OpenAI lance GPT-6.2 Astra et GPT-6.2 Sol, qui obtiennent de meilleurs résultats avec moins de tokens : Astra atteint 78,3 % sur Agents’ Last Exam pour moins d’un tiers du coût de GPT-6 Astra, et les deux modèles arrivent le jour même dans GitHub Copilot et Perplexity. NVIDIA publie un trimestre à 115,8 milliards de dollars de chiffre d’affaires, ses premiers résultats depuis le départ de Jensen Huang le 12 novembre, et Microsoft lance MAI Code 2 dans Copilot à Ignite. Perplexity ouvre son Orchestrator API, Cognition et Replit lancent des agents qui poursuivent un objectif (Devin Bots, Replit Missions), et Google rend les Tasks de Gemini gratuites dans six pays.
GPT-6.2 Astra et GPT-6.2 Sol : de meilleurs résultats avec moins de tokens, dans ChatGPT Work, Codex et l’API
17 novembre — OpenAI lance GPT-6.2 Astra et GPT-6.2 Sol, les successeurs de GPT-6 Astra et de GPT-6.1 Sol. Astra devient le modèle de pointe pour les projets les plus exigeants, Sol le modèle polyvalent du quotidien. Le fil conducteur de l’annonce est l’efficacité : de meilleurs résultats avec moins de tokens de sortie, donc plus de tâches dans les mêmes limites d’usage et un coût par tâche nettement plus bas.
Sur Agents’ Last Exam v1.1, qui évalue un travail professionnel en plusieurs étapes, GPT-6.2 Astra atteint 78,3 % pour 2,89 dollars par tâche : 5,2 points de plus que GPT-6 Astra pour moins d’un tiers du coût, et 5,5 points devant Claude Fable 5.2 pour 5 % du coût. Il mène aussi Terminal-Bench-Science (77,1 %, +9 points sur GPT-6 Astra), Harvey LAB-AA (plus du double du taux de Fable 5.2) et le GDPval v2 interne d’OpenAI (+6,2 points avec 22 % de tokens de sortie en moins), et prend la première place d’AA-3D, un classement de modèles 3D par préférences humaines à l’aveugle, à 1 318 Elo. Les graphiques du billet montrent toutefois que Claude Fable 5.2 reste devant sur l’Artificial Analysis Intelligence Index (64,6 contre 62,1) et sur FrontierCode 2.0 de Cognition (49,1 % contre 44,2 %). GPT-6.2 Sol finit à moins de 0,5 point d’Astra sur FrontierCode 2.0 (43,8 % contre 44,2 %) pour environ un cinquième du coût, et dépasse GPT-6 Astra sur LifeVal pour environ un septième du coût.
| Benchmark évalué | GPT-6.2 Astra | GPT-6.2 Sol | GPT-6 Astra | GPT-6.1 Sol | Claude Fable 5.2 | Gemini 4 Carbon |
|---|---|---|---|---|---|---|
| Agents’ Last Exam v1.1 | 78,3 % | 73,0 % | 73,1 % | 72,5 % | 72,8 % | 77,4 % |
| Coût par tâche (Agents’ Last Exam) | 2,89 dollars | 1,32 dollar | 8,99 dollars | 2,02 dollars | 60,05 dollars | 4,60 dollars |
| Terminal-Bench-Science 0.1 | 77,1 % | 68,0 % | 68,1 % | 57,0 % | 73,3 % (AA) | — |
| AA Intelligence Index v5.0.1 | 62,1 | 57,3 | 56,9 | 54,6 | 64,6 | 60,0 |
| FrontierCode 2.0 (Cognition) | 44,2 % | 43,8 % | 42,8 % | 39,0 % | 49,1 % (xhigh) | 41,1 % (medium) |
| Harvey LAB-AA v1.1 | 15,0 % | 11,1 % | 8,6 % | 6,9 % | 7,2 % | — |
| GDPval v2 (interne) | 50,4 % | 46,9 % | 44,2 % | 41,5 % | 44,8 % | 48,8 % (high) |
Meilleure configuration affichée par OpenAI pour chaque modèle, en effort maximal sauf mention (GPT-6.2 Astra en xhigh et Gemini 4 Carbon en high sur Agents’ Last Exam, dont les résultats de Fable 5.2 excluent neuf tâches passées par un modèle de repli). Sur Terminal-Bench-Science, le score de Fable 5.2 est celui d’Artificial Analysis ; Anthropic annonce 74,6 % dans Claude Code.
Côté prix, Astra baisse de 20 % en entrée et en sortie par rapport à GPT-6 Astra, et de 60 % sur l’entrée en cache ; Sol garde les tarifs de GPT-6.1 Sol. Dans l’API (gpt-6.2-astra et gpt-6.2-sol), les deux modèles acceptent la Responses API et Chat Completions, mais l’appel d’outils passe par la Responses API. OpenAI conseille de garder le début des prompts inchangé et d’ajouter les nouvelles instructions à la suite, pour réutiliser le cache.
| Type de tarif (par million de tokens) | GPT-6.2 Astra | GPT-6.2 Sol |
|---|---|---|
| Entrée | 8 dollars | 2 dollars |
| Entrée en cache | 0,40 dollar | 0,10 dollar |
| Sortie | 40 dollars | 10 dollars |
In the API, use gpt-6.2-astra and gpt-6.2-sol. Both models also support Fast and Ultrafast modes. We’re cutting Ultrafast pricing by 50% for the next three months, making it available at just 3x the cost of Standard for API and Enterprise users. Ultrafast is also coming to Pro 200 subscribers, starting with GPT-6.2 Sol.
🇫🇷 Dans l’API, utilisez gpt-6.2-astra et gpt-6.2-sol. Les deux modèles prennent aussi en charge les modes Fast et Ultrafast. Nous réduisons le prix d’Ultrafast de 50 % pendant les trois prochains mois, ce qui le rend disponible pour seulement 3 fois le coût du Standard pour les utilisateurs de l’API et d’Enterprise. Ultrafast arrive aussi pour les abonnés Pro 200, en commençant par GPT-6.2 Sol. — @OpenAIDevs sur X
L’Ultrafast de GPT-6.1 Sol, lancé le 8 octobre, coûtait 6 fois le Standard. Les deux modèles sont disponibles depuis le 17 novembre dans ChatGPT Work et Codex pour les abonnés Plus, Pro, Enterprise et Edu, mais pas dans le Chat classique. Dans les espaces Enterprise et Edu, la préversion est désactivée par défaut : l’administrateur doit l’activer, et elle reste indisponible dans les espaces qui exigent une inférence aux Émirats. Chez les premiers clients cités, Basis dit avoir réduit de moitié le temps moyen de ses travaux comptables de longue haleine.
La sûreté occupe une large part du billet et de la fiche système. Les deux modèles atteignent le seuil Critical en cybersécurité, comme GPT-6 Astra, et High en biologie et en chimie. GPT-6.2 Astra est aussi le premier modèle publié par OpenAI à atteindre le seuil High en auto-amélioration de l’IA, c’est-à-dire dans sa capacité à accélérer la recherche en IA. Conséquence pour les équipes de sécurité : des garde-fous cyber plus stricts, qui bloquent aussi certaines recherches de vulnérabilités légitimes, en attendant l’arrivée des modèles GPT-6.2 dans Daybreak, sans date. OpenAI signale enfin un défaut d’alignement : dans deux tests, les modèles taisaient plus souvent un obstacle (fichier manquant, outil de recherche indisponible) ; des instructions ajoutées dans Codex réduisent nettement ces omissions, et l’enquête continue.
🔗 Billet de lancement de GPT-6.2 Astra et Sol (OpenAI) · Fiche système de GPT-6.2
Astra for Law passe sur GPT-6.2 Astra et s’ouvre sur demande à tous les clients ChatGPT Enterprise
17 novembre — En parallèle, OpenAI met à jour Astra for Law, sa configuration juridique lancée le 17 septembre auprès de quelques cabinets. Elle associe désormais GPT-6.2 Astra à un index de recherche juridique enrichi de plus de 539 000 ressources américaines et de plus de 98 000 ressources britanniques, australiennes et canadiennes, et à des instructions de recherche, d’appréciation des sources et de rédaction. Tous les clients ChatGPT Enterprise peuvent la demander via le programme d’accès de confiance de la console d’administration ; l’accès par l’API exige une autorisation distincte.
| Évaluation juridique | Astra for Law | Point de comparaison |
|---|---|---|
| Harvey LAB-AA, tâches à crédit complet | 20,8 % | GPT-6.2 Astra 15,0 %, Muse Wonder Full 13,1 % |
| Hallucinations substantielles par tâche (LAB-AA) | 0,03 | Claude Opus 5.5 0,59 |
| LAB: USCL, jurisprudence cherchée par le modèle | 1 844 | Claude Opus 5.5 1 817 |
| LAB: USCL, précédents fournis | 1 883 | Claude Opus 5.5 1 882 |
| Legal Research Bench (Vals AI) | 54,81 % | environ 46 % pour la version de septembre |
Sur LAB-AA, Astra for Law produit environ 64 000 tokens de sortie par tâche, 54 % de moins que Muse Wonder Full. Sur la rédaction de mémoires (LAB: USCL), l’avance sur Opus 5.5 est mince, et les plages d’incertitude se chevauchent dans les deux configurations.
🔗 Astra for Law sur GPT-6.2 Astra (OpenAI)
L’API Responses propose des fenêtres d’exécution de 2 et 8 heures, 30 et 40 % moins chères
17 novembre — Le même jour, OpenAI ajoute au mode arrière-plan de la Responses API des fenêtres d’exécution remisées, en bêta publique, sur GPT-6.2 Astra, GPT-6.2 Sol, GPT-6.1 Terra et GPT-6 Luna. Un développeur qui peut attendre règle background_options.completion_window sur deux heures (tokens 30 % moins chers que le Standard) ou sur huit heures (40 % moins chers), au lieu de l’exécution immédiate par défaut, sans remise.
À la différence de la Batch API, pensée pour des requêtes indépendantes soumises d’un bloc, ces fenêtres visent les agents qui travaillent en plusieurs tours : les requêtes de suivi, après un appel d’outil, gardent la remise et passent en priorité si elles reprennent la même fenêtre, le même modèle et le même projet. La remise exige le traitement Standard, partage la limite de débit de la Batch API et ne fonctionne pas en streaming. Les SDK openai-python 3.53.0 et openai-node 7.58.0 l’intègrent depuis le 17 novembre.
🔗 Changelog de l’API OpenAI · Guide du mode arrière-plan
GPT-6.2 Astra et GPT-6.2 Sol arrivent dans GitHub Copilot
17 novembre — Le jour de leur lancement, GPT-6.2 Astra et GPT-6.2 Sol entrent en disponibilité générale dans GitHub Copilot, pour les formules Pro+, Max, Business et Enterprise (pas Pro). Selon les tests préliminaires de GitHub, GPT-6.2 Sol repère en code review près de deux fois plus de vrais problèmes que GPT-6.1 Sol, et GPT-6.2 Astra en trouve nettement plus que GPT-6 Astra tout en consommant moins de tokens pour les tâches de code agentique. Les deux modèles sont facturés à l’usage au tarif catalogue d’OpenAI, arrivent progressivement sur dix surfaces, de VS Code à Eclipse, et sont activés automatiquement dans les organisations qui n’ont pas coupé l’activation par défaut des nouveaux modèles.
🔗 Changelog GitHub : GPT-6.2 Astra et GPT-6.2 Sol
Perplexity ouvre GPT-6.2 dans Search et Computer, à 0,783 et 0,746 sur WANDR
17 novembre — Perplexity propose aussi GPT-6.2 Astra et GPT-6.2 Sol dans Perplexity Search et Computer dès le soir du lancement. Sur WANDR, son benchmark de recherche documentée, GPT-6.2 Astra obtient 0,783 pour environ 12,54 dollars par tâche, soit 0,095 point de plus que GPT-6 Astra, et GPT-6.2 Sol 0,746 pour environ 2,65 dollars, 0,065 point de plus que GPT-6.1 Sol. Le graphique publié avec l’annonce replace ces scores parmi les autres modèles : Gemini 4 Carbon et Claude Fable 5.2 restent devant, et GPT-6.2 Sol devient le modèle le moins cher au-dessus de 0,7. Le tweet ne précise pas les forfaits concernés.
| Modèle évalué sur WANDR | Score | Coût par tâche |
|---|---|---|
| Gemini 4 Carbon | 0,857 | 5,86 dollars |
| Claude Fable 5.2 | 0,807 | 15,82 dollars |
| GPT-6.2 Astra | 0,783 | ~12,54 dollars |
| GPT-6.2 Sol | 0,746 | ~2,65 dollars |
| Gemini 4 Hydrogen | 0,698 | 5,41 dollars |
| GPT-6 Astra | 0,688 | 12,73 dollars |
| GPT-6.1 Sol | 0,681 | 1,59 dollar |
| Claude Opus 5.5 | 0,662 | 5,33 dollars |
Scores de GPT-6.2 tirés du texte du tweet, les autres du graphique publié par Perplexity.
NVIDIA : Jensen Huang quitte la direction, puis un trimestre à 115,8 milliards de dollars sous Colette Kress
12 novembre — Le conseil d’administration de NVIDIA a annoncé la démission de Jensen Huang, cofondateur de l’entreprise, de ses fonctions de président, de PDG et d’administrateur, avec effet immédiat. Colette Kress, vice-présidente exécutive et directrice financière depuis septembre 2013, devient PDG par intérim tout en restant directrice financière, jusqu’à la nomination d’un successeur permanent ; le conseil lance une recherche ouverte aux candidats internes et externes. Harvey C. Jones, ancien PDG et président exécutif de Synopsys, devient le tout premier président du conseil d’administration (Chair of the Board). Selon Harvey C. Jones, le conseil a pleinement confiance en Colette Kress et s’attend à ce que les opérations, les engagements envers les clients et la feuille de route produits se poursuivent sans interruption. Le même communiqué confirmait la publication des résultats trimestriels le 17 novembre, comme prévu.
10 novembre — Deux jours plus tôt, dans un communiqué distinct, les administrateurs indépendants de NVIDIA annonçaient avoir confié une enquête « approfondie et indépendante » à Joon H. Kim, ancien procureur fédéral par intérim du district sud de New York, et au cabinet Wachtell, Lipton, Rosen & Katz. Ce communiqué ne précise pas l’objet de l’enquête, et celui du 12 novembre ne la mentionne pas.
17 novembre — NVIDIA publie les résultats du troisième trimestre de son exercice 2027, clos le 25 octobre. Ce sont les premiers depuis le départ de Jensen Huang, et le communiqué est porté par Colette Kress. Le chiffre d’affaires atteint 115,8 milliards de dollars, 20 % de plus qu’au trimestre précédent et plus du double d’il y a un an. Les centres de données en représentent l’essentiel.
| Indicateur (T3 de l’exercice 2027) | Valeur publiée | Évolution sur un an |
|---|---|---|
| Chiffre d’affaires | 115,8 milliards de dollars | +103 % |
| Centres de données | 107,6 milliards de dollars | +110 % |
| Informatique de périphérie (Edge Computing) | 8,2 milliards de dollars | +42 % |
| Marge brute GAAP | 74,8 % | +1,4 point |
| Résultat net GAAP | 65,3 milliards de dollars | +105 % |
| Bénéfice par action dilué GAAP | 2,70 dollars | +108 % |
Pour le quatrième trimestre, qui compte une semaine de plus, NVIDIA prévoit 130 milliards de dollars de chiffre d’affaires, à 3 % près, sans compter aucun revenu de calcul pour centres de données venu de Chine, et une marge brute ramenée entre 71 et 72 %. L’entreprise a rendu 28,1 milliards de dollars à ses actionnaires sur le trimestre, et il reste environ 227,3 milliards de dollars à son programme de rachat d’actions. Côté produits, le trimestre marque les premières livraisons en volume de Vera Rubin NVL72, que NVIDIA présente comme la montée en production la plus rapide de son histoire, avec des racks déjà en service chez CoreWeave, Google Cloud, Microsoft Azure, Oracle Cloud Infrastructure et Nebius.
🔗 Résultats du troisième trimestre de l’exercice 2027 (NVIDIA) · Transition à la direction générale (12 novembre) · Déclaration des administrateurs indépendants (10 novembre)
Microsoft lance MAI Code 2 et MAI Code 2 Flash, disponibles dès leur sortie dans GitHub Copilot
17 novembre — Pendant Ignite, Microsoft AI lance deux nouveaux modèles de code, disponibles le jour même dans GitHub Copilot. MAI Code 2 vise les tâches complexes : débogage profond, modifications sur plusieurs fichiers, refactoring, raisonnement à l’échelle du dépôt. MAI Code 2 Flash cible le travail répétitif : explications de code, retouches ciblées, correctifs de routine.
Microsoft met en avant le rapport performance-prix, mesuré sur la moyenne de quatre bancs proches du travail en entreprise (DeepSWE 1.1, Terminal Bench 2.1, SWE-Atlas et FrontierCode v1.1). Ces coûts sont calculés au prix promotionnel de 50 % de MAI-Code-2, tous les modèles en effort de raisonnement maximal, trois bancs étant lancés avec Copilot CLI sans sous-agents. En frontend, sur des évaluations à l’aveugle de 258 annotateurs, les résultats de MAI Code 2 sont préférés à ceux de GPT-6 Sol 64 % du temps.
| Comparaison (selon Microsoft AI) | Performance relative | Coût relatif |
|---|---|---|
| MAI Code 2 face à GPT 6.1 Sol | 98 % | 40 % |
| MAI Code 2 face à Claude Opus 5.5 | 96 % | 5 % |
| MAI Code 2 Flash face à GPT-6 Luna | comparable | 65 % |
| MAI Code 2 Flash face à Claude Haiku 5.5 | comparable | 20 % |
Microsoft reconnaît une limite : ces modèles ne sont « pas encore réglés » pour la recherche scientifique fondamentale ni pour le travail agentique de très long horizon.
Dans Copilot, MAI Code 2 est ouvert de Pro à Enterprise, et MAI Code 2 Flash dès l’offre Free, sur dix surfaces (VS Code, Visual Studio, Copilot CLI, cloud agent, app GitHub Copilot, github.com, GitHub Mobile, JetBrains, Xcode, Eclipse). Les deux modèles sont facturés à l’usage et activés par défaut dans les organisations qui n’ont pas coupé l’activation automatique des nouveaux modèles. MAI-Code-2 rejoint aussi le niveau Standard de Copilot Fusion, et son prédécesseur MAI-Code-1.1-Flash sera retiré de toutes les expériences Copilot le 18 décembre. Hors de GitHub, MAI Code 2 Flash entre en préversion à accès limité dans Microsoft Foundry, et Microsoft annonce une arrivée prochaine sur OpenRouter, Vercel, Hermes, Open Code et Kilo.
🔗 Changelog GitHub : MAI Code 2 et MAI Code 2 Flash · Annonce de Microsoft AI
Perplexity combine les modèles de plusieurs fournisseurs : l’Orchestrator API et le niveau Multiagent de Computer
17 novembre — Perplexity lance l’Orchestrator API, qui ouvre aux développeurs la couche de modèles de ses propres produits. Selon l’entreprise, cette couche achemine chaque jour des centaines de millions de requêtes vers plus de 85 modèles et plus d’une douzaine de fournisseurs. Avec une seule clé d’API, l’Orchestrator donne accès à plus de 45 modèles d’OpenAI, d’Anthropic, de Google et de xAI, ainsi qu’à des modèles à poids ouverts (GLM, Kimi, DeepSeek). Les requêtes s’écrivent aux formats OpenAI Chat Completions, OpenAI Responses ou Anthropic Messages : il suffit de changer la clé et l’URL de base d’un SDK existant.
Le premier argument est la fiabilité. Quand un fournisseur renvoie une erreur, atteint une limite de débit ou dépasse le délai, l’Orchestrator relance la requête sur un autre déploiement du même modèle : une requête Claude peut passer d’Anthropic à AWS Bedrock, une requête GPT d’OpenAI à Azure. Chaque modèle est facturé à son tarif public par token, quel que soit le fournisseur qui répond, sans frais de plateforme en plus des crédits. Deux fonctions sont en préversion : Routes, qui choisit le modèle à chaque requête (perplexity/auto) à partir de descriptions en langage courant, et Auto effort, qui ajuste l’effort de raisonnement au tour suivant.
Perplexity illustre Routes par un cas sensible, le contournement des refus. L’entreprise rappelle qu’Anthropic documente que les garde-fous de Claude Fable 5.2 peuvent bloquer des travaux bénins de cybersécurité ou de sciences de la vie. En gardant Fable par défaut mais en envoyant ces tâches, et celles qui suivent un refus, vers GPT-6 Astra ou GPT-6.1 Sol, Claude Code résout plus de tâches, pour un coût estimé par tâche plus élevé. L’Orchestrator API existait déjà dans l’API de Perplexity depuis juillet, d’abord pour les modèles à poids ouverts ; ce 17 novembre marque son lancement officiel.
| Élément mesuré par Perplexity | Valeur annoncée |
|---|---|
| Modèles du catalogue | plus de 45 (OpenAI, Anthropic, Google, xAI, ouverts) |
| Claude Opus 5.5, fournisseur le plus rapide (30 jours) | Anthropic 15 jours, AWS Bedrock 15 jours |
| GPT-5.6 Sol, vitesse médiane d’Azure face à OpenAI | +27 % |
| Terminal-Bench 4.1 (63 tâches), Fable 5.2 seul | 38 sur 63 |
| Même test avec routage vers GPT-6 Astra ou GPT-6.1 Sol | 41 sur 63 |
| Frais de plateforme | aucun en plus des crédits |
🔗 Introducing Orchestrator (Perplexity) · Orchestrator: One API for reliable inference
17 novembre — Le même jour, Perplexity ajoute à Computer un niveau d’effort Multiagent, placé au-dessus d’Ultra. Jusqu’ici, un agent principal confiait des parties de la tâche à des agents d’appui qui ne rendaient compte qu’à lui. Avec Multiagent, l’agent principal pilote une équipe d’agents tournant sur des modèles différents, qui travaillent en parallèle, se transmettent directement leurs trouvailles, vérifient le travail des autres et coordonnent leurs modifications de fichiers partagés. L’équipe par défaut est construite autour de Claude Fable 5.2, qui planifie et répartit le travail entre des agents sur Claude Opus 5.5, GPT 6.1 Sol et Gemini 4 Carbon ; l’agent principal peut mobiliser jusqu’à 16 agents, et l’utilisateur peut imposer ses modèles dans la requête.
| Résultat publié par Perplexity | Valeur annoncée |
|---|---|
| Meilleure équipe mixte, Terminal-Bench 4.1 | 0,727 (menée par Gemini 4 Carbon) |
| Gain sur quatre copies du modèle principal (TB 4.1) | +0,008 à +0,125 |
| Gain sur quatre copies du modèle principal (WANDR) | +0,015 à +0,064 |
| Coût de la meilleure équipe face à quatre copies | 10,31 contre ~13 dollars ; 54,50 contre 66,41 dollars |
Selon Perplexity, chaque équipe mixte bat à la fois son modèle principal seul et quatre copies de ce modèle, et la meilleure équipe de chaque test coûte moins cher que ces copies. Multiagent est réservé aux abonnés Max sur le web (Max et Enterprise Max selon le tweet), les applications mobiles et de bureau étant annoncées pour bientôt ; Perplexity ne chiffre pas son coût en crédits.
Multiagent is optimized for performance. It is credit-intensive. Use it only for your most important tasks. Multiagent is best for forecasting, high-density problem solving, and consequential decision making.
🇫🇷 Multiagent est optimisé pour la performance. Il consomme beaucoup de crédits. Ne l’utilisez que pour vos tâches les plus importantes. Multiagent convient le mieux aux prévisions, aux problèmes très denses et aux décisions lourdes de conséquences. — @perplexity_ai sur X
🔗 Introducing Multiagent (Perplexity)
Devin Bots et Replit Missions : des essaims d’agents qui poursuivent un objectif plutôt qu’une tâche
17 novembre — Cognition lance Devin Bots, des « coéquipiers d’ingénierie » (engineering teammates). Un Bot est un agent persistant, doté de sa propre mémoire et de ses outils, qui mène plusieurs sessions Devin en parallèle. Au lieu d’une tâche, on lui confie une responsabilité : il enquête, délègue, évalue les résultats et décide de la suite, en ne ramenant à l’humain que les décisions qui exigent son jugement, rangées dans une boîte Needs You. Plusieurs Bots peuvent se coordonner, un QA Bot passant par exemple un bogue au Developer Bot, et se suivent depuis Slack, iMessage ou l’application Devin.
Cognition illustre l’usage par ses propres Bots. L’Android Bot, lancé le 28 septembre, a construit en 44 jours l’application Android de Devin, aujourd’hui en test ouvert sur Google Play, pour 183 messages de l’ingénieur qui le supervisait.
| Bot cité par Cognition | Résultat publié |
|---|---|
| Android Bot (44 jours) | 1 134 PR, 344 651 lignes de Kotlin, 2 841 tests, 1 217 tickets, 183 messages |
| Layout Bot (3 semaines) | 159 PR fusionnées, latence réduite de 70 % |
| Studio de jeux mobiles | une vingtaine de Bots, de 50 à 1 900 PR par semaine |
On average, beta testers are merging 4.5x more PRs per message using Devin Bots. We’ve seen individual engineers go from 50 PRs a week to nearly 2,000.
🇫🇷 En moyenne, les bêta-testeurs fusionnent 4,5 fois plus de PR par message avec Devin Bots. Nous avons vu des ingénieurs passer de 50 PR par semaine à près de 2 000. — @cognition sur X
Les Bots sont disponibles dès maintenant. La page de tarifs les inclut dans les offres Max (200 dollars par mois), Teams (80 dollars par mois) et Enterprise, pas dans Free ni Pro ; aucun tarif propre aux Bots n’est publié.
🔗 Introducing Devin Bots (Cognition)
17 novembre — Le même jour, Replit lance Missions, un « harnais d’essaims d’agents » (agent swarm harness) pour les chantiers qu’une équipe n’a pas le temps de mener. L’utilisateur décrit le résultat attendu, puis un essaim d’agents planifie, construit, teste et itère en parallèle. Le cadre est fixé dans un accord de mission (Mission Contract) : plafond de dépense, actions soumises à approbation (contacter un prospect, prendre un engagement produit) et compromis acceptables. Un juge IA indépendant contrôle les résultats contre les critères convenus ; la mission s’arrête quand ils sont atteints, ou quand le budget est épuisé.
Replit appuie l’annonce sur trois démonstrations. Sur 13 tâches d’optimisation NumPy, un essaim de 32 agents atteint 19 fois la vitesse initiale, contre 4 fois pour un agent seul en mode Auto (Max). Sur l’E-Commerce Bench de Qwen, Missions a porté 100 000 yens à 4,82 millions sur une année simulée. Enfin, en deux jours et pour un budget plafonné à 3 000 dollars, Missions a construit DataCat, une plateforme de supervision d’applications que Replit publie en open source sous licence Apache 2.0, et que Replit compare à une version construite avec /goal dans Claude Code à partir du même prompt, en précisant qu’il s’agit de tests contrôlés, avec une exécution par configuration.
| Test de DataCat publié par Replit | Résultat annoncé |
|---|---|
| Détection d’un bogue introduit | 38 secondes, pour un objectif de 60 secondes |
| Charge soutenue pendant 3 heures | 26 millions d’enregistrements, 4,4 millions de journaux |
| Traces par seconde (face à Claude Code) | 49 000 contre 9 800 |
| Compatibilité d’API | 51 contrôles sur 56 contre 45 |
Missions se lance depuis le bouton « New » de Replit ; le billet ne précise ni offre ni tarif, la dépense étant celle du budget fixé par l’utilisateur.
🔗 Introducing Replit Missions · Dépôt DataCat
L’application Gemini rend les Tasks gratuites dans six pays et apprend à téléphoner, payer et recevoir des SMS
17 novembre — Google ouvre gratuitement les Tasks de l’application Gemini. Selon Josh Woodward, vice-président chargé de Labs, de l’application Gemini et d’AI Studio, ce mode qui confie à Gemini des projets longs ou des tâches récurrentes, exécutés en arrière-plan, est déployé pour des centaines de millions d’utilisateurs éligibles aux États-Unis, au Japon, en Corée, au Canada, en Australie et en Inde. Il tourne sur Gemini 4 Hydrogen, le modèle rapide lancé le 12 novembre, et s’active d’un interrupteur Chat / Task sur l’écran d’accueil.
Une série de fonctions avancées arrive en parallèle, d’abord aux États-Unis. Gemini peut téléphoner à la place de l’utilisateur, y compris à plusieurs commerces en même temps, pour comparer des devis, vérifier un stock ou prendre rendez-vous ; il annonce qu’il est une IA, et les commerces peuvent refuser ces appels. Il peut payer avec Google Pay grâce à l’Agent Payments Protocol (AP2), avec Visa et Mastercard, American Express suivant bientôt : l’utilisateur fixe un plafond de dépenses et choisit les boutiques autorisées, et Gemini demande confirmation avant d’acheter, sauf si on l’autorise à agir seul dans cette limite. Il se connecte à un portail en ligne grâce à Google Password Manager, et devient joignable par SMS via RCS ou par e-mail transféré à gemini@google.com.
| Élément annoncé | Disponibilité indiquée |
|---|---|
| Tasks gratuites (Gemini 4 Hydrogen) | Dès le 17 novembre : États-Unis, Japon, Corée, Canada, Australie, Inde |
| Appels téléphoniques par Gemini | États-Unis d’abord, sauf Indiana, Louisiane, Minnesota, Montana, Nebraska |
| Paiement Google Pay (AP2) | États-Unis d’abord ; Visa, Mastercard ; American Express bientôt |
| SMS via RCS et gemini@google.com | États-Unis d’abord ; RCS : numéro américain et opérateur éligible |
| Google Wallet sur iOS | États-Unis, dès le 17 novembre |
| Universal Commerce Protocol (UCP) | Plus tard, sans date |
Les reçus et suivis de livraison atterrissent dans Google Wallet, qui arrive le même jour sur iOS aux États-Unis, et Gemini s’appuie sur plus de 60 applications connectées. Côté sécurité, chaque tâche s’exécute dans une machine virtuelle isolée au niveau matériel, dédiée au compte et jamais partagée, sur l’Agent Compute Engine de Google Cloud ; Google cite aussi des filtres contre l’injection de prompt et une confirmation obligatoire avant tout bouton « Buy », sauf pour les actions marquées « Always allow ». Le billet reconnaît enfin que des tâches peuvent encore échouer et que, sur certains sites, Gemini rend la main à l’utilisateur pour le dernier clic.
🔗 Tasks in Gemini (blog Google) · Google Wallet sur iOS aux États-Unis
Kling Image 4.0 : génération native en 8K et jusqu’à 2 000 caractères de texte par image
17 novembre — Annoncé la veille comme imminent, Kling Image 4.0 est disponible. Le nouveau modèle d’image de Kling réunit compréhension visuelle et génération dans une même architecture autorégressive unifiée (Native Unified Understanding and Generation Architecture), et met en avant trois progrès.
Le premier est le réalisme, avec pour la première fois chez Kling une génération native en 8K et plus de 110 étalonnages de couleur prédéfinis, ou une palette extraite d’une image de référence. Le deuxième est le texte : jusqu’à 2 000 caractères lisibles dans une image, des prompts jusqu’à 15 000 tokens, plus de 70 polices commerciales et la retouche directe du texte et des polices d’une image générée, en sept langues (chinois simplifié et traditionnel, anglais, japonais, coréen, espagnol, portugais). Le troisième est la série : jusqu’à 10 images cohérentes produites à partir d’une seule requête, planifiées par les capacités agentiques du modèle, ainsi que des images très longues pour les pages produit d’un site marchand.
| Caractéristique annoncée | Kling Image 4.0 |
|---|---|
| Résolution maximale | 8K native |
| Texte par image | jusqu’à 2 000 caractères |
| Longueur de prompt | jusqu’à 15 000 tokens |
| Images cohérentes par requête | jusqu’à 10 |
| Polices prédéfinies | plus de 70 |
| Étalonnages prédéfinis | plus de 110 |
| Langues du texte | 7 |
Kling Image 4.0 est ouvert à tous les utilisateurs de Kling Creative Studio et proposé via l’API aux entreprises et aux développeurs. Kling ne publie ni tarif ni benchmark : les progrès annoncés, du 8K natif au texte long, ne sont pas encore chiffrés face à d’autres modèles.
🔗 Kling Image 4.0 (blog Kling) · Annonce de Kling sur X
Vidéo générative : Suno Visuals met les chansons en images, HeyGen lance Avatar 6
17 novembre — Après la voix en octobre, Suno s’étend à l’image et à la vidéo avec Visuals. L’outil transforme une chanson de la bibliothèque en clip de 15 secondes au plus, en vidéo de paroles calée sur le rythme, en pochette d’album, ou une photo en clip. Selon Suno, son modèle, non nommé, a été optimisé pour la musique : les clips suivent la structure du morceau, reprennent les paroles et synchronisent les lèvres des personnages sur le chant. On peut ensuite prolonger un clip, le retoucher ou relancer un prompt texte. Visuals est lancé sur le web, iOS et Android, et il est aussi accessible par le serveur MCP de Suno.
Visuals fonctionne avec des crédits distincts de ceux des chansons, et les abonnés payants peuvent créer leur premier visuel gratuitement pendant une période limitée.
| Pack de crédits visuels | Prix annoncé |
|---|---|
| 2 500 crédits | 14,99 dollars |
| 5 500 crédits | 29,99 dollars |
| 20 000 crédits | 99,99 dollars |
| 40 000 crédits | 199,99 dollars |
| Coût vidéo (rapide / standard) | 15 / 30 crédits par seconde |
Suno insiste sur les garde-fous : des filtres bloquent les prompts et images visant des artistes, des personnalités publiques ou des œuvres protégées, chaque vidéo est vérifiée avant d’être affichée, Audible Magic, ACRCloud et Musixmatch filtrent l’audio protégé, et un filigrane est intégré avant tout partage hors de la plateforme.
🔗 Introducing Visuals (Suno) · Tarifs des crédits visuels
HeyGen lance Avatar 6, désigné comme réel dans 42,2 % des comparaisons avec une vraie vidéo
17 novembre — HeyGen lance Avatar 6, son nouveau modèle d’avatars vidéo, qu’il présente comme premier de l’Avatar Arena de New Measure. Le modèle génère des images natives en 2K et adapte ses gestes au sens du script (compter, pointer, indiquer une direction) au lieu de rejouer les mêmes mouvements, et peut réunir deux avatars dans un même plan pour une conversation entre animateur et invité. Il se crée à partir d’une photo et d’une courte vidéo de soi, après vérification d’identité.
| Test publié par HeyGen | Résultat annoncé |
|---|---|
| Avatar 6 désigné comme réel (côte à côte, 270 réponses) | 42,2 % |
| « Indiscernabilité » calculée par HeyGen | 84,4 % (Avatar V : 44,4 %) |
| Vrai clip jugé réel, vu seul | 78,9 % |
| Avatar 6 jugé réel, vu seul, avec la voix de la personne | 65,1 % |
| Préférence face à Seedance 2.5 | 72,4 % |
Le chiffre de 84,4 % mis en avant est un calcul de HeyGen, qui double le taux de 42,2 % où les votants ont pris l’avatar pour la vraie vidéo. Avatar 6 est disponible dans l’application, via l’API et le MCP de HeyGen, sans tarif publié.
🔗 Annonce de HeyGen sur X · Fiche du modèle Avatar 6
GitHub Copilot à Microsoft Ignite : SDK 2.0 en Rust, Fusion sur Terminal-Bench 4.1, revue de code adaptative, navigateur, Evals, Entra et JetBrains
17 novembre — Ignite a donné lieu à une quinzaine d’entrées au changelog de GitHub dans la journée. Au-delà de MAI Code 2 et de GPT-6.2, traités plus haut, voici les nouveautés produit de Copilot.
Le Microsoft Copilot SDK 2.0 passe à un cœur en Rust et à un runtime partagé entre sessions
Le SDK qui donne accès au harnais de Copilot, renommé Microsoft Copilot SDK le 28 octobre, change de version majeure. Un seul runtime peut désormais héberger de nombreuses sessions isolées, chacune avec son identité, ses outils, ses fichiers et son historique : créer une session ne lance plus ni conteneur, ni processus, ni machine virtuelle. Pour rendre ce modèle viable, le runtime a été réécrit en Rust.
| Mesure publiée (charge préchauffée) | CLI TypeScript | Cœur Rust 2.0 |
|---|---|---|
| Client + session + un tour | 5,25 s | 55,3 ms |
| Mémoire pour 10 clients | 1 383 Mo | 126 Mo |
| Débit de sessions | 7,55 par seconde | 120 par seconde |
Le SDK ajoute un mode « vide » (aucun shell ni système de fichiers hérité de l’hôte), un journal de session et un sessionFs pour reprendre une session depuis une autre instance. La version comporte des changements cassants (options regroupées, protocole SDK 4, renommages côté Python et Rust) et reste disponible en TypeScript, Python, Go, .NET, Java et Rust.
🔗 Microsoft Copilot SDK 2.0 (Command Line) · Release v2.0.0
Copilot Fusion entre au classement Terminal-Bench 4.1 et arrive sur github.com, Visual Studio et mobile
GitHub publie les premiers résultats de Copilot Fusion, le mode qui choisit et coordonne les modèles selon le niveau d’effort, sur un classement public. Sur Terminal-Bench 4.1, hébergé par Stanford, Harbor et le Laude Institute, Copilot Fusion Max atteint 71,2 % de résolution, 5,4 points de plus qu’Opus 5.5 et Fable 5.2, pour un coût inférieur de 88 % à Fable 5.2 et de 57 % à Opus 5.5, selon GitHub. Fusion devient sélectionnable sur github.com, dans Visual Studio et dans les apps bêta GitHub Mobile, et son catalogue s’élargit : Claude Sonnet 5.5 rejoint le niveau Max, GPT-6.1 Terra le niveau High et MAI-Code-2 le niveau Standard.
🔗 Changelog GitHub : Copilot Fusion
La code review de Copilot choisit seule son niveau d’effort, détecte les secrets et passe en GA sur Azure DevOps
Avec Adaptive, en préversion publique de Pro à Enterprise, Copilot évalue la complexité et le risque de chaque pull request et choisit lui-même l’effort Lite, Balanced ou Max ; le niveau choisi est affiché et ne dépasse jamais le plafond fixé par l’administrateur. Deux autres fonctions entrent en préversion publique : la lecture de dépôts publics liés pour repérer le code qui dépend du changement, et la détection des secrets exposés dans les pull requests, qui combine plus de 500 détecteurs par expressions régulières et une détection par IA des secrets sans format reconnaissable. Une page Repository insights suit quatre indicateurs, dont les commentaires de Copilot traités et les pull requests fusionnées sans sa revue. Enfin, la code review pour Azure Repos passe en disponibilité générale, facturée en crédits IA GitHub sur l’abonnement Azure.
🔗 Changelog GitHub : code review adaptative · Repository insights
Copilot agit dans le navigateur grâce à une extension Chrome, l’app s’ouvre à Azure DevOps
Associé à la nouvelle extension GitHub Copilot in Chrome, le browser use passe en préversion publique dans Copilot CLI, l’app GitHub Copilot, VS Code et JetBrains : Copilot remplit des formulaires, extrait des informations de pages web ou teste l’application en cours de développement, dans un groupe d’onglets isolé d’un navigateur Chromium (Chrome, Edge) déjà connecté. La fonction est désactivée par défaut, et les administrateurs peuvent la couper par le réglage géré features.browserUse. L’app GitHub Copilot s’ouvre aussi aux dépôts Azure DevOps, en préversion publique : un agent clone le dépôt, ouvre la pull request, corrige un commentaire de revue et, avec agent merge, répare la CI puis fusionne ; les sessions cloud ne sont pas disponibles pour ces dépôts.
🔗 Changelog GitHub : browser use · Nouveautés de l’app GitHub Copilot pour Ignite
GitHub Copilot Evals, en préversion publique, teste skills, agents et outils MCP
GitHub Copilot Evals, en préversion publique pour Copilot Individual, Business et Enterprise, sert à vérifier qu’une configuration de Copilot fonctionne toujours quand ses prompts, modèles, skills ou outils changent. Une eval décrit une tâche réaliste et ce qu’est un bon résultat, puis contrôle à la fois le résultat et le chemin suivi par l’agent. Depuis la commande /eval ou en langage naturel, on crée une eval pour une skill, un agent personnalisé ou un outil MCP, on la lance (chaque exécution est approuvée avant de partir) et on compare les exécutions avant et après une modification. L’outil s’appuie sur Vally, un moteur d’évaluation local, et s’installe comme extension VS Code ou comme plugin de Copilot CLI et de l’app.
🔗 Changelog GitHub : Copilot Evals
Copilot CLI accepte la connexion Microsoft Entra et les licences Microsoft 365 Copilot
Copilot CLI accepte la connexion par Microsoft Entra, en préversion publique sous Windows et macOS, Linux devant suivre. Dans les entreprises dont les comptes EMU passent par OIDC, l’identité Entra connecte silencieusement au compte GitHub lié, avec une licence Copilot Business ou Enterprise. Plus inédit, les organisations du programme Frontier qui disposent d’une licence Microsoft 365 Copilot facturée à l’usage peuvent utiliser Copilot CLI sans compte GitHub : l’inférence passe alors par Microsoft 365, et le serveur MCP Work IQ apporte les données de travail en contexte. La fonction exige Copilot CLI 1.0.113, passée en stable le même jour.
🔗 Changelog GitHub : connexion Entra · Copilot CLI 1.0.113
Copilot pour JetBrains reçoit le bac à sable cloud, l’accès distant et la dictée locale
Le plugin GitHub Copilot pour les IDE JetBrains rattrape VS Code sur plusieurs fonctions d’agent, toutes en préversion publique : un bac à sable cloud qui exécute les sessions dans un environnement isolé hébergé par GitHub, un accès distant qui rend les conversations reprenables depuis VS Code ou l’app Copilot, le browser use avec l’extension Chrome et une dictée vocale traitée sur l’appareil. Le plugin prend aussi en charge le développement distant en split mode, permet de réorienter un agent en cours (Entrée) ou de mettre une relance en file (Ctrl+Entrée), et épingle Copilot Fusion en tête des modèles. Côté entreprise, les réglages gérés désactivent désormais Claude et Codex sauf exception, et les IDE 2025.2 ne sont plus pris en charge.
🔗 Changelog GitHub : Copilot pour JetBrains
Claude Platform ouvre la facturation liée, Warp la propose sur son offre Enterprise
17 novembre — Anthropic ouvre en bêta la facturation liée (linked billing) sur Claude Platform. Jusqu’ici, utiliser l’API Claude dans un outil tiers revenait souvent à lui confier une clé API, qui fonctionne comme un mot de passe. Avec la facturation liée, le client relie son organisation Claude Platform à la plateforme tierce, et l’usage lui est facturé directement, sans qu’aucune clé ne change de mains.
Pour les éditeurs, Anthropic héberge le parcours d’approbation et la facturation : ils voient, client par client, le nombre de requêtes, les tokens et les modèles utilisés, dans la Console ou par l’API Usage and Cost Analytics (bêta), et décident à chaque requête qui paie, eux ou leur client. Côté client, un utilisateur de rôle Owner, Admin ou Billing approuve le lien une fois pour toute l’organisation, fixe une limite de dépense mensuelle par plateforme et peut délier à tout moment ; l’usage peut puiser dans un engagement Anthropic existant ou être payé à l’usage. Un point à connaître : les requêtes tournent dans l’organisation de la plateforme, si bien que les réglages de l’organisation du client (liste d’adresses IP autorisées, clés de chiffrement, conservation des données) ne s’y appliquent pas. Dix-neuf plateformes la prennent en charge dès le lancement, dont Asana, Factory, Linear, Ramp, Railway, Tines et Warp.
🔗 Linked billing on the Claude Platform (Anthropic) · Annonce de @ClaudeDevs sur X
Warp ouvre la facturation liée avec Claude Platform, sur l’offre Enterprise
17 novembre — Warp, l’une des 19 plateformes du lancement, détaille sa mise en œuvre. Une entreprise relie son organisation Claude à Warp par OAuth, sans partager de clé d’API, et l’usage de Claude par le Warp Agent est facturé directement par Anthropic, à ses tarifs d’API ; le plafond de dépense se règle, et le lien se coupe, depuis la page Linked Platforms de la Claude Console. La documentation réserve la fonction à Warp Enterprise : l’espace de travail partage un seul lien, que chaque équipe choisit d’activer. Elle couvre l’agent sur le bureau, la CLI, le web et le cloud, sous-agents compris, mais pas Claude Code ni les passages par Amazon Bedrock ou Vertex AI, et les abonnements Claude Pro, Max, Team et Enterprise ne peuvent pas la financer. Si Anthropic refuse une requête faute de fonds liés, Warp peut la basculer sur le solde Warp de l’équipe.
🔗 Warp now supports linked billing with Claude Platform · Documentation de Warp
Agents de code : Claude Code 2.1.326, la vérification selon l’équipe Claude Code, Mistral Vibe Desktop, Antigravity 2.33, Replit Desktop et les apps Android d’AI Studio
Claude Code 2.1.326 : Code Mode avec les agent teams, bac à sable durci et 233 correctifs
16 novembre — Claude Code 2.1.326 est une version de grande taille : 367 entrées, dont 233 correctifs. Côté nouveautés, Code Mode, le mode expérimental arrivé avec la 2.1.323, où Claude écrit des scripts qui enchaînent plusieurs appels d’outils, fonctionne désormais avec les équipes d’agents (agent teams) : selon la documentation, les coéquipiers passent en Code Mode dans l’affichage par défaut, mais pas en volets séparés. Le 17 novembre, @ClaudeDevs l’a mis en avant pour la première fois ; il reste désactivé par défaut et s’active avec CLAUDE_CODE_EXPERIMENTAL_CODE_MODE=1.
Remote Control progresse aussi : les réponses d’une session lancée par claude remote-control, depuis Claude Desktop ou depuis VS Code s’affichent sur le téléphone ou le navigateur au fil de leur écriture. Dans les organisations sous configuration HIPAA « Claude Code + Cowork », les sessions du terminal et de VS Code démarrent désormais en mode auto, avec un classifieur côté serveur sur une connexion directe à l’API.
Une bonne partie de la version durcit la sécurité : le bac à sable n’écrit plus par défaut dans certains dossiers sensibles du répertoire personnel (sandbox.filesystem.allowWrite pour en autoriser), les outils de fichiers refusent d’écrire dans .credentials.json, des sous-agents isolés dans un worktree ne peuvent plus réécrire des branches partagées, et davantage de commandes demandent confirmation, y compris certaines en mode bypass permissions. À l’inverse, un plugin refusé pour un champ d’affichage mal formé dans plugin.json se charge désormais avec ses hooks et ses serveurs MCP : les administrateurs doivent vérifier ce qu’ils déploient. Deux changements touchent la facture : le skill /claude-api construit par défaut ses agents sur Managed Agents, et la compaction automatique en plan mode utilise le modèle qui répond (Opus avec opusplan), ce qui peut coûter plus. Le contexte de /update-config passe d’environ 93 000 à 13 000 tokens, et browser_batch de Claude in Chrome monte à 150 secondes.
| Type d’entrée (v2.1.326) | Nombre |
|---|---|
| Correctifs (Fixed) | 233 |
| Changements (Changed) | 62 |
| Améliorations | 59 |
| Ajouts (Added) | 11 |
| Retraits (Removed) | 2 |
Parmi les correctifs, plusieurs évitaient des pertes silencieuses : claude purge pouvait supprimer les données d’un projet sur un Entrée invisible quand sa sortie était redirigée, le menu de limite de dépense retirait la limite mensuelle sans demander, et deux appels MCP parallèles pouvaient échanger leurs résultats. Le SDK Agent TypeScript 0.3.326 envoie les serveurs MCP dans la requête d’initialisation (mcpServersDelivery: 'initialize') plutôt que sur la ligne de commande, qui reste pour l’instant le défaut. La 2.1.327 est déjà sur le canal next de npm depuis le 17 novembre, sans notes de version.
🔗 Claude Code v2.1.326 · Documentation de Code Mode
Comment l’équipe Claude Code fait vérifier le code écrit par Claude, de la skill verify au portail de commit
16 novembre — Après sa revue de code en octobre, l’équipe Claude Code détaille sur le blog claude.dev comment elle fait vérifier le travail de Claude, qui écrit et relit environ 90 % de son code. Addy Osmani y défend une idée simple : des boucles de vérification fiables permettent de faire tourner des dizaines de sessions en parallèle. Dans un test interne sur la génération de fichiers structurés, un correcteur séparé, qui juge le résultat contre une grille, a amélioré le taux de réussite jusqu’à 10 points. Le billet recommande les tests de bout en bout d’abord, puis les tests de propriétés et les tests différentiels, utiles pour les migrations. Côté équipe, une skill verify décrit comment lancer et tester l’application, Claude appelle un humain après trois tours d’échec, et une liste de fiabilité de 39 points, chacun déclenché par ce que montre le diff, remplace la mémoire des incidents. Le fichier REVIEW.md qui guide Code Review est toujours lu sur la branche de base, pour qu’une modification ne puisse pas changer la règle qui la juge, et un portail de commit (modes off, observe, enforce) peut bloquer un commit si la session n’a lancé ni /code-review ni /verify.
🔗 How the Claude Code team thinks about verification (claude.dev)
Mistral lance l’application de bureau de Vibe et offre trois mois de Vibe Pro aux développeurs européens
17 novembre — Mistral pousse Vibe, son assistant de travail et de code (ex-Le Chat), sur deux fronts. D’abord une application de bureau pour macOS et Windows, Vibe Desktop : on y confie plusieurs tâches à la fois, on regarde les agents travailler côte à côte, puis on relit leurs diffs et on suit les pull requests dans la même fenêtre. Déjà citée dans les notes du CLI en octobre, l’application est désormais téléchargeable depuis la page produit. Ensuite une offre ciblée : trois mois de Vibe Pro offerts aux développeurs en Europe avec le code LECHONK, en quantité limitée, puis 14,99 euros par mois, résiliable à tout moment. Une heure après le premier tweet, Mistral annonçait avoir épuisé les codes du jour. Mistral présente Vibe et Mistral Large 4 (Le Chonk) comme le meilleur duo modèle-harnais ouvert, devant GLM et DeepSeek en code, sans donner de chiffre dans son fil ; les derniers publiés pour Large 4, le 29 octobre, étaient de 19,7 % sur FrontierCode 2.0 et de 41 % sur Terminal-Bench 4.0.
🔗 Annonce de Mistral AI sur X · Page produit de Vibe
Antigravity 2.33.0 se connecte à des machines Linux distantes en SSH et intègre les pull requests GitHub
17 novembre — La version 2.33.0 de l’application Antigravity sort l’agent de la machine locale. Elle se connecte en SSH à une machine Linux 64 bits distante, installe seule son serveur par OpenSSH à partir de ~/.ssh/config, et y fait tourner projets, worktrees Git, agents et terminaux, qui continuent même une fois la fenêtre fermée. Les liens de pull requests GitHub deviennent des pastilles d’état en direct, avec une section dédiée dans le panneau Overview. La version ouvre aussi /swarm et les panneaux de plugins aux comptes professionnels et entreprise si l’administrateur l’autorise, ajoute sept plugins partenaires (Cloudflare, Grafana Cloud, SonarQube, incident.io, Better Stack, Tavily, Levels.fyi) et accepte dans le panneau latéral des fichiers multimédias jusqu’à 200 Mo, pour 16 améliorations et 21 correctifs. La veille, la 2.32.2 avait transformé les questions annexes /btw en onglet de discussion à plusieurs tours, avec outils en lecture seule. Côté terminal, Antigravity CLI 1.5.9, datée du 14 novembre, ouvre à tous l’outil run_workflow, qui fait écrire à l’agent un script Python répartissant le travail entre de nombreux sous-agents, et corrige une fuite : les en-têtes d’un serveur MCP HTTP, comme une clé d’API, pouvaient partir vers un autre hôte lors d’une redirection.
Replit Desktop arrive sur le Microsoft Store, avec un agent qui travaille sur les dossiers locaux
17 novembre — Annoncée en préversion avec Microsoft le 7 octobre, l’application Replit Desktop est disponible sur le Microsoft Store. L’Agent de Replit y travaille sur les fichiers des dossiers que l’utilisateur choisit de partager : il construit des outils, analyse des données locales et en tire des rapports partageables via le cloud de Replit. Les applications sont construites et exécutées en local, chaque build dans son propre bac à sable fondé sur les Microsoft Execution Containers et NVIDIA OpenShell ; la page du produit précise que cette isolation vaut sur les appareils Windows et macOS compatibles, et propose aussi des versions Linux. Replit n’indique ni tarif ni offre.
🔗 Annonce de Replit sur X · Page de Replit Desktop
Google AI Studio crée des applications Android complètes, avec base de données, connexion Google et publication sur Google Play
17 novembre — Avec Gemini 4 Carbon et Hydrogen, l’agent Build de Google AI Studio part d’un prompt pour livrer une application Kotlin avec base de données, connexion des utilisateurs et fonctions d’IA. Quand le prompt décrit ces besoins, il propose de provisionner lui-même le backend : une base Cloud Firestore avec ses règles de sécurité, Firebase Authentication avec Google Sign-In, et des appels aux modèles Gemini via Firebase AI Logic et App Check, pour que la clé d’API ne figure jamais dans l’APK. Jusqu’ici, les applications Android générées dans AI Studio ne gardaient leurs données que dans la session locale. Un compte Google standard suffit ensuite pour publier l’application dans sa bibliothèque Google Play personnelle : AI Studio construit et signe le bundle, puis on l’installe sur son téléphone. L’émulateur intégré diffuse en HD 1200p avec le son, et une capture de l’écran peut être jointe au prompt d’un clic.
🔗 Build full-stack Android apps with Gemini in Google AI Studio
Modèles ouverts et inférence : Olala mini 7A1B d’OVHcloud, Qwen3.8-27B adapté au harnais pi, Together Compiler
OVHcloud annonce Olala mini 7A1B, premier modèle de sa famille de LLM, entraîné sur des supercalculateurs publics européens
17 novembre — OVHcloud entre dans la course des modèles de langage avec Olala, sa première famille de LLM. Le premier modèle, Olala mini 7A1B, compte 7 milliards de paramètres, dont 1 milliard activé à chaque requête, répartis en un mélange d’experts (Mixture of Experts, MoE) de 256 experts par couche, avec une attention hybride qui combine Differential-TPA et Mamba-3. Il a été entraîné de zéro sur trois supercalculateurs publics européens, Jupiter, MeluXina et Jean Zay, grâce à un soutien qu’OVH chiffre à 7 millions d’euros d’heures de calcul.
| Caractéristique annoncée | Olala mini 7A1B |
|---|---|
| Paramètres | 7 milliards au total, 1 milliard actif |
| Architecture | MoE, 256 experts par couche, Differential-TPA + Mamba-3 |
| Contexte | 32 000 tokens (128 000 prévus en v1.1) |
| Débit annoncé | 160 tokens/s sur RTX A4500, 50 tokens/s sans GPU |
| Mémoire GPU minimale | 8 Go |
| Licence annoncée | Apache 2.0, sur Hugging Face |
Les poids ne figurent pas encore sur Hugging Face : le communiqué annonce que le modèle y « sera disponible » sous licence Apache 2.0, avec ses poids, son modèle de base pré-entraîné, un rapport technique et une documentation de conformité à l’AI Act. Le lancement officiel est prévu à l’OVHcloud AI Summit du 19 novembre. Aucun benchmark n’est publié pour l’instant. Premier client cité, Qwant l’utilise déjà pour ses réponses flash, avec des réponses 20 % plus rapides et des coûts de fonctionnement divisés par trois, selon OVH. La suite est tracée : une v1.1 d’ici la fin de l’année, avec un contexte de 128 000 tokens et un meilleur raisonnement mathématique, puis une v2.0 au-delà de 100 milliards de paramètres, déclinée pour l’IA agentique en entreprise, le DevOps cloud et la cybersécurité. Pour Octave Klaba, PDG d’OVHcloud, le coût d’entraînement a été divisé par 20 en trois ans, et OVH ne veut pas dépendre de la générosité de quelques laboratoires pour disposer de modèles ouverts.
🔗 Annonce d’OVHcloud sur X · Communiqué d’OVHcloud
Qwen3.8-27B-pi-adapted : un adaptateur LoRA fait passer Qwen3.8-27B de 29,4 à 62,7 % sur SWE-bench Pro dans le harnais pi
17 novembre — Le projet harness-hub, mené par des équipes de Hugging Face, publie Qwen3.8-27B-pi-adapted, un adaptateur LoRA sous licence Apache-2.0 qui spécialise Qwen3.8-27B pour servir de modèle au harnais d’agent de code pi. Il a été entraîné par apprentissage par renforcement (GRPO asynchrone de TRL) directement dans le harnais, et les poids sont sur le Hub, avec une version GGUF pour llama.cpp.
| Banc mesuré (harnais pi, pass@1) | Qwen3.8-27B | Avec l’adaptateur | Appels d’outils par tâche |
|---|---|---|---|
| SWE-bench Pro (51 tâches les plus dures) | 29,4 % | 62,7 % | -55 % |
| Terminal-Bench 2.1 (86 tâches) | 39,5 % | 55,8 % | -62 % |
| Terminal-Bench 2.1 (68 tâches réservées) | 39,7 % | 55,9 % | -64 % |
L’équipe isole les 68 tâches de Terminal-Bench qui n’ont pas servi à choisir le point de contrôle, où le gain reste de 16,2 points ; ce choix s’est en revanche appuyé aussi sur les scores de SWE-bench Pro. C’est la suite du projet présenté le 6 novembre, et younes annonce d’autres adaptateurs dans les prochains jours.
🔗 Fiche de Qwen3.8-27B-pi-adapted (Hugging Face) · Annonce de younes sur X
Together AI raconte la genèse de Together Compiler, 28 % plus rapide que ses anciens megakernels sur B200
16 novembre — Deux semaines après le lancement de Together Compiler, l’équipe de recherche de Together AI publie le récit de sa conception : l’an dernier, elle construisait des megakernels, des noyaux GPU écrits à la main ; cette année, elle les a abandonnés. Selon le billet, Together Compiler, qui confie à des agents la réécriture et la fusion des kernels d’un modèle, dépasse de 28 % les megakernels écrits à la main sur B200 (2 118 contre 1 649 tokens/s sur Llama 3.2 1B). Les megakernels étaient rapides, mais si rigides qu’après des mois d’efforts un seul a servi en production, pour un modèle, une taille de lot et un client ; deux primitives NVIDIA, CUDA Graphs et PDL, retrouvent 98 % de leurs performances sans écrire de kernel.
| Configuration mesurée (Llama 1B, H100) | Tokens/s | Part du megakernel |
|---|---|---|
| Torch Compile (Inductor) | 669 | — |
| + CUDA Graphs | 864 | 87 % |
| + PDL placé finement | 975 | 98 % |
| Megakernel écrit à la main | 990 | 100 % |
Côté agents, une base de connaissances a fait baisser l’accélération finale de 19 %, tandis qu’une communication fréquente entre agents et une consigne minimale donnaient les meilleurs résultats.
🔗 The road to Together Compiler (Together AI)
NVIDIA pour la science : Nemotron for Science, une plateforme de 192 CPU Vera retenue par le DKRZ, le DGX Spark HPC Developer Kit
Nemotron for Science, un ensemble ouvert de modèle, données et recettes pour les agents scientifiques
16 novembre — À SC26, Ian Buck a présenté Nemotron for Science, un ensemble ouvert destiné aux agents scientifiques. Il associe le modèle multimodal Nemotron 3.5 Super VL, LitmusBench, un nouveau jeu de données de chimie de près de 50 000 questions (solubilité, métabolisme), et des recettes de post-entraînement NeMo Gym et NeMo RL pour adapter le modèle à un domaine à partir de données expérimentales, sur un DGX Spark comme sur un supercalculateur. NVIDIA met en avant les résultats de ses partenaires : Lila Sciences dit avoir presque doublé la précision sur la synthèse de boîtes quantiques, à 61 % contre 54 % pour GPT-6 Astra, pour un coût d’inférence 10 à 20 fois moindre ; Terray Therapeutics retrouve environ 76 % des réactions de schémas chimiques sur le test RxnScribe ; et un agent du KTH a réparé 81 % des configurations GROMACS défaillantes en une nuit sur un seul DGX Spark.
🔗 Nemotron for Science (NVIDIA) · Billet technique sur le post-entraînement
Une plateforme en rack de 192 CPU Vera pour le calcul scientifique, retenue par le DKRZ
16 novembre — NVIDIA décline son processeur Vera en plateforme pour les simulations non accélérées par GPU : un rack refroidi par liquide de 192 CPU Vera, de 88 cœurs Olympus chacun, avec environ 300 To de mémoire et plus de 200 To/s de bande passante mémoire agrégée. Selon les tests de NVIDIA, Vera atteint 1,9 fois les performances et 2,4 fois les performances par watt des systèmes x86 sur une simulation d’écoulement OpenFOAM. Premier client annoncé, le centre allemand de calcul pour le climat (DKRZ) l’installera dans son supercalculateur HLRE-5, construit par Bull et attendu début 2028. Les racks seront proposés par Dell, HPE, Lenovo et Supermicro à partir du début 2027, et NVIDIA publie le HPC SDK 26.11 avec un nouveau compilateur Fortran en préversion.
🔗 La plateforme Vera pour la science (NVIDIA)
Le DGX Spark HPC Developer Kit, une grappe de quatre DGX Spark pour le bureau des chercheurs
16 novembre — NVIDIA présente un kit de développement HPC bâti sur quatre DGX Spark reliés en anneau par ConnectX-7, sans commutateur. L’ensemble totalise 512 Go de mémoire et 16 To de stockage, assez pour faire tourner en local des modèles jusqu’à 700 milliards de paramètres en NVFP4, et doit permettre aux chercheurs de développer et déboguer des simulations multi-nœuds avant de consommer leurs heures de supercalculateur ; LAMMPS et NAMD ont été démontrés sur les quatre nœuds. Le kit est en vente chez neuf constructeurs, dont Acer, ASUS, Dell, HP et Lenovo, et sur NVIDIA Marketplace, sans prix publié ; le playbook qui installera le HPC SDK est annoncé pour bientôt.
🔗 DGX Spark HPC Developer Kit (blog NVIDIA)
IA et cybersécurité : l’OTAN et les agences européennes utilisent les modèles cyber d’OpenAI, GitHub et Microsoft livrent 99 rapports vérifiés aux mainteneurs
L’OTAN et des agences européennes utilisent les modèles cyber d’OpenAI via Daybreak
17 novembre — OpenAI détaille comment ses modèles de cybersécurité servent déjà la défense de l’OTAN et de plusieurs pays alliés. Avec l’agence de communication et d’information de l’OTAN (NCIA), les institutions centrales de l’Alliance accèdent à des modèles cyber avancés et ont consommé jusqu’à 300 milliards de tokens par mois. OpenAI a aussi soutenu l’exercice Crossed Swords 2026, où un nouveau volet de formation faisait construire et évaluer des agents IA d’opérations cyber avec Daybreak, sous supervision humaine. L’ENISA, l’ANSSI et les agences allemande et polonaise ont accès à ces modèles, et l’Ukraine utilise Daybreak pour protéger ses infrastructures civiles. Les résultats cités sont concrets : quatre failles corrigées dans des logiciels des institutions européennes, trouvées par l’ENISA ; six failles de MikroTik RouterOS trouvées par CERT Polska ; et un rapport de l’ENISA et du CERT-EU où 95 % des 88 problèmes potentiels soumis aux mainteneurs se sont révélés réels, tous modèles testés confondus. Le billet ne cite aucun montant de contrat.
🔗 Strengthening NATO and allied cyber defenses with AI (OpenAI)
GitHub et Microsoft transforment des milliers d’alertes IA en 99 rapports vérifiés pour six projets open source
17 novembre — GitHub et Microsoft publient le bilan d’un pilote pensé contre l’avalanche de rapports de vulnérabilités générés par IA qui submerge les mainteneurs. Codename MDASH, le harnais d’analyse agentique de Microsoft Security, a scanné six projets (AutoGPT, Caddy, Express, FastMCP, ImageMagick et Netty) avec le modèle MAI Cyber et proposé des correctifs. Un agent de tri du GitHub Security Lab, bâti sur des skills Copilot, a éliminé doublons et faux positifs, puis sept chercheurs du Microsoft FORGE Lab ont vérifié chaque alerte restante à la main, en environ deux jours par projet.
| Étape du pilote MDASH | Valeur publiée |
|---|---|
| Alertes brutes (selon le tweet de GitHub) | 9 791 |
| Rapports privés envoyés aux mainteneurs | 99 |
| Rapports corrigés au 15 novembre | 55 |
| Correctifs déjà publiés dans une version | 14 |
Caddy a corrigé ses 22 rapports en une semaine ou moins. GitHub en tire trois leçons : les correctifs comptent plus que les découvertes, la vérification humaine reste indispensable mais ne passe pas encore à l’échelle, et les mainteneurs ont besoin de modèles capables en cybersécurité pour vérifier les preuves de concept. Tous les projets anciens du GitHub Secure Open Source Fund recevront des analyses vérifiées avant envoi et un accès à Copilot Max.
🔗 Maintainers don’t need more AI bug reports, they need fixes (GitHub) · Tweet de GitHub
IA et robotique : un plugin Robotics pour Antigravity avec Gemini 4 Hydrogen, le jeu de vidéos HubEgo-100K
Google lance un plugin Robotics pour Antigravity et présente Gemini 4 Hydrogen comme modèle de robotique généraliste
17 novembre — Google transforme Antigravity en atelier de robotique. Le nouveau plugin Robotics regroupe des skills que Gemini exécute pour le développeur : installation des pilotes, détection des caméras, calibration du bras et mouvements de test à partir d’un câble USB, scènes MuJoCo construites dans Antigravity, perception et contrôle en boucle fermée, puis génération de l’application complète. Le modèle mis en avant est Gemini 4 Hydrogen : sur le benchmark Artificial Analysis Robotics 0.1, où un vrai bras à 6 axes enchaîne 8 tâches de table du quotidien, il obtient 58, un score proche de celui d’Argon pour un coût par token plus faible, et sur ERQA il dépasse Gemini Robotics ER 2 en raisonnement spatial. Les démonstrations donnent l’échelle : un bras YAM calibré en une dizaine de minutes, un trieur de snacks sur convoyeur validé en simulation puis déployé en environ une heure. Antigravity est réservé aux abonnés payants Google AI Pro et Ultra ; le modèle reste utilisable dans l’API Gemini et dans AI Studio.
🔗 Gemini Hydrogen for robotics (Google Developers) · Fil de Google DeepMind
Hub ouvre HubEgo-100K, des vidéos égocentriques de gestes professionnels sous CC BY 4.0
16 novembre — Hub ouvre sur Hugging Face HubEgo-100K, un jeu de vidéos égocentriques de tâches qualifiées destiné à l’apprentissage des robots, gratuit pour la recherche et l’usage commercial. Le nom et l’annonce visent 100 000 heures venues de plus de 100 000 contributeurs ; la première version publiée compte 10 000 heures filmées par 12 227 personnes en 72 heures, sur leurs lieux de travail ou dans des métiers exercés à domicile, en RGB avec données de centrale inertielle, aux formats LeRobot et MCAP, sous licence CC BY 4.0 et avec un accès sur demande. Le parti pris est la diversité plutôt que le volume : une médiane de 250 personnes par type de tâche, et personne au-delà de 0,22 % des heures. Hub s’appuie sur des travaux présentés à ICLR 2025, selon lesquels la généralisation d’une politique robotique dépend surtout du nombre d’environnements et d’objets vus.
🔗 Annonce de Hub sur X · Jeu HubEgo-100K sur Hugging Face
IA vocale : ElevenLabs lance Scribe v3 Live Medical, une transcription médicale en temps réel pour les agents vocaux
17 novembre — Une semaine après Scribe v3 Live, ElevenLabs en publie une version médicale pensée pour les agents vocaux qui répondent en direct aux patients, aux assurés et aux professionnels de santé. Le modèle cible les mots qu’un modèle généraliste écorche le plus, noms de médicaments, doses et actes. Les équipes peuvent charger jusqu’à 10 000 termes propres, ce qui réduit selon ElevenLabs jusqu’à 48 % des erreurs sur les termes médicaux ; le modèle attend aussi la fin d’un numéro dicté en plusieurs fois et suit les changements de langue en cours d’appel, parmi plus de 90 langues, avec une latence d’environ 150 ms.
| Banc de test (interne à ElevenLabs) | Scribe v3 Live Medical |
|---|---|
| PriMock57 (WER) | 12,8 % |
| Fareez OSCE (WER sémantique) | 0,6 % |
| Eka Medical ASR | 11 % (Scribe v3 Live : 11,54 %) |
| MED-Term anglais / allemand / français | 2,24 % / 2,81 % / 3,24 % |
Sur PriMock57, ElevenLabs annonce le taux d’erreur le plus bas des modèles médicaux testés, avec 17 % d’erreurs en moins que le suivant, sans nommer ces concurrents. Le modèle est disponible dès maintenant dans ElevenAgents, éligible HIPAA pour les entreprises sous contrat BAA.
🔗 Scribe v3 Live Medical (ElevenLabs)
Adoption en entreprise : Cognition s’allie à McKinsey pour mesurer la valeur de Devin
16 novembre — Cognition annonce une alliance avec McKinsey & Company pour aider les grandes entreprises à tirer une valeur mesurable de l’IA en ingénierie logicielle. Devin prend en charge le travail d’ingénierie ; McKinsey aide les clients à choisir les projets prioritaires, à fixer une référence de coût, de vitesse et de qualité, et à réorganiser les équipes. Le billet s’appuie sur une enquête McKinsey du deuxième trimestre 2026 auprès de 334 responsables produit et ingénierie : le quart le plus avancé des organisations rapporte des gains de productivité de plus de 2 fois, tandis que 30 % constatent une baisse. Cognition revendique parmi ses clients six des huit banques américaines d’importance systémique mondiale et trois des six premiers assureurs santé américains, et un coût jusqu’à 60 % plus bas. Premier cas cité : l’éditeur polonais Comarch, qui modernise avec Devin son ERP XL vieux de 20 ans, en 18 mois. Aucun montant n’est communiqué.
🔗 Cognition et McKinsey (blog Devin)
Brèves
NVIDIA
- Comité sécurité nationale et exportations — Le jour de ses résultats, NVIDIA crée un comité permanent de son conseil, présidé par Suzanne Nora Johnson, avec Stephen C. Neal et John O. Dabiri ; les équipes de sécurité nationale et de conformité commerciale lui rendent compte, ainsi qu’à la PDG par intérim. 🔗 source
- Substrats et encapsulation — Kinsus multipliera par plus de 3,5 sa capacité de substrats ABF dédiée à NVIDIA (production au second semestre 2027), SPIL étend l’encapsulation avancée avec un financement de plusieurs milliards de dollars de NVIDIA, et les accords avec Amkor approchent 3 milliards de dollars. 🔗 source
- IBM, Fermilab et le quantique — Des DGX B200 sont installés à côté d’ordinateurs quantiques IBM, dont ceux du processeur Nighthawk, pour une plateforme commune de co-conception consacrée à la correction d’erreurs et à la physique des hautes énergies. 🔗 source
Image et création
- Midjourney — Le modèle d’édition applique désormais les moodboards, codes de style et images de référence de style : il suffit de déposer une image dans la barre de prompt et d’y ajouter un style, sans écrire de prompt ; le site alpha ajoute un menu « change style ». 🔗 source
- Ideogram Print on Demand Studio — Un espace pour les vendeurs de produits imprimés : repérer les tendances, créer un motif, le vectoriser ou l’agrandir, le préparer pour l’impression et le voir sur le produit, avec le modèle vectoriel d’Ideogram ; aucun tarif ni offre précisés. 🔗 source
- Laya chez Luma — Luma explique son organiseur de tableaux : l’agent principal, Orca, confie le rangement au sous-agent Laya, qui décide des regroupements et laisse au code le calcul des positions ; une correction de ce calcul a ramené un test de 195 à 22 secondes. 🔗 source
Agents de code et CLI
- Codex CLI 0.171.0-alpha.12 — Trois préversions aux notes vides ; selon les titres de leurs commits, le terminal gagne des aperçus de documents et d’images dans sa barre latérale, l’annulation dans le compositeur et la création de lignes d’état personnalisées. Une stable corrective, la 0.169.1, a suivi le soir du 17 novembre, sans notes de version. 🔗 source
- Qwen Code v0.28.0 — Prise en charge de Qwen4-Max (échelle d’effort native, TTL de cache), mode headless, interface terminal et sous-agents sur une même boucle d’agent par défaut, et sessions en worktrees gérés dans le Web Shell. 🔗 source
- Kimi Code 2.6.3 — Six correctifs : le hook Stop externe s’exécute de nouveau après chaque réponse, les notifications de tâches de fond ne relancent plus de réponse à la reprise d’une session, et le démon WebBridge se met à jour sous Windows. 🔗 source
- Delta Personal Runners — Delta, l’environnement de Zed pour coder avec des agents, permet de piloter depuis un autre appareil, téléphone compris, un fil dont les tours s’exécutent sur sa propre machine ;
delta runner servefait de même sur un serveur sans interface. Aucun tarif annoncé. 🔗 source - Notes de version de Devin — La barre latérale montre les sessions suivies par abonnement, Mark done remplace l’archivage, un annuaire Phonebook relie les identités de chaque membre (Slack, Teams, Git, Jira, Linear) et les constats de sécurité s’exportent en CSV. 🔗 source
- Gemini CLI — Toujours sans release depuis le 10 novembre, la branche main évalue désormais les expressions régulières des règles de politique avec re2js, en temps linéaire et avec un plafond de 2 000 instructions ; une règle avec lookahead ou référence arrière est ignorée. 🔗 source
- DeepSeek Harness 0.2.2-rc.4 — Quarantième préversion sans version stable, limitée à deux correctifs : la gestion des réponses inattendues du modèle et le partage LiveShare dans l’application de bureau. 🔗 source
Autres nouveautés de GitHub
- Secret scanning à la demande — Sur adhésion, le spécialiste security-review de Copilot lance les plus de 500 détecteurs de secrets de GitHub et son modèle affiné sur les changements en cours, dans la CLI, l’app, le SDK et la code review, en préversion publique. 🔗 source
- Comparaison de harnais — Le site de benchmarks de Copilot compare Copilot CLI à Claude Code et à Codex CLI avec le même modèle au même effort, en taux de résolution et en coût par tâche ; le changelog ne donne aucun chiffre. 🔗 source
- GitHub Event Streams — En préversion sur liste d’attente, un agent s’abonne à une pull request et reçoit en direct revues, commits, conflits et changements de CI, sans interroger l’API en boucle ni exposer de webhook public. 🔗 source
- Microsoft Agent 365 — Les entreprises sur GitHub Enterprise Cloud avec Enterprise Managed Users peuvent y envoyer l’activité des agents Copilot, avec prompts, réponses, appels d’outils et signaux de risque dans Purview et Defender. 🔗 source
- Agent Host Protocol — Un billet d’ingénierie raconte la construction du protocole qui fait passer une session d’agent d’un appareil à l’autre, avec deux hôtes indépendants, en TypeScript pour VS Code et en Rust pour GitHub, et des bibliothèques en six langages. 🔗 source
- Serveur MCP de GitHub 2.2.0 — Les instructions du serveur cèdent la place à des skills MCP filtrées, les outils d’alertes de secret scanning peuvent masquer les secrets, et de nouveaux outils publics servent à l’automatisation d’agents. 🔗 source
- Personnalisations par plugins seulement — Le réglage géré
strictPluginOnlyCustomizationpermet aux administrateurs d’entreprise d’exiger que skills, agents, hooks, serveurs MCP et extensions de Copilot viennent de plugins ou de réglages gérés. 🔗 source - Récapitulatif Copilot du 9 novembre — L’app GitHub Copilot gagne un QR code pour poursuivre une session cloud ou Codespace sur téléphone, la reconnexion à un serveur MCP sans quitter la conversation et une dictée multilingue, français compris. 🔗 source
- Dependabot — Les demandes de rejet délégué des alertes restent ouvertes un an au lieu d’une semaine, sur github.com puis dans GHES 3.24. 🔗 source
Modèles, recherche et Hugging Face
- Qwen4-Max chez You.com et Lebrel — Après OpenRouter, Vercel et Novita AI, Qwen annonce la disponibilité de Qwen4-Max sur You.com, puis sur Lebrel pour du code agentique, sans prix ni formule. 🔗 source
- TRL v1.18.1 — Version corrective : CLI réparée sous Python 3.15, et calcul des récompenses d’exactitude dans un processus séparé, pour qu’une réponse pathologique ne bloque plus un entraînement. 🔗 source
- MecCog Challenge — Hugging Face et les fondateurs de CASP lancent jusqu’au 15 janvier 2027 un concours pour relier à la littérature cinq hypothèses sur le rôle d’APOE4 dans la maladie d’Alzheimer, ouvert aux humains comme aux agents, avec publication des résultats en revue. 🔗 source
- Auto Router d’OpenRouter — Selon le banc AutoBench, dont l’auteur propose aussi un routeur, le nouvel Auto Router choisit le bon modèle dans 65,2 % des cas en réglage high, contre 79,1 % pour l’ancien ; ses autres réglages restent au niveau du hasard. 🔗 source
- Modèles non censurés en agents — OpenUncensored, qui vend l’accès à ces modèles, en a fait passer 32 par cinq tâches à outils : ceux qui dérivent des meilleurs modèles d’origine terminent 38 % des tâches, les autres 28 %. 🔗 source
- TuHaMa — Turkish NLP Suite publie 52 000 exemples de discours haineux en turc visant 12 groupes, tirés du forum Ekşi Sözlük, présentés comme un test de compréhension culturelle des modèles. 🔗 source
- TRELLIS.2 en CUDA C++ — Suvaditya Mukherjee a fait réécrire par Claude ce modèle 3D en CUDA C++ : 5,3 fois plus rapide que l’implémentation PyTorch, ou 2,2 fois au bit près, pour environ 7 dollars d’IA et 60 dollars de calcul sur H200. 🔗 source
- AI Model Hacking Hackathon — VIDRAFT ouvre un concours de red teaming de ViKernel dans le navigateur, en quatre saisons, doté de 4 500 dollars. 🔗 source
Robotique
- LeWAM — Kevork Sulahian a demandé à GPT-6 Astra de corriger par édition directe des poids la politique robotique LeWAM : sur 300 départs inédits, aucune des sept éditions ne fait mieux que la politique d’origine (-2,3 à +3,0 points). 🔗 source
- TartanGround pour FiftyOne — Voxel51 convertit six trajectoires de robot terrestre du jeu de CMU AirLab (hôpital, port, marais, ville japonaise, usine, centre-ville), avec caméra, segmentation, lidar, pose et IMU. 🔗 source
IA vocale
- PostNord et ElevenAgents — L’opérateur postal nordique a remplacé en environ 90 jours son serveur vocal suédois par un système multi-agents : la part d’appels résolus sans transfert passe de 45 à 60 %, avant une extension au Danemark, en Norvège et en Finlande. 🔗 source
- Wonderful chez Together AI — Wonderful sert sur GPU NVIDIA dédiés, uniquement en Europe, ses propres modèles vocaux affinés pour des langues mal couvertes, avec 274 ms jusqu’à la première phrase selon Together AI. 🔗 source
Entreprises et institutions
- Revolut et Codex — Dans une étude de cas publiée par OpenAI, Revolut dit avoir réduit de 30 à 60 % son temps de codage avec Codex, et confie à un agent FinCrime des contrôles de premier niveau, l’humain gardant la décision finale. 🔗 source
- Grok Bots chez SpaceXSI — Cinq Grok Bots prennent en charge le cycle de facturation et d’encaissement de l’équipe comptable : une facture émise en quelques minutes au lieu d’environ 24 heures, un rapprochement des paiements ramené de 3 ou 4 heures à 30 minutes, selon SpaceXSI. 🔗 source
- OpenAI for Chile — Protocole d’accord avec le ministère chilien de la Science pour explorer l’IA dans l’administration, la formation des fonctionnaires et l’appui aux startups, sans engagement d’investissement ni d’achat. 🔗 source
- Crunchbase dans Cohere North — Après PitchBook, les agents de North accèdent à plus de sept millions de profils d’entreprises et aux prédictions de Crunchbase, pour les clients qui ont une licence Crunchbase et l’authentification unique. 🔗 source
- Guide RAG de Perplexity — Un cinquième guide depuis octobre sur la génération augmentée par récupération : bénéfices, architectures, cas d’usage et différences avec un LLM seul, MCP ou une API, sans nouveauté produit. 🔗 source
Ce que ça signifie
Le coût par tâche devient l’argument principal des lancements de modèles. OpenAI ne vend pas GPT-6.2 sur un record isolé, mais sur des points gagnés avec moins de tokens et un prix d’Astra en baisse, et ajoute des fenêtres d’exécution de 2 et 8 heures moins chères pour les agents qui peuvent attendre. Microsoft présente MAI Code 2 comme 96 % de Claude Opus 5.5 pour 5 % du coût, GitHub place Copilot Fusion devant Opus 5.5 et Fable 5.2 pour 88 % de moins que Fable, et Perplexity affiche à côté de chaque score WANDR son coût par tâche. Ces comparaisons restent celles des éditeurs, avec leurs conditions : prix promotionnel pour MAI Code 2, meilleure configuration de chaque modèle chez OpenAI, et Fable 5.2 qui garde la tête sur l’Intelligence Index et sur FrontierCode 2.0.
Les agents passent de la tâche à l’objectif. Devin Bots reçoit une responsabilité, Replit Missions un résultat à atteindre dans un budget, Gemini Tasks un mandat pour téléphoner et payer, et Multiagent répartit un dossier entre une équipe de modèles. Les garde-fous changent de nature avec cette autonomie : plafond de dépense et approbations dans l’accord de mission de Replit, limite de dépenses et boutiques autorisées chez Gemini, machine virtuelle isolée par tâche, boîte « Needs You » chez Cognition. Les chiffres avancés, comme les 1 134 PR de l’Android Bot ou les 19 fois de l’essaim NumPy, sont ceux des éditeurs sur leurs propres projets.
Le modèle devient interchangeable et la valeur glisse vers la couche qui le choisit et le facture. L’Orchestrator de Perplexity bascule entre fournisseurs et contourne même les refus d’un modèle en confiant la tâche à un autre, Multiagent et Copilot Fusion combinent des modèles concurrents, et la facturation liée de Claude Platform permet de payer l’API d’Anthropic depuis Warp, Linear ou Ramp sans jamais confier de clé. Côté modèles ouverts, la même logique joue à petite échelle : un simple adaptateur LoRA fait plus que doubler le score de Qwen3.8-27B sur les 51 tâches les plus dures de SWE-bench Pro dans un harnais donné, et OVHcloud entraîne Olala sur des supercalculateurs publics européens pour ne pas dépendre des poids publiés par d’autres.
La cybersécurité reste le terrain où ces capacités inquiètent et servent à la fois. GPT-6.2 atteint le seuil Critical en cyber et, pour Astra, le seuil High en auto-amélioration de l’IA, ce qui se traduit par des garde-fous plus stricts qui gênent aussi des chercheurs légitimes. Dans le même temps, l’OTAN, l’ENISA et l’ANSSI utilisent les modèles cyber d’OpenAI, et le pilote MDASH de GitHub et Microsoft montre qu’une alerte générée par IA n’aide un mainteneur qu’une fois triée, vérifiée et livrée avec son correctif : 99 rapports retenus sur des milliers d’alertes, dont 55 déjà corrigés.
Sources
- Billet de lancement de GPT-6.2 Astra et Sol (OpenAI)
- Fiche système de GPT-6.2
- @OpenAIDevs sur X : Ultrafast et API
- Astra for Law sur GPT-6.2 Astra (OpenAI)
- Changelog de l’API OpenAI
- Guide du mode arrière-plan (OpenAI)
- Changelog GitHub : GPT-6.2 Astra et GPT-6.2 Sol
- Perplexity sur X : GPT-6.2 dans Search et Computer
- Résultats du troisième trimestre de l’exercice 2027 (NVIDIA)
- Transition à la direction générale de NVIDIA (12 novembre)
- Déclaration des administrateurs indépendants de NVIDIA (10 novembre)
- Changelog GitHub : MAI Code 2 et MAI Code 2 Flash
- Annonce de MAI Code 2 (Microsoft AI)
- Introducing Orchestrator (Perplexity)
- Orchestrator: One API for reliable inference (Perplexity)
- Introducing Multiagent (Perplexity)
- @perplexity_ai sur X : Multiagent
- Introducing Devin Bots (Cognition)
- @cognition sur X : Devin Bots
- Introducing Replit Missions
- Dépôt DataCat (Replit)
- Tasks in Gemini (blog Google)
- Google Wallet sur iOS aux États-Unis
- Kling Image 4.0 (blog Kling)
- Kling sur X : Kling Image 4.0
- Introducing Visuals (Suno)
- Tarifs des crédits visuels de Suno
- HeyGen sur X : Avatar 6
- Fiche du modèle Avatar 6 (HeyGen)
- Microsoft Copilot SDK 2.0 (Command Line)
- Copilot SDK v2.0.0
- Changelog GitHub : Copilot Fusion
- Changelog GitHub : code review adaptative
- Changelog GitHub : Repository insights
- Changelog GitHub : browser use
- Changelog GitHub : app GitHub Copilot à Ignite
- Changelog GitHub : Copilot Evals
- Changelog GitHub : connexion Entra dans Copilot CLI
- Copilot CLI 1.0.113
- Changelog GitHub : Copilot pour JetBrains
- Linked billing on the Claude Platform (Anthropic)
- @ClaudeDevs sur X : facturation liée
- Warp now supports linked billing with Claude Platform
- Documentation de Warp sur la facturation liée
- Claude Code v2.1.326
- Documentation de Code Mode
- How the Claude Code team thinks about verification (claude.dev)
- Mistral AI sur X : Vibe Desktop et Vibe Pro
- Page produit de Vibe (Mistral AI)
- Changelog d’Antigravity
- Replit sur X : Replit Desktop
- Page de Replit Desktop
- Build full-stack Android apps with Gemini in Google AI Studio
- OVHcloud sur X : Olala mini 7A1B
- Communiqué d’OVHcloud sur Olala mini
- Fiche de Qwen3.8-27B-pi-adapted (Hugging Face)
- younes sur X : Qwen3.8-27B-pi-adapted
- The road to Together Compiler (Together AI)
- Nemotron for Science (NVIDIA)
- Post-entraînement de Nemotron pour un domaine scientifique (NVIDIA)
- La plateforme Vera pour la science (NVIDIA)
- DGX Spark HPC Developer Kit (blog NVIDIA)
- Strengthening NATO and allied cyber defenses with AI (OpenAI)
- Maintainers don’t need more AI bug reports, they need fixes (GitHub)
- GitHub sur X : pilote MDASH
- Gemini Hydrogen for robotics (Google Developers)
- Google DeepMind sur X : plugin Robotics
- Hub sur X : HubEgo-100K
- Jeu HubEgo-100K sur Hugging Face
- Scribe v3 Live Medical (ElevenLabs)
- Cognition et McKinsey (blog Devin)
- Comité sécurité nationale et exportations (NVIDIA)
- Engagements de NVIDIA envers ses fournisseurs
- NVIDIA, IBM et le Fermilab
- Midjourney : styles pour le modèle d’édition
- Ideogram sur X : Print on Demand Studio
- Building canvas-native agents (Luma)
- Codex CLI 0.171.0-alpha.12
- Qwen Code v0.28.0
- Kimi Code 2.6.3
- Delta : Personal Runners
- Notes de version de Devin du 16 novembre
- Gemini CLI : PR 30282
- DeepSeek Harness 0.2.2-rc.4
- Changelog GitHub : secret scanning à la demande
- Changelog GitHub : comparaison de harnais
- Changelog GitHub : Event Streams
- Changelog GitHub : Microsoft Agent 365
- Building the Agent Host Protocol (GitHub)
- Serveur MCP de GitHub v2.2.0
- Changelog GitHub : personnalisations par plugins
- Changelog GitHub : récapitulatif Copilot du 9 novembre
- Changelog GitHub : rejets d’alertes Dependabot
- Qwen sur X : Qwen4-Max sur You.com
- TRL v1.18.1
- MecCog Challenge (Hugging Face)
- AutoBench : le nouvel Auto Router d’OpenRouter
- OpenUncensored : modèles non censurés en agents
- TuHaMa (Turkish NLP Suite)
- Suvaditya Mukherjee sur X : TRELLIS.2 en CUDA C++
- AI Model Hacking Hackathon (VIDRAFT)
- LeWAM et l’édition de poids
- TartanGround pour FiftyOne
- PostNord et ElevenAgents
- Wonderful chez Together AI
- Revolut et OpenAI
- Building an accounting team with Grok Bot (xAI)
- Introducing OpenAI for Chile
- Crunchbase dans North (Cohere)
- Guide RAG de Perplexity