Anthropic fixe le prix de son introduction en bourse à 83 dollars par action, au-dessus de la fourchette de 70 à 78 dollars, pour une offre portée à 980 millions d’actions et une cotation attendue au Nasdaq sous le symbole ANT. OpenAI publie de nouvelles mesures de sa recherche accélérée par les agents, qui réussissent désormais seuls 46 % des tâches de deux à quatre heures, et montre comment des agents Codex traquent les ralentissements de ChatGPT. Ideogram 4.6 génère en 4K natif, Gemini 4 Neon prend la tête de CursorBench 4.1 et arrive dans GitHub Copilot, Genie 4 s’ouvre aux développeurs à environ 0,10 dollar par seconde, et l’application Gemini pour Mac apprend à se servir de l’ordinateur.
Finance : Anthropic fixe le prix de son introduction en bourse à 83 dollars par action
18 novembre — Anthropic a fixé le prix de son introduction en bourse à 83 dollars par action de classe A, au-dessus de la fourchette de 70 à 78 dollars annoncée au lancement de la tournée auprès des investisseurs (roadshow), le 10 novembre. L’offre a aussi grossi : elle porte sur 980 millions d’actions, contre 825 millions prévues. Anthropic en vend 956 351 354 et des actionnaires existants 23 648 646, dont l’entreprise ne touche pas le produit. Les banques disposent en plus d’une option de 30 jours sur 147 millions d’actions.
| Élément de l’offre | Annonce du 10 novembre | Prix fixé le 18 novembre |
|---|---|---|
| Prix par action | 70 à 78 dollars | 83 dollars |
| Actions offertes | 825 000 000 | 980 000 000 |
| dont vendues par Anthropic | 801 351 354 | 956 351 354 |
| dont actionnaires existants | 23 648 646 | 23 648 646 |
| Option des banques (30 jours) | 123 750 000 | 147 000 000 |
La SEC a déclaré la déclaration d’enregistrement effective le 18 novembre. Les premières cotations étaient attendues le 19 novembre sur le Nasdaq Global Select Market, sous le symbole ANT, et la clôture de l’opération le 20 novembre. Anthropic ne publie ni le montant levé ni sa valorisation. Au prix fixé, les 956 351 354 actions vendues par l’entreprise représentent environ 79,4 milliards de dollars bruts, un calcul fait à partir des chiffres du communiqué. Pour les particuliers de l’Espace économique européen, dont la France, le prospectus européen prévoyait un prix final identique à celui de l’offre américaine.
Le 19 novembre, @AnthropicAI a publié une courte vidéo, puis un texte de Dario Amodei. Le dirigeant y rappelle qu’avec Daniela Amodei, il a perdu son père d’une maladie devenue curable quelques années plus tard. Selon lui, une IA assez puissante, travaillant avec les humains, pourrait compresser un siècle de progrès scientifique et médical en une décennie, même si les résultats restent pour l’instant préliminaires. Il nomme les risques : usage malveillant par des individus ou des États, bouleversement économique, perte de contrôle des systèmes. Il s’engage à rythmer l’entraînement et le déploiement des modèles aussi longtemps qu’il le faudra pour s’assurer qu’ils sont sûrs et restent sous contrôle humain.
We will not bend to either business or political pressure.
🇫🇷 Nous ne céderons ni aux pressions commerciales ni aux pressions politiques. — @AnthropicAI sur X
Pour Dario Amodei, l’opération renforce la situation financière de l’entreprise et, avec elle, sa détermination ; il reprend l’idée d’une « course vers le haut » (race to the top).
🔗 Annonce du prix de l’introduction en bourse (Anthropic) · @AnthropicAI sur X : le prix fixé
Agents au travail chez OpenAI : le rapport sur l’accélération de la recherche et la Performance Factory
18 novembre — Deux mois après un premier rapport, OpenAI publie de nouvelles mesures de la façon dont ses propres agents accélèrent sa recherche. Le titre résume la conclusion : la frontière est irrégulière (jagged frontier). Entre mars et octobre, la part des tâches estimées à deux à quatre heures de travail humain que les agents réussissent sans intervention passe de 23 % à 46 %, et de 13 % à 35 % pour les tâches de quatre à huit heures. Tout dépend du travail : 79 % de réussite pour surveiller un entraînement, 72 % pour répondre à une question technique, 25 % seulement pour écrire du code d’inférence et de service. OpenAI note que les tâches confiées ont pu changer en même temps que les modèles.
| Indicateur interne d’OpenAI | Valeur publiée |
|---|---|
| Réussite sans aide, tâches de 2 à 4 heures | 23 % en mars, 46 % en octobre |
| Réussite sans aide, tâches de 4 à 8 heures | 13 % en mars, 35 % en octobre |
| Dépense médiane en agents par chercheur et par jour | 2 400 dollars en octobre (+62 %) |
| Dépense au 90e centile | 23 000 dollars en octobre (+105 %) |
| Jours-agent par chercheur et par jour | de 0,5 à 5,7 |
| Temps documenté en sûreté et alignement | +77 % de janvier à septembre |
| Frontière des modèles OpenAI sur l’indice OECI | +16,4 points par an, contre 14 observés par Epoch |
Les dépenses sont calculées aux prix catalogue de l’API, et les chercheurs n’ont pas de quota. Le temps d’agent par chercheur a été multiplié par onze ; à la mi-octobre, plus des deux tiers des chercheurs suivis faisaient tourner au moins quatre agents en même temps au pic de leur journée. En septembre, la valeur de cet usage représentait environ deux fois la rémunération hors actions de l’organisation de recherche, alors que le déploiement interne ne pèse que 2 % du calcul consacré à la recherche.
Le rapport suit aussi l’origine des idées. Pour GPT-6.2 Astra, des chercheurs du pré-entraînement ont développé certaines idées en dialoguant avec Codex, l’un d’eux lui attribuant des intuitions clés ; celles de GPT-6 Astra étaient entièrement humaines. Pour disposer trois mois d’agents de code meilleurs que GPT-5.2, les chercheurs interrogés céderaient en médiane 40 % des effectifs de leur équipe ou 30 % de son calcul. Les entretiens rappellent les limites : goût médiocre pour les idées de recherche, code de faible qualité, détours par des étapes inutiles, d’où une supervision humaine étroite.
Le temps consacré à la sûreté et à l’alignement connaît la plus forte hausse absolue de tous les domaines, avec une inflexion après l’incident Hugging Face de juillet. OpenAI introduit aussi l’OECI, un indice dérivé de l’Epoch Capabilities Index, sur lequel ses modèles ressortent mieux que sur l’indice d’Epoch, probablement à cause du mélange de benchmarks, selon lui. Il estime enfin que les laboratoires devraient être tenus de suivre et de publier des indicateurs d’auto-amélioration récursive (recursive self-improvement, RSI), le processus par lequel l’IA accélère le développement des futurs systèmes, tout en précisant que cette publication ne doit pas être lue comme une intention de viser une RSI complète. Le rapport présente ses chiffres comme une vue partielle, en partie déclarative.
🔗 Research acceleration: The jagged frontier (OpenAI) · @OpenAI sur X
OpenAI détaille la Performance Factory, où des agents Codex enquêtent sur les ralentissements de ChatGPT
19 novembre — Le blog Engineering d’OpenAI donne un exemple concret de ce travail confié aux agents : la Performance Factory, un système autonome dans le cloud où des agents Codex traquent les régressions de performance de ChatGPT. Une alerte ouvre une tâche, un agent remonte à la cause, un autre propose un correctif sous forme de pull request, un ingénieur décide de le fusionner, puis un agent vérifie après déploiement que les métriques sont revenues à la normale. En un peu plus de trois mois, ce premier flux a suivi plus de 1 700 enquêtes et trouvé la cause de plus de 600 cas, soit 17 enquêtes automatisées par jour.
Le savoir-faire de l’équipe tient dans un skill partagé, perf-forensics, qui indique à Codex quels outils utiliser parmi plus de 30 outils de performance. Pour éviter qu’un agent s’arrête à la première explication plausible, une seconde session Codex tente de réfuter chaque diagnostic : sur 100 causes relues à la main, 70 % ont été jugées exactes. OpenAI reconnaît que corriger reste l’étape la plus difficile, et étudie la détection proactive des régressions ainsi que la livraison sans humain de correctifs à faible risque, sans calendrier.
🔗 How OpenAI’s Performance Factory keeps ChatGPT fast · Fil @OpenAIDevs
Images et vidéo génératives : Ideogram 4.6 en 4K natif, Kling 4.0 en 4K et HDR 10 bits
19 novembre — Ideogram lance Ideogram 4.6, un nouveau modèle d’image qui génère directement en 4K, sans agrandissement (upscaling) : chaque détail, de la peau au tissu, est produit à pleine résolution. Ideogram dit avoir travaillé à retirer l’aspect « IA » et la peau cireuse des images, avec des pores visibles, des ridules et des textures naturelles, et annonce une bien meilleure fidélité des couleurs et des matières, en visant le commerce en ligne et la photo de produit.
La retouche reste le cœur du modèle : beaucoup moins de dérive des pixels (pixel drift) hors de la zone modifiée, et une génération à partir de croquis plus fidèle au dessin de départ. Ideogram affirme que la version 4.6 est première du classement de retouche en plusieurs étapes (Multi-step Image Edit) de Rapidata, devant tous les autres modèles, dont Seedream 5.5 et FLUX 3 Image, sans citer de score ; la 4.5 revendiquait déjà, le 10 novembre, la tête d’un classement Rapidata de retouche successive.
| Accès à Ideogram 4.6 | Ce qui est annoncé |
|---|---|
| Application et API d’Ideogram | disponibles dès le 19 novembre |
| Plateformes partenaires (12) | Leonardo, Runway, fal, Comfy, Runware, Scenario, Invideo, MyDesigns, Sociaro, Moda, HeyGen et Luma |
| Tarif | aucun tarif dans l’annonce |
| Poids ouverts | version ouverte de la 4.6 promise, sans date |
Côté poids ouverts, Ideogram change de plan. Interpellé sur ceux de la version 4.5, annoncés « bientôt » depuis le 30 septembre, il répond qu’il sautera la 4.5 pour passer directement à une version ouverte de la 4.6, sans donner de date. Ideogram 4.0 avait été publié en poids ouverts le 3 juin.
We’ll skip 4.5 open and go directly to 4.6 open.
🇫🇷 Nous allons sauter la version ouverte de 4.5 et passer directement à une version ouverte de 4.6. — @ideogram_ai sur X
🔗 Annonce d’Ideogram 4.6 sur X
Kling 4.0 passe en 4K natif avec une sortie HDR 10 bits
19 novembre — Même mouvement côté vidéo : Kling annonce que Kling 4.0 prend désormais en charge la résolution 4K native et une sortie HDR 10 bits, en 4K comme en 1080p, pour plus de détails et des couleurs plus riches. Cette sortie HDR avait été promise « pour bientôt », sans date, lors du passage de Kling 4.0 en disponibilité complète, le 15 octobre ; Kling 3.0 générait déjà en 4K native depuis le 23 avril. L’annonce tient en un seul tweet : ni billet, ni note de version, ni tarif en crédits, ni durée maximale, ni précision sur l’API.
Gemini 4 Neon chez Cursor et GitHub Copilot : en tête de CursorBench 4.1, disponible pour Pro+, Max, Business et Enterprise
Quelques heures après son lancement par Google, traité ici le 18 novembre, Gemini 4 Neon arrive chez les outils de code tiers. Cursor et GitHub Copilot l’ouvrent dès le soir du 18 novembre ; Genspark et Antigravity CLI suivent le 19 (voir les Brèves).
Cursor ouvre Gemini 4 Neon, en tête de CursorBench 4.1 à 65,4 % en effort Extra High
18 novembre — Selon Cursor, Gemini 4 Neon établit à son effort par défaut une nouvelle frontière coût-performance sur CursorBench 4.1 : 63,7 % contre 57,3 % pour Gemini 4 Hydrogen, qu’il remplace pour le code agentique du quotidien, Gemini 4 Carbon restant conseillé pour les tâches les plus difficiles. CursorBench 4.1 est une nouvelle version du banc, datée du même jour (problèmes de suivi d’instructions modifiés, temps accordé à l’agent relevé) : ses scores ne se comparent pas à ceux de CursorBench 4.0 publiés pour Carbon et Hydrogen début novembre.
| Modèle et effort (CursorBench 4.1) | Score | Coût moyen par tâche |
|---|---|---|
| Gemini 4 Neon Extra High | 65,4 % | 10,67 dollars |
| Gemini 4 Neon High | 63,7 % | 6,54 dollars |
| Gemini 4 Carbon High | 61,5 % | 8,52 dollars |
| Gemini 4 Hydrogen Extra High | 61,4 % | 8,09 dollars |
| Claude Fable 5.2 Max | 61,3 % | 48,11 dollars |
| Gemini 4 Carbon Medium | 60,4 % | 7,22 dollars |
| Claude Fable 5.2 Extra High | 58,8 % | 17,84 dollars |
| Claude Opus 5.5 Max | 58,1 % | 11,88 dollars |
| Gemini 4 Neon Medium | 57,7 % | 3,07 dollars |
| Gemini 4 Hydrogen High | 57,3 % | 4,57 dollars |
Dans Cursor, Neon (gemini-4-neon, contexte de 200K tokens, jusqu’à 1M) est facturé 3 dollars par million de tokens en entrée, 0,15 dollar en lecture de cache et 15 dollars en sortie. Comme les autres modèles tiers, il ne fait pas partie de l’usage inclus : il est prélevé sur le crédit prépayé de The X Subscription, ou sur la réserve « Other Models » des anciennes offres Cursor.
🔗 Annonce de Cursor sur X · Tableau CursorBench (Cursor)
Gemini 4 Neon arrive dans GitHub Copilot pour Pro+, Max, Business et Enterprise
18 novembre — GitHub ouvre Gemini 4 Neon en disponibilité générale dans Copilot, en le présentant comme un modèle conçu pour le code agentique, l’usage d’outils en plusieurs étapes et le travail intellectuel. Le changelog reprend l’argumentaire de Google : une qualité proche de Gemini 4 Carbon pour un coût en tokens par tâche plus faible, une réponse qui démarre plus vite, moins de modifications non demandées dans le code et moins d’affirmations non étayées sur les outils ou les résultats de tests, sans chiffre à l’appui.
Neon est ouvert aux abonnés Copilot Pro+, Max, Business et Enterprise ; la formule Pro n’est pas citée, alors que Gemini 4 Hydrogen y était arrivé dès le 13 novembre. Il fonctionne sur dix surfaces : VS Code, Visual Studio, Copilot CLI, l’agent de code, l’app GitHub Copilot, github.com, GitHub Mobile, les IDE JetBrains, Xcode et Eclipse. Il est facturé au tarif catalogue du fournisseur, à l’usage, avec un déploiement progressif. En entreprise, il est activé automatiquement tant que l’activation par défaut des nouveaux modèles reste en place, sauf si l’administrateur désactive ce modèle.
🔗 Gemini 4 Neon dans GitHub Copilot (changelog) · @github sur X
Agents de code : Claude Code 2.1.328, Kimi Code 2.7.0, Devin Security Threats, Devin for Databricks Migrations, Amuse et Optimization-Bench de Replit
Claude Code 2.1.328 ouvre le mode auto à Opus 4.6 et Sonnet 4.6 chez les fournisseurs tiers et recentre /code-review sur les bugs
19 novembre — Claude Code 2.1.328 compte 144 entrées, dont 91 correctifs. Le mode auto s’ouvre à Claude Opus 4.6 et Sonnet 4.6 sur Amazon Bedrock, Google Cloud’s Agent Platform, Microsoft Foundry et la passerelle Claude apps : une session interactive lancée sans mode d’autorisation y démarre directement en mode auto, et le réglage disableAutoMode permet de le couper. Le 19 novembre, la page de documentation des modes d’autorisation réservait encore le mode auto, sur ces fournisseurs, à Sonnet 5 et plus récent, Opus 4.7 et plus récent, Haiku 5.5 et aux modèles Fable.
La commande /code-review ne signale plus, sur la plupart des modèles, que les bugs et les écarts au CLAUDE.md ; les nettoyages (réutilisation, simplification, efficacité) passent par /simplify, et chaque constat est marqué Important, Pre-existing ou Nit. Le blocage en cas d’échec ("onFailure": "block"), ajouté le 8 octobre aux hooks command et HTTP, s’étend aux hooks mcp_tool. En terminal sur l’API Anthropic, le petit modèle rapide rédige désormais les résumés de progression des sous-agents. Code Mode reçoit 22 entrées, dont la suppression d’une pause de 0,75 seconde après la plupart des scripts en mode auto et bypass, et le runner auto-hébergé 26. Une régression de la 2.1.327, qui coupait l’effort des sous-agents sur Bedrock, Agent Platform et Foundry, est corrigée ; le canal stable reste en 2.1.311.
Kimi Code 2.7.0 prend en charge Amazon Bedrock, Kimi Code Desktop 1.4.0 se relie à Claude Code, Codex et Cursor
19 novembre — Moonshot AI publie Kimi Code 2.7.0 (24 entrées), première version mineure depuis la 2.6.0 du 12 novembre, puis l’application Kimi Code Desktop 1.4.0 (34 entrées) treize minutes plus tard. La CLI prend en charge les fournisseurs Amazon Bedrock, affiche à titre expérimental une prédiction du prochain prompt après chaque tour, et ajoute un réglage « Follow-up behavior » dont le mode Steer fait réorienter le tour en cours par la touche Entrée, au lieu de mettre le message en file. Pour l’automatisation, kimi server lance le serveur local sans ouvrir de navigateur, et trois nouveaux points d’accès HTTP permettent de piloter les sessions. Chaque projet peut viser ses propres hôtes SSH ; les anciens points d’accès /api/v2 disparaissent au profit de /api/v1, un changement d’API pourtant classé en simple correctif.
L’application de bureau se relie à des agents externes, comme Claude Code, Codex et Cursor, pour leur passer des sessions, revoir l’historique et collaborer d’un tour à l’autre. Elle ajoute aussi le Qwen Coding Plan parmi les fournisseurs.
🔗 Kimi Code 2.7.0 · Kimi Code Desktop 1.4.0
Cognition lance Devin Security Threats, un index géré des vulnérabilités récentes à scanner en un clic
19 novembre — Cognition ajoute à Devin Security un index géré des vulnérabilités tout juste divulguées. L’éditeur part de deux annonces de la semaine : Java4Shell (17 novembre), qui touche l’environnement d’exécution Java, et NGINX2Root (18 novembre), cinq bugs de corruption mémoire dans nginx ; toutes deux peuvent mener à une exécution de code à distance. Chaque menace décrit ce qui est touché, comment un attaquant l’exploiterait et ce qui la corrige. Cognition publie celles des grandes divulgations, et chaque équipe peut écrire les siennes à partir d’un rapport de bug bounty, d’un avis de fournisseur ou d’une revue d’incident.
Le bouton Scan with Devin lance un scan centré sur la menace dans les dépôts choisis, puis Devin ouvre des pull requests à relire. En mode Auto-triage, Devin rescanne les dépôts retenus à chaque nouvelle menace au-dessus d’une gravité minimale. Deux skills open source écrits en Markdown, fix-nginx-vuln et fix-java-vuln, rejoignent le plugin Vulnerability Fixes du Devin Marketplace et peuvent servir à un autre agent de code. Aucun tarif n’est annoncé.
🔗 Devin Security Threats (Cognition) · @cognition sur X
Cognition lance Devin for Databricks Migrations pour faire passer les entrepôts de données historiques sur Databricks
19 novembre — Avec Databricks, Cognition lance une offre de migration dédiée. Devin convertit le code des entrepôts de données historiques (Teradata, Oracle, SQL Server, Informatica, Redshift, Snowflake), le teste dans l’espace de travail du client, corrige les échecs et rapproche chaque source de sa copie sur Databricks avant la bascule : schéma, nombre de lignes, agrégats, puis comparaison ligne à ligne. Selon Cognition, une entreprise d’énergie du Fortune 500 a migré une plateforme de 142 objets vers Unity Catalog en huit jours, et le cabinet Zeb a livré en deux semaines et demie une migration NetSuite prévue sur quatre.
L’offre est disponible sur le Databricks Marketplace et s’impute sur l’engagement de dépense déjà signé avec Databricks (Universal Commit). Cognition indique aussi utiliser Databricks comme fournisseur d’inférence stratégique, pour des modèles open source et de frontière servis par un point d’accès unique. Aucun prix n’est communiqué.
🔗 Devin for Databricks Migrations (Cognition)
Replit publie Amuse, un assistant personnel open source que Missions a reconstruit en trois jours
19 novembre — Après TernSign, Replit montre une nouvelle réalisation de Missions, son harnais d’essaims d’agents : Amuse, un assistant IA personnel open source (Apache 2.0) qui tourne sur l’ordinateur de l’utilisateur. Selon Replit, l’essaim avait pour défi de reproduire « l’assistant IA de référence », sans le nommer, et y est parvenu en trois jours, le Security Scanner de la plateforme servant ensuite à corriger les vulnérabilités trouvées.
Amuse fait de la recherche web avec sources, pilote un navigateur que l’on peut observer et reprendre en main, gère rappels et tâches de fond, et construit de petites applications. Sa mémoire est stockée dans des fichiers lisibles, ses identifiants dans un coffre chiffré dont le modèle ne voit que des jetons de substitution, et il demande une approbation avant tout envoi, formulaire, paiement ou nouvelle planification. « Gratuit » s’entend hors modèle : il exige une clé d’API OpenAI (GPT-6.2 Sol pour l’agent, GPT-6 Luna pour les étapes rapides) et une base PostgreSQL, et reste limité à une personne sur un ordinateur, sans serveurs MCP.
🔗 Annonce de Replit sur X · Dépôt replit/amuse
Replit publie Optimization-Bench : le meilleur agent seul ne fait pas le meilleur essaim
19 novembre — L’équipe de recherche de Replit publie Optimization-Bench, un banc d’optimisation de performance sur des versions figées de bibliothèques open source, dont quatre sur quatorze sont analysées : NumPy, SQLite, SQLGlot et Git. Six modèles ont travaillé seuls, puis en essaims de 8, 16 et 32 agents, pendant deux heures, l’évaluation tournant sur une machine que les agents ne pouvaient pas atteindre.
| Mesure d’Optimization-Bench | Résultat publié par Replit |
|---|---|
| GPT-6.2 Astra seul, sur NumPy | plus de 3 fois plus rapide qu’Opus 5.5 seul |
| Essaims de 32 agents GPT-6.2 Astra | sous son score solo sur 3 tâches sur 4 |
| Gain médian des essaims d’Opus et de Sonnet 5.5 | 1,30 fois leur score solo, à 16 et 32 agents |
| Messages d’Opus 5.5 envoyés au tableau partagé | 82 % |
GPT-6.2 Astra domine en solo, mais ses essaims plafonnent à 8 agents. À l’inverse, les essaims de Claude Opus 5.5 et de Claude Sonnet 5.5 battent leurs exécutions solo à chaque fois ; sur NumPy, Opus passe de 3,7 fois seul à 18,9 fois en essaim de 32, un chiffre déjà donné au lancement de Missions. Replit attribue l’écart à l’organisation : les équipes efficaces écrivent sur un tableau partagé et laissent le coordinateur distribuer puis fusionner (dans l’essaim NumPy de 32 agents Opus, il n’a jamais écrit à un seul ouvrier), quand les autres font du coordinateur un standard dont la boîte de réception grossit à chaque agent ajouté.
🔗 Throwing Headcount at the Problem (Replit) · @Replit sur X
Assistants grand public : computer use dans Gemini pour Mac, ChatGPT Health sur Android, bureau, dots et sites
L’application Gemini pour Mac pilote les applications et le web en arrière-plan avec computer use
19 novembre — L’application Gemini pour Mac sait désormais utiliser l’ordinateur (computer use) à la place de l’utilisateur. Gemini enchaîne des tâches en plusieurs étapes à travers les fichiers locaux, les applications de bureau et le web : clics, saisie, menus, formulaires. Il travaille dans une fenêtre isolée en arrière-plan, avec un aperçu en direct dans la conversation, si bien que l’écran principal et le curseur restent libres. L’utilisateur choisit les applications accessibles, suit chaque étape, peut tout mettre en pause et approuve les actions importantes avant leur exécution.
Les exemples de Google vont de la retouche de photos par lots au remplissage de devis d’expédition à partir de PDF locaux, en passant par une présentation Google Slides montée depuis des tableaux de bord ; la vidéo publiée sur X transforme un croquis en modèle 3D animable dans Blender. La fonction se déploie en anglais aux États-Unis pour les abonnés Google AI Plus, Pro et Ultra, sur les Mac à puce Apple Silicon sous macOS Sequoia 15.0 ou plus, avec un compte Google personnel de 18 ans et plus. Côté développeurs, l’outil Computer Use de l’API Gemini est en disponibilité générale depuis fin octobre ; l’application grand public apporte maintenant ce pilotage sur le Mac de l’utilisateur.
🔗 Computer use dans Gemini pour Mac (Google) · @GeminiApp sur X
ChatGPT étend Health à Android avec Health Connect, à l’application de bureau, aux dots et aux sites
19 novembre — L’espace Health de ChatGPT gagne l’application de bureau, les dots, les sites et Android. Sur Android, il se branche sur Health Connect pour dégager des tendances de sommeil et d’activité. Les dots, les agents personnels de ChatGPT, peuvent proposer d’eux-mêmes un autre créneau d’entraînement quand une réunion gêne, ou rappeler des options de prévention à partir des dossiers médicaux connectés. Sur ordinateur, OpenAI donne l’exemple d’un site construit pour suivre une préparation au marathon. Le déploiement est progressif et limité aux États-Unis, pour les forfaits Free, Go, Plus et Pro ; les dots restent réservés au forfait Pro. Health se trouve dans la barre latérale, ou dans le menu Explore.
API Gemini : Genie 4 ouvert aux développeurs, Tool Retrieval en préversion
Genie 4 arrive dans l’API Gemini et Google AI Studio, à environ 0,10 dollar par seconde de monde généré
19 novembre — Au lendemain de son arrivée dans Project Genie pour les abonnés Google AI Ultra, Genie 4 s’ouvre aux développeurs dans l’API Gemini, par l’Interactions API, et dans Google AI Studio, avec un canevas interactif et des applications de démarrage. À partir d’un texte, d’une image de référence ou des deux, le modèle de monde génère un environnement continu avec un son synchronisé, des ambiances aux dialogues ; on s’y déplace au clavier et on peut, en route, changer par texte la météo, l’éclairage, les objets ou les événements.
| Caractéristique de Genie 4 dans l’API | Valeur documentée |
|---|---|
| Identifiant du modèle | models/genie-4 (Interactions API) |
| Sortie vidéo et audio | 1280x720, 16:9, 24 images/s, audio stéréo 48 kHz |
| Accès | clé d’API du palier payant |
| Facturation | 240 tokens vidéo par image, soit environ 0,10 dollar par seconde |
| Durée d’une session | dégradation possible après 60 à 90 s, plafond de 120 s |
| Régions de service | États-Unis, Europe de l’Ouest, Japon |
La documentation prévient que fermer l’onglet n’arrête pas tout de suite la génération : seule la fin explicite de la session (complete()) coupe la facturation. Genie 4 ne garde pas de scène 3D en mémoire : un objet perdu de vue 8 secondes ou plus, ou un tour complet sur soi-même, peut faire bouger ou réinitialiser des repères. Chaque sortie porte un filigrane SynthID.
🔗 Genie 4 dans l’API Gemini (Google) · Documentation de Genie (AI Studio)
L’API Gemini lance Tool Retrieval en préversion, qui charge les schémas d’outils à la demande
19 novembre — Google ajoute à l’API Gemini la recherche d’outils que proposaient déjà OpenAI et Anthropic. Avec Tool Retrieval, en préversion dans l’Interactions API, un agent relié à des dizaines ou des centaines d’outils n’envoie plus tous leurs schémas de paramètres à chaque requête : il suffit d’ajouter un outil tool_search et de marquer defer_loading: true les outils à garder en réserve. Le modèle ne voit que leur nom et leur description, réclame un outil par son nom quand il en a besoin, et l’API charge le schéma dans la même requête, côté serveur, sans index à construire.
Le mécanisme s’étend aux serveurs MCP distants et respecte le cache de préfixe, puisque les schémas chargés s’ajoutent plus loin dans la conversation. Les équipes qui gèrent leur propre registre d’outils peuvent exécuter la recherche chez elles, au prix d’un aller-retour supplémentaire. Tool Retrieval n’est pas facturé à part : tool_search ajoute un petit bloc fixe de tokens d’entrée, chaque schéma chargé est facturé en entrée pour le reste de la conversation, et Google, qui ne publie aucun chiffre d’économie, conseille de mesurer le gain sur son propre trafic. La fonction marche avec Gemini 3.6 et les modèles suivants, dont toute la famille Gemini 4.
🔗 Tool Retrieval dans l’API Gemini (Google)
Voix : GPT-Live-1.1 arrive dans l’API, avec une mise en veille à 0,02 dollar la minute
19 novembre — Un peu plus d’un mois après son arrivée dans la voix de ChatGPT Plus et Pro, le 15 octobre, GPT-Live-1.1 entre dans l’API d’OpenAI (gpt-live-1.1 sur v1/live/sessions). Le modèle améliore la prononciation, la constance de l’accent et la transcription dans les conversations vocales multilingues, et se branche dans une configuration de session Live existante.
La nouveauté la plus concrète est la mise en veille (standby), ouverte à GPT-Live-1 comme à GPT-Live-1.1 sur les sessions WebRTC. Après un silence réglable de 5 à 60 secondes, le modèle se met en pause sans couper l’appel, et la minute passe de 0,05 à 0,02 dollar jusqu’à ce que quelqu’un reprenne la parole.
| Type de session GPT-Live | Tarif par minute |
|---|---|
| Session active | 0,05 dollar |
| Veille (WebRTC, inférence en pause) | 0,02 dollar |
L’usage du modèle backend et des outils reste facturé à part, et les deux versions ont des limites de sessions simultanées distinctes. Les SDK Python 3.56.0 et Node 7.61.0 ajoutent le modèle, et OpenAI accompagne la sortie d’un guide sur les langues et les accents régionaux.
🔗 Annonce @OpenAIDevs · Fiche GPT-Live-1.1 · Prompting GPT-Live for languages and regional accents
Matériel et cloud : NVIDIA et Microsoft à Ignite, mini-PC RTX Spark disponibles
NVIDIA et Microsoft étendent leur collaboration à Ignite, de Vera Rubin dans Azure à Nemotron 3.5 dans Foundry
19 novembre — À l’occasion de Microsoft Ignite, NVIDIA détaille dans un billet signé Dave Salvator l’extension de sa collaboration avec Microsoft. Les systèmes Vera Rubin NVL72 tournent dans les centres de données Azure et l’accès aux machines virtuelles qui les exploitent s’élargit ; le billet parle d’une préversion de Vera Rubin sur Azure, sans date de disponibilité générale.
| Annonce de NVIDIA et Microsoft | Statut selon le billet |
|---|---|
| VM Azure sur Vera Rubin NVL72 | accès élargi, préversion |
| Nemotron 3.5 Super, Lightning, Embed, Rerank, Parse et Content Safety | gamme élargie sur Foundry Managed Compute |
| Nemotron 3.5 Bolt et Transcribe | bientôt |
| Nemotron 3.5 et modèles Cosmos dans Foundry Local | prise en charge élargie, dont les environnements Azure Local |
| Azure Local | GPU RTX PRO 6000 Blackwell à venir, extension à Jetson Thor et Jetson Orin |
| Direct Stream sur Windows 365 | deux flux 4K à 60 images/s, préversion publique début 2027 |
| BioNeMo et ALCHEMI dans Microsoft Discovery | entrée au catalogue, première intégration de RFD4-Proteina |
Exemple cité : EY a adapté des modèles ouverts Nemotron avec Programmed Training, le service serverless de post-entraînement de Foundry, pour classer des registres d’achats ; la précision gagne 55 % sur son jeu d’évaluation, pour un coût 15 fois plus bas que des modèles propriétaires de pointe, selon le billet. Microsoft AI utilise aussi NVIDIA Dynamo pour l’inférence des déploiements (rollouts) d’apprentissage par renforcement de son post-entraînement. Le billet rappelle enfin les résultats MLPerf d’Azure : jusqu’à 10 240 GPU NVIDIA sur des systèmes GB200 NVL72 en Training v6.1, la plus grande échelle de la session, et, en Inference v6.1, plus de 10 % d’avance des GB300 NVL72 d’Azure sur les autres soumissions cloud en débit interactif sur DeepSeek-R1, selon Signal65. Aucun prix n’est communiqué.
🔗 NVIDIA et Microsoft à Ignite (NVIDIA)
Les mini-PC RTX Spark d’ASUS, Dell et MSI sont disponibles, annonce NVIDIA
18 novembre — NVIDIA annonce la disponibilité des mini-PC de bureau RTX Spark d’ASUS, Dell et MSI, comme l’ASUS ProArt GR1X ou la série MSI EdgeMesa N AI+ ; ceux d’Acer, GIGABYTE et HP arrivent bientôt, tout comme la Microsoft Surface RTX Spark Dev Box. Ils reprennent la plateforme des portables lancés en octobre : processeur NVIDIA Grace à 20 cœurs, GPU Blackwell RTX à 6 144 cœurs CUDA, jusqu’à 128 Go de mémoire unifiée et jusqu’à 1 pétaflop de performance IA. NVIDIA les dit capables d’exécuter localement des modèles de 120 milliards de paramètres. Aucun prix n’est donné.
Côté logiciel, Switchyard, qui répartit les tâches d’agents entre modèles locaux et cloud, est disponible dans Hermes. Adobe fait gagner plus de 50 % de délai sur les livrables H.264 courants dans Premiere, et Illustrator, désormais natif sur Windows on Arm, va jusqu’à 30 % plus vite que sa version émulée ; Blender 5.3 intègre DLSS 4.5 Ray Reconstruction. Annoncés à Ignite, Windows Server 2028 arrive sur DGX Station for Windows et Windows ML exécute tout modèle GGUF de Hugging Face via llama.cpp.
🔗 Mini-PC RTX Spark disponibles (NVIDIA)
Modèles ouverts : DaisyRose-27B et l’adaptateur Hermes poussent Qwen3.8-27B, OVHcloud publie Olala mini, PEFT v0.22.0
RadixArk publie DaisyRose-27B, un Qwen3.8-27B affiné par RL qui double son score sur Terminal-Bench 4.1
18 novembre — RadixArk publie DaisyRose-27B, présenté comme son premier modèle : un Qwen3.8-27B réentraîné par apprentissage par renforcement avec Miles, son framework open source, sur environ 1 200 tâches d’agent longues (jusqu’à 1,5 heure et plus de 100 appels d’outils par tentative), conçues avec Eigent AI pour viser les erreurs du modèle d’origine. Les poids sont publiés sous Apache 2.0 en BF16, FP8 et NVFP4, avec le contexte de 256K tokens et la compréhension d’image de la base. L’entraînement a pris 18 jours sur 144 H200.
| Benchmark (score en %) | Qwen3.8-27B | DaisyRose-27B |
|---|---|---|
| Terminal-Bench 4.1 (pass@1) | 5,6 | 12,0 |
| Terminal-Bench 2.1 | 73,0 | 75,5 |
| DeepSWE v1.1 | 42,2 | 46,2 |
| SWE Bench Pro v2 | 91,3 | 94,7 |
| GPQA Diamond | 89,2 | 90,7 |
RadixArk annonce aussi 37 % d’utilisation utile des GPU (MFU) contre 16 % pour l’entraîneur open source basé sur Megatron, soit 57 % de temps GPU en moins ; ce sont les chiffres de l’éditeur.
🔗 DaisyRose-27B (billet de RadixArk) · DaisyRose-27B-NVFP4 (Hugging Face)
Le projet harness-hub publie l’adaptateur Hermes de Qwen3.8-27B, qui porte SWE-Bench Pro de 29,4 à 43,1 % sans réflexion
19 novembre — Après pi et OpenCode, le projet harness-hub publie un troisième adaptateur LoRA de Qwen3.8-27B, cette fois pour Hermes, le harnais d’agent de Nous Research, avec une version GGUF.
| Benchmark (pass@1) | Qwen3.8-27B | Avec l’adaptateur Hermes |
|---|---|---|
| SWE-Bench Pro (51 tâches difficiles), sans réflexion | 29,4 % | 43,1 % |
| SWE-Bench Pro (51 tâches difficiles), réflexion xhigh | 45,1 % | 51,0 % |
| Terminal-Bench 2.1, sans réflexion | 44,7 % | 58,8 % |
| Terminal-Bench 2.1, réflexion xhigh | 58,8 % | 57,6 % |
L’intérêt tient surtout à la sobriété : sans réflexion, l’adaptateur égale le modèle de base en réflexion xhigh avec 3,5 à 4,4 fois moins de tokens. Dans un budget de 10 000 tokens par tâche, il résout 51 % de Terminal-Bench 2.1 et 39 % de SWE-Bench Pro, contre 28 % et 0 % pour la base en xhigh. La recette (AsyncGRPOTrainer de TRL, OpenEnv, safeagents) doit être détaillée dans un billet annoncé pour vendredi.
🔗 Annonce de @yb2698 sur X · Qwen3.8-27B-hermes-adapted (Hugging Face)
OVHcloud met en ligne les poids d’Olala mini 7A1B sur Hugging Face, avec un score moyen de 68,0 sur douze bancs
19 novembre — Annoncé le 17 novembre, Olala mini 7A1B, le modèle qui ouvre la première famille de modèles de langage d’OVHcloud, est désormais téléchargeable sur Hugging Face sous licence Apache 2.0, en versions base, SFT, GGUF et MLX.
| Caractéristique d’Olala mini 7A1B | Valeur publiée |
|---|---|
| Paramètres | 6,8 milliards, dont environ 1 milliard actif par token |
| Architecture | hybride Mamba-3 et attention en mélange d’experts, cache KV sur 7 couches sur 36 |
| Contexte | 32K tokens, version 128K annoncée bientôt |
| Entraînement | 12,8T tokens, en anglais et 36 autres langues |
| Empreinte estimée | environ 40 t de CO2 et 1,16 GWh |
| Moyenne sur douze benchmarks | 68,0, soit 15,2 points de plus que le point de contrôle SFT |
Le modèle a été entraîné sur trois supercalculateurs publics européens, JUPITER (dont 1 024 GPU GH200), Jean Zay et MeluXina. Il raisonne avant de répondre, avec quatre niveaux d’effort, et a été entraîné par renforcement à appeler des outils ; son point fort est le suivi d’instructions, son point faible les mathématiques de compétition.
🔗 @OVHcloud sur X · Olala-v1.0-mini-7A1B (Hugging Face)
Hugging Face publie PEFT v0.22.0, avec les méthodes PaCA, Astra et NoRA, avant PEFT 1.0
19 novembre — La bibliothèque d’affinage économe de Hugging Face passe en v0.22.0. Elle ajoute PaCA (Partial Connection Adaptation), qui n’ajoute pas de couches d’adaptateur mais affine directement des colonnes d’entrée choisies au hasard dans les poids préentraînés : selon l’article d’origine, elle demande 22 % de temps d’entraînement et 16 % de mémoire en moins que LoRA, à précision comparable. Deux nouvelles initialisations de LoRA, Astra et NoRA, complètent la version, qui renforce aussi le parallélisme tensoriel et FSDP2 et ajoute un bilan de santé du modèle. PEFT exige désormais Python 3.11, et les notes annoncent que la prochaine version sera la 1.0, avec un nettoyage de l’API et quelques petits changements cassants, précédée d’une version candidate (release candidate).
Science : Ai2 lance Theorizer dans Asta, un agent qui propose des théories reliées aux publications
19 novembre — Ai2 met Theorizer à disposition dans Asta, sa plateforme d’agents pour la recherche scientifique, et publie son code sous licence Apache-2.0. L’agent parcourt la littérature, définit ce qu’il faut extraire de chaque article, compare les résultats et formule des théories dont chaque affirmation renvoie aux articles qui la soutiennent ; il signale celles qu’il estime nouvelles, en prévenant qu’une recherche peut manquer des travaux antérieurs. Ai2 l’illustre par des cas réels : sur des adénocarcinomes pulmonaires sans mutation motrice connue (environ 20 à 30 % des cas), une piste préliminaire de dépendance à la protéine CDK2, qui reste à valider en laboratoire ; 50 théories candidates sur les interneurones VIP pour un neuroscientifique de l’Allen Institute qui en attendait une ou deux. L’usage dans Asta est pris en charge par Ai2 jusqu’à une limite de tokens, l’article technique a été publié à ACL 2026, et un webinaire est prévu le 10 décembre.
🔗 Theorizer dans Asta (Ai2) · Dépôt allenai/asta-theorizer
IA en entreprise : Sakana AI et Salesforce signent un protocole d’accord pour le secteur public japonais
19 novembre — Sakana AI annonce un protocole d’accord avec Salesforce en vue d’intégrer ses modèles d’IA aux logiciels de l’éditeur américain, à destination des administrations publiques et des collectivités locales japonaises. L’objectif affiché est de contribuer à l’efficacité administrative et à la transformation numérique de ces organismes, et Sakana AI dit vouloir continuer à développer des technologies adaptées aux besoins du secteur public japonais. Le tweet, en japonais, reprend une dépêche de l’agence de presse Jiji ; l’annonce ne donne ni calendrier, ni produit nommé, ni montant.
Brèves
Gemini 4 Neon ailleurs
- Antigravity CLI 1.5.12 — Gemini 4 Neon devient accessible avec une simple clé d’API Gemini (
GEMINI_API_KEY), sur ses quatre niveaux de réflexion ; la vue navigateur de Remote Control affiche plusieurs conversations côte à côte, et/forkprend quelques secondes au lieu de jusqu’à une heure. 🔗 source - Genspark — Gemini 4 Neon arrive dans AI Chat et le Code Agent, avec l’argumentaire de Google (3e au classement général d’Artificial Analysis en effort xhigh, 1er de son indice des agents de code, coût par tâche de 50 à 80 % inférieur aux meilleurs modèles), sans forfait ni crédits précisés. 🔗 source
Agents de code et outils de développement
- Codex CLI 0.172.0-alpha.2 — Les notes de cette préversion sont vides ; d’après les titres de ses 62 commits, elle prépare la complétion des arguments des commandes slash, le démarrage à la demande par défaut des serveurs MCP locaux et des lignes d’état personnalisées dans
/experimental. Le contenu peut changer avant la version stable. 🔗 source - Codex sur iOS — La version 1.2026.314 de ChatGPT pour iOS enregistre les conversations latérales sur l’ordinateur appairé, ajoute un sélecteur pour lancer une tâche dans le cloud ou sur un ordinateur et un projet précis, et ne compte plus que les sous-agents encore actifs. 🔗 source
- Copilot CLI 1.0.115 et Copilot SDK 2.0.2 — Deux préversions de la CLI corrigent notamment la connexion aux serveurs MCP qui omettent un scope de jeton de rafraîchissement ; la préversion 2.0.2-preview.0 du SDK retire des ancres de confiance, sous macOS et Linux, les 16 clés signalées de l’autorité de certification eMudhra. La stable reste en 1.0.114. 🔗 source · 🔗 Copilot SDK
- GitHub CLI 2.105.0 — En préversion,
gh event listenattend un événement de pull request (revue, conflit, nouveau commit, check suite terminée) au lieu de l’interroger en boucle, etgh prcommegh runle suggèrent désormais aux agents ; l’accès à Event Streams passe encore par une liste d’attente. 🔗 source - Connecteurs MCP de Copilot — Huit services vérifiés par GitHub s’ajoutent aux plus de 25 existants, en préversion publique sur toutes les formules : Box, Buildkite, Calendly, ClickUp, Mixpanel, Supabase, Webflow et Wix. 🔗 source
- Gemini CLI v0.69.0 et v0.70.0 — Après neuf jours sans nouvelle version, deux versions stables sortent le même jour, et la v0.70.0 livre les correctifs de sécurité du moteur de règles fusionnés depuis le 10 novembre ; la préversion v0.71.0-preview.0 rend asynchrone l’analyse des commandes PowerShell. 🔗 source · 🔗 v0.71.0-preview.0
- CLI mistral 0.19.0 et 0.20.0 —
mistral ocr processconvertit un document ou une image en Markdown ou en données structurées,mistral evals judgecède la place àmistral evals scorer, etmistral agents initcrée désormais un projet autonome du SDK Agents, sans clé API. 🔗 source · 🔗 0.20.0 - Delta 0.28 — L’environnement de Zed pour coder avec des agents cherche dans les fils de toute l’organisation et active par défaut la compaction douce, qui élague les anciens résultats d’outils sans appel à un modèle. 🔗 source
- Amp pour Windows — Le 17 novembre, dix jours après une version expérimentale, Amp annonce son application Windows, native sur x64 et Arm, avec un runner intégré, des paquets MSIX déployables par Intune et des réglages par stratégie de groupe. 🔗 source
- Warp Learn — Warp lance un cours gratuit, Build a Self-Improving Software Factory, donné par Ben Holmes : deux unités sur trois sont en ligne, de la boucle de développement par agents aux correctifs déclenchés par la supervision des erreurs. 🔗 source
- DevinDash — Cognition décline ses Devin Bots en un modèle qui commande des repas par le serveur MCP de DoorDash ; les startups de Devin for Startups venues aux permanences (office hours) de San Francisco ou de New York peuvent recevoir 1 000 dollars de crédit DoorDash. 🔗 source
API et plateformes
- Agent API de Perplexity — Le niveau d’effort xhigh passe sur GPT-6.2 Sol, sans modèle de repli, à la place de Claude Opus 5.5 ; épingler la version
xhigh@2026-11-11.0garde l’ancienne configuration. 🔗 source - Qwen4-Max chez Together AI et Nous Portal — Together AI sert le modèle phare d’Alibaba (MoE de 2,4T paramètres dont 71B actifs, contexte de 1M) avec 30 % de remise, et Nous Research le rend gratuit pendant cinq jours dans Nous Portal avec Inferact, sans date de fin ni limite d’usage précisées. 🔗 Together AI · 🔗 Nous Research
Assistants et entreprise
- ChatGPT ajoute un plugin Accounting pour les rapprochements et les clôtures mensuelles sur l’application de bureau — Le plugin aide à rapprocher des transactions, à rédiger des écritures de facturation et à préparer les rapports de fin de mois ; il passe par l’utilisation de l’ordinateur sur macOS ou Windows, avec l’approbation d’un administrateur en Enterprise (notes de version de ChatGPT du 18 novembre, en lien plus haut).
- Perplexity Brain — Perplexity relaie sur X les skills personnels écrits par Brain et y annonce la fonction pour tous les abonnés grand public et entreprise aux États-Unis, alors que son billet parle des abonnés Max ; dans le test randomisé, 72,9 % des utilisateurs avec l’amélioration automatique ont obtenu un nouveau skill personnel, contre 6,5 % du groupe témoin. 🔗 source · 🔗 billet
- RAG as a service — Perplexity publie un guide sur le RAG proposé comme service et classe sept fournisseurs, Perplexity Enterprise en tête devant AWS Bedrock, OpenAI, Azure AI Search, Pinecone, LlamaIndex et Vectara ; le classement est celui de Perplexity. 🔗 source
- Sumitomo Life — L’assureur-vie japonais, passé à ChatGPT Enterprise en juin 2026, annonce plus de 80 % d’utilisation hebdomadaire et un retour sur investissement estimé, à partir des gains de temps déclarés, à 203 % au global et à 524 % en moyenne chez les employés qui s’en servent au moins 101 fois par mois. 🔗 source
- SSO des membres externes — Les propriétaires d’espaces ChatGPT Enterprise, Edu et Healthcare peuvent dispenser de SSO les membres externes dont le domaine n’est pas vérifié ; l’exemption vaut pour un seul espace et disparaît en cas de départ. 🔗 source
- Candid Health et ElevenAgents — La plateforme américaine de gestion du cycle de revenus confie aux agents vocaux d’ElevenLabs ses appels aux assureurs sur les refus de remboursement : 12 860 appels, plus de 850 heures gagnées par mois et 59 % des appels pilotes résolus, pour une intégration en 48 heures. 🔗 source
- Enterprise Live Migrations — Hors IA : les migrations en continu depuis Azure DevOps Services vers GitHub Enterprise Cloud avec résidence des données passent en disponibilité générale, historique Git, branches, tags et pull requests restant synchronisés jusqu’à la bascule. 🔗 source
- Runners RHEL de GitHub Actions — Hors IA : les images Red Hat Enterprise Linux 9 et 10 des larger runners hébergés passent en disponibilité générale pour les formules Team et Enterprise Cloud. 🔗 source
Modèles ouverts, recherche et simulation
- Deep Research de Genspark — Genspark relaie un travail publié par Baseten le 10 novembre : un Qwen3.5-397B post-entraîné pour la recherche approfondie atteint 0,759 sur le grader interne de Genspark, contre 0,612 pour la base et 0,738 pour Opus 5.5 ; il devient le modèle par défaut de l’agent, et Genspark garde les poids. 🔗 source · 🔗 billet de Baseten
- Muse Wonder sur le banc BAR — Meta relaie le classement de novembre de Legora, plateforme d’IA juridique, où Muse Wonder obtient le meilleur score de qualité globale et mène sur quatre types de tâches, dont l’analyse et l’extraction. 🔗 source
- Clairic — Une démonstration de Clairic, le modèle d’extraction structurée typée de 27 milliards de paramètres publié par Cloudflare sur Hugging Face, est ouverte sur le Hub ; le modèle date du 16 octobre et sa version Flash du 12 novembre. 🔗 source
- Gemma 4 E2B chez Airbnb — Selon le compte Gemma de Google, Airbnb a utilisé Gemma 4 E2B pour la classification de règles sur un seul GPU RTX Pro 6000 : F1 maximal de 0,563 à 0,902, latence médiane de 35 ms contre environ 900 ms pour les modèles de frontière, pour environ 1 % de leur coût à fort volume. 🔗 source
- Atto — NeuML publie une famille de modèles de recherche documentaire minuscules, de 840 paramètres à 28 millions : le modèle dense de 90 000 paramètres atteint 0,4257 en nDCG@10 sur un sous-ensemble de BEIR, contre 0,4802 pour all-MiniLM-L6-v2, environ 256 fois plus gros. 🔗 source
- ja-NCM — Un développeur publie un petit modèle japonais à poids ouverts qui génère le texte par concepts plutôt que token par token : selon lui, environ 6 fois plus vite qu’un modèle autorégressif et 2,4 fois plus vite qu’un modèle de diffusion, à qualité comparable. 🔗 source
- Into the Omniverse — NVIDIA republie pour la troisième fois son billet sur les simulations construites par des agents, avec de nouveaux exemples : les jumeaux numériques de sites industriels de Falkor (KONGSBERG) avec GPT-6 Astra, et une unité de soins intensifs assemblée par Claude Code où 766 robots Microduck sur 768 restaient debout. 🔗 source
Ce que ça signifie
Les étapes financières et techniques des laboratoires de pointe s’accompagnent désormais d’engagements de sûreté. Anthropic fixe son prix au-dessus de la fourchette et porte son offre de 825 à 980 millions d’actions ; le lendemain, Dario Amodei promet de rythmer l’entraînement et le déploiement jusqu’à s’assurer que les modèles sont sûrs et restent sous contrôle humain, sans céder aux pressions commerciales ou politiques. OpenAI, qui mesure la part croissante de sa recherche confiée à des agents, demande que les laboratoires soient tenus de publier des indicateurs d’auto-amélioration récursive. Les deux discours répondent à la même question : montrer que la sûreté suit quand les moyens et les capacités augmentent aussi vite.
Les agents font désormais une part mesurable du travail des laboratoires eux-mêmes. Chez OpenAI, ils réussissent seuls près de la moitié des tâches de deux à quatre heures et représentent, en médiane, 2 400 dollars par chercheur et par jour au prix catalogue ; la Performance Factory leur confie 17 enquêtes par jour sur les ralentissements de ChatGPT. Replit montre que l’organisation compte autant que le modèle : le meilleur agent seul fait de moins bons essaims que Claude Opus 5.5, qui se coordonne par un tableau partagé. Partout, l’humain garde la décision : un ingénieur fusionne les correctifs de la Performance Factory, les chercheurs d’OpenAI supervisent de près, et Devin ouvre des pull requests à relire.
La facturation se règle de plus en plus sur l’usage réel. Gemini 4 Neon se vend dans Cursor sur le coût par tâche, de 3,07 dollars en effort Medium à 10,67 dollars en Extra High ; Genie 4 se facture à la seconde de monde généré, environ 0,10 dollar, et GPT-Live descend à 0,02 dollar la minute quand personne ne parle. Tool Retrieval, comme ses équivalents chez OpenAI et Anthropic, poursuit le même but côté développeurs : ne payer en tokens que les schémas des outils réellement utilisés.
Côté modèles ouverts, l’effort porte sur ce que l’on tire d’une base existante. DaisyRose-27B et l’adaptateur Hermes partent tous deux de Qwen3.8-27B : le premier double son score sur Terminal-Bench 4.1 par apprentissage par renforcement, le second égale le mode de réflexion maximal avec 3,5 à 4,4 fois moins de tokens. PEFT prépare sa version 1.0 pour outiller ces affinages, OVHcloud publie un modèle européen entraîné sur des supercalculateurs publics avec son empreinte carbone, et Ideogram promet les poids de sa version 4.6. Ces chiffres restent ceux des éditeurs.
Sources
- Annonce du prix de l’introduction en bourse (Anthropic)
- @AnthropicAI sur X : le prix fixé
- @AnthropicAI sur X : texte de Dario Amodei
- Research acceleration: The jagged frontier (OpenAI)
- @OpenAI sur X : accélération de la recherche
- How OpenAI’s Performance Factory keeps ChatGPT fast (OpenAI)
- @OpenAIDevs sur X : Performance Factory
- @ideogram_ai sur X : Ideogram 4.6
- @ideogram_ai sur X : poids ouverts de la 4.6
- @Kling_ai sur X : 4K et HDR 10 bits
- @cursor_ai sur X : Gemini 4 Neon dans Cursor
- CursorBench (Cursor)
- Gemini 4 Neon dans GitHub Copilot (changelog GitHub)
- @github sur X : Gemini 4 Neon
- Claude Code v2.1.328
- Kimi Code 2.7.0
- Kimi Code Desktop 1.4.0
- Devin Security Threats (Cognition)
- @cognition sur X : Devin Security Threats
- Devin for Databricks Migrations (Cognition)
- @Replit sur X : Amuse
- Dépôt replit/amuse (GitHub)
- Throwing Headcount at the Problem (Replit)
- @Replit sur X : Optimization-Bench
- Computer use dans Gemini pour Mac (Google)
- @GeminiApp sur X : computer use
- Notes de version de ChatGPT
- Genie 4 dans l’API Gemini (Google)
- Documentation de Genie (AI Studio)
- Tool Retrieval dans l’API Gemini (Google)
- @OpenAIDevs sur X : GPT-Live-1.1
- Fiche GPT-Live-1.1 (OpenAI)
- Prompting GPT-Live for languages and regional accents (OpenAI)
- NVIDIA et Microsoft à Ignite (NVIDIA)
- Mini-PC RTX Spark disponibles (NVIDIA)
- DaisyRose-27B (billet de RadixArk)
- DaisyRose-27B-NVFP4 (Hugging Face)
- @yb2698 sur X : adaptateur Hermes
- Qwen3.8-27B-hermes-adapted (Hugging Face)
- @OVHcloud sur X : Olala mini 7A1B
- Olala-v1.0-mini-7A1B (Hugging Face)
- PEFT v0.22.0
- Theorizer dans Asta (Ai2)
- Dépôt allenai/asta-theorizer (GitHub)
- @SakanaAILabs sur X : protocole d’accord avec Salesforce
- Changelog d’Antigravity
- @genspark_ai sur X : Gemini 4 Neon
- Codex CLI 0.172.0-alpha.2
- Changelog de Codex, ChatGPT pour iOS 1.2026.314
- Copilot CLI 1.0.115-1
- Copilot SDK 2.0.2-preview.0
- Attendre les événements d’une pull request avec GitHub CLI (changelog GitHub)
- Connecteurs Supabase, Box, Calendly et autres pour Copilot (changelog GitHub)
- Gemini CLI v0.70.0
- Gemini CLI v0.71.0-preview.0
- CLI mistral 0.19.0
- CLI mistral 0.20.0
- Notes de version de Delta 0.28.0
- Amp for Windows (Amp)
- Warp Learn (Warp)
- @cognition sur X : DevinDash
- Changelog de l’API Perplexity
- @togethercompute sur X : Qwen4-Max
- @NousResearch sur X : Qwen4-Max dans Nous Portal
- @perplexity_ai sur X : skills personnels de Brain
- Self-improving skills (Perplexity)
- RAG as a service (Perplexity)
- Étude de cas Sumitomo Life (OpenAI)
- Notes ChatGPT Enterprise et Edu (OpenAI)
- Candid Health (ElevenLabs)
- Enterprise Live Migrations depuis Azure DevOps (changelog GitHub)
- Images de runners RHEL en disponibilité générale (changelog GitHub)
- @genspark_ai sur X : modèle de Deep Research avec Baseten
- Baseten et Genspark entraînent un modèle de recherche (Baseten)
- @AIatMeta sur X : Muse Wonder sur le banc BAR
- @HuggingApps sur X : Clairic
- @googlegemma sur X : Gemma 4 E2B chez Airbnb
- Atto (NeuML, Hugging Face)
- ja-NCM (Hugging Face)
- Into the Omniverse (NVIDIA)