Rechercher

Google lance Gemini 4 Neon, OpenAI dit retenir GPT-6.1 Astra, Genie 4 arrive dans Project Genie

Sociétés de cette veille

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

Grands labos
Chine
Europe
Outils de code
Agents et recherche web
Médias génératifs
Infrastructure et open source
Autres

Google lance Gemini 4 Neon, un modèle placé entre Carbon et Hydrogen, facturé 3 et 15 dollars par million de tokens, 1er de l’Artificial Analysis Coding Agent Index et nouveau modèle par défaut d’Antigravity. OpenAI indique retenir des modèles comme GPT-6.1 Astra quand il lui faut plus de temps pour atteindre ses standards de sûreté, et montre que ses modèles ont trouvé jusqu’à 14 % de PPA en plus sur l’IP du GPU phare d’AMD. Genie 4 arrive dans Project Genie pour les abonnés Google AI Ultra, Claude Code 2.1.327 corrige 100 problèmes, et Perplexity lance une Context API à 1 dollar pour 1 000 URL.


Gemini 4 Neon : le modèle intermédiaire de Google, à 3 et 15 dollars par million de tokens

18 novembre — Google DeepMind lance Gemini 4 Neon, nouveau modèle de la famille Gemini 4 après Argon, Carbon et Hydrogen, placé entre Carbon, pour les projets les plus longs et les plus difficiles, et Hydrogen, pour l’exécution rapide du quotidien. Le modèle gemini-4-neon est en disponibilité générale dans l’API payante : 3 dollars par million de tokens en entrée (0,15 dollar en cache), 15 dollars en sortie, un contexte de 1 million de tokens et quatre niveaux de réflexion, de low à xhigh.

Indice ou benchmark cité par GoogleRésultat de Gemini 4 Neon
Artificial Analysis Intelligence Index61 en xhigh, 3e au général
Artificial Analysis Coding Agent Index58,6, 1re place
Vals Index70,9 %, 2e place
Agent Arena Index (Arena)1336, 2e place
Terminal-Bench 4.165,2 %
SWE-sweep (harnais mini-SWE, puis Antigravity)12,8 %, puis 39,0 %

Google met surtout en avant le coût par tâche : en high, 32 % de moins que Carbon, et de 50 à 80 % de moins que les meilleurs modèles concurrents sur Vals et Agent Arena. Glean dit avoir mesuré une qualité égale ou supérieure à Carbon, trois fois plus vite et pour 60 % du coût. Par token, Neon reste pourtant plus cher que Carbon, qui garde son prix de lancement de 2 et 10 dollars jusqu’au 30 novembre avant de passer à 4 et 20 dollars. Une variante « Gemini 4 Neon for cyber » arrivera dans les prochains jours chez les défenseurs du Fairwind Program.

Le déploiement commence le jour même : API payante (AI Studio, Android Studio), Gemini for business, application Gemini pour les abonnés Google AI Pro et Ultra, où les Tasks peuvent désormais tourner sur Neon, et Antigravity pour les abonnés Pro et Ultra payants. Neon y devient le modèle par défaut des nouvelles conversations quand aucun modèle n’a été choisi, avec un contexte de 512K tokens, et l’option Orchestrator (Neon) lui confie la planification en laissant l’exécution à Hydrogen.

Gemini 4 Neon is rolling out now. Sitting between Carbon and Hydrogen, it brings frontier intelligence and fast task completion for complex software engineering, knowledge work, and science.

🇫🇷 Gemini 4 Neon est en cours de déploiement. Placé entre Carbon et Hydrogen, il apporte une intelligence de pointe et une exécution rapide des tâches pour le génie logiciel complexe, le travail intellectuel et la science. — @GoogleDeepMind sur X

🔗 Billet de Google sur Gemini 4 Neon · Modèles disponibles dans Antigravity


Sûreté des modèles de pointe : OpenAI détaille sa gestion du risque et dit retenir GPT-6.1 Astra

18 novembre — Le billet d’OpenAI sur sa gestion du risque des modèles de pointe s’ouvre sur un modèle retenu :

We are pacing the development and release of our models, including pausing internal training or holding back models like GPT‑6.1 Astra when we need more time to meet our safety standards.

🇫🇷 Nous réglons le rythme de développement et de sortie de nos modèles, jusqu’à suspendre des entraînements internes ou retenir des modèles comme GPT-6.1 Astra quand il nous faut plus de temps pour atteindre nos standards de sûreté. — OpenAI, billet sur la gestion du risque des modèles de pointe

Le billet n’en dit pas plus sur ce modèle. Le cadre combine quatre couches de protection sur trois étapes. En recherche, l’entraînement de pointe se fait sans accès à l’Internet réel depuis l’incident Hugging Face de juillet ; toute inférence de pointe y est surveillée, avec une pause automatique si un modèle atteint Internet. En déploiement interne, où les modèles accèdent à Internet, à Slack et au code d’OpenAI, l’Auto-Review est en général exigé pour les employés qui utilisent Codex. En déploiement externe s’ajoutent des tests par des tiers et un contrôle hors ligne par des enquêteurs agentiques et humains. Tout employé peut signaler un incident pour qu’il soit rendu public.

🔗 Annonce d’OpenAI sur X


Conception de puces : les modèles d’OpenAI améliorent jusqu’à 14 % la PPA d’un GPU phare d’AMD et la puce Jalapeño

18 novembre — Avec AMD, les modèles d’OpenAI ont trouvé jusqu’à 14 % d’amélioration de la PPA (puissance, performance et surface) sur l’IP du GPU phare d’AMD, face à des références déjà très optimisées, en réécrivant le code qui décrit les circuits (RTL SystemVerilog). AMD a déjà intégré une partie de ces changements dans un design envoyé en fabrication, chaque réécriture étant vérifiée avec les outils Synopsys.

Puce ou banc concernéRésultat annoncé par OpenAI
IP du GPU phare d’AMDjusqu’à 14 % de PPA en plus, en moins de 5 mois
Futur CPU phare d’AMDgains à un chiffre sur des blocs clés
Jalapeño, unité vectorielleenviron 13 % de surface de cellules en moins
Jalapeño, unité matricielleenviron 10 % de surface de cellules en moins

Sur Jalapeño, la puce d’inférence d’OpenAI, les gains estimés par l’équipe ont été confirmés sur le silicium. Prochaine étape : GPT-Synopsys, un modèle entraîné avec Synopsys pour ses outils de conception électronique.

🔗 Billet d’OpenAI sur la conception de puces


Mondes et vidéo interactifs : Genie 4 dans Project Genie, Pika Enact

Genie 4 arrive dans Project Genie pour les abonnés Google AI Ultra

18 novembre — Genie 4, le modèle de monde dévoilé le 27 octobre en aperçu de recherche, devient accessible dans une nouvelle version de Project Genie pour les abonnés Google AI Ultra éligibles ; les membres Google AI Pro peuvent rejoindre une liste d’attente. On modifie le monde pendant qu’on s’y déplace en tapant un nouveau prompt (météo, personnage), avec un audio natif en temps réel. Un agent construit un monde à partir d’une simple description, puis Gemini suggère et déclenche des événements pendant l’exploration. Une galerie communautaire permet de découvrir, remixer et publier des mondes. Genie 3 reste proposé, avec des sessions de 3 minutes par génération au lieu de 60 secondes et des départs depuis une image panoramique à 360 degrés. Tout le contenu généré porte le filigrane SynthID.

🔗 Billet de Google sur Genie 4 dans Project Genie

Pika Enact : diriger acteurs, mise en scène et caméra d’une vidéo qui continue de jouer

18 novembre — Pika présente Enact, un aperçu de recherche bâti sur Pika H3 Flex, qui génère image et son par morceaux de moins d’une seconde pendant que la scène continue de jouer.

Mode d’interactionPerformance annoncée par Pika
Mise en place en direct (Live Staging)sujets déplacés à la souris, image qui répond en moins de 0,4 s sur H100
Direction d’acteurs (Live Actor Direction)agents dotés d’une mémoire, image et son 1,75x plus vite que la lecture
Contrôle de caméra (Live Camera Control)8 GPU B300, 640x480 à 24 i/s, 1,50x le temps réel

On parle aux acteurs, qui répondent avec leur propre voix, puis au mot « Action », la répétition est réécrite en une prise continue reprise depuis la première image. Une distillation ramène l’échantillonnage de vingt étapes de débruitage à quelques-unes. Enact n’est pas ouvert au public : essais et intégrations passent par l’équipe entreprise de Pika, sans tarif ni date.

🔗 Billet de Pika sur Enact


Assistants grand public : dictée en direct dans ChatGPT, Perplexity sur mobile et skills écrits par Brain, Gemini sur Android Go

ChatGPT affiche la dictée au fil de la parole et supprime la limite de 10 minutes

18 novembre — La dictée vocale de ChatGPT passe en direct avec Live Dictation : la parole s’affiche en texte pendant qu’on parle, au lieu d’apparaître une fois la transcription du message terminée. Un appui ou un clic sur la forme d’onde affiche ou masque le texte en cours. OpenAI supprime au passage la limite de 10 minutes d’enregistrement. La fonction se déploie dans le monde entier pour tous les forfaits ChatGPT, sur iOS, Android, le web et l’application de bureau. Le retrait d’Advanced et Standard Voice au 11 décembre avait été traité ici le 11 novembre.

🔗 Notes de version de ChatGPT

Perplexity ouvre les Teammates et Multiagent sur iOS et Android, avec la voix

18 novembre — Les Teammates, agents personnels qui prennent en charge un travail continu dans Computer (lancés le 5 novembre sur le web, puis le 13 sur Mac), et Multiagent, le niveau d’effort où plusieurs agents de modèles différents travaillent en équipe (ouvert la veille sur le web), arrivent dans l’application Perplexity sur iOS et Android. Le mobile apporte une fonction propre : les Teammates se pilotent à la voix. Selon Perplexity, environ un tiers du travail Computer le plus exigeant démarre déjà sur iPhone. L’ensemble est disponible dès le 18 novembre pour les abonnés Max ; le tweet ne précise ni le coût en crédits ni l’ouverture aux offres Enterprise.

🔗 Annonce de Perplexity sur X

Perplexity Brain écrit et corrige lui-même des skills personnels

18 novembre — Perplexity détaille comment Brain, la mémoire de Computer, écrit et améliore des skills, des instructions réutilisables pour les tâches récurrentes. À partir de la mémoire et de l’historique d’un utilisateur, une passe quotidienne crée ou corrige des skills personnels, sans accès à internet ni aux connecteurs, avec un plafond de 10 skills créés automatiquement par utilisateur. Les skills intégrés, communs à tous, passent par un rejeu comparatif des deux versions puis une relecture humaine. Plus de 80 000 skills personnels ont été écrits pour plus de 20 000 utilisateurs entre le 1er août et le 14 novembre. Dans un test randomisé de huit semaines, les échecs d’appels d’outils baissent de 11 % et l’insatisfaction de 7,6 %, sans effet mesurable sur le coût ; sur SkillLearnBench, le taux de succès passe de 43,8 à 62,5 %. La fonction est ouverte à tous les abonnés Max aux États-Unis, activée par défaut et désactivable.

🔗 Billet de Perplexity sur les skills qui s’améliorent seuls

L’application Gemini arrive sur les téléphones Android à faible mémoire

18 novembre — Google a refait l’architecture de l’application Gemini pour qu’elle tourne sur les téléphones Android à faible mémoire, dont les appareils Android (Go edition) éligibles, qui se limitaient jusqu’ici à des commandes vocales basiques. Pour des centaines de millions de personnes, rappelle Google, ce type de téléphone est le lien quotidien avec internet, l’éducation et le commerce. Les fonctions mises en avant : Gemini Live dans plus de 45 langues, l’appareil photo pointé sur des notes ou un formulaire pour apprendre ou traduire, et la création d’images avec Nano Banana. L’application se télécharge sur Google Play ou s’ouvre par un appui long sur le bouton d’alimentation, et sera préinstallée sur de futurs appareils de partenaires comme Transsion. Le billet ne précise ni seuil de mémoire ni liste de pays.

🔗 Billet de Google sur Gemini pour les téléphones à faible mémoire


Agents de code : Claude Code 2.1.327, la boucle de chaos de Claude Docs, le bac à sable de Codex, Vibe CLI 3.1.3, VS Code 1.147 et Replit à Ignite

Claude Code 2.1.327 lit la configuration MCP sur stdin et fait de /status un diagnostic

17 novembre — Claude Code 2.1.327 compte 173 entrées, dont 100 correctifs. claude mcp add-json <nom> - lit la configuration d’un serveur MCP sur l’entrée standard, pour garder les tokens hors de la ligne de commande. /status liste désormais les fichiers d’agents, de skills, de commandes et de styles de sortie cassés, les réglages de permissions ignorés et les hooks dont le filtre (matcher) ne correspond jamais à rien. Plusieurs correctifs évitent des pertes de données : Remote Control en mode worktree pouvait effacer les fichiers ignorés par git, comme .env, claude mcp add et remove effaçaient d’autres clés de .mcp.json, et /export écrasait un fichier sans demander. À noter : pour accélérer la première commande Bash, les fichiers de démarrage du shell peuvent s’exécuter avant son approbation, même si elle est refusée (CLAUDE_CODE_DISABLE_SHELL_HEAD_START=1 le coupe). Le mode auto annonce qu’une prochaine version supprimera le repli vers le classifieur facturé. Sur npm, la version stable reste la 2.1.311.

🔗 Claude Code v2.1.327

Comment Claude Code a testé Claude Docs en boucle de chaos avant son lancement

17 novembre — Sur le blog claude.dev, Vivek Nair raconte la boucle de chaos (chaos loop) confiée à Claude Code avant le lancement de Claude Docs, le 16 septembre. Pendant environ deux semaines, une session coordinatrice, avec jusqu’à 30 sous-agents, a cassé volontairement un environnement de préproduction (staging) calqué sur la production, lu la télémétrie par le MCP Datadog, puis déployé un correctif et relancé le test. Les décisions difficiles à défaire restaient à l’humain.

Indicateur du lancement de Claude DocsChiffre publié
Mémoire d’un gros documentenviron 3 Go, puis environ 180 Mo
Pods prévus pour le lancementenviron 50 au lieu de plus de 500
Erreurs serveur60 sur 2 milliards de requêtes
Coût d’inférence (prix catalogue de Fable 5.2)environ 125 000 dollars

L’auteur a utilisé un modèle de recherche interne proche de Claude Fable 5.2 et avance, sans l’avoir testé, 3 000 à 10 000 dollars pour une petite équipe sur deux semaines.

🔗 Billet de claude.dev sur la boucle de chaos

OpenAI détaille le bac à sable de Codex, ses profils de permissions et son proxy réseau

18 novembre — Dans un billet de Michael Bolin, OpenAI explique pourquoi Codex n’utilise ni machine virtuelle ni conteneur : il contraint chaque commande avec les protections natives du système, pour garder l’environnement du développeur (un conteneur Docker le priverait du simulateur d’iPhone). Le profil par défaut :workspace autorise l’écriture dans le dépôt, garde .git et .codex en lecture seule et coupe le réseau. Le billet en reconnaît les limites : des fichiers sensibles hors du dépôt restent lisibles, et un agent pourrait glisser du code dans node_modules/prettier, que l’éditeur exécuterait hors du bac à sable. Les profils de permissions se décrivent dans config.toml, le proxy codex-network-proxy filtre par domaine et ne résout le DNS qu’après autorisation, et codex sandbox confine d’autres outils, comme un serveur MCP.

Système d’exploitationMécanisme utilisé par Codex
macOSSeatbelt (sandbox-exec)
Linuxbubblewrap et seccomp-bpf
Windowsbibliothèque MXC de Microsoft, en cours d’adoption

🔗 Billet d’OpenAI sur le bac à sable de Codex

Vibe CLI 3.1.3 passe Mistral Large 4 en modèle par défaut et ajoute /goal

18 novembre — Huit jours après la 3.1.2, Mistral publie Vibe CLI 3.1.3 (78 entrées : 13 ajouts, 20 changements, 44 correctifs, 1 retrait). Mistral Large 4 devient le modèle par défaut à la place de Mistral Medium 3.5 ; active_model = "mistral-medium-3.5" permet de garder l’ancien. La commande /goal fixe un objectif que Vibe poursuit d’un tour à l’autre jusqu’à ce qu’il soit atteint, avec un budget de tokens plafonnable (max_goal_token_budget). Deux hooks encadrent chaque appel au modèle : pre_llm peut arrêter le tour, post_llm peut demander un nouvel essai, dans la limite de trois essais par tour partagés avec post_agent. Côté garde-fous, une commande shell qui lit des fichiers protégés demande une approbation, la configuration d’un projet ne peut plus réactiver la télémétrie, et une installation reliée à un serveur auto-hébergé n’envoie plus de rapports de plantage à Mistral.

🔗 Notes de version de Vibe CLI 3.1.3

VS Code 1.147 ajoute des routeurs de modèles et laisse les entreprises autoriser les harnais Claude et Codex

18 novembre — VS Code 1.147 introduit des routeurs de modèles (model routers), expérimentaux, pour les sessions du harnais Copilot : un fichier YAML placé dans ~/.agents/model-routers/ décrit quel modèle employer pour quel type de travail, et le modèle de décision gpt-6-luna-decisions aiguille chaque requête vers la bonne route. L’exemple des notes confie les longues tâches de code à Opus et les questions rapides à GPT-6 Luna. Côté entreprise, une limite tombe : jusqu’ici, le moindre réglage géré de Copilot désactivait les harnais Claude et Codex, qui n’appliquent pas ces réglages. Les administrateurs peuvent désormais en autoriser un ou les deux via vscode.allowedHarnesses, dans des réglages gérés par fichier ou par MDM. Les règles shell gérées acceptent aussi des expressions régulières, et la fenêtre Agents gagne l’envoi différé (Send Later) et plusieurs brouillons en parallèle. VS Code desktop devient déprécié sur macOS Ventura et Sonoma et sur Linux ARM 32 bits.

🔗 Notes de VS Code 1.147

Replit à Microsoft Ignite : accès local et Teams en disponibilité générale, publication sur Azure en accès anticipé

18 novembre — Replit profite de Microsoft Ignite pour élargir son partenariat avec Microsoft, et se dit nommé 2026 Microsoft Partner of the Year for Startups.

Intégration MicrosoftStatut au 18 novembre
Accès local de Replit Desktop (Windows, Mac, Linux)disponibilité générale
Replit dans Microsoft Teamsdisponibilité générale
Publication dans le tenant Azure, via Microsoft Marketplaceaccès anticipé
Full BYOC sur Azureannoncé, sans date

L’accès local laisse l’Agent travailler sur les dossiers choisis par l’utilisateur, dans un bac à sable fondé sur Microsoft Execution Containers ; les applications locales peuvent utiliser les modèles Microsoft Foundry Local, exécutés sur l’appareil. Dans Teams, on pose des questions à Replit et on lance du travail depuis une conversation d’équipe. Sur Azure, Replit gère l’hébergement et les applications publiées peuvent rejoindre des bases privées par le réseau de l’entreprise ou un VPN. Aucun tarif n’est communiqué.

🔗 Billet de Replit sur Microsoft Ignite


Modèles ouverts et inférence : Rumble-2-Flash, Nemotron-Labs-Sigma, l’adaptateur OpenCode de Qwen3.8-27B et un MoE de 180B sur un Mac de 32 Go

Reson8 publie Rumble-2-Flash, un modèle de reconnaissance vocale de 0,5B pour plus de 40 langues

18 novembre — Reson8 publie sous licence Apache 2.0 Rumble-2-Flash, un modèle de reconnaissance vocale de 0,5 milliard de paramètres pour plus de 40 langues. Bâti sur l’architecture de Qwen3-ASR, il tourne tel quel dans Transformers et vLLM. Il est obtenu par distillation sur politique (on-policy distillation) de Rumble-2, le modèle de production de Reson8.

Banc d’évaluationModèle comparéTaux d’erreur mesuré
Open ASR Leaderboard, multilingueRumble-2-Flash (0,5B)6,96 % en moyenne
AppTek, centre d’appels (302 h)Rumble-2-Flash (0,5B)7,86 % de WER
AppTek, centre d’appels (302 h)Nemotron 3.5 Transcribe (30B)7,78 % de WER
AppTek, centre d’appels (302 h)Qwen3-ASR 1.7B7,4 % de WER

Sur la piste multilingue, il fait mieux qu’omniASR-LLM 7B de Meta, quinze fois plus gros, et que Whisper large-v3. Il dépasse 7 000 RTFx sur lots pleins, soit environ une heure d’audio transcrite en une demi-seconde.

🔗 Billet Hugging Face sur Rumble-2-Flash

NVIDIA publie Nemotron-Labs-Sigma, 14 modèles de langage à diffusion continue en poids ouverts

18 novembre — NVIDIA met en avant Nemotron-Labs-Sigma, dont les poids, publiés sur Hugging Face, ont été annoncés le 16 novembre. Ces modèles ne génèrent pas le texte token par token mais par blocs produits en parallèle : chaque bloc part d’un bruit gaussien et se précise par débruitage.

Élément publiéValeur annoncée
Tailles et points de contrôle3B et 8B, 14 dépôts (base, instruct, variantes distillées)
Espace de diffusionembeddings continus de 16 dimensions
Accélération après distillationenviron 8x en mathématiques, 4x en code
Contexte et langue8 192 tokens, anglais
LicenceNVIDIA Nemotron Open Model License

Selon l’article de recherche, ces modèles dépassent les modèles à diffusion discrète et les références autorégressives sur GSM8K, Minerva, HumanEval et MBPP, avec les gains les plus nets en code. Distillés, ils produisent 8 tokens par passe en mathématiques et 4 en code, pour une perte de précision que les auteurs jugent négligeable.

🔗 Annonce de @NVIDIAAI sur X · Article arXiv 2610.02665

harness-hub publie l’adaptateur OpenCode de Qwen3.8-27B et réévalue l’adaptateur pi à 64,7 %

18 novembre — Le projet harness-hub publie Qwen3.8-27B-opencode-adapted, un adaptateur LoRA sous Apache 2.0 entraîné par apprentissage par renforcement dans le harnais de l’agent de code OpenCode.

Configuration évaluée (harnais OpenCode)SWE-bench Pro (hard 51)Terminal-Bench 2.1 (83 tâches)
Qwen3.8-27B35,3 %47,0 %
Qwen3.8-27B, réflexion xhigh47,1 %55,4 %
Qwen3.8-27B-opencode-adapted51,0 %53,0 %

Sans réflexion, l’adaptateur égale le modèle de base réglé à son effort maximal en écrivant 6 à 8 fois moins de tokens par tâche. Sur Terminal-Bench 2.1, la fiche donne un gain global de 6,0 points (p = 0,38), et de 45,5 à 59,1 % sur les 66 tâches qui n’ont pas servi à choisir le point de contrôle. L’équipe a aussi réévalué l’adaptateur pi : de 39,2 à 64,7 % sur SWE-bench Pro, contre 29,4 à 62,7 % annoncés la veille et traités ici le 17 novembre.

🔗 Fiche de Qwen3.8-27B-opencode-adapted · Fiche de l’adaptateur pi

Un MoE de 180B sur un MacBook de 32 Go avec Transformers, à 6 % de Strata

18 novembre — Tarek Ziadé, de Hugging Face, fait tourner Qwen3.8-Flash-Next, un modèle à mélange d’experts de 180 milliards de paramètres, sur un MacBook M5 de 32 Go, avec Transformers seul. Le principe : garder en mémoire un cache d’experts de 12 Gio et lire depuis le SSD, à chaque token, les seuls experts choisis par le routeur, quantifiés en 3 bits (49 Go sur disque).

Mesure sur MacBook M5 (32 Go)Transformers (streaming)Strata 0.1.60
Décodage, 200 tokens13,9 tokens/s14,8 tokens/s
Préremplissage, prompt de 4K228 tokens/s220 tokens/s
Décodage après un document de 6K12,4 tokens/s13,7 tokens/s

Le code est dans une demande de fusion de Transformers (PR 50717) encore ouverte : ce n’est pas une fonction livrée. L’auteur précise que tout le code a été écrit avec l’IA, et que le résultat reste trop lent pour ses agents de code.

🔗 Billet Hugging Face sur le streaming d’experts


Classement : Muse Ember de Meta devant GPT-6 Luna et Claude Haiku 5.5 sur Agent Arena, à 27 secondes et 1,9 cent par tâche

18 novembre — Arena publie les résultats de Muse Ember, lancé par Meta le 9 novembre, sur Agent Arena, son banc fondé sur des sessions réelles d’utilisateurs, face à deux autres modèles efficaces conçus pour le travail réel. Meta a relayé le fil.

Mesure Agent ArenaMuse Ember (Max)GPT-6 Luna (Max)Claude Haiku 5.5 (High)
Temps par tâche27 s5,8 min1,9 min
Amélioration nette+2,3 %+1,4 %+0,4 %
Coût par tâche1,9 cent7,0 cents6,9 cents
Score de pilotage (travail global)+11,2 %+3,9 %+3,8 %

Selon Arena, Muse Ember est environ 13 fois plus rapide que GPT-6 Luna et coûte moins d’un tiers de chacun des deux. Le score de pilotage (steering score), mesuré sur des milliers de sessions, est d’autant plus haut que l’utilisateur a moins besoin de corriger le modèle. Ce sont des mesures d’Arena, évaluateur tiers.

🔗 Fil d’Arena sur X


API pour agents : Perplexity lance la Context API, qui lit jusqu’à 10 URL par appel

17 novembre — Perplexity ajoute la Context API à sa plateforme pour développeurs, mise en ligne le 18 novembre selon le fil de @perplexitydevs. Elle lit jusqu’à 10 URL par appel et renvoie pour chaque page du Markdown propre, le HTML, les liens et des extraits choisis selon une requête. Les extraits reprennent le texte d’origine, pas un résumé, et un modèle sépare le contenu principal des menus et des publicités. Par défaut, l’API prend la copie de l’index Perplexity si elle a moins de deux jours, sinon elle lit la page en direct ; max_age_seconds à 0 impose le direct et cache_only l’interdit.

Critère mesuré par PerplexityRésultat de la Context API
URL au contenu exploitable92,3 %
Rappel des faits clés87,9 %
Précision du contenu80,3 %
Tarif1 dollar pour 1 000 URL récupérées

Perplexity s’est comparée à Firecrawl, Exa, Parallel, Keenable et Context.dev sur 715 sites, avec un modèle juge à l’aveugle, mais ne donne leurs scores que dans un graphique. Les échecs ne sont pas facturés.

🔗 Billet de Perplexity sur la Context API · Fil de @perplexitydevs sur X


Agents métiers : ChatGPT for Sales et ElevenAgents for Healthcare

OpenAI lance ChatGPT for Sales, avec un plugin Sales et plus de 30 plugins partenaires

17 novembre — OpenAI lance ChatGPT for Sales pour les équipes commerciales : un nouveau plugin Sales, avec des flux prêts à l’emploi (choisir les comptes à prospecter, préparer un appel, rédiger la relance), et plus de 30 plugins partenaires nouveaux ou améliorés. Ils couvrent tout le cycle de vente : CRM (Salesforce, HubSpot, Close, monday CRM, Attio), prospection (Apollo, Clay, Common Room, ZoomInfo), notes d’appel (Gong, Otter.ai, Granola), présentations (Gamma, Figma, Canva) et contrats (Docusign, Ironclad, PandaDoc, ServiceNow CPQ). Les dots, les agents permanents de ChatGPT, peuvent s’en servir pour préparer des briefings de réunion ou suivre les affaires ; avec Rox, un dot peut vérifier une affaire chaque matin. Les administrateurs ChatGPT Business et Enterprise activent ces plugins depuis l’Admin Console, avec installation par défaut possible, et la disponibilité varie selon le forfait et la région. OpenAI ne donne pas de tarif.

🔗 Billet d’OpenAI sur ChatGPT for Sales

ElevenLabs lance ElevenAgents for Healthcare, des agents vocaux pour la santé

18 novembre — Au lendemain de Scribe v3 Live Medical, ElevenLabs regroupe ses briques santé dans ElevenAgents for Healthcare : des agents vocaux qui prennent, reportent ou annulent des rendez-vous dans le dossier médical de l’établissement, vérifient remboursements et autorisations préalables, et répondent aux patients 24 heures sur 24. Une question sur un symptôme part vers un soignant avec le contexte de l’appel, et les déploiements sont éligibles HIPAA pour les clients Enterprise qui signent un BAA et activent le Zero Retention Mode.

Indicateur cité par ElevenLabsRésultat annoncé
Cadence, délai médian pour joindre un patientde près de 2 heures à 3,5 minutes
Angle Health, appels de professionnels sans transfertplus de 90 %
Scribe v3 Live Medical sur PriMock57 (tests internes)17 % d’erreurs en moins que le modèle suivant

Banner Health, Pfizer et AstraZeneca figurent aussi parmi les équipes citées. Un modèle Healthcare Receptionist permet de démarrer, et aucun tarif n’est publié.

🔗 Billet d’ElevenLabs sur ElevenAgents for Healthcare


Presse : le Groupe Figaro met son journalisme dans ChatGPT

18 novembre — Deux jours après le pôle médias de LVMH, le Groupe Figaro signe un partenariat stratégique avec OpenAI. Les articles récents et les archives du Figaro et de ses publications associées (actualité, économie, culture, art de vivre) seront visibles dans ChatGPT sous forme de résumés et d’extraits, avec des liens vers les articles. Le journal conserve son indépendance éditoriale. Marc Feuillée, directeur général du groupe, met en avant une rédaction de plus de 600 journalistes. Le Figaro prévoit aussi de déployer ChatGPT Enterprise dans plusieurs équipes et d’explorer d’autres usages dans le cadre de sa charte IA. Ni montant ni durée ne sont communiqués.

🔗 Annonce du partenariat par OpenAI


Brèves

Google

  • Antigravity CLI 1.5.10 et 1.5.11 — La 1.5.10 ajoute un mode accept-edits aux agents distants (--remote-agent) : dans le mode par défaut, l’agent distant demande désormais une approbation avant chaque modification de fichier. Elle ouvre aussi Orchestrator (plan par Carbon, exécution par Hydrogen) aux comptes Gemini Enterprise. 🔗 source
  • Gemini CLI — Cinq correctifs fusionnés sur la branche principale, toujours sans nouvelle version depuis le 10 novembre : une commande shell à expansion non résolue garde la demande de confirmation, et les règles commandPrefix et commandRegex ne visent plus que la commande de premier niveau. 🔗 source
  • Vitrine Gemini 4 Carbon — Google publie cinq créations de la communauté avec Carbon, dont une prairie de 52 000 fleurs codée en CUDA, 1 048 576 particules simulées en WebGPU et un laboratoire d’optique du XIXe siècle à 92 instruments recréé depuis une seule image. 🔗 source
  • EmbeddingGemma 2 — Un billet présente le rapport technique du modèle d’embeddings, sur arXiv depuis le 27 octobre, avec une vidéo de cinq minutes ; selon les auteurs, le modèle dépasse des modèles 2 à 12 fois plus gros. 🔗 source

Agents de code et outils de développement

  • Zed 1.29 et 1.30 — La 1.29 passe en stable avec le mode branche du Git Panel et Claude Fable 5.2 en BYOK ; la préversion 1.30 ajoute GPT-6.1 Terra, l’effort Extra High de Gemini 4 Hydrogen et le contexte complet des modèles Copilot quand aucun surcoût ne s’applique. 🔗 source
  • Codex CLI 0.170.0 — Les appels vocaux temps réel du terminal négocient leur connexion en WebRTC, les en-têtes OpenTelemetry se rafraîchissent automatiquement et plusieurs pertes de restrictions du bac à sable sont corrigées ; selon le changelog Codex du 17 novembre, les abonnés Pro 500 peuvent utiliser Ultrafast avec GPT-6.2 Sol et Astra. 🔗 source · 🔗 changelog Codex
  • Copilot SDK 2.0.1 et Copilot CLI 1.0.114 — Le SDK accepte de nouveau les imports @github/copilot-sdk et les anciens formats d’options des extensions existantes, et ajoute la sélection de GPT-6.2 Sol et Astra ; Copilot CLI 1.0.114 sort avec pour seules notes une mention générique de correctifs et de changements. 🔗 source
  • Plugins Copilot par équipe — En disponibilité générale sur Copilot Business et Enterprise, mainteneurs d’équipe et propriétaires d’organisation choisissent des Agent Plugins approuvés, activés par défaut pour les membres directs dans VS Code, l’app GitHub Copilot et Copilot CLI. 🔗 source
  • GitHub Agentic Workflows 1.3.1 — Cette préversion retire les hôtes d’API directs des modèles des accès réseau par défaut (Claude exige d’autoriser api.anthropic.com), supprime le moteur expérimental Atomic et répartit dans le temps les planifications récurrentes. 🔗 source
  • DeepSeek Harness 0.2.2-rc.5 — Avec les modèles DeepSeek, l’agent de code utilise la recherche web côté serveur de DeepSeek, sans facturation par recherche ; les autres modèles passent par l’API DeepSeek Search. 🔗 source
  • Replit Missions à l’œuvre — Selon Replit, Missions a parcouru plus de 1 000 parcours de la principale plateforme de signature électronique pour entreprises, puis les a reconstruits dans TernSign, publié gratuitement en préversion ; sur Replit Slides, 6 itérations ont amélioré de 20 % le score de design pour moins de 500 dollars. 🔗 source · 🔗 Replit Slides

API et plateformes

  • Tableau de bord d’usage de l’API d’OpenAI — L’onglet Analytics montre l’usage et les dépenses, les limites de débit et les requêtes limitées, ainsi que les erreurs par modèle, projet ou clé d’API. 🔗 source
  • Résidence des données de l’API d’OpenAI — Les propriétaires d’organisations éligibles choisissent la région de leurs données à la création d’un projet, sans demande séparée de conservation zéro ; selon le guide, la région ne change plus ensuite et les points d’accès régionaux coûtent 10 % de plus pour les modèles éligibles sortis depuis le 5 mars 2026. 🔗 source · 🔗 guide
  • Agents SDK Python 0.25.0 — Première stable depuis mi-octobre : le fournisseur de bac à sable Runloop est retiré, le format des points de reprise Pydantic change et la compaction des sessions Responses passe par défaut sur GPT-6 Luna. 🔗 source
  • API de Perplexity — Les modèles pplx-embed-v2-context arrivent dans l’Embeddings API (0,12 dollar par million de tokens de texte pour le 9b, 0,02 dollar pour le 0.6b), et l’Agent API ajoute GPT-6.2 Sol (2 et 10 dollars par million de tokens) et GPT-6.2 Astra (8 et 40 dollars) jusqu’à 272 000 tokens d’entrée. 🔗 source
  • Together AI — DeepSeek-V4.1-Flash-1017 rejoint Together Post-Training : SFT ou apprentissage par renforcement avec ses propres données, récompenses et environnements, la boucle d’entraînement restant dans le code Python du client. 🔗 source
  • Qwen4-Max — Qwen relaie l’arrivée du modèle chez TokenHarbor et chez Runware, qui le sert avec un contexte de 1 million de tokens et jusqu’à 128 000 tokens en sortie. 🔗 source · 🔗 Runware
  • GPT-6.2 chez Genspark — GPT-6.2 Sol arrive dans AI Chat et le Code Agent, GPT-6.2 Astra dans le Code Agent seulement. 🔗 source

Assistants et applications

  • Claude Desktop — Un canal de mises à jour Latest, à activer dans Settings > Desktop app sur Windows et Mac, livre des versions plus fréquentes mais parfois moins fiables ; Stable reste le canal par défaut. 🔗 source
  • Grok Bot — L’agent de SpaceXSI peut désormais réserver vols, hôtels et voitures de location en cherchant la meilleure offre ; le tweet ne nomme ni pays, ni formule, ni partenaire de réservation. 🔗 source
  • Kimi Work 3.2.28 — Instructions de projet dans un AGENTS.md propre au projet, connexion par SSO d’entreprise, panneau de résumé de conversation et présentations livrées par défaut en PPTX. 🔗 source
  • Dégradation du contexte — Perplexity publie un guide sur la perte de précision d’un agent quand son contexte se remplit (context rot), et rappelle comment Computer la limite : sous-agents, fichiers de travail et compression du contexte selon la requête. 🔗 source

Image, vidéo et audio

  • Kling Image 4.0 chez des tiers — Au lendemain de son lancement, le modèle arrive chez fal, Runware et eachlabs, ainsi que dans AI Media Studio et l’AI Image Agent de Genspark (8K native, 2 000 caractères de texte par image). 🔗 source · 🔗 Runware · 🔗 eachlabs · 🔗 Genspark
  • MAI-Image-2.7 chez Genspark — Les modèles d’image MAI-Image-2.7 et MAI-Image-2.7-Flash de Microsoft AI arrivent dans Genspark, avec un meilleur rendu du texte dans l’image. 🔗 source
  • Suno MCP pour tous — Le serveur MCP de Suno, en bêta sur inscription depuis le 28 octobre, s’ouvre à tous : chansons et désormais visuels se créent depuis ChatGPT, Claude, Gemini, Claude Code ou Cursor, sans clé API, sur les crédits Suno. 🔗 source
  • Synthesia dans Claude — Synthesia détaille son connecteur : l’agent Syren crée des vidéos depuis la conversation, pour les offres Starter, Pro et Enterprise, sur les crédits Synthesia ; selon l’éditeur, Syren repose sur Opus 5.5. 🔗 source
  • Runway AI Festival 2027 — Candidatures ouvertes jusqu’au 5 avril 2027 en cinq catégories (cinéma, publicité, mode, jeu vidéo, design), avec des projections de gala à New York, Los Angeles et Tokyo. 🔗 source

Modèles ouverts, données et recherche

  • NVIDIA Cosmos Data Factory — NVIDIA chiffre le coût de calcul de ses blueprints de données pour l’IA physique, environ 2,66 dollars par clip de conduite sur un serveur de huit RTX PRO 6000, et indique que Cosmos Dataset Search est désormais open source sous Apache 2.0. 🔗 source
  • ANEMLL — Une version de recherche répartit Qwen3.8-27B entre le Neural Engine et le GPU d’un Mac M6 : un prompt de 64K passe d’environ cinq minutes à deux minutes et demie face au Neural Engine seul ; elle exige de désactiver SIP. 🔗 source
  • Samdei Type — Deux petits modèles sous Apache 2.0 (7,1M et 18,2M de paramètres) convertissent le khmer tapé en lettres latines en écriture khmère, avec un taux d’erreur par caractère de 0,052 contre 0,066 pour le meilleur modèle ouvert existant, selon l’auteur. 🔗 source
  • ViKernel Scanner — VIDRAFT publie un scanner open source qui donne des outils factices aux modèles : les 20 modèles ouverts testés reçoivent la note F, le modèle médian tentant une action dangereuse dans 40 tests sur 100. 🔗 source
  • Kimi K3.1 Pro non censuré — Le fournisseur OpenUncensored sert une version débridée qui traite 97 % des requêtes légitimes mais limites de son jeu d’essai, contre 83 % pour l’original, avec un point faible reconnu sur les boucles d’agent. 🔗 source
  • olmOCR-Bench — Ai2 relaie le score de 88,0 déclaré par Unsiloed sur son banc de lecture de documents complexes, devant GPT-5.5 à 84,6. 🔗 source
  • RoboTwin Unified — Harpreet Sahota publie un import FiftyOne de 27 500 épisodes et plus de 6 millions d’images de manipulation à deux bras sur 50 tâches. 🔗 source
  • Recapture — Nutrient publie un outil open source qui transforme une page annotée en photos de téléphone ou en scans réalistes, en conservant les annotations, pour entraîner des modèles de lecture de documents. 🔗 source
  • Assistant Kafka local — Dans la troisième partie de sa série, Roman Melnyk remplace l’affinage par une recherche documentaire sur Qwen3.8-27B non modifié : +1,48 sur 40 questions, contre +0,08 et -0,18 pour ses adaptateurs affinés. 🔗 source
  • Ai2 et Taylor Geospatial — Un partenariat pour des bancs, des modèles (OlmoEarth) et des données géospatiales ouverts, dont Fields of The World étendu au type de culture et au rendement, publiés gratuitement sur Source Cooperative et GitHub. 🔗 source

Écosystème

  • Replit & Co. — Replit lance un programme de créateurs tourné vers les publics professionnels, avec 45 créateurs au départ, qui reçoivent des avantages sur leur compte Replit. 🔗 source
  • Manus et Godot — Manus devient sponsor Platinum de la Godot Foundation, qui finance le moteur de jeux libre ; aucun montant n’est donné. 🔗 source
  • GitHub Team — Hors IA : les évaluations de risques de sécurité (identifiants exposés, vulnérabilités du code) se lancent automatiquement pour les organisations GitHub Team. 🔗 source

Ce que ça signifie

Le milieu de gamme devient le terrain le plus disputé. Google glisse Gemini 4 Neon entre Carbon et Hydrogen et le vend sur le coût par tâche plutôt que sur le prix par token, qui reste supérieur à celui de Carbon jusqu’au 30 novembre. Arena mesure Muse Ember de Meta face à GPT-6 Luna et Claude Haiku 5.5, trois modèles efficaces conçus pour le travail réel, et Muse Ember boucle une tâche en 27 secondes pour 1,9 cent. Côté modèles ouverts, la même logique joue en plus petit : Rumble-2-Flash, avec 0,5 milliard de paramètres, se place au niveau d’un modèle de 30 milliards sur des enregistrements réels de centre d’appels, et un simple adaptateur LoRA permet à Qwen3.8-27B d’égaler son propre mode de réflexion maximal avec 6 à 8 fois moins de tokens. Ces chiffres restent ceux des éditeurs ou des évaluateurs qu’ils citent.

La sûreté se joue autant dans l’outillage que dans les laboratoires. OpenAI dit retenir GPT-6.1 Astra et entraîner ses modèles de pointe sans accès à l’Internet réel ; le même jour, son billet sur Codex reconnaît que le bac à sable laisse des angles morts, que l’entraînement du modèle doit compléter. Les outils de code arbitrent ces compromis en public : Claude Code accélère sa première commande Bash au prix de fichiers de démarrage exécutés avant approbation et annonce la fin d’un repli facturé de son mode auto, VS Code laisse les entreprises réautoriser les harnais Claude et Codex qui n’appliquent pas ses réglages gérés, et Vibe interdit à un projet de réactiver la télémétrie.

Les modèles servent de plus en plus à améliorer ce qui les entoure. Chez AMD, ils réécrivent des circuits déjà très optimisés et trouvent jusqu’à 14 % de PPA en plus. Chez Anthropic, une session Claude Code a fait passer la mémoire d’un gros document de 3 Go à 180 Mo ; tout le chantier, de fin août au lancement de Claude Docs, a coûté environ 125 000 dollars d’inférence au prix catalogue. Perplexity laisse Brain écrire les skills de ses utilisateurs, et Replit fait reconstruire par Missions plus de 1 000 parcours d’une plateforme de signature électronique. L’humain garde la main sur l’irréversible : réécritures vérifiées avec les outils Synopsys, décisions de schéma laissées à l’ingénieur qui pilotait la boucle de Claude Docs, relecture humaine des skills intégrés de Perplexity.

L’IA s’installe enfin là où les gens se trouvent déjà. Google refait l’application Gemini pour des téléphones à faible mémoire qui, selon lui, relient chaque jour des centaines de millions de personnes à internet, Perplexity porte ses agents sur mobile et ChatGPT affiche la dictée au fil de la parole, sans la limite de 10 minutes. Côté entreprise, les agents entrent dans les outils métier existants : CRM et outils de vente pour ChatGPT for Sales, dossier médical pour ElevenAgents, Teams et Azure pour Replit. La presse suit : après le pôle médias de LVMH, le Groupe Figaro fait entrer ses archives dans ChatGPT, en gardant son indépendance éditoriale.


Sources