de Meta. Cursor met en avant 46,1 % sur CursorBench à l’effort par défaut, le meilleur score d’un modèle Muse ; le classement public CursorBench 4.0 détaille les autres niveaux d’effort.

Modèle et niveau d’effort	Score CursorBench 4.0	Coût par tâche	Rang au classement
Claude Opus 5.5 Max	57,8 %	13,43 dollars	1er
Muse Wonder Max	50,4 %	5,25 dollars	12e
Muse Wonder Extra High	48,2 %	4,24 dollars	15e
Muse Wonder High	46,1 %	3,51 dollars	21e
Muse Wonder Medium	45,2 %	2,82 dollars	22e
Muse Wonder Low	41,7 %	1,91 dollar	32e
Muse Spark 1.3 Max	41,6 %	2,64 dollars	34e

🔗 Le fil de Cursor sur les agents cloud · Muse Wonder dans Cursor · Le classement CursorBench

Gemini CLI se déclare non optimisé pour Gemini 4 Argon et renvoie vers Antigravity CLI

16 octobre — Google a ajouté dans la nuit un avertissement en tête du README de Gemini CLI. L’encadré rappelle que, pour les utilisateurs du palier gratuit et de Google One, Gemini CLI a été remplacé par Antigravity CLI le 18 juin 2026, puis précise en gras, avant d’inviter à passer par Antigravity pour utiliser Argon :

Gemini CLI has not been optimized for Gemini 4 Argon.

🇫🇷 Gemini CLI n’a pas été optimisé pour Gemini 4 Argon. — README de Gemini CLI, pull request 29774

Une seconde modification, fusionnée un peu plus d’une heure plus tard, élargit le message à tous les derniers modèles Gemini et renvoie vers Antigravity CLI pour la meilleure expérience de code. Le README perd au passage ses arguments historiques : la section « Why Gemini CLI? » et son palier gratuit de 60 requêtes par minute et 1 000 par jour, les capacités avancées et l’intégration GitHub ; la connexion avec un compte Google ne vise plus que les licences Code Assist payantes d’organisation.

Ces encadrés prolongent la transition annoncée le 19 mai : depuis le 18 juin, Gemini CLI reste proposé aux licences Code Assist Standard et Enterprise et aux clés API payantes, avec la promesse d’un accès aux derniers modèles Gemini. Trois jours après la disponibilité générale d’Argon, la proposition communautaire qui l’ajoute au sélecteur de Gemini CLI (pull request 29737) n’est toujours pas fusionnée.

🔗 La pull request 29775, qui nettoie le README · Le billet du 19 mai sur la transition vers Antigravity CLI

Brèves

Agents et outils de code

Amp montre le bureau de ses runners — Depuis un fil, on voit et contrôle désormais le bureau d’un runner macOS ou Linux, par exemple pour essayer une application iOS construite par Amp, depuis un navigateur ou les applications iPhone et iPad ; toute personne qui peut écrire dans un fil du runner contrôle aussi son bureau. 🔗 source
v0 — Les fichiers trop lourds pour l’aperçu se téléchargent depuis l’onglet Code, l’application iOS gagne des sélecteurs de skills et de design system ainsi que des pièces jointes vidéo, et les requêtes Gemini 4 n’échouent plus aux niveaux d’effort élevés. 🔗 source
Copilot CLI en préversion — Trois préversions dans la journée (1.0.99-2, 1.0.99-3 et 1.0.100-0), sans version stable : la recherche sémantique de code devient le réglage par défaut des sessions en ligne, l’option --disable-client-telemetry coupe la télémétrie client, et un serveur MCP figé ne bloque plus la session. 🔗 source
Copilot dans Slack et Teams — @GitHub travaille désormais sur plusieurs dépôts dans une même conversation : pull requests ouvertes ou fusionnées, enquête qui touche à la fois le frontend et le backend, résumé d’activité ; les messages et fils Slack partagés servent de contexte. 🔗 source
Qwen Code v0.25.3-preview.0 — Au lendemain de la stable v0.25.2, une préversion de 64 entrées place QwenCloud en tête de /auth, donne au Managed Agent un accès complet au Shell avec bascule des approbations, et affiche en direct les trajectoires dans le Web Shell. 🔗 source
Gemini CLI, nightly 0.66.0 — Première nightly de la série, avec neuf correctifs : sortie synchronisée contre le scintillement sous tmux, invites Git qui figeaient l’interface, variables .env enfin résolues dans les réglages MCP et fichiers SKILL.md à description sur une ligne ; stable et preview inchangées. 🔗 source
DeepSeek Harness 0.2.1-alpha.5 — 29e préversion sans version stable : quatre correctifs (menu des skills après l’activation d’un plugin, terminaux redondants, consignes du mode PTC, touche Page Up sous Windows et Linux) et un emplacement qui permet aux plugins de renommer les modèles par fournisseur. 🔗 source

ChatGPT, Claude et l’IA en entreprise

ChatGPT Sites pour Enterprise — @OpenAIDevs annonce la disponibilité générale pour Enterprise, avec résidence des données aux États-Unis ou dans l’UE pour les nouveaux Sites, domaines vérifiés et tunnels privés vers les API internes ; les notes Enterprise parlent d’une préversion administrateur en cours de déploiement, et Plus et Pro perdent leur limite fixe de Sites. 🔗 source
ChatGPT Slides se déploie — Annoncées au DevDay du 29 septembre, les présentations collaboratives arrivent dans Space pour les abonnés Pro, Business et Enterprise éligibles, avec co-édition en temps réel, présentation depuis ChatGPT et export vers PowerPoint, PDF ou Google Slides. 🔗 source
Stack Overflow for Agents — Selon une étude de cas d’OpenAI, deux ingénieurs ont livré le produit en quelques semaines avec Codex ; son plugin ChatGPT a triplé les inscriptions du jour au lendemain, et un connecteur de Stack Internal se construit en 4 jours au lieu de 3 à 6 semaines. 🔗 source
Sullivan & Cromwell — Le cabinet d’avocats a bâti avec OpenAI Agreement Analyzer, prototypé avec Codex au sein du cabinet par John Savva, qui rend sur un projet de contrat un mémorandum et des modifications proposées que l’avocat relit ; l’étude ne donne aucun chiffre de gain. 🔗 source
Les agents d’un commercial d’Anthropic — Shahboz Ibragimov, de l’équipe Japon, décrit six agents sur Claude Managed Agents (tri des prospects, Salesforce, réponses en japonais ou en anglais, comptes rendus), Claude Tag pour les suivis, Sonnet ou Opus selon le jugement requis ; environ 60 heures de travail épargnées d’après son journal hebdomadaire. 🔗 source
American Forge — Cognition et le National Design Studio lancent une résidence de six mois qui intègre des ingénieurs au gouvernement américain, dont le billet chiffre à plus de 29 000 les sites web fédéraux anciens ou obsolètes ; candidatures ouvertes, sans rémunération ni nombre de places précisés. 🔗 source

Voix et vidéo générées

HeyGen Video 1 dans le MCP de HeyGen — On décrit la vidéo voulue à son agent (ChatGPT, Claude, Claude Code ou Cursor) et elle revient prête à publier, en quelques secondes selon HeyGen ; les rendus sont décomptés des crédits du forfait. 🔗 source
NTT Docomo Business et ElevenAgents — L’opérateur teste à Aizuwakamatsu (Fukushima) son assistant vocal CONN, bâti sur ElevenAgents, pour informer et faire converser les habitants âgés que la neige empêche de sortir ; retours jugés positifs, sans chiffre. 🔗 source
Certifications d’ElevenLabs — ElevenLabs renouvelle ses certifications ISO/IEC 27001, 27701, 42001, 27017 et 27018, SOC 2 Type II et PCI DSS niveau 1, et ajoute un SOC 2 Type I pour ElevenProductions. 🔗 source

Modèles, bancs d’essai et recherche

Mistral Large 4 sur STEMBench — Mistral met en avant le banc scientifique d’Ulam, où son modèle obtient 2,501 sur 4 sans outils (2,602 en ingénierie, 2,597 en astronomie) : 6e sur 10 configurations et 4e sans outils, derrière Muse Wonder, Claude Opus 5.5 et Hy4 Preview ; les deux premiers, GPT-6 Astra xhigh et GPT-6.1 Sol, tournaient avec outils dans Codex. 🔗 source
Jebadiah v2.1 — Deux modèles de décision ouverts de 27B et 9B, publiés le 10 octobre sous Apache-2.0, obtiennent 55,94 (35e) et 44,91 (74e) sur 168 au Decision Index, derrière Jev 1.13 (60,11). 🔗 source
Nemotron 3.5 Super VL et les graphiques — Selon Thoughtworks, un LoRA entraîné 3,3 heures sur 24 000 graphiques générés fait passer un point de contrôle préliminaire du modèle de 16,96 % à 78,13 % sur 224 questions de CharXiv, au prix d’une perte nette de 104 questions ailleurs. 🔗 source
Arc Pro B65 d’Intel — Un banc communautaire sous llama.cpp mesure SYCL avec flash attention 31,2 % plus rapide que Vulkan en préremplissage sur trois modèles d’environ 30B en 4 bits : premier token d’un prompt d’environ 16 000 tokens en 20,5 secondes au lieu de 42 pour deux d’entre eux. 🔗 source
TB-Lite Verified — Hugging Face met en ligne, sans annonce, une version corrigée du banc OpenThoughts-TBLite pour agents de terminal : cinq tâches défectueuses retirées sur 100, une notation plafonnée à 0,997 corrigée, aucun score publié. 🔗 source
AutoIllustrate de Sakana AI — En rattrapage du 14 octobre, un outil en ligne de commande sous Apache-2.0 transforme la section « méthodes » d’un article en figure draw.io éditable, puis en PNG restylé ; il a servi aux figures de The Agentic Scientist. 🔗 source
La complaisance des LLM selon Meta — facebookresearch publie, sans annonce, les prompts et grilles de notation de l’article « From Preference Data to Personalization », qui classe les réponses en sept types, de la contestation franche à la validation explicite ; ni modèle ni chiffre. 🔗 source
Anthropic et la Simons Foundation — Anthropic engage 5 millions de dollars en financement, calcul et accès à Claude pour les mathématiciens, gérés par la Simons Foundation ; avec la fondation et OpenAI, qui y consacre aussi 5 millions de dollars, l’enveloppe atteint 15 millions de dollars selon la Simons Foundation, attribués notamment par appel à propositions. 🔗 source

Guides et distinctions

La sécurité des LLM selon Perplexity — Un guide parcourt les dix risques de l’OWASP Top 10 for LLM Applications 2026, avec un incident et des défenses pour chacun, et rappelle les protections de Perplexity (bac à sable de Computer, BrowseSafe pour Comet, rétention nulle chez les fournisseurs tiers) ; aucune fonctionnalité nouvelle. 🔗 source
Étudier avec l’IA — Perplexity publie cinq méthodes appuyées sur la recherche (se faire interroger, espacer, réexpliquer, alterner, suivre ses progrès) et cite Gallup et la Lumina Foundation : 57 % des étudiants américains utilisent l’IA chaque semaine pour leurs cours. 🔗 source
Deux inventions de l’année pour TIME — Le magazine classe parmi ses meilleures inventions de 2026 Omnilingual ASR de Meta, une reconnaissance vocale pour plus de 1 600 langues, et NemoClaw de NVIDIA, un agent autonome confiné dans un bac à sable. 🔗 Meta · 🔗 NVIDIA

GitHub : licences, runners et accès

Conformité des licences open source — Disponibilité générale pour GitHub Enterprise Cloud avec Code Security : une politique de licences d’entreprise s’impose aux pull requests par un jeu de règles, et un nouvel endpoint permet aux agents de code de vérifier qu’un paquet la respecte. 🔗 source
Image Xcode 27 — Hors IA, l’image de runner Xcode 27 de GitHub Actions (macOS 27, Apple Silicon uniquement) passe en disponibilité générale, avec les libellés xcode-27 et xcode-27-xlarge inchangés. 🔗 source
Evergreen — Hors IA, GitHub présente la GitHub App qui révoque chaque trimestre les accès des collaborateurs externes non confirmés et archive, sans jamais les supprimer, les dépôts inactifs d’une organisation partagée de plus de 1 400 salariés. 🔗 source

Ce que ça signifie

Les courbes elliptiques ont occupé deux billets d’Anthropic le même jour, par les deux bouts. Côté passé, Claude retrouve le générateur et les horodatages derrière les graines du NIST : rien n’est cassé, Anthropic le répète, mais une manipulation devient beaucoup moins plausible, et chacun peut rejouer le résultat avec le code publié sous CC0. Côté avenir, Claude Mythos 5 trouve un circuit d’addition de points sur courbe elliptique qui demande 17 fois moins de portes pour 12 % de qubits en plus, brique centrale des algorithmes quantiques qui calculeraient le logarithme discret sur les courbes elliptiques, le problème dont dépend la sécurité d’ECDSA. Anthropic en tire que des ordinateurs quantiques utiles pourraient arriver plus tôt que prévu : la confiance dans la fabrication de ces courbes progresse au moment où baisse le coût estimé des circuits quantiques qui pourraient un jour les menacer.

Dans les laboratoires, les agents travaillent plus longtemps seuls, et la vérification devient la condition de leur crédibilité. Claude Mythos 5 a tourné 53 heures face à un évaluateur automatique, avec une preuve formalisée en Lean ; les agents Argon ont joué plus de 27 heures sous la surveillance d’un Observer chargé de repérer la triche ; l’agent d’Antigravity rédige un protocole, mais sa bactériocine attend encore la validation en laboratoire. Les outils pour chercheurs suivent la même logique : Deep Review vérifie énoncés et cohérence avant soumission, Open Math OS s’appuie sur Lean et garde les projets privés par défaut, et la Rosalind Academic Plan n’ouvre GPT-Rosalind qu’après une approbation d’accès de confiance.

Côté modèles ouverts, la licence redevient un argument. Au lendemain de Muse Spark Open, publié sous la Muse Model License aux conditions commerciales limitées, Beam arrive sous Apache 2.0, avec plus de 40 partenaires dès le premier jour, un point de contrôle NVFP4 et le harnais qui a servi à l’entraîner. Les formats plus petits adoptent la même licence et visent l’efficacité : le plus petit Bonsai 2 tient en 0,43 Go et tourne sur un téléphone, et les modèles de décision se structurent en catégorie, avec pplx-decider-v1.2 et sa version Flash à 0,02 et 0,01 dollar par million de tokens, les adaptateurs de Granite Switch 4.1 qui réutilisent le cache du modèle de base et un classement commun, le Decision Index.

Le harnais compte désormais autant que le modèle. Reflection livre Beam avec Mirror CLI, Google renvoie les utilisateurs d’Argon vers Antigravity CLI plutôt que vers Gemini CLI, et l’équipe Claude Code relie ses fusions doublées à la refonte de sa chaîne de revue, où un classifieur décide du nombre d’humains requis. Côté grand public, les agents gagnent en portée : GPT-6 Astra Pro répartit une tâche entre plusieurs agents, Grok Bot se branche sur Robinhood, Coinbase et eToro, et les plugins de ChatGPT deviennent un canal de distribution, des outils de Pika aux inscriptions triplées de Stack Overflow for Agents.