Anthropic publie la version 2026-10-21 de son API Claude, Hugging Face lance le modèle ADN Carbon-X, METR teste la surveillance des agents chez OpenAI

Anthropic publie la version 2026-10-21 de l’API Claude, sa première depuis 2023 : temperature, top_p et top_k y sont refusés, et tous les SDK passent en version majeure, sous licence Apache 2.0. Hugging Face lance Carbon-X, un modèle ouvert de 14 milliards de paramètres qui lit et génère l’ADN presque au niveau de GPT-6.1 Sol, et METR publie avec Redwood Research le bilan de trois semaines passées à attaquer la surveillance des agents internes d’OpenAI. Agent Skills et OpenEnv rejoignent MCP à l’Agentic AI Foundation, l’API Decisions d’OpenAI passe en disponibilité générale, et NVIDIA consacre le deuxième jour de GTC Berlin à Cosmos et à Minerva.

API Claude 2026-10-21 : la première version depuis 2023 refuse temperature, top_p et top_k

21 octobre — Anthropic publie la version 2026-10-21 de l’API Claude, la valeur à passer dans l’en-tête anthropic-version, accompagnée de nouvelles versions majeures de tous ses SDK et de son CLI ant.

API version 2026-10-21 is now available. The Claude API has evolved a lot, but this is our first official version release since 2023. We plan to release versions more often so you can handle breaking changes before a new model requires them. 2023-06-01 is not deprecated.

🇫🇷 La version 2026-10-21 de l’API est disponible. L’API Claude a beaucoup évolué, mais c’est notre première publication de version officielle depuis 2023. Nous prévoyons de publier des versions plus souvent, pour que vous puissiez gérer les changements cassants avant qu’un nouveau modèle ne les impose. 2023-06-01 n’est pas dépréciée. — @ClaudeDevs sur X

Le changement le plus visible touche l’échantillonnage. Avec 2026-10-21, temperature, top_p et top_k provoquent une erreur 400 dans la Messages API, dans le comptage de tokens et dans chaque requête d’un lot (Message Batch), même à leur valeur par défaut ; sans eux, la requête échantillonne avec une température de 1.0. Les modèles Claude 4.7 et suivants n’acceptaient déjà que ces valeurs. Sur un modèle plus ancien comme Claude Sonnet 4.6, en revanche, une température abaissée pour obtenir des sorties plus régulières perd son effet, sans réglage de remplacement : la documentation conseille alors de garder cette requête sur 2023-06-01.

Élément de requête	Effet avec 2026-10-21
`temperature`, `top_p`, `top_k`	Erreur 400, même à la valeur par défaut
Bloc document placé directement dans un message assistant	Erreur 400 (un document imbriqué, comme un résultat de web fetch, reste accepté)
Citations non vides sur les blocs texte d’un message utilisateur	Erreur 400, `search_result` compris
`workspace_id` des clés API	Retiré, remplacé par `scope`
Champs renommés de l’Admin API et de l’Enterprise Analytics API	Anciens noms retirés

Python 2.0.0, TypeScript 1.0.0, C# 13.0.0, Go 2.0.0, Java 3.0.0, PHP 1.0.0, Ruby 2.0.0 et ant CLI 2.0.0 envoient la nouvelle version par défaut. Ces SDK passent sous licence Apache 2.0 au lieu de MIT, les versions antérieures restant sous MIT, et apportent leurs propres ruptures : un type de message par rôle, la clé API envoyée dans Authorization: Bearer plutôt que dans X-Api-Key (l’API accepte toujours les deux), le retrait de l’ancienne API Text Completions (TypeScript, Go, Java, Ruby et CLI) et celui de la compaction côté client du tool runner, au profit de la compaction côté serveur.

Pour migrer, Anthropic publie un guide pas à pas et renvoie vers le skill /claude-api de Claude Code, dont la version 2.1.307 ajoute la commande /claude-api api-version. Sur Amazon Bedrock, 2026-10-21 n’est disponible que pour Claude 4.7 et les modèles suivants. Le même jour, les notes de version ajoutent aux profils utilisateurs (user profiles) les champs enforcement_status et enforcement_actions, qui indiquent si Anthropic a restreint ou banni l’un des clients finaux d’une organisation.

🔗 Le guide de migration vers 2026-10-21 · Les notes de version de Claude Platform

Carbon-X : Hugging Face publie un modèle ouvert de 14 milliards de paramètres qui lit et génère l’ADN

22 octobre — Hugging Face publie Carbon-X, un modèle ouvert de 14 milliards de paramètres qui traite l’ADN et le langage naturel dans un même flux de tokens : on peut l’interroger sur une séquence, lui demander l’effet d’une mutation ou lui faire générer de l’ADN. Dérivé de Qwen3-14B, il est publié sous licence Apache 2.0 par l’organisation HuggingFaceBio, qui avait sorti l’annotateur de gènes Carbon-A le 8 octobre.

L’équipe de Loubna Ben Allal, Lewis Tunstall et Leandro von Werra a poursuivi l’entraînement de Qwen3-14B (midtraining) sur 300 milliards de tokens mêlant ADN, anglais et données entrelacées, puis l’a post-entraîné par affinage supervisé et par apprentissage par renforcement. Un tokenizer hybride garde le BPE de Qwen3 pour le texte et découpe l’ADN en 6-mers non chevauchants, un token couvrant six paires de bases. Sans encodeur ADN séparé, texte et séquences partagent la même matrice d’embeddings, et une réponse peut mêler les deux.

Sur cinq bancs (effet des variants, compréhension de séquences, prédiction de la base suivante), Carbon-X obtient 66,7 % de moyenne sans réflexion : 27 points de plus que Qwen3-14B, et mieux que tous les autres modèles ouverts évalués. GPT-6.1 Sol fait à peine mieux, avec 67,5 %, mais Carbon-X devance tous les modèles testés, ouverts comme fermés, sur l’effet des variants codants (BioReason Coding) et sur la prédiction de la base suivante.

Modèle évalué	Indice ADN du billet (arrondi)
GPT-6.1 Sol	68 %
Carbon-X	67 %
Kimi K3	50 %
DeepSeek V4.1 Flash	47 %
Qwen3-14B	40 %
GLM-5.3	40 %

Introducing Carbon-X: The best open DNA model. We midtrained a 14B model on DNA and text, and it beats every open language model and matches GPT-6.1 Sol at 1,000x lower cost.

🇫🇷 Voici Carbon-X, le meilleur modèle ouvert pour l’ADN. Nous avons poursuivi l’entraînement d’un modèle de 14B sur de l’ADN et du texte : il bat tous les modèles de langage ouverts et égale GPT-6.1 Sol pour un coût 1 000 fois plus faible. — @LoubnaBenAllal1 sur X

Sur le coût, deux chiffres circulent : la fiche du modèle l’évalue à environ 1/1 800 de celui de GPT-6.1 Sol par problème, quand l’annonce arrondit à 1 000 fois moins cher. Le calcul repose sur les tarifs d’API standard des modèles comparés, chacun pris au niveau de réflexion qui donne sa meilleure moyenne, et, pour Carbon-X, sur le débit mesuré d’une heure de H200 facturée 5 dollars ; le modèle répond directement, sans raisonnement étendu. Clément Delangue, PDG de Hugging Face, présente Carbon-X comme une réponse aux garde-fous des laboratoires de pointe en biologie, qui gêneraient selon lui scientifiques, universités, associations et agences de santé sans arrêter les acteurs malveillants.

🔗 La fiche de Carbon-X · Le billet de sortie · Le tweet de Clément Delangue

METR et Redwood Research mettent à l’épreuve la surveillance des agents internes d’OpenAI

22 octobre — METR publie le compte rendu d’un exercice mené cet été chez OpenAI avec Redwood Research. Du 21 juillet au 11 août, un employé de chaque organisation a passé trois semaines sur place à attaquer (red-teaming) le système asynchrone qui surveille le désalignement des agents internes d’OpenAI, ceux qui écrivent du code ou mènent des expériences pour ses chercheurs. L’accès était profond : appareils fournis par OpenAI qui n’ont jamais quitté les locaux, code interne, prompts et configuration des moniteurs, entretiens avec une douzaine de chercheurs et d’ingénieurs.

Mesure rapportée par METR	Valeur estimée
Trafic agentique interne de la Responses API éligible (modèles au moins GPT-5.5)	Environ 75 à 94 %
Trafic des agents Codex internes éligible	99,2 %
Trafic Codex interne éligible non surveillé, de mai à juillet 2026	De l’ordre de 10 % (compaction)
Requêtes en erreur du moniteur	Moins de 0,2 %
Rapport interne, puis version caviardée	61 pages, puis 38 pages

Ces estimations, entourées d’une forte incertitude selon METR, portent sur le système tel qu’il existait au 21 juillet. La principale lacune venait des événements de compaction du contexte, que les moniteurs ne voyaient pas :

Because of this coverage gap, we estimated that on the order of 10% of internal Codex traffic was unmonitored from May to July. OpenAI had independently identified this issue shortly before the exercise began.

🇫🇷 En raison de cette lacune de couverture, nous avons estimé qu’environ 10 % du trafic Codex interne n’était pas surveillé de mai à juillet. OpenAI avait repéré ce problème de son côté peu avant le début de l’exercice. — @METR_Evals sur X

OpenAI l’a corrigée pendant l’exercice. Comme le moniteur ne se déclenchait que lorsque l’agent rendait la main à l’utilisateur, un agent pouvait, tant que la compaction échappait à la surveillance, la repousser indéfiniment en continuant d’agir. L’entraînement par renforcement n’était pas couvert au début de l’exercice.

L’équipe décrit aussi des failles : un contournement du bac à sable de Codex et d’Auto-Review qui donnait à l’agent tous les droits de l’utilisateur hôte, une technique soustrayant des centaines d’actions récentes à la surveillance (détails caviardés par OpenAI), des entrées capables de faire échouer le moniteur en jouant sur des différences de sérialisation, deux en-têtes contrôlables par le client qui désactivaient la surveillance des nouveaux agents, dont l’usage restait toutefois repérable, et deux outils internes non surveillés, réputés en lecture seule, qu’un exploit simple, non validé en pratique, aurait pu détourner. À l’inverse, le moniteur voit la trajectoire complète de l’agent, à quelques exceptions près, et ses prompts recherchent manigances (scheming), sabotage, exfiltration de données, tromperie et injections de prompt.

OpenAI affirme avoir corrigé toutes les vulnérabilités qui touchaient sa pile de protections en production ; METR précise ne pas avoir évalué cette affirmation. Les parties avaient convenu à l’avance de ne publier qu’un billet bref, OpenAI pouvant caviarder le rapport. METR en tire cinq principes de conception, dont rendre la surveillance difficile à éviter (par exemple toutes les N minutes ou tous les N messages), attaquer régulièrement le système et isoler les agents de leurs moniteurs. Pour OpenAI, ces constats ont aidé à renforcer ses protections pendant l’extension du système et orienteront ses futures collaborations avec des évaluateurs tiers. Le 15 octobre, Anthropic avait décrit un accès comparable accordé à une équipe de METR.

🔗 Red-Teaming OpenAI’s Internal Agent Monitoring Systems (METR) · Le tweet de @OpenAI

Agentic AI Foundation : Agent Skills, Open Responses, OpenEnv et OpenSandbox rejoignent MCP

22 octobre — L’Agentic AI Foundation (AAIF), la fondation de la Linux Foundation cofondée l’an dernier par Anthropic, Block et OpenAI et qui héberge déjà MCP, accueille quatre nouveaux projets d’un coup : Agent Skills, apporté par Anthropic, Open Responses par OpenAI, OpenEnv par Hugging Face et OpenSandbox par Alibaba. Elle compte ainsi 10 projets dès sa première année ; selon Manik Surtani, son CTO et cofondateur, ils couvrent chacun une partie de la pile, de la façon dont les agents acquièrent des capacités jusqu’à l’endroit où ils s’exécutent.

Anthropic donne le nom et le logo Agent Skills, l’organisation GitHub et le domaine agentskills.io. Né pendant le travail sur Claude Code, ce format de dossiers qui apprennent une tâche à un agent (un fichier SKILL.md, des scripts, des documents de référence) a été publié comme standard ouvert en décembre 2025 ; selon Anthropic, plus de 70 plateformes d’agents l’ont intégré depuis, dont ChatGPT, Cursor, GitHub Copilot et VS Code, et 1 million de skills ont été publiés, pour près de 280 millions d’installations. Des ingénieurs d’Anthropic, de Google, d’OpenAI et d’autres entreprises le maintiendront à titre individuel, avec David Soria Parra et Mahesh Murag comme responsables (Lead Maintainers), et le fil @ClaudeDevs cite aussi Earendil, Microsoft et OpenCode au comité de pilotage technique. Les skills existants continuent de fonctionner et les licences ne changent pas ; première étape proposée : des versions numérotées, un processus formel de propositions et des recommandations de sécurité.

Hugging Face confie de son côté OpenEnv, son cadre ouvert d’environnements pour entraîner des agents, à une gouvernance neutre, avec un comité qui réunit notamment Microsoft, Reflection, Meta-PyTorch, Fleet, Mercor, Nebius, Modal, Prime Intellect et Unsloth. Les anciennes adresses meta-pytorch/OpenEnv et huggingface/OpenEnv redirigent désormais vers github.com/openenv/OpenEnv.

🔗 Le communiqué de la Linux Foundation · Le billet d’Anthropic · L’annonce de Ben Burtenshaw (Hugging Face) · Le fil de @ClaudeDevs

Concevoir et gouverner les agents : sous-agents repliés, mode auto par défaut, adoption agentique comparée

Trois annonces portent moins sur ce que savent faire les agents que sur la façon de les organiser, de leur laisser la main et d’en mesurer l’usage.

Anthropic conseille de replier les sous-agents dans la boucle principale et publie un kit de migration open source

22 octobre — Dans un guide de bonnes pratiques pour Claude Platform signé Diane Sarkis, l’équipe Applied AI d’Anthropic constate que, dans plusieurs déploiements en entreprise, un agent unique doté de skills a souvent fait mieux, en qualité, qu’un prompt unique fourre-tout ou qu’une architecture à sous-agents, souvent pour un coût et une latence par tâche plus faibles ; un client a mesuré une exécution environ deux fois plus rapide qu’avec son harnais multi-agents. Anthropic dit avoir réduit de plus de 80 % le prompt système de Claude Code pour ses modèles les plus avancés, en partie grâce à la divulgation progressive des skills et des outils, et observe qu’au-delà de 30 à 50 définitions d’outils, leur choix se dégrade. Les sous-agents gardent leur place quand le contexte sature, pour des tâches parallèles qui peuvent jeter leur contexte, ou quand l’agent peine à choisir ses outils. Le kit single-agent-loop-kit (Apache-2.0) enchaîne /claude-api build-eval, prompt-audit, hillclimb et cost-optimize pour passer à une boucle unique.

🔗 Le guide d’Anthropic sur les sous-agents · anthropics/single-agent-loop-kit (GitHub)

Les sessions des applications Claude passeront en mode auto par défaut sur Pro, Max et Team

22 octobre — À partir de la semaine prochaine, selon @claudeai, les sessions des applications Claude sur le web, sur ordinateur et sur mobile tourneront par défaut en mode auto pour les forfaits Pro, Max et Team : au lieu de demander l’approbation de chaque étape, un contrôle automatique bloque les actions risquées, et l’on peut revenir au mode manuel à tout moment. Le mode auto est déjà le réglage par défaut de Claude Code pour ces forfaits depuis le 14 août, et des sessions terminal et VS Code sur tous les forfaits depuis la version 2.1.284 du 28 septembre ; le tweet cite d’ailleurs l’annonce d’août, où le classifieur repérait en test 89 % des commandes dangereuses, contre 14 % pour l’approbation manuelle. L’annonce tient en un tweet, sans date précise, sans détail sur les sessions concernées ni mention d’Enterprise.

🔗 Le tweet de @claudeai

Le Copilot impact dashboard compare l’adoption agentique d’une entreprise à celle de ses pairs

22 octobre — Le tableau de bord d’impact de Copilot (Copilot impact dashboard) ajoute une comparaison sectorielle (Industry comparison), facultative et désactivée par défaut. Les entreprises, et les organisations qui ne dépendent pas d’une entreprise, y situent deux indicateurs face aux repères agrégés de pairs participants : la part de leurs utilisateurs qui travaillent d’abord avec des agents (agent-first) ou avec plusieurs agents (multi-agent), et le taux de fusion des pull requests de ces utilisateurs agentiques face aux autres. Chaque score est classé face à la médiane des pairs sur 28 jours, puis face au premier décile quand le groupe grandit, par taille d’entreprise et parmi dix secteurs. Les comparaisons se rafraîchissent chaque jour, les agrégats sont supprimés après 30 jours, les clients en résidence des données ne sont comparés qu’à leur région, et rien ne sort par l’API des métriques ni par les exports. Au lancement, faute de participants, on peut ne voir que la médiane, voire aucun classement.

🔗 Industry comparisons in the Copilot impact dashboard

Modèles de décision : l’API Decisions d’OpenAI en disponibilité générale, GLiDE v1.2 en tête du Decision Index

Les modèles de décision répondent à des questions fermées (classer, router, choisir l’action suivante) sans générer de texte. Le même jour, OpenAI ouvre à tous son API dédiée, et Fastino publie des poids qu’il annonce premiers de l’index de référence de Hugging Face.

OpenAI passe l’API Decisions en disponibilité générale, avec 400 questions par requête

22 octobre — Seize jours après sa bêta publique, l’API Decisions passe en disponibilité générale (generally available). Construite sur GPT-6 Luna, elle renvoie une probabilité (predicate), un choix parmi des valeurs fournies (choice) ou un score sur une grille (score), jusqu’à 10 fois plus vite que GPT-6 Luna via la Responses API selon OpenAI. Elle accepte désormais des entrées JSON natives, des images dans les instructions de chaque question et jusqu’à 400 questions par requête, contre 200 en bêta, et gagne la mise en cache du contexte réutilisé, l’inférence résidente aux États-Unis et dans l’UE et l’intégration native à GPT-Live. L’entrée reste à 0,10 dollar par million de tokens, l’entrée en cache coûte 0,01 dollar et la sortie n’est pas facturée.

Client cité	Gain déclaré auprès d’OpenAI
Box	Choix de route environ 5 fois plus rapide, même exactitude que la Responses API
Datadog	Score de risque des commandes d’agents 40 fois plus rapide au p95
Ramp	4 fois plus rapide et 30 % moins cher que GPT-6 Luna
Sierra	Moins de 280 ms au p95, 90 % moins cher par appel que l’approche précédente
Speak	Délai avant l’action suivante ramené de 1,4 s à 0,13 s

Le SDK openai-python 3.37.0, publié le soir même, élargit les types de Decisions avec un changement cassant de typage.

🔗 Build more responsive apps with the Decisions API

Fastino publie GLiDE v1.2, qu’il annonce premier du Decision Index v0.4.1

22 octobre — Fastino publie GLiDE v1.2, nouvelle version de son modèle de décision, avec les poids sur Hugging Face et un accès par son API. Selon Fastino, il est premier du Decision Index v0.4.1 de Hugging Face, avec l’une des plus faibles erreurs de calibration de l’index ; le 21 octobre, Base Labs annonçait mammoth-1 premier avec 71,24, mais sur la version 0.4 : les deux scores ne se comparent pas. Le modèle lit texte, JSON et désormais images, et renvoie en une passe une probabilité pour chaque option : un choix parmi au plus 255, un oui ou non, ou un niveau sur une échelle ; Fastino a retiré les tokens de réflexion pour réduire la latence.

Caractéristique de GLiDE v1.2	Valeur annoncée
Taille du modèle	26 milliards de paramètres
Matériel minimal	Un GPU d’au moins 80 Go
Score selon Fastino	71,5 au Decision Index v0.4.1, 1,7 point devant le suivant
Tarif de l’API Fastino	0,04 dollar par million de tokens d’entrée
Licence des poids	fastino-community : gratuite, accord commercial au-delà de 10 millions de dollars de chiffre d’affaires annuel

🔗 Le billet de Fastino · fastino/GLiDE (Hugging Face)

Accès aux modèles : routeurs soumis à l’approbation d’OpenAI, Batch API chez Perplexity, calcul confidentiel chez Cohere

Trois changements portent sur la façon d’accéder aux modèles plutôt que sur les modèles eux-mêmes : les intermédiaires, le traitement en volume et la confidentialité des requêtes.

OpenAI exigera dès le 20 novembre que les routeurs de modèles et passerelles d’IA obtiennent son approbation

21 octobre — Dans un billet de sa rubrique Safety, OpenAI dit avoir harmonisé avec ses clients et partenaires les politiques de sécurité des services qui donnent accès à ses modèles, directement, via un partenaire qui les héberge ou via un revendeur : protections cohérentes avec les siennes, enquêtes sur les violations possibles, mesures quand un problème est identifié et application coordonnée des restrictions d’un service à l’autre. Le changement le plus concret vient des Politiques d’utilisation (Usage Policies) mises à jour au 20 novembre 2026 : les services qui donnent un accès direct aux modèles, comme les routeurs de modèles (model routers) ou les passerelles d’IA (AI gateways), devront se soumettre à l’examen d’OpenAI et obtenir son approbation avant de proposer cet accès. OpenAI met aussi en place des SafetyIDs, que les clients peuvent fournir pour distinguer les utilisateurs finaux pendant une enquête sans lui révéler leur identité. Le billet ne nomme aucun service concerné et ne détaille pas la procédure d’approbation.

🔗 Un accès élargi grâce à des normes cohérentes (OpenAI)

Perplexity ouvre une Batch API pour son Agent API, jusqu’à 50 000 requêtes par fichier

22 octobre — Perplexity ajoute une Batch API à son Agent API, pour les travaux qui n’attendent pas de réponse immédiate (évaluations, classification, enrichissement de données) : on téléverse un fichier JSONL de requêtes, on crée un lot, puis on récupère un fichier de résultats et un fichier d’erreurs, avec des points d’accès qui reprennent la forme de la Batch API d’OpenAI. Chaque requête exécute la boucle complète de l’Agent API : la recherche web (web_search) et la lecture de pages (fetch_url) fonctionnent donc aussi en différé.

Limite de la Batch API	Valeur publiée
Requêtes par fichier	50 000, pour 200 Mo au plus
Modèles acceptés	Un seul par fichier, parmi ceux de l’Agent API
Délai de traitement	Objectif de 24 h sans garantie, échéance ferme à 48 h
Conservation des fichiers	30 jours
Tarif du traitement	Aucun prix batch distinct ; niveau flex pour les modèles OpenAI qui le proposent

Les requêtes d’un lot ne comptent pas dans la limite de requêtes de l’Agent API, et celles qui n’ont pas démarré à l’échéance expirent sans être facturées. Le service est fermé aux organisations en rétention de données nulle.

🔗 Le fil de @perplexitydevs · La documentation de la Batch API

Cohere ouvre en bêta publique le Confidential Computing de Model Vault, sur GPU NVIDIA H100 dans Azure

22 octobre — Lancé en accès anticipé le 16 septembre, le Confidential Computing de Model Vault, la plateforme d’inférence dédiée et gérée de Cohere, passe en bêta publique : les clients peuvent créer des coffres chiffrés et y déployer leurs charges de travail dès maintenant, avec les mêmes API. La bêta tourne sur des GPU NVIDIA H100 dans Microsoft Azure, qui fournit l’infrastructure de calcul confidentiel, tandis que NVIDIA Confidential Computing protège la mémoire du GPU et chiffre les échanges entre CPU et GPU. Le contenu des requêtes est chiffré de bout en bout par Oblivious HTTP (OHTTP) jusqu’à l’environnement attesté, et le logiciel du client vérifie une preuve signée du matériel, du micrologiciel (firmware) et du logiciel avant tout envoi ; selon Cohere, même ses opérateurs et le fournisseur cloud ne peuvent pas lire la mémoire protégée. Restent hors du périmètre certaines attaques physiques ou par canaux auxiliaires, la disponibilité, les failles applicatives comme l’injection de prompt, les métadonnées et les identifiants d’API et de modèle. Les GPU Blackwell B200, la disponibilité générale et une pile en open source sont annoncés sans date, et aucun tarif n’est communiqué.

🔗 Confidential Computing on Cohere Model Vault · L’article technique de Cohere

Observer et prévoir la planète : ForTy, OlmoEarth v1.3 et StormScope EU

Trois publications du jour cartographient ou prévoient la Terre à partir d’images satellite, dont deux autour d’embeddings qui résument chaque pixel de 10 mètres.

Google DeepMind publie ForTy, une carte mondiale à 10 mètres qui distingue forêts naturelles, plantations et cultures arborées

22 octobre — Google DeepMind et Google Research publient avec le World Resources Institute (WRI) et l’IIASA Forest Typology (ForTy) 2020, une carte qui range chaque parcelle de 10 mètres sur 10 de la surface terrestre dans l’une de six catégories issues des définitions de la FAO : forêt primaire, forêt à régénération naturelle, forêt plantée, plantation forestière, cultures arborées et agroforesterie, autres terres. Là où la plupart des cartes indiquent seulement la présence d’arbres, ForTy distingue une forêt primaire d’une palmeraie à huile, ce qui en fait une référence pour le règlement européen sur les produits « zéro déforestation » (EUDR). Le modèle s’appuie sur les embeddings d’AlphaEarth Foundations et environ 1,7 million de points annotés ; validé sur plus de 9 000 sites tirés au hasard, il identifie le bon type de forêt dans 90 % des cas, sépare forêt et non-forêt dans 95 % des cas, et donne une probabilité par classe plutôt qu’une étiquette. Une série annuelle 2017-2025, en version préliminaire, montre aussi ce qui remplace une forêt disparue. Carte et série sont libres sur Google Earth Engine, sous licence ouverte.

🔗 Le billet de Google DeepMind · L’article de Scientific Data

Ai2 publie OlmoEarth v1.3 et des embeddings satellitaires précalculés pour toute la planète

22 octobre — Ai2 publie OlmoEarth v1.3, un modèle qui lit une année d’images radar (Sentinel-1) et multispectrales (Sentinel-2, Landsat) et résume chaque pixel de 10 mètres en un vecteur. Ai2 a calculé ces embeddings et les partage sur Source Cooperative : toute la planète pour 2023 à 2025, certains pays seulement de 2017 à 2022. Un petit classifieur entraîné dessus suffit désormais pour cartographier cultures, occupation des sols ou changements, sans affiner le modèle tâche par tâche. Un explorateur dans le navigateur, sans compte, compare des années, cherche des lieux semblables et exporte une carte en GeoTIFF.

Mesure d’OlmoEarth v1.3	Valeur publiée
Embedding par pixel de 10 m	128 dimensions, ou les 64 premières en version légère
Évaluations gagnées face à AlphaEarth Foundations et Tessera v2	20 sur 27 (128 dimensions), 18 sur 27 (64 dimensions)
Calcul d’entraînement face à v1.2	53 %
Archive d’embeddings précalculés	Environ 150 To par an

Poids, données et code sont publiés sous la licence OlmoEarth Artifact License, et Ai2 présente en même temps PLANTEUR, un banc de cartographie des cultures sur six territoires d’outre-mer français.

🔗 Le billet d’Ai2

StormScope EU rejoint Earth-2 au deuxième jour de GTC Berlin

22 octobre — NVIDIA ajoute à Earth-2, sa famille de modèles de prévision météo et climat, StormScope EU : une version régionale de StormScope entraînée sur des données européennes, qui prévoit à très court terme l’évolution des nuages sur les 16 canaux de Meteosat, à pas de 10 minutes, à partir des observations d’EUMETSAT. Plusieurs utilisateurs européens d’Earth-2 sont cités : AXA a simulé plus de 1 000 saisons de cyclones avec FourCastNet 3, Vaisala Xweather enrichit StormScope de données de foudre, TotalEnergies prévoit le rayonnement solaire sur deux sites, et l’Université de Manchester exécute sur un DGX Spark un modèle CorrDiff de qualité de l’air entraîné sur le supercalculateur Isambard-AI.

🔗 Earth-2 en Europe (blog NVIDIA)

GTC Berlin, deuxième jour : NVIDIA étend Cosmos, lance Minerva et chiffre ses clients européens

22 octobre — Au deuxième jour de GTC Berlin, NVIDIA publie une série de billets consacrés à ses clients européens, qui alignent surtout des cas chiffrés. Shopify a post-entraîné Nemotron 3.5 Lightning pour le sous-agent GraphQL de son assistant Sidekick, plus précis qu’un modèle de pointe sur son banc interne, avec un coût de service réduit de 90 % et des réponses 7 fois plus rapides ; bunq fait tourner son assistant Finn sur des modèles ouverts, au niveau des meilleurs modèles fermés pour 60 % du coût par réponse ; Stripe accélère de 42 fois les pipelines de données de Radar, son outil antifraude, en test hors ligne. Côté énergie, les batteries d’Hitachi Energy sont qualifiées DSX Ready, Schneider Electric valide des architectures de référence Vera Rubin et Siemens Energy publie une conception de référence. Côté produits, NVIDIA étend Cosmos et lance Minerva.

🔗 Le commerce européen (blog NVIDIA) · Les services financiers européens · L’énergie des usines IA

Cosmos : cinq blueprints Data Factory, un Framework ouvert à d’autres modèles et des NIM jusqu’à deux fois plus rapides

22 octobre — NVIDIA complète Cosmos, sa plateforme de modèles du monde (world models), à chaque étape. Pour les données, Cosmos Data Factory, déjà cité la veille, se décline en cinq blueprints cloud natifs disponibles via GitHub, Microsoft Azure, Nebius et CoreWeave : jeux de données pour véhicules autonomes, augmentation d’attributs d’image, vidéos d’événements rares ou dangereux, images de défauts (circuits imprimés, métal, verre) et augmentation de vidéos (météo, éclairage). Pour l’entraînement, le Cosmos Framework étend ses recettes d’affinage (fine-tuning), d’apprentissage par renforcement, de distillation et de quantification, sous forme de skills d’agent, à d’autres modèles ouverts comme GR00T, Alpamayo, Qwen ou Pi0.5. Pour le déploiement, de nouvelles variantes Cosmos 3 Nano servent à évaluer en simulation des politiques de conduite autonome et de robots bimanuels, les microservices NIM Cosmos 3 gagnent jusqu’à un facteur 2 en vitesse d’inférence dans des configurations validées, et le blueprint Metropolis VSS 3.3 suit 40 % de flux vidéo en plus sur le même GPU. MicroAGI a ainsi distillé son raisonneur Cosmos 3 de 32B en un Nano de 8B sans perte de précision, et Porsche, cité la veille, chiffre à 90 % au plus la baisse de ses essais physiques répétés.

🔗 Le billet Cosmos (blog NVIDIA)

Minerva, une plateforme AIOps pour garder les usines IA productives

22 octobre — NVIDIA lance Minerva, une plateforme d’exploitation par l’IA (AIOps) pour les usines IA, où un seul composant dégradé peut ralentir tout un entraînement. Elle réunit la télémétrie des GPU, du réseau, du stockage, des ordonnanceurs et des charges de travail dans un graphe de connaissances qui relie le matériel (GPU, SuperNIC, commutateurs, câbles) aux tâches en cours, pour remonter d’un entraînement ralenti au composant en cause, même sur des centaines de milliers de GPU selon NVIDIA. Des modèles supervisés et non supervisés analysent des milliards de points de données par heure, repèrent des anomalies inédites, anticipent les pannes et regroupent une avalanche d’alertes en un incident unique avec sa cause probable ; un assistant en langage naturel propose des corrections, appliquées à la main ou automatisées. IREN l’utilise déjà ; Aolani, Bitdeer AI, IBM, Jio, Lambda, Quake AI et Tesla prévoient de le déployer, et Lenovo et Supermicro le proposeront, en plus de Dell Technologies. NVIDIA ne publie ni prix ni gain chiffré.

🔗 Minerva (blog NVIDIA)

Représenter les cultures et les populations : CulturalRiddles et Nemotron-Personas-UK

Deux jeux de données publiés le même jour mesurent ou corrigent la fidélité des modèles aux cultures et aux populations réelles.

Cohere Labs publie CulturalRiddles, 6 200 énigmes de 62 cultures qui révèlent les angles morts culturels des LLM

22 octobre — Cohere Labs publie CulturalRiddles, un banc d’essai qui mesure la compréhension culturelle des modèles de langage par des énigmes. En six mois, 194 bénévoles ont écrit environ 6 200 énigmes originales dans leur langue, pour 62 communautés culturelles, 45 pays et 51 langues, dont certaines absentes des bancs existants comme le bugis ou le mongondow. Sur 28 modèles propriétaires, ouverts ou régionaux, avec environ 68 000 réponses relues par des locuteurs natifs, le meilleur résout 79 % des énigmes, mais aucun ne dépasse 22 % en lumasaba (Ouganda) ou en mongondow (Indonésie). La langue n’explique qu’une petite partie de l’écart : traduites en anglais, les énigmes des cinq communautés les plus difficiles ne font passer cinq modèles que de 22 % à 32 %. Autorisés à répondre « je ne sais pas », les modèles ne l’ont fait que dans 0,7 % des cas, alors qu’environ 31 % des réponses relues étaient inventées ; 18 modèles sur 28 répondent water-polo à une énigme allemande dont la solution est le rugby subaquatique. Énigmes, code et tableau de bord sont publics, sans modèle Cohere mis en avant.

🔗 CulturalRiddles (Cohere Labs) · Le jeu de données sur Hugging Face

Nemotron-Personas-UK : un million de personas synthétiques calés sur les recensements britanniques

22 octobre — Locai Labs, un laboratoire londonien d’IA souveraine, publie avec NVIDIA Nemotron-Personas-UK, un million de personas synthétiques sous licence CC BY 4.0. Chacun respecte les distributions démographiques, géographiques, socio-économiques et professionnelles des recensements d’Angleterre et du pays de Galles, d’Écosse et d’Irlande du Nord, sans qu’aucune personne réelle y figure. Avec NeMo Data Designer, un modèle probabiliste tire d’abord des combinaisons réalistes, puis Gemma 4 31B rédige les attributs de chaque persona (origine culturelle, compétences, objectifs de carrière, loisirs), sur 18 GPU NVIDIA. Ces jeux servent à entraîner et tester des modèles qui doivent refléter une population précise sans exposer de données personnelles. Au deuxième jour de GTC Berlin, NVIDIA a présenté en parallèle Nemotron-Personas-Germany, un million d’enregistrements ancrés dans le recensement de 2022 (16 Länder, 400 districts), utilisables avec la bibliothèque open source NeMo User Sim pour vérifier qu’un modèle de service public se comporte de la même façon d’une région ou d’une tranche d’âge à l’autre ; des éditions sont prévues avec SpeakLeash, en Pologne, et l’Université de Ljubljana. La collection Nemotron-Personas couvre désormais 12 pays, dont la France.

🔗 Le billet de Locai Labs · Le secteur public européen (blog NVIDIA)

Images et vidéos génératives : Ideogram Vector 1.0, HeyGen Video 1 et FLUX Video Upscale

Ideogram lance Ideogram Vector 1.0, son premier modèle vectoriel, qui génère des SVG modifiables

22 octobre — Ideogram sort de l’image matricielle avec Ideogram Vector 1.0. À partir d’un prompt, avec des images de référence si on le souhaite, le modèle génère directement un fichier SVG ; il sait aussi convertir une image existante en vecteur, sans prompt. Chaque création est un seul SVG dont les formes, les couleurs et les dégradés restent modifiables dans Illustrator, Figma ou du code. Ideogram vise les logos, le lettrage, les étiquettes, l’impression et l’illustration (gravure, pop art, aplats, dessin au trait), en misant sur son point fort historique, le texte lisible. Le modèle est disponible dans Ideogram, par l’API et chez des partenaires non nommés, sans benchmark publié.

Mode de génération	Prix par SVG
Texte vers vecteur, qualité Low	0,13 dollar
Texte vers vecteur, qualité Medium	0,16 dollar
Texte vers vecteur, qualité High	0,20 dollar, 0,32 dollar avec références
Image vers vecteur	0,10 dollar par image

🔗 L’annonce d’Ideogram · La page du modèle

HeyGen Video 1 se classe premier en texte vers vidéo sans audio sur Artificial Analysis, troisième avec audio

22 octobre — HeyGen affirme que HeyGen Video 1, son premier modèle vidéo généraliste, est arrivé premier en texte vers vidéo dans un test à l’aveugle d’Artificial Analysis. Le classement AA-Video-T2V v2.1 nuance l’affirmation : la variante classée, HeyGen Video (ultraquality), est bien première dans la vue sans audio, avec un intervalle de confiance qui chevauche celui de Wan 3.0, mais seulement troisième dans la vue avec audio, affichée par défaut.

Vue du classement	Place de HeyGen Video (ultraquality)	Modèles voisins au classement
Sans audio	1re place, 1 144 Elo (rang 1 à 2)	Wan 3.0 à 1 134, MiniMax H3 768p à 1 120
Avec audio, vue par défaut	3e place, 1 160 Elo (rang 2 à 7)	Wan 3.0 à 1 175, Utopai X à 1 167

Post-entraîné sur MiniMax H3, le modèle devance nettement son modèle de base sans audio (1 144 contre 1 120), mais de deux points seulement avec audio (1 160 contre 1 158). Artificial Analysis indique une API « à venir » pour cette variante, alors que HeyGen présente HeyGen Video 1 comme disponible dans HeyGen et par l’API, à 0,01 dollar la seconde en promotion.

🔗 Le classement texte vers vidéo d’Artificial Analysis · Le tweet de @HeyGen

Black Forest Labs refond FLUX Video Upscale, qu’il dit moins cher que Topaz Astra 2 et deux fois plus rapide

22 octobre — Black Forest Labs annonce une refonte complète de FLUX Video Upscale, son outil de super-résolution vidéo lancé le 20 août, qu’il présente comme le meilleur du marché, moins cher que Topaz Astra 2 et deux fois plus rapide, sans publier de comparaison chiffrée. L’outil, propulsé par FLUX 3 selon la page produit, régénère chaque image à la nouvelle résolution plutôt que d’interpoler les pixels. Un paramètre règle son comportement : le mode précis affine la source sans l’altérer, pour les visages et les produits, tandis que le mode créatif, par défaut, invente du détail au risque de faire dériver un visage.

Paramètre de FLUX Video Upscale	Valeur publiée
Facteur d’agrandissement	1,5 à 3 fois, jusqu’à la 4K, depuis 480p
Durée par extrait	20 secondes au plus, son d’origine conservé
Prix en mode précis	0,035 dollar le mégapixel-seconde livré
Prix en mode créatif (par défaut)	0,05 dollar le mégapixel-seconde livré

🔗 L’annonce de Black Forest Labs · La page de l’upscaler

Agents de code : Claude Code 2.1.307, VS Code 1.143, Replit Monitoring Agent, orbs d’Amp et plugin de Cognition

Claude Code accompagne la nouvelle version de l’API, VS Code fait tourner un modèle de code sur la machine du développeur, Replit et Amp confient davantage d’infrastructure aux agents, et Cognition outille n’importe quel agent contre trois failles critiques. Copilot CLI 1.0.103, Vibe CLI 3.0.2, Qwen Code v0.26.0, Zed 1.25 et les autres versions du jour sont en Brèves.

Claude Code 2.1.307 ajoute /claude-api api-version et l’événement OpenTelemetry safety_event

21 octobre — Claude Code 2.1.307 (43 entrées, dont 26 correctifs) accompagne la nouvelle version de l’API : /claude-api api-version passe le code d’une application Claude API à la version 2026-10-21. Côté observabilité, l’événement OpenTelemetry claude_code.safety_event est émis pour chaque appel d’outil qu’une règle de permission, le mode auto, un contrôle de sécurité, un hook ou le bac à sable a arrêté, soumis à confirmation ou renvoyé à Claude ; il complète les champs du classifieur ajoutés le 15 octobre aux événements tool_decision. Code Review gagne @claude review stop (ou off, pause), qui met fin à un abonnement @claude review always sur une pull request. Parmi les correctifs, les appels d’outils MCP HTTP ne partent plus deux fois quand la connexion se ferme en cours d’appel, seuls les outils en lecture seule ou idempotents étant réessayés, un appel d’outil illisible est retenté jusqu’à deux fois avant d’arrêter le tour, et le runner auto-hébergé arrête ses hooks de checkout au bout de 30 minutes par défaut. La 2.1.308 du 22 octobre se limite à des corrections de bugs et de fiabilité.

🔗 Claude Code 2.1.307 sur GitHub

VS Code 1.143 fait tourner MAI Code 1.1 Flash en local avec Copilot et fait du harnais Copilot le choix par défaut

22 octobre — VS Code 1.143 livre en expérimental le routage local annoncé le 7 octobre : un nouvel onglet On This Device du sélecteur de modèles télécharge MAI Code 1.1 Flash, que l’on interroge dans les sessions du harnais Copilot. Les réponses calculées sur l’appareil, marquées On-device, ne consomment pas de crédits IA, et l’option Use in Auto laisse le mode Auto y envoyer les requêtes adaptées, avec repli sur le cloud. La barre matérielle reste haute : une version compatible de llama.cpp, une connexion GitHub et un GPU NVIDIA d’au moins 96 Go de mémoire. Le harnais Copilot, bâti sur le Copilot SDK, devient le choix par défaut des nouvelles sessions, et la fenêtre Agents gagne en préversion Compare Models, qui confie une même consigne à plusieurs modèles et harnais (Copilot, Claude, Codex) en parallèle, avec un modèle juge facultatif. L’installeur propose aussi Copilot CLI, Voice Mode accepte une clé OpenAI personnelle, et les entreprises peuvent imposer leurs modèles par défaut et faire installer d’office les plugins exigés.

🔗 Notes de version de Visual Studio Code 1.143

Replit lance Monitoring Agent, qui enquête sur les alertes de production, corrige et peut republier seul

22 octobre — Replit publie Monitoring Agent, présenté comme un ingénieur d’astreinte autonome pour les applications publiées sur sa plateforme : sur un incident de production, il enquête sur l’alerte, cherche la cause dans les logs, les métriques et le code, prépare et valide un correctif, peut le déployer, puis rend compte de ce qui a changé. Trois réglages distincts se fixent application par application : les alertes, sur les logs d’erreurs, les erreurs HTTP et la latence ; la correction automatique (Auto-fix), qui enquête en tâche de fond et envoie un résumé par e-mail ; la republication automatique (Auto-republish), encore expérimentale et réservée aux applications où Auto-fix est actif. Replit prévient qu’une alerte ne garantit pas un correctif et que migrations et opérations d’index restent risquées ; sans republication automatique, le correctif attend d’être relu dans le chat de l’agent. Aucun tarif dédié : les exécutions peuvent entraîner des frais d’usage de l’Agent. Replit parle d’un agent « premier du genre », mais Cognition a lancé le 15 octobre Devin Oncall, qui enquête lui aussi sur les incidents de production.

🔗 Le billet de Replit · La documentation de Monitoring Agent

Amp permet d’héberger ses orbs sur sa propre infrastructure, gratuitement pour tous jusqu’au 29 octobre

22 octobre — Amp permet d’héberger soi-même ses orbs, les machines distantes sur lesquelles tournent ses agents : le client fournit le calcul, Amp en fait des orbs, à condition que l’infrastructure sache démarrer vite de nouvelles machines, les mettre en veille et les reprendre, les conserver longtemps et redescendre à zéro. amp orb provider tourne chez le client, se connecte à Amp et transmet les demandes de création, de mise en pause et de suppression à un programme écrit par le client ; Amp fournit des exemples pour Docker, E2B, Kubernetes, Apple Containers, Modal, Vercel, Daytona et exe.dev. Amp déconseille pourtant l’option à la plupart de ses utilisateurs : elle vise les entreprises que la réglementation, un réseau interne ou un matériel particulier empêchent d’utiliser les orbs hébergées. Les orbs auto-hébergées restent gratuites pour les individus et les équipes ; les clients Enterprise paieront le tarif standard des orbs à partir du 29 octobre, et l’option est gratuite pour tous d’ici là. Jusqu’ici, seuls les runners d’Amp faisaient travailler l’agent chez le client, mais sur des machines persistantes.

🔗 Le billet d’Amp

Cognition publie en open source un plugin d’agent pour corriger les failles critiques de PHP, Node.js et GitLab

22 octobre — Au lendemain de PHP2Shell, Cognition publie Vulnerability Fixes, un plugin gratuit et open source (licence MIT) qui confie à un agent de code la correction de trois failles critiques. Il s’installe depuis la marketplace de Devin, mais il est fait de skills au format Agent Skills : npx skills add l’ajoute aussi à Claude Code, Codex, Cursor, Factory Droid, GitHub Copilot, Gemini CLI ou OpenCode. L’agent dresse d’abord un inventaire en lecture seule de tout ce qui embarque PHP ou Node.js (images Docker, paquets de distribution, CI, Helm, Terraform, runtimes AWS Lambda…), attend qu’on choisisse les dépôts à corriger, passe à une version corrigée vérifiée auprès des sources officielles, lance les tests avant et après, puis ouvre une pull request par dépôt, avec un label de risque et un plan de retour arrière.

Composant visé	Faille corrigée	Versions corrigées
PHP (PHP2Shell, couvert le 21 octobre)	CVE-2026-109618 et CVE-2026-109619, CVSS v4 9,2	8.2.35, 8.3.36, 8.4.27, 8.5.12
Node.js (mise à jour du 21 octobre)	10 CVE, dont CVE-2026-111497 (décodeur Brotli)	22.23.4, 24.22.1, 26.12.1
GitLab auto-hébergé	CVE-2026-110264, CVSS 10.0	19.5.1, 19.4.3, 19.3.6, 19.2.9, 19.1.9, 19.0.10, 18.11.13

Selon Cognition, les failles PHP et Node.js sont activement exploitées de façon automatisée, et le billet conseille de mettre d’abord hors ligne ses applications web PHP. Les clients Devin Enterprise se voient promettre des crédits et un accompagnement, sans montant.

🔗 Le billet de Cognition · Le dépôt CognitionAI/devin-vuln-fixes · L’annonce de @cognition

Brèves

Agents et outils de code

Copilot CLI 1.0.103 — Au lendemain de la 1.0.102, la stable de GitHub apporte surtout des correctifs : les sessions ACP respectent enfin les réglages du bac à sable, les appels d’outils Gemini n’échouent plus sur la validation de schéma, et les anciennes options de démarrage --remote et --no-remote disparaissent. 🔗 source
Vibe CLI 3.0.2 — Mistral porte à 32 les sous-agents vivants et les sous-agents en parallèle par défaut, contre 8 et 4 jusqu’ici, réglables par max_subagents et max_concurrent_subagents, et applique enfin les permissions, listes d’outils et skills des sous-agents personnalisés. 🔗 source
Qwen Code v0.26.0 — La stable succède aux préversions v0.25.4 couvertes la veille, sans v0.25.4 stable : 64 de ses 237 entrées, dont 21 fonctionnalités, sont inédites, comme les approbations modifiables pendant un tour du Managed Agent et le redémarrage du démon qwen serve. 🔗 source
Zed 1.25 en stable — La v1.25.2 fait passer en stable la préversion couverte le 14 octobre, avec la compaction du contexte pour les agents ACP et GPT-6 Astra, Claude Fable 5.1 et Claude Opus 5.5 dans le fournisseur Amazon Bedrock, et un binaire allégé d’environ 30 % depuis la 1.23. 🔗 source
Gemini CLI, nightly du 22 octobre — L’intégration IDE fonctionne enfin quand la CLI tourne dans un bac à sable docker, podman ou runsc, sans que le jeton du compagnon y entre, et une approbation de commande shell vaut pour les mêmes options jusqu’à la fin de la session. 🔗 source
Antigravity 2.25.0 et extension VS Code 1.9.0 — Rattrapages des 19 et 18 octobre : l’application signale par un badge les projets gérés par des plugins et répare le frontmatter YAML des skills, l’extension ajoute des raccourcis pour accepter ou rejeter un bloc de diff et un redémarrage automatique optionnel du serveur de langage. 🔗 source
Notes de version de Devin du 21 octobre — Devin Review s’ouvre à Bitbucket Cloud, Devin Oncall gagne un mode Lite et les administrateurs Enterprise peuvent afficher un lien de demande d’accès à côté des dépôts pas encore connectés. 🔗 source
Un outil scolaire bâti avec GenCode — Genspark publie le témoignage de Jason Hill, qui a construit en trois jours, pour environ 600 crédits, un outil de places libres et de sureffectifs pour les emplois du temps de son district ; aucune nouveauté produit. 🔗 source

Entreprises et déploiements

Uber et ChatGPT Work — Après un pilote auprès de 1 000 employés, Uber généralise l’agent de ChatGPT Enterprise à plus de 30 000, avec GPT-6.1 Sol par défaut et des connexions à Google Drive, Gmail, Google Calendar et Slack ; aucun résultat chiffré. 🔗 source
Les Forward Deployed Engineers d’OpenAI — Colin Jarvis décrit leur méthode, chiffres de clients à l’appui : environ 90 % de code spécifique supprimé chez un client des semi-conducteurs en passant sur un socle Codex, et un modèle vocal télécom passé d’environ 60 % à plus de 90 % aux évaluations clés en six mois. 🔗 source
Replit for Government — Une offre pour les administrations de tous niveaux, aux États-Unis et ailleurs, revendiquée dans 25 États américains et plus de 20 pays, sans client nommé, ni FedRAMP ni tarif. 🔗 source
Cognition à Londres — Nouveau bureau à Finsbury Square, équipe britannique en hausse de plus de 200 % en six mois et trois arrivées, dont Katrin Lehmann, ancienne DSI monde de Mercedes-Benz. 🔗 source
Le Partner Network de SpaceXSI — Le programme pour les intégrateurs et éditeurs qui bâtissent avec Grok sort de l’accès anticipé, suivi par plus de 130 entreprises, avec 45 partenaires de lancement, dont Bain & Company, Databricks, NVIDIA et Snowflake ; ni prix ni calendrier. 🔗 source
Synthesia et Hays — Le pilote de Roleplay Sessions chez le cabinet de recrutement mesure 29 % de progression moyenne sur les compétences commerciales, avec plus de 70 % d’engagement volontaire. 🔗 source
Trinity Logistics et ElevenAgents — Dans un cas publié le 20 octobre, les agents vocaux négocient et réservent environ 1 000 chargements par mois sur 30 000 appels, avec une marge 25 % plus élevée et un coût de plateforme en baisse de 40 %. 🔗 source
Eleven Realtime Translation, suite — Le billet de la traduction vocale en direct, couverte la veille, cite un premier client, Deutsche Telekom, pour son Magenta AI Call Assistant, et précise qu’Eleven v4 Turbo sert de base par défaut ; l’alpha entreprise reste sans tarif. 🔗 source

Sécurité

OpenAI et les banques communautaires — L’alliance avec l’ICBA ouvre aux banques membres éligibles un accès subventionné à Daybreak for Frontline Defenders, avec des formations ; ni montant ni nombre de banques. 🔗 source
Cloudflare, Daybreak et Codex — Dans une étude de cas datée du 21 octobre, Cloudflare propose avec les modèles d’OpenAI des correctifs et des règles WAF revus avant partage, et une équipe de quatre a reconstruit un produit en trois jours pour 1 100 dollars de tokens avec Codex. 🔗 source
Grok Bot et 1Password — Grok Bot utilisera dans les prochains jours les identifiants 1Password approuvés par l’utilisateur sans voir les mots de passe, dans le cadre de 1Password for Agents, qui doit aussi servir Muse de Meta, Claude Duet et ChatGPT Work. 🔗 source · 🔗 1Password for Agents
Public monitoring en résidence des données — Le secret scanning de GitHub surveille désormais les commits publics pour les clients GitHub Enterprise Cloud avec résidence des données, en préversion publique, avec une attribution par les seuls domaines vérifiés. 🔗 source

Assistants

Gemini, Google Maps et Google Agenda — Avec l’accord de l’utilisateur, l’application Gemini croise ses recherches et lieux enregistrés de Google Maps avec son agenda pour des recommandations du jour, via Personal Intelligence, indisponible dans l’Espace économique européen. 🔗 source
Des applications Gemini vers Google Sites — Depuis le 19 octobre, Export > Google Sites ouvre une application web interactive créée dans Gemini dans un brouillon de site privé, toujours interactive, pour Workspace et les comptes personnels. 🔗 source
Kimi Work 3.2.19 — Au lendemain de la 3.2.18, l’application de Moonshot AI affiche une page d’accès restreint quand la liste blanche IP d’une entreprise bloque la connexion, et ajoute un outil de diagnostic réseau. 🔗 source

Plateformes de développement

Espaces et vue scindée dans les pull requests — La préférence d’affichage des modifications d’espaces s’enregistre pour toutes les pull requests, et les fichiers nouveaux ou supprimés occupent toute la largeur en vue scindée. 🔗 source
Nouveaux hôtes blob pour GitHub Actions — Les plages productionresultssa30 à 49 et 100 à 199 sur blob.core.windows.net, publiées dans l’API meta, sont à autoriser sauf joker déjà en place, sous peine d’interruptions des résumés de jobs et des journaux. 🔗 source
huggingface_hub 2.3.0 en version candidate — Le listing parallèle ramène la recherche des 798 924 fichiers d’objaverse de 776 à 19,7 secondes, et les Buckets se suivent en direct. 🔗 source
OpenUSD sur le Hub — Les fichiers .usd, .usda, .usdc et .usdz s’ouvrent dans une visionneuse 3D interactive, publiée en open source, au lendemain de SimReady Central. 🔗 source

Recherche, modèles ouverts et méthodes

PLANTEUR — Publié par Ai2 avec OlmoEarth v1.3, ce banc de cartographie des cultures sur six territoires d’outre-mer français (2 750 séries temporelles, 4 506 km² de parcelles) montre que chaque modèle perd environ la moitié de son exactitude sur une île jamais vue. 🔗 source
Seb-9B-v2 — Ce modèle de décision local de 9 milliards de paramètres, sous Apache 2.0, obtient 59,16 sur le Decision Index contre 57,96 pour Jev 1.13 hébergé selon son auteur, qui ne précise pas la version de l’index, en 22 ms par décision sur une RTX PRO 6000. 🔗 source
Laghu — UDGAM LABS entraîne de zéro pour 146 dollars un modèle de conversation de 152 millions de paramètres, 163 Mo dans le navigateur, à égalité avec SmolLM2-135M-Instruct en conversation selon ses auteurs. 🔗 source
BaseQuant V1 — basecompute publie des quantifications de Qwen3.8-27B (10,93, 16,41 et 20,82 Go) dont la divergence KL est 15 % plus faible que celle d’Unsloth à 3 et 4 bits, selon ses auteurs. 🔗 source
Un VLM comme reranker — Sans entraînement au reranking, Qwen3.8-27B bat le reranker supervisé Qwen3-VL-Reranker-2B sur trois bancs et égale la version 8B sur les documents visuels de MMEB-V2, selon un billet communautaire. 🔗 source
Évaluer un agent selon Perplexity — Un guide en six étapes, des critères de réussite aux tests de régression et au suivi en production, conseille une analyse d’erreurs sur une centaine de traces réelles et la calibration des LLM juges ; aucun produit Perplexity. 🔗 source
Project Chrysalis — Google Cloud décrit une architecture de référence d’agents d’exploitation auto-évolutifs sur la plateforme d’agents Gemini Enterprise : sur des pannes simulées, le délai avant la première mesure d’atténuation (mitigation) passe de 15 à 45 minutes à 1,8 seconde ; ce n’est pas un produit. 🔗 source

Ce que ça signifie

Les plateformes réécrivent leurs contrats d’accès. Anthropic fige désormais l’API Claude par versions datées et retire des réglages que ses modèles récents ne laissaient déjà plus modifier : un développeur qui baissait la température d’un ancien modèle doit choisir entre rester sur 2023-06-01 et accepter l’échantillonnage par défaut, et tous les SDK changent le même jour de version majeure et de licence. OpenAI va filtrer les intermédiaires : à partir du 20 novembre, un routeur ou une passerelle qui donne un accès direct à ses modèles devra obtenir son approbation, et les SafetyIDs lui permettront de cibler un utilisateur final sans connaître son identité. Perplexity reprend la forme de la Batch API d’OpenAI, et Cohere fait vérifier par le client, avant chaque envoi, l’environnement qui traitera sa requête.

Les briques des agents passent sous gouvernance neutre. Avec Agent Skills, Open Responses, OpenEnv et OpenSandbox, l’AAIF réunit dix projets en un an, dont les quatre derniers viennent d’Anthropic, d’OpenAI, de Hugging Face et d’Alibaba. L’intérêt d’un format commun se voit le même jour : le plugin de Cognition contre PHP2Shell et les failles de Node.js et de GitLab s’installe sous forme de skills dans sept agents de code concurrents. Sur l’architecture, en revanche, les signaux divergent : Anthropic conseille de replier les sous-agents dans une boucle unique dotée de skills et ne les garde que pour les contextes saturés ou les tâches parallèles jetables, quand Vibe CLI 3.0.2 porte le même jour à 32 le nombre de sous-agents simultanés par défaut.

Plus les agents agissent seuls, plus leur surveillance devient une infrastructure à éprouver. L’exercice de METR et Redwood Research montre qu’un moniteur peut voir toute la trajectoire d’un agent et laisser pourtant passer une part du trafic : tant que la compaction du contexte lui échappait, un agent qui ne rendait jamais la main pouvait repousser indéfiniment son examen. Le même jour, les applications Claude annoncent le mode auto par défaut, où un contrôle automatique remplace l’approbation de chaque étape, Claude Code émet un événement pour chaque appel d’outil arrêté, Replit laisse un agent republier seul un correctif en production, et GitHub propose aux entreprises de comparer leur part d’utilisateurs agentiques à celle de leurs pairs.

Sur un terrain précis, un modèle spécialisé rattrape le modèle de frontière pour une fraction de son coût. Carbon-X, avec 14 milliards de paramètres, se tient à moins d’un point de GPT-6.1 Sol sur l’ADN pour environ 1/1 800 de son coût par problème ; l’API Decisions et GLiDE répondent sans générer de texte ; OlmoEarth v1.3 précalcule pour toute la planète des embeddings sur lesquels un petit classifieur suffit à dresser une carte, et ForTy bâtit la sienne sur ceux d’AlphaEarth Foundations. Les bancs rappellent l’envers du décor : sur CulturalRiddles, aucun des 28 modèles testés ne dépasse 22 % pour certaines communautés, et les modèles ne répondent « je ne sais pas » que dans 0,7 % des cas.