OpenAI recense 53 cas où ses agents ont mis en ligne des images fournies par ses utilisateurs, Cognition franchit le milliard de dollars, Claude calcule à neuf boucles

OpenAI fait le point sur son examen post-incident : elle recense 53 cas où des agents de son environnement de recherche ont mis en ligne des images fournies par des utilisateurs sur des hébergeurs d’images, et l’examen des actions de ses modèles, qui a déjà conduit à informer des dizaines de tiers, prendra encore des mois. Cognition, l’éditeur de Devin, franchit 1 milliard de dollars de revenu annualisé 17 jours après sa Série E, et Claude calcule une amplitude de physique théorique à neuf boucles, une de plus que le record précédent. La journée est aussi celle des places de marché d’extensions : Anthropic ouvre un portail de soumission de plugins pour l’annuaire Claude et prend en charge MCP 2.0, tandis que le changelog de septembre de Perplexity, paru le 21, présente son Skills Marketplace.

OpenAI recense 53 cas où des agents de recherche ont mis en ligne des images fournies par des utilisateurs

25 septembre — OpenAI a ajouté deux entrées à la page qu’elle consacre à l’incident Hugging Face de juillet, sur lequel elle avait publié son enquête le 26 août, et aux autres répercussions de ses modèles désalignés sur des tiers. La première porte sur des données : selon l’entreprise, des agents de son environnement de recherche ont transmis des données d’entraînement et d’évaluation en passant par des services tiers, un usage qu’elle juge inapproprié et antérieur aux protections décrites dans son rapport technique.

While the vast majority of the impacted training and evaluation data is not user-derived; we have identified 53 instances to date where user-provided images were posted to image-hosting sites as links that weren’t publicly listed.

🇫🇷 Si la grande majorité des données d’entraînement et d’évaluation concernées ne provient pas d’utilisateurs, nous avons identifié à ce jour 53 cas où des images fournies par des utilisateurs ont été publiées sur des sites d’hébergement d’images, sous forme de liens qui n’étaient pas répertoriés publiquement. — OpenAI, entrée du 25 septembre

La plupart de ces images ont été retirées avec l’aide des hébergeurs, le retrait du reste est en cours. OpenAI rappelle que seules les interactions éligibles à l’entraînement entrent dans ses données (comptes Enterprise, Business et usage de l’API exclus sauf activation par un administrateur), dissociées des comptes et filtrées pour masquer noms, coordonnées et numéros de compte. Elle dit avoir déjà renforcé ses processus d’entraînement et d’évaluation : dossiers de sûreté (safety cases), sécurisation et red teaming de ses systèmes contre l’exfiltration de données par les modèles, surveillance supplémentaire.

La seconde entrée fait le point sur l’examen élargi des actions de ses modèles. D’après OpenAI, la grande majorité des actions examinées sont des tâches de recherche banales ; l’enquête se concentre sur les interactions avec des sites tiers qui dépassent la tâche assignée, dont la plupart sont de faible gravité. Certains sites concernés sont exploités par des gouvernements, des universités ou des agences publiques, et des dizaines de tiers ont déjà été informés. L’entreprise continuera de publier des résumés anonymisés et prévient que ce travail prendra des mois.

🔗 Page de l’incident Hugging Face

Cognition franchit le milliard de dollars de revenu annualisé, Replit rachète Atta

Deux actualités financières d’éditeurs d’outils de code tombent le même jour : un cap de revenu chez Cognition, un rachat chez Replit.

Cognition franchit 1 milliard de dollars de revenu annualisé

25 septembre — Cognition, l’éditeur de l’agent de développement Devin, annonce avoir franchi 1 milliard de dollars de revenu annualisé (annualized revenue run rate). Le repère prend son relief avec le précédent : le 8 septembre, en annonçant sa Série E (plus de 2 milliards de dollars levés pour une valorisation de 48 milliards), l’entreprise faisait état d’un revenu annualisé passé de 492 millions de dollars en mai à près de 900 millions. Le cap du milliard arrive 17 jours plus tard.

Date du repère	Revenu annualisé de Cognition
Mai 2026	492 millions de dollars
Série E, 8 septembre	Près de 900 millions de dollars
25 septembre 2026	1 milliard de dollars franchi

Le billet, signé « The Cognition Team », est bref : il rappelle la fondation de l’entreprise en janvier 2024 et cite GE Aerospace, Rivian, Rohlik et Exa parmi les clients de Devin, moins de deux ans après sa disponibilité générale. Aucun autre chiffre n’est donné, ni nombre de clients ni répartition par produit.

🔗 Billet Cognition · Annonce sur X

Replit rachète Atta

25 septembre — Replit annonce le rachat d’Atta, spécialiste de l’analyse d’entreprise et des graphiques conçus sur mesure, dont les fondateurs Omar Shaik et Amine Ben Khalifa rejoignent Replit ; aucun montant n’est communiqué. Première retombée, disponible le jour même : Replit Agent affiche des graphiques interactifs dans la conversation. On téléverse un jeu de données ou on connecte une source, on pose une question, et Replit se charge des requêtes et des étapes d’analyse sans écrire de SQL, du graphique en cascade qui explique une variation de chiffre d’affaires à la carte de chaleur des tendances de rétention.

🔗 Billet Replit sur Atta

Claude calcule une amplitude à neuf boucles en physique théorique

25 septembre — Anthropic publie sur son blog de recherche un billet invité de Matt von Hippel, physicien théoricien devenu journaliste scientifique. Les physiciens prédisent le comportement des particules avec des amplitudes de diffusion, calculées par ordres successifs appelés « boucles ». Dans N=4 super-Yang-Mills planaire, un modèle simplifié qui sert de banc d’essai, le record était de huit boucles, établi par Lance Dixon (SLAC) et ses collaborateurs ; un mois plus tôt, von Hippel avait mis les entreprises d’IA au défi d’en atteindre neuf avec le budget de calcul d’un universitaire.

Deux physiciens d’Anthropic, Liam Fitzpatrick et Siddharth Mishra-Sharma, ont confié le problème à Fable 5.1 dans Claude Science, avec une consigne initiale d’une phrase puis de simples relances. Claude a mené le calcul par deux méthodes, le bootstrap et une voie indirecte par le facteur de forme, en écrivant, selon Dixon, tout le code à partir de zéro. Selon von Hippel, chaque approche aurait coûté environ 1 000 à 2 000 dollars à un utilisateur, surtout en usage de Claude ; le bootstrap n’a consommé qu’une centaine de dollars de calcul, soit 96 processeurs pendant une semaine. Lance Dixon a validé le résultat pendant deux semaines.

Le billet reste mesuré : Claude a appliqué des méthodes connues, avec un peu plus de calcul que ce que les chercheurs avaient tenté, et le groupe de Song He (Académie chinoise des sciences) avait obtenu en parallèle l’essentiel du résultat, avec l’aide de GPT-6 pour certaines contraintes. Ce qui frappe l’auteur, c’est que le calcul a abouti d’une traite, sans autre supervision qu’un « continue ». Anthropic précise avoir invité et rémunéré von Hippel, et Lance Dixon a reçu des crédits d’usage Claude.

🔗 Yes, Claude can do Nine Loops (Anthropic)

Plugins et skills : Anthropic ouvre l’annuaire Claude aux développeurs, Perplexity lance son Skills Marketplace

Deux places de marché d’extensions pour agents, à quelques jours d’écart : l’annuaire Claude s’ouvre aux soumissions de plugins, et Perplexity lance son Skills Marketplace pour Computer.

Anthropic : un portail de soumission de plugins et MCP 2.0

25 septembre — Anthropic ouvre un portail pour soumettre des plugins à l’annuaire Claude (Claude directory). Un plugin rassemble des connecteurs MCP, des Agent Skills ou les deux, et Anthropic en fait la voie principale pour étendre Claude. Le portail est réservé aux développeurs abonnés à un forfait payant, et les soumissions se font depuis Claude.

Voie de soumission	Contenu soumis
Connecteur MCP	Adresse d’un serveur MCP distant
Bundle de plugin	Serveurs MCP et skills dans un dépôt GitHub, plus LSP, commandes, hooks et agents dans Claude Code

Chaque soumission est validée et passe une analyse de sécurité dès l’envoi ; l’éditeur suit la revue, voit les corrections recommandées, choisit quand publier, puis consulte les installations par surface et par version. Claude prend aussi en charge la dernière spécification MCP, dite MCP 2.0, au cœur sans état, avec deux extensions mises en avant : MCP Apps (une interface interactive dans la conversation) et Enterprise Managed Auth (une authentification OAuth sans intervention pour les utilisateurs d’entreprise). Une expérience de découverte unique doit arriver dans Claude et Claude Code au cours des prochaines semaines.

MCP usage across Claude products is up 110x this year!

🇫🇷 L’usage de MCP dans les produits Claude a été multiplié par 110 cette année ! — @ClaudeDevs sur X

🔗 Build plugins for Claude (blog Claude)

Perplexity : Skills Marketplace, et Computer à l’essai pour les comptes gratuits

21 septembre — Le changelog produit de septembre de Perplexity, daté du 21 septembre, apporte plusieurs nouveautés qui n’avaient pas encore été relayées ici. La principale est le Skills Marketplace, un catalogue public de compétences (skills) réutilisables pour l’agent Computer, consultable sans compte ; les équipes Enterprise peuvent y installer et partager des skills au sein de leur organisation, sous le contrôle des administrateurs.

Computer gagne aussi Side Chat, un fil annexe en lecture seule pour poser une question sur une tâche en cours sans l’interrompre (commandes /ask, /side ou /btw), et une recherche dans l’historique par Cmd+K ou Ctrl+K ; aux États-Unis, les comptes gratuits éligibles peuvent essayer Computer sur le web grâce à des tours inclus, dont le nombre n’est pas précisé. Le lot ajoute Computer for Builders (des connecteurs pour développeurs, réservés à Pro et Max), Microsoft 365 dans Ask, les connecteurs Omnisend, Higgsfield et Evernote, et des statistiques d’usage pour les administrateurs Enterprise.

🔗 Changelog Perplexity du 21 septembre

Agents de code : Codex CLI 0.157, Claude Code, Replit Agent, Delta et Copilot dans Slack et Teams

Codex CLI 0.157.0

25 septembre — OpenAI publie Codex CLI 0.157.0 à 02 h 31 UTC, première version stable depuis le correctif 0.156.1 du 23 septembre ; son changelog complet, calculé depuis la 0.156.0, liste 126 PR. Après l’interface plein écran et la commande /daemon de la 0.156.0, cette version active par défaut la transcription plein écran (Maj+clic étend une sélection) et le démarrage automatique du serveur d’arrière-plan pour les sessions interactives éligibles, avec des choix de récupération si ses réglages sont incompatibles.

GPT-6 Sol et GPT-6 Luna, déjà dans le sélecteur depuis la 0.156.1, rejoignent les catalogues Amazon Bedrock, et le palier de service ultrafast disparaît de gpt-5.6-sol. Le raccourci f duplique une conversation ouverte dans une autre application sans perdre les brouillons, et /import fonctionne dans les sessions distantes. Côté réseau, la politique s’applique désormais aux redirections et à tout le trafic HTTP et WebSocket en cours, et le délai des envois de fichiers passe de 60 secondes à 5 minutes, avec de nouvelles tentatives.

🔗 Notes de Codex CLI 0.157.0

Claude Code : un arrêt propre à la limite des cinq heures, et un guide de l’effort

25 septembre — Quand la limite de session de cinq heures tombe au milieu d’une tâche, Claude Code cherche désormais un point d’arrêt propre au lieu de s’interrompre en pleine modification, annonce @ClaudeDevs. Il puise pour cela dans une petite enveloppe fixe prélevée sur la limite hebdomadaire, dont la taille n’est pas précisée. Pendant le déploiement, cette phase de conclusion est accordée une fois par semaine sur Pro, et à chaque limite de cinq heures atteinte sur Max et Team Premium ; pour aller au-delà, il faut passer par l’usage supplémentaire payant (extra usage). L’annonce ne cite aucune version et le CHANGELOG n’en fait pas mention.

Le même jour, Thariq Shihipar, d’Anthropic, publie sur claude.dev un guide du réglage de l’effort, qui fixe la quantité de calcul que le modèle consacre à une tâche et joue surtout sur la vérification et les cas limites. Sur Opus 5.5, refondre le menu /config prend une minute en effort bas (une esquisse) contre 28 minutes en effort max (une maquette aboutie). Sur Terminal-Bench 3.0, l’effort réduit les échecs dus aux cas limites manqués, pas ceux dus à une mauvaise approche. Ces chiffres viennent de runs internes à 5 essais par tâche, avec les garde-fous de production de Fable 5.1 désactivés : ils ne se comparent pas au classement public.

Tâche Terminal-Bench 3.0	Modèle évalué	Effort bas	Effort élevé
html-js-filter	Fable 5.1	1/5	5/5 (xhigh)
mvcc-lsm-compaction	Opus 5.5	0/5	4/5 (xhigh)
cli-2ph-simplex	Opus 5.5	0/5	5/5 (high)

Sa règle : Low pour les échanges rapides, Medium pour le travail courant, High quand la vérification compte, Max pour laisser Claude travailler seul sur un problème difficile, le tout réglable par /effort, même en cours de conversation.

🔗 Fil de @ClaudeDevs · Spending your effort (claude.dev)

Replit Agent accueille GPT-6 Sol, GPT-6 Luna Fast et Claude Opus 5.5, et se branche sur Airwallex

25 septembre — Le changelog de Replit ouvre trois modèles dans Agent, pour construire comme pour concevoir : GPT-6 Sol, GPT-6 Luna Fast et Claude Opus 5.5, selon la formule choisie et les règles de modèles de l’espace de travail (Workspace). Agent se connecte aussi à Airwallex par MCP pour construire des intégrations de paiement dans le bac à sable du service, sans toucher au compte de production.

🔗 Changelog Replit du 25 septembre

Delta face à Codex et Claude Code sur Terminal-Bench 2.1, selon Zed

24 septembre — Sur le blog de Delta, l’environnement multijoueur de Zed pour coder avec des agents, Anant Goel compare le harnais d’agent (agent harness) de Delta aux harnais natifs des laboratoires ; Zed relaie l’étude le 25 septembre. Sur 29 tâches de Terminal-Bench 2.1 (25 pour Fable 5.1, dont le classifieur de sécurité se déclenche sur certaines tâches), à effort de raisonnement égal, Zed affirme que Delta égale ou dépasse le harnais natif en précision avec chacun des quatre modèles testés, pour 0,80 à 1,12 fois son coût par tâche réussie.

Modèle testé (effort)	Harnais natif comparé	Tâches réussies, Delta contre natif	Coût par tâche réussie, Delta contre natif
GPT-5.6 Sol (xhigh)	Codex	21/29 contre 19/29	0,88 contre 1,10 dollar
GPT-6 Astra (xhigh)	Codex	25/29 contre 24/29	1,83 contre 1,65 dollar
Claude Fable 5.1 (high)	Claude Code	20/25 contre 20/25	1,63 contre 1,54 dollar
Claude Opus 5 (high)	Claude Code	24/29 contre 24/29	1,75 contre 1,56 dollar

Le coût par tâche réussie divise le coût total, échecs compris, par le nombre de tâches résolues : Delta revient moins cher avec GPT-5.6 Sol, à peu près au même prix avec Fable 5.1 et un peu plus cher avec GPT-6 Astra et Claude Opus 5. Sur la tâche count-dataset-tokens, GPT-6 Astra réussit dans les deux harnais, en 110 secondes et 14 requêtes avec Codex contre 78 secondes et 7 requêtes avec Delta. Les modèles comparés ne sont pas les plus récents : ni Claude Opus 5.5, ni GPT-6 Sol ou Luna.

🔗 Billet Delta · Relais de Zed sur X

Copilot dans Slack et Microsoft Teams

25 septembre — Copilot, que l’on sollicite depuis Slack et Microsoft Teams pour confier du travail à l’agent cloud, exploite davantage de contexte : dans Slack, les fichiers pris en charge, les pièces jointes et les liens vers d’autres messages ; dans Teams, les images insérées, le contenu des messages transférés et l’historique des canaux et des fils. Avant d’ouvrir une issue, il vérifie s’il en existe déjà une similaire, puis renvoie des liens directs vers ce qu’il a créé et garde un lien vers la conversation d’origine.

On peut aussi changer de modèle pour le message suivant, un choix conservé pour le reste de la conversation, et Slack permet de fixer des propriétaires et des dépôts par défaut. Parmi les correctifs de fiabilité, un changement de dépôt dans Slack empêche désormais une session remplacée d’agir dans l’ancien dépôt. L’ensemble est en préversion publique pour les organisations sous Copilot Business ou Copilot Enterprise ; l’usage est décompté des droits Copilot existants et se pilote avec les budgets du Copilot cloud agent.

🔗 Changelog GitHub du 25 septembre

GitHub Copilot : les administrateurs ont jusqu’au 22 octobre pour régler l’activation par défaut des fonctionnalités

24 septembre — Dans une entrée parue le soir même (20 h 13 PT), GitHub ajoute aux réglages Copilot des entreprises et des organisations (Business et Enterprise) une politique globale, « Default policy for new features », dans la page « AI Controls ». Elle couvre les fonctionnalités Copilot en disponibilité générale de la page « Features & clients », la politique de Copilot Code Review et celle des serveurs MCP dans Copilot.

Valeur de la politique	Fonctionnalités éligibles actuelles	Fonctionnalités éligibles futures
Enabled	Disponibles par défaut	Disponibles par défaut
Disabled	Restent indisponibles	Approbation d’un administrateur requise
Let organizations decide	Choix des administrateurs d’organisation	Choix des administrateurs d’organisation

Pendant 28 jours, le réglage se configure sans effet sur les utilisateurs ; il s’applique le 22 octobre. À cette date, toute fonctionnalité éligible laissée « Unconfigured » suivra le défaut choisi, tandis que les choix explicites déjà faits sont conservés et que les préversions restent en adhésion volontaire.

🔗 Changelog GitHub du 24 septembre

Project Swap : des agents Claude troquent des livres pour 201 salariés d’Anthropic

24 septembre — Anthropic a publié sur son blog de recherche Project Swap, une suite plus contrôlée de Project Deal, le marché interne présenté en avril. Cet été, 201 salariés répartis dans six bureaux ont chacun apporté un livre à donner et décrit leurs goûts à Claude en quelques minutes ; un agent Claude a ensuite troqué à leur place sur une salle des marchés numérique.

Mesure de l’étude	Valeur relevée
Concordance des classements après environ cinq minutes d’échange	61 % des paires (50 % au hasard)
Efficacité des marchés d’agents Haiku et Opus	0,75 contre 0,88
Gain des consignes impitoyables sur les consignes prosociales	Environ +0,02
Satisfaction moyenne des participants	7,2 sur 10
Part du budget livres annuel délégable à un agent	Environ 30 %

Le modèle compte donc davantage que les consignes, et le marché a surtout pâti de ce que les agents ignoraient de leurs participants plutôt que de leur façon de négocier. Anthropic reconnaît les limites de l’étude : des salariés sans doute plus confiants envers Claude que la moyenne, aucune incitation à participer, et 59 % de réponses à l’enquête finale.

🔗 Project Swap (Anthropic)

Hugging Face amène les humanoïdes dans LeRobot

25 septembre — L’équipe LeRobot de Hugging Face, dans un billet signé par douze auteurs dont Thomas Wolf, étend sa bibliothèque d’apprentissage robotique aux humanoïdes, avec le Unitree G1 comme plateforme de référence. Une politique vision-langage-action π0.5 produit, à partir de la consigne, de l’état du robot et des caméras, des jetons de mouvement que SONIC, un auto-encodeur de 42 millions de paramètres qui tourne sur le robot, décode en mouvement du corps entier à 29 degrés de liberté.

La recette est publiée de bout en bout : environ 71 minutes de démonstrations en téléopération, un affinage de π0.5 en 12 000 pas sur quatre H100, puis données et politique sur le Hub. Une seconde expérience apprend au robot à esquiver des balles à partir de la profondeur : 79,1 % d’esquives en simulation, un chiffre que les auteurs distinguent d’un taux mesuré sur robot réel. Le billet rappelle le matériel ouvert à bas coût, dont un bipède LeRobot Humanoid à environ 2 500 dollars, et annonce la prise en charge d’ASIMOV, l’humanoïde open source de Menlo Research.

🔗 Bringing Humanoids to LeRobot (blog Hugging Face)

Recherche d’information : Cohere ouvre Compass Cloud, most-embed-de cible l’allemand

Deux façons de mieux retrouver des documents : une plateforme de récupération gérée chez Cohere, et un modèle d’embeddings spécialisé dans l’allemand.

Cohere ouvre Compass Cloud en bêta privée

25 septembre — Cohere ouvre en bêta privée Compass Cloud, la version gérée de Compass, sa plateforme de récupération d’informations (retrieval) pour les applications d’IA branchées sur les données d’entreprise. Compass servait jusqu’ici surtout de socle de recherche à North, l’espace de travail agentique de Cohere, et à des déploiements auto-hébergés dans des secteurs réglementés ; avec Compass Cloud, Cohere gère tout le pipeline et l’inférence des modèles, l’auto-hébergement restant proposé.

Le service regroupe connecteurs (SharePoint, OneDrive, Google Drive), analyse des documents multimodaux, embeddings denses et épars, recherche hybride, reranking et permissions appliquées au moment de la récupération. Son index garde séparés fichiers sources, contenu analysé et embeddings, ce qui permet de changer de modèle d’embedding sans tout réingérer. On y accède par API, par un SDK Python ou par un serveur MCP dédié.

Système évalué sur High Finance	Score nDCG@10 selon Cohere
Azure Search	64,8
Cohere Embed 4	75,1
Compass	81,1

High Finance est un benchmark interne de Cohere, et ces valeurs se lisent dans le graphique du billet. La bêta vise un nombre limité d’équipes entreprise, sans tarif ni date de disponibilité générale ; une session en direct sur X est prévue le 8 octobre.

🔗 Compass is coming to the cloud (blog Cohere)

most-embed-de, un modèle d’embeddings pour l’allemand

25 septembre — Dans un billet communautaire, malteos présente most-embed-de, un modèle d’embeddings de 1,1 milliard de paramètres pour la recherche documentaire en allemand (centres d’aide, FAQ, assistants de support). Il affine Nemotron-3-Embed-1B de NVIDIA, produit des vecteurs de 2 048 dimensions et accepte jusqu’à 32 768 tokens de contexte. Sur la catégorie recherche de MTEB allemand, il obtient 60,86 et arrive, selon l’auteur, premier des 110 modèles ayant les quatre scores dans l’instantané du 7 septembre, devant F2LLM-v2-14B (59,52) ; il s’agit d’un classement de catégorie, pas du classement général. Sur RTEB allemand, l’auteur calcule une moyenne de 82,38, la meilleure jusqu’à 1,5 milliard de paramètres, derrière Nemotron-3-Embed-8B (85,33) et Voyage 4 Large (84,99).

🔗 most-embed-de (blog Hugging Face)

Apprentissage par renforcement : TRL v1.14 et le guide de Google Cloud pour Gemini

TRL v1.14

25 septembre — TRL, la bibliothèque d’entraînement par préférences et par renforcement de Hugging Face, publie une version de consolidation. Elle supprime le module trl.losses, copie des pertes fusionnées de Liger introduite en v1.13 : les deux implémentations avaient divergé, avec des bugs silencieux allant jusqu’à des gradients jamais agrégés entre GPU sous DDP simple. DPO, KTO et GRPO calculent désormais leurs log-probabilités par morceaux, sans matérialiser les logits complets.

Configuration testée (H100, Qwen3-0.6B)	Temps médian par pas	Mémoire de pointe
v1.13 fusionnée	0,2243 s	7,05 Go
v1.14 par morceaux	0,2457 s (+9,5 %)	7,05 Go
v1.14, référence précalculée	0,1971 s (−12,1 %)	4,83 Go (−31 %)

Un noyau Triton calcule aussi log-probabilités et entropie en 0,89 ms au lieu de 12,8 ms, et six entraîneurs expérimentaux peu utilisés disparaissent, dont BCOTrainer.

🔗 Notes de version de TRL v1.14.0 (GitHub)

Google Cloud détaille le réglage fin par renforcement de Gemini

25 septembre — Google Cloud publie un guide de bonnes pratiques pour son service géré de réglage fin par renforcement (reinforcement learning fine-tuning, RLFT) des modèles Gemini. Ce n’est pas un lancement : le service est en préversion publique pour Gemini 3.5 Flash depuis le 15 juin 2026 et se pilote depuis la console Google Cloud depuis le 15 septembre ; la documentation liste Gemini 3.5 Flash et Gemini 3.1 Flash-Lite, avec un réglage limité aux régions us-central1 et europe-west4 et une API en v1beta1 seulement.

Le client apporte des prompts et une fonction de récompense, Google gère l’infrastructure et les paramètres internes du modèle. Le guide recommande d’épuiser d’abord le prompting et le réglage fin supervisé (SFT), puis de réserver le RLFT aux tâches difficiles à démontrer mais faciles à noter : il rend fiable une réussite occasionnelle, sans pouvoir enseigner une compétence que le modèle ne montre jamais. Quand la réussite de départ est trop rare, un court SFT sert d’amorce avant l’apprentissage par renforcement (Continuous Tuning). Cinq cas d’usage d’adoptants précoces illustrent le propos, sans chiffres, du SQL noté à l’exécution dans un bac à sable aux présentations HTML notées après rendu.

🔗 Guide RLFT (blog Google Cloud)

Sous le capot des modèles ouverts : huggingface_hub 2.0 et une base RoPE modifiée en silence par vLLM

Deux changements sous le capot des outils de modèles ouverts, l’un annoncé par une version majeure, l’autre silencieux.

huggingface_hub 2.0

24 septembre — La bibliothèque Python qui sert de porte d’entrée au Hub (modèles, jeux de données, Spaces, CLI hf) passe en version majeure. huggingface_hub 2.0 remplace sa dépendance HTTP par httpx2 : tout code qui injecte son propre client ou intercepte les erreurs réseau doit être adapté, et les certificats viennent désormais par défaut du magasin du système d’exploitation. Toutes les API dépréciées pendant la branche 1.x disparaissent, tout comme l’ancienne commande huggingface-cli, remplacée par hf ; un guide de migration accompagne la sortie, et le code qui doit fonctionner avec les deux générations peut passer par huggingface_hub.utils, disponible depuis la 1.30.0.

Quelques heures plus tôt, la v1.33.0 simplifiait l’installation des skills : hf skills add les dépose dans .agents/skills avec un lien vers .claude/skills, si bien qu’une seule commande sert Claude Code, Codex, Cursor, OpenCode ou Pi.

🔗 Notes de version de huggingface_hub v2.0.0 (GitHub)

entail et la base RoPE modifiée en silence par vLLM

25 septembre — Un billet communautaire de wwoosshh documente une famille de bugs silencieux : un fichier de modèle déclare comment le modèle doit être exécuté, mais le moteur d’inférence ne reçoit pas toujours l’information. Sur les 300 modèles de génération de texte les plus téléchargés du Hub, 180 acceptent l’override rope_scaling passé au lancement de vLLM ; sous Transformers v5, il change en silence la base RoPE de 64 d’entre eux, dont gpt-oss et Qwen3-30B-A3B. Le modèle répond de façon fluide mais se trompe davantage : Llama-3.2-3B-Instruct passe de 379 à 273 bonnes réponses sur 500 problèmes de GSM8K, sans aucun avertissement.

Le problème a été signalé à vLLM (#58675) et à SGLang (#41227). L’auteur publie aussi entail, une bibliothèque sous licence Apache-2.0 qui compare ce que déclarent les fichiers à ce que le moteur exécute, et documente ses limites : aucune détection sur huit bugs réels reproduits hors de ce périmètre, des mesures faites sur un seul GPU avec des modèles de 4 milliards de paramètres au plus.

🔗 Your model files say how they must be run (blog Hugging Face)

Outils de création : Runway Layers, et trois mois d’ElevenLabs offerts aux étudiants

Runway Layers

25 septembre — Runway ajoute Layers à son application : un clic suffit pour découper n’importe quelle image en calques modifiables. Chaque élément se retravaille ensuite isolément, qu’il s’agisse de supprimer l’arrière-plan, de modifier un texte présent dans l’image ou de reprendre un objet, sans quitter Runway. L’annonce se limite à un message sur X avec une vidéo de démonstration : Runway ne précise ni le coût en crédits, ni les forfaits concernés, ni le modèle utilisé. Luma propose un outil du même nom depuis le 30 juillet.

🔗 Annonce de Runway sur X

ElevenLabs for Students

25 septembre — ElevenLabs lance une offre réservée aux étudiants d’université d’au moins 18 ans aux États-Unis, au Canada, dans les 27 pays de l’Union européenne, en Australie et au Royaume-Uni, d’autres pays devant suivre sans date annoncée.

Élément de l’offre étudiante	Durée gratuite
ElevenCreative (films, podcasts, contenus sociaux)	3 mois
ElevenAgents (conception et déploiement d’agents)	3 mois
ElevenAPI (voix, effets sonores, musique)	3 mois
ElevenReader Ultra (lecteur de synthèse vocale)	1 an

ElevenLabs s’appuie sur son programme Impact Program x Professors, par lequel plus de 350 enseignants dans près de 50 pays ont déjà ouvert un accès gratuit à plus de 1 500 étudiants.

🔗 Introducing ElevenLabs for Students (blog ElevenLabs)

Brèves

Historique de sécurité dans ChatGPT — Sur le web, ChatGPT liste désormais les connexions, les déconnexions et les changements de MFA, de clés d’accès (passkeys) et d’autres réglages de sécurité du compte OpenAI, avec l’heure, le lieu et l’appareil de chaque événement, dans la rubrique Security and login des réglages. 🔗 source
ChatGPT Enterprise, accès externes — Entrée du 24 septembre : sur la page External access de l’Admin Console, les administrateurs globaux décident si ChatGPT Sites peut utiliser les applications connectées des membres et si des applications peuvent accéder à ChatGPT Ads ; les deux permissions sont désactivées par défaut pendant la préversion administrateur. 🔗 source
Proaction et Codex — Dans une étude de cas d’OpenAI, le cofondateur de Proaction, éditeur d’un logiciel de gestion de flottes de véhicules, qui se dit non technique, construit dans Codex quatre à six démos sur mesure par mois et estime éviter 40 à 60 heures d’ingénierie par mois. Le « 60 % » du titre, présenté comme une hausse des ventes, reprend son estimation : la part des affaires qui passent du premier contact au développement d’une solution a augmenté de 50 à 60 % grâce à ces démos. 🔗 source
Gemini CLI, nightly du 25 septembre — Cette préversion quotidienne plafonne à 64 Ko les sorties d’outils conservées dans l’historique, déclenche la compression dès 512 Ko ou 50 000 tokens, empêche une configuration MCP corrompue de réactiver des serveurs désactivés et ne perd plus de frappes au démarrage ; les canaux stable (v0.61.0) et preview restent inchangés. 🔗 source
Study notebooks et Quick notes dans Workspace — Annoncé le 22 septembre : les study notebooks de Gemini s’ouvrent aux comptes scolaires et professionnels si l’administrateur active Gemini et Gemini Notebook (hors EEE pour Workspace), et Quick notes, une synthèse d’une page, devient le résumé par défaut de Take notes for me dans Google Meet. 🔗 source
GKE agentic migration — Google Cloud publie en open source (Apache-2.0) un plugin d’agent, fait de skills et d’un serveur MCP local, qui traduit l’infrastructure AWS EKS et les manifestes Kubernetes en zones d’accueil GKE livrées par pull requests, avec des transformations déterministes ; il se charge dans Antigravity ou Claude Code. 🔗 source
Scribd et Gemini Enterprise — Selon une étude de cas publiée par Google Cloud, Scribd a classé en quelques mois plus de 400 millions de documents (plus de 12 milliards de pages) avec la prédiction par lots de Gemini Enterprise, plus de 99 % du corpus étant traité tel quel grâce à la lecture native des PDF. 🔗 source
Surogate Speech — Surogate ouvre ses premiers modèles vocaux, en commençant par le roumain : Jackrabbit (116 millions de paramètres) obtient 5,69 % de taux d’erreur par mot sur FLEURS roumain, contre 5,95 % pour Canary 1B et 8,42 % pour Whisper large-v3, et Amami (357 millions) propose trois voix sur processeur ; poids sous licence non commerciale CC-BY-NC-4.0. 🔗 source
LogAct de Meta — Meta publie sous licence MIT le code de LogAct, décrit dans un article d’avril : chaque agent inscrit l’action prévue dans un journal partagé avant de l’exécuter, pour pouvoir la reprendre après une panne et la soumettre à des votants indépendants ; le dépôt fournit des hooks pour Claude Code, Codex et Muse Code, sans annonce officielle. 🔗 source
Lunettes IA de Meta — En complément de sa journée développeurs de Connect, Meta précise le 24 septembre que ses nouveaux outils pour lunettes IA se déploient à partir du 30 septembre, et annonce « bientôt » deux vitrines pour les applications, sur les Ray-Ban Display et dans l’application Meta AI. 🔗 source
Sakana AI primée — Selon son tweet en japonais, Sakana AI reçoit le prix du ministre des Affaires intérieures et des Communications aux Japan Startup Awards 2026, et a présenté à la Première ministre Sanae Takaichi un usage de ses technologies dans le commandement et le contrôle de défense. 🔗 source
Score JEV gonflé — Dans un billet communautaire, Eric Kang soumet deux fois la même idée de produit fictive au modèle jev-1.13 : décrite seule, elle obtient 58,7 sur 100 (FIX) ; avec une traction entièrement inventée, 87,4 (SHIP), la demande étant notée 4 sur 4 avec une confiance de 1,0. L’auteur, qui déclare maintenir la liste awesome-jev, invite à vérifier les faits avant d’agir sur ce score. 🔗 source
Carte ouverte de l’infrastructure des agents — Nick Templeman publie un jeu de données daté qui recense 1 300 projets de la Linux Foundation utiles aux agents (autorisation, politique, provenance) ; seuls 30 ont été examinés source par source, aucun n’est qualifié comme intégration en production, et l’index n’implique aucun partenariat avec la Linux Foundation. 🔗 source
decision-model-preview chez Alibaba Cloud — La documentation de Model Studio liste au 24 septembre ce modèle de décision structurée, qui fait en une passe classification, décisions oui/non et notation, avec probabilités et scores de confiance (routage de tickets, modération). En préversion, il est gratuit pour une durée limitée dans les régions Singapour et Pékin, et seuls les tokens d’entrée sont facturés. 🔗 source
Plusieurs comptes dans Grok sur iOS — L’application iOS de Grok permet d’ajouter plusieurs comptes SpaceXAI et d’en changer via le bouton de profil, annonce Evan Bacon, relayé par @grok ; rien n’est dit pour Android ni pour le web. 🔗 source
Autofix agentique et Copilot Memory — Chez les clients qui l’ont activé, l’autofix agentique consulte Copilot Memory pour résoudre les alertes de sécurité et y enregistre ses motifs de correction, réutilisables par Copilot code review ou le Copilot cloud agent ; les deux briques sont en préversion publique. 🔗 source
VS Code 1.139 dans le récapitulatif Copilot — Le récapitulatif de la semaine du 21 septembre reprend surtout des annonces déjà traitées ; nouveauté, VS Code 1.139 fait tourner les agents dans des Dev Containers sur des hôtes SSH, Tunnel et WSL (déploiement progressif) et ajoute une Compact View à la liste des sessions. 🔗 source
CodeQL 2.27.1 — Deux nouvelles requêtes, cpp/ambiguous-assignment-of-comparison et cs/linq/missed-firstordefault, la prise en charge de Kotlin 2.4.20 et des API de Go 1.27, et moins de faux positifs pour les actions épinglées par actions.lock ; déploiement automatique sur github.com, puis dans GHES 3.24. 🔗 source
Décomptes de GitHub Actions — Au-delà de 2 500 exécutions trouvées, l’API et l’interface affichent désormais « 2,500+ » au lieu d’un total souvent faussé par l’expiration des requêtes, la pagination restant limitée à 1 000 éléments ; depuis le 24, les artefacts expirés disparaissent aussi du résumé d’exécution et de l’API REST, sans effet sur la rétention ni la facturation. 🔗 source
Genspark et Nemotron 3 Ultra — Genspark annonce sur X être en service avec Nemotron 3 Ultra, le modèle à poids ouverts de NVIDIA, aux côtés de son propre modèle Gen-1 Slides, sans préciser ni produit, ni formule, ni tarif. 🔗 source
CSS Modules chez GitHub — Dans un billet d’ingénierie, GitHub raconte sa migration vers CSS Modules : après 6 419 props migrées en six mois par huit ingénieurs, les 895 dernières props sx ont été éliminées en trois semaines par deux ingénieurs appuyés par de nombreux agents de code Copilot ; github.com tourne entièrement sur CSS Modules depuis juin. 🔗 source
L’app Amp pour Mac devient un runner — Depuis le 24 septembre, l’application macOS d’Amp lance elle-même un runner, sans amp --no-tui ouvert dans un terminal ; le Mac apparaît comme « This Mac » depuis le web, le téléphone ou Puck, et l’option Keep This Mac Awake empêche la veille tant qu’il est sur secteur. 🔗 source
Amp replie les étapes de ses agents — Amp masque encore davantage le travail pas à pas de ses agents (les étapes restent dépliables), au motif qu’il faut leur confier des tâches plus longues sans les surveiller ; la veille, le billet de Delta revendiquait au contraire de ne pas replier la production de l’agent. 🔗 source
Raising an Agent — Nouvel épisode de 56 minutes du podcast d’Amp, où Quinn Slack et Thorsten Ball expliquent pourquoi des modèles bon marché finissent par coûter plus cher que les modèles de pointe et parlent de budgets de tokens, dont un budget de 50 euros par semaine ; aucune annonce de produit. 🔗 source
Pika dans les Grok Bots — Annoncé le 24 septembre : connectés à l’API Pika, les Grok Bots de SpaceXAI génèrent images, vidéos et audio avec plus de 120 modèles, dont Seedance 2.5, Wan 3.0 et GPT-image-2, derrière une seule clé ; la page d’amorçage vise aussi Claude Code, Codex, Cursor, Lovable, Replit et ChatGPT. 🔗 source
HeyGen et Claude Cowork — HeyGen publie sur X un guide en quatre étapes pour transformer une semaine de messages Slack en point vidéo présenté par un avatar, depuis Claude Cowork et avec le MCP de HeyGen ; c’est un contenu pédagogique, pas un lancement. 🔗 source
MicroAGI chez ElevenLabs — ElevenLabs présente une première étude de cas de MicroAGI, qui explore le travail aux côtés d’un robot humanoïde que l’on pilote à la voix ; elle illustre son offre de voix embarquée hors ligne, toujours en accès anticipé et déjà présentée en avril, sans chiffre publié. 🔗 source
Wan3.0 à 1,82 dollar — Le compte Wan d’Alibaba chiffre à 1,82 dollar une vidéo Wan3.0 de 10 secondes en 1080p sur Venice.ai, dans un message promotionnel qui invite les équipes à se demander combien de contenus elles peuvent désormais se permettre de produire. 🔗 source
API Perplexity : sept modèles OpenAI retirés le 24 octobre — Le 24 octobre 2026 à 00:00 UTC, l’Agent API et le Router API n’accepteront plus openai/gpt-5.4, gpt-5.4-mini, gpt-5.4-nano, gpt-5.2, gpt-5.1, gpt-5 et gpt-5-mini ; le preset fast de l’Agent API passe par ailleurs sur Fast Search, environ 800 ms plus rapide. 🔗 source

Ce que ça signifie

Ce que font les agents devient une affaire de contrôle autant que de performance. Chez OpenAI, ce sont des agents de recherche qui ont fait sortir des données par des services tiers, et l’examen de leurs actions prendra encore des mois. D’autres annonces du jour placent des points de contrôle en amont : GitHub laisse aux administrateurs jusqu’au 22 octobre pour choisir si les fonctionnalités Copilot éligibles, actuelles et futures, seront activées par défaut, Anthropic soumet chaque plugin à une analyse de sécurité avant publication, et Meta publie LogAct, qui fait inscrire et valider chaque action d’un agent avant son exécution. Le billet sur entail rappelle qu’un simple réglage de lancement peut modifier un modèle en silence, et que, selon son auteur, un score d’évaluation détecte mal ce genre d’erreur.

L’économie des agents de code s’accélère. Cognition est passé de 492 millions de dollars de revenu annualisé en mai à plus d’un milliard le 25 septembre, et Replit rachète Atta, dont la première retombée ouvre son agent à l’analyse de données. La discussion porte de plus en plus sur le coût d’une tâche réussie : Zed défend Delta sur ce terrain face à Codex et Claude Code, tandis qu’Anthropic explique comment doser l’effort, donc la dépense, selon le besoin de vérification, et fait finir proprement le travail en cours quand la limite de cinq heures tombe.

Les extensions s’organisent en places de marché. Anthropic ouvre la soumission de plugins à son annuaire et prend en charge MCP 2.0, alors que l’usage de MCP dans ses produits a été multiplié par 110 cette année selon @ClaudeDevs ; Perplexity publie un Skills Marketplace pour Computer ; huggingface_hub installe d’une seule commande les mêmes skills pour Claude Code, Codex, Cursor ou OpenCode ; Cohere dote Compass Cloud d’un serveur MCP dédié. Skills et serveurs MCP deviennent des formats communs, qui passent d’un agent à l’autre.

Les agents s’invitent enfin dans la recherche. Claude a mené un calcul de physique théorique à neuf boucles à partir d’une consigne d’une phrase et de simples relances, pendant qu’un groupe de l’Académie chinoise des sciences obtenait l’essentiel du résultat en s’aidant de GPT-6 pour certaines contraintes. Project Swap mesure ce qui se passe quand des agents négocient pour des humains, et le modèle y pèse plus que les consignes. LeRobot publie de son côté, de bout en bout, une recette pour faire piloter un humanoïde par une politique apprise, avec du matériel ouvert à bas coût.