Anthropic ouvre le Model Hardware Standard, OpenAI fédère une cyberdéfense collective, GLM-5.3 passe en poids ouverts

Quarante-sept annonces retenues sur neuf domaines pour la journée du 27 août. Trois d’entre elles sortent du lot. Anthropic ouvre la première phase d’une préversion de recherche (research preview) du Model Hardware Standard, une spécification qui permet à des agents de piloter des instruments de laboratoire et ramène leur intégration de plusieurs semaines à quelques heures. OpenAI publie une tribune appelant à une cyberdéfense collective, aux côtés d’organisations parmi lesquelles Anthropic, AWS, Google, Microsoft et Oracle. Et Ai2 installe AutoDiscovery dans un centre d’oncologie en activité, en publiant le même jour une découverte sur le cancer du sein validée en laboratoire. Le reste — GLM-5.3 Flash chez Together AI et l’ouverture annoncée des poids de GLM-5.3, Gemini Omni 1.1 Flash, Cohere Parse, le premier CPU Vera livré à AWS, une vingtaine de mises à jour d’outillage — suit ci-dessous.

Anthropic ouvre le Model Hardware Standard et 10 000 sièges Claude aux scientifiques

27 août — Anthropic lance la première phase d’une préversion de recherche du Model Hardware Standard (MHS), une spécification partagée qui permet à des agents d’IA de piloter des équipements physiques. L’accès reste pour l’instant réservé à un premier groupe de laboratoires de recherche et d’industriels avancés. Le standard est né d’une collaboration entre Alek Kemeny, de l’équipe Beneficial Deployments d’Anthropic, et Arco Bast, chercheur postdoctoral au HHMI Janelia Research Campus, qui menait des expériences d’imagerie cérébrale sur un banc combinant lasers, moteurs de mise au point et caméras sans interface commune.

Le problème visé est prosaïque et coûteux : chaque appareil expose sa propre interface de programmation, et il n’existait aucune manière standard de les faire dialoguer. MHS introduit un driver bâti sur des primitives volontairement minimales, de type « read » (par exemple « get temperature ») et « write » (par exemple « set temperature »), qui rend chaque appareil découvrable dans un format commun. Des tags rédigés en langage naturel décrivent ce que le code ne dit pas — le poids d’un bras robotisé, par exemple — et le driver en dérive un fichier de référence listant ce que l’appareil mesure, ce qui est réglable et les limites de sécurité appliquées. Trois mécanismes de contrôle coexistent : MCP, l’interface en ligne de commande et des fichiers de code exposés comme API.

Les résultats partenaires donnent la mesure du gain. Genentech a automatisé le dosage protéique BCA en coordonnant manipulateur de liquides, bras robotisé et lecteur de plaques. À Carnegie Mellon, des courbes dose-réponse par dilution en série tournent environ trois fois plus vite, avec un agent orchestrant quatre familles d’équipements réparties sur trois ordinateurs aux interfaces incompatibles. QuEra Computing a laissé un agent développer un contrôleur qui rétablit le verrouillage en fréquence des lasers d’un ordinateur quantique dans 99,3 % des cas sans intervention humaine. Côté écosystème, AWS supportera MHS via sa bibliothèque Strands Robots, et Hugging Face comme Raspberry Pi rejoindront la phase suivante, le second après des tests concluants sur son Camera MHS Driver.

Anthropic assume les limites : Claude apprend le monde physique par le texte et l’image, son raisonnement spatial reste borné et exige une supervision experte. Chez Genentech, les chercheurs ont dû lui faire comprendre que des erreurs de moussage des échantillons étaient des défaillances physiques et non des bugs logiciels. Le standard sera publié en open source ultérieurement.

Le même jour, Anthropic ouvre 10 000 sièges Claude aux scientifiques du monde entier via un nouveau plan Claude Team pour chercheurs. Les sièges Standard sont gratuits, les sièges Premium — limites d’usage multipliées par cinq — coûtent 15 dollars par mois pendant un an, ce que le compte officiel présente comme une remise de 80 %. L’accès passe par une vérification de statut de chercheur principal en institution académique ou en organisation à but non lucratif. Le programme AI for Science, jusqu’ici centré sur les sciences biologiques, s’élargit à d’autres disciplines et monte à 50 000 dollars de crédits par projet. Une restriction demeure : les chercheurs en biologie et en chimie restent cantonnés aux modèles de classe Opus, les modèles Claude Fable continuant de bloquer les requêtes de biologie professionnelle et de développement de médicaments.

Élément mesuré	Valeur annoncée
Temps d’intégration avant MHS	Semaines à mois
Temps d’intégration avec MHS	Heures à minutes
Accélération dose-réponse (Carnegie Mellon)	Environ 3x
Récupération du verrouillage laser sans humain (QuEra)	99,3 %
Programmes constructeurs unifiés (HHMI Janelia)	7
Sièges Claude ouverts aux scientifiques	10 000, pendant un an
Siège Premium (limites x5)	15 dollars par mois, remise de 80 %
Crédits AI for Science	Jusqu’à 50 000 dollars par projet

Connecting AI to hardware requires days or weeks of bespoke integration, with no standard way for agents to operate equipment safely. MHS cuts integration to hours or minutes, provides an interface that makes devices discoverable, and enables agents to operate them safely.

🇫🇷 Connecter l’IA au matériel demande des jours ou des semaines d’intégration sur mesure, sans manière standard pour les agents de piloter les équipements en sécurité. MHS ramène l’intégration à des heures ou des minutes, fournit une interface qui rend les appareils découvrables, et permet aux agents de les piloter en sécurité. — @AnthropicAI sur X

🔗 Model Hardware Standard · Élargir le soutien aux scientifiques

Ai2 installe AutoDiscovery dans un centre d’oncologie et publie une découverte validée sur le cancer du sein

27 août — Ai2 sort AutoDiscovery des jeux de données publics pour l’installer dans un établissement en activité : le Paul G. Allen Research Center du Providence Swedish Cancer Institute va déployer la plateforme sur ses propres données de recherche et cliniques. L’annonce arrive avec ce qui la justifie, un résultat scientifique produit par l’outil puis validé de façon indépendante.

Le travail a porté sur The Cancer Genome Atlas, l’un des jeux de données les plus étudiés du domaine. AutoDiscovery génère et évalue des hypothèses avec des grands modèles de langage, en priorisant les observations à la fois surprenantes au regard des attentes établies et reproductibles d’une analyse à l’autre. Sur ces données, la plateforme a fait remonter un signal inattendu : le carcinome lobulaire invasif, un sous-type de cancer du sein longtemps classé comme froid sur le plan immunitaire (immune cold) et donc réputé insensible à l’immunothérapie, présente en réalité une activité immunitaire plus forte que reconnu.

C’est la suite qui donne son poids à l’annonce. Les chercheurs ont validé l’observation sur un jeu de données de patients indépendant, puis l’ont confirmée en laboratoire par analyse d’échantillons tumoraux, avec des images d’immunofluorescence montrant les lymphocytes T entourant la tumeur. Le papier issu de ce travail, « Surprisal-based large language models reveal immunologic insights in breast cancer », a été publié le même jour par une équipe conjointe menée par la Dre Kelly Paulson (PARC) et la Dre Sasha Stanton (Earle A. Chiles Research Institute), avec Bodhisattwa Majumder, chercheur senior chez Ai2. Selon Ai2, la conclusion suggère qu’une classe entière de patientes — environ 15 % des cancers du sein diagnostiqués chaque année aux États-Unis — mériterait d’être réexaminée sous l’angle de l’immunothérapie.

Le déploiement local est le second volet : Providence installe AutoDiscovery dans son propre environnement cloud, ce qui maintient les données protégées à l’intérieur de l’établissement, l’équipe de recherche computationnelle du PARC assurant installation, exécution et accompagnement. Ai2 insiste sur le positionnement : la plateforme n’est pas conçue pour fonctionner seule mais pour être orientée par les chercheurs, qui décident des pistes à creuser.

🔗 Partenariat Ai2 et Providence Swedish

OpenAI appelle à une cyberdéfense collective avec Anthropic, AWS, Google, Microsoft et Oracle

27 août — OpenAI publie une tribune intitulée « A call for collective action on cyber defense », aux côtés d’organisations parmi lesquelles Anthropic, AWS, Google, Microsoft et Oracle — la formulation du message officiel étant « including », la liste n’est donc pas exhaustive. Le texte part d’un constat de calendrier : les prochains mois offrent une fenêtre limitée où les défenseurs peuvent prendre de l’avance, avant que les attaques assistées par IA ne deviennent bien plus répandues et sophistiquées à mesure que les modèles progressent partout dans le monde. Les cibles nommées ne sont pas abstraites : hôpitaux, stations de traitement de l’eau, infrastructure qui fait tourner Internet.

L’argument central est que les progrès actuels donnent déjà aux défenseurs de quoi corriger des faiblesses accumulées depuis des années — bugs anciens, permissions excessives, erreurs de configuration, logiciels non corrigés, authentification faible, dette technique des systèmes hérités — alors que les équipes de sécurité des infrastructures critiques ont été historiquement sous-dotées.

Trois principes structurent la proposition : reconnaître que le statu quo sécuritaire ne suffira pas, équiper davantage de défenseurs avec une IA capable en cybersécurité, et mobiliser une réponse collective, sur le constat qu’aucune entreprise seule ne devrait contrôler cet avenir. Suivent quatre listes de demandes ciblées. Chaque organisation doit traiter la cyberdéfense comme une priorité de direction, corriger ses faiblesses les plus risquées et relever le niveau exigé pour ce qu’elle achète, construit et déploie, code généré par IA compris. Les entreprises de cybersécurité sont invitées à tester leurs défenses en continu face aux capacités de frontière et à mesurer leurs progrès au nombre d’organisations protégées plutôt qu’à des indicateurs d’activité. Les gouvernements sont appelés à financer la cyberdéfense en commençant par les services essentiels sans budget ni personnel. Les laboratoires d’IA de frontière, enfin, doivent fournir un accès responsable aux modèles et rendre les identités agentiques traçables et responsables.

Ce dernier point relie la tribune à l’actualité de la veille : le rapport d’enquête sur l’incident Hugging Face, où un modèle de recherche interne avait obtenu un accès Internet non prévu et compromis des workers de production. La traçabilité des agents y figure donc comme un engagement, pas seulement comme une recommandation adressée aux autres.

We have a limited window to strengthen cyber defenses, and together with organizations including @AnthropicAI, @awscloud, @Google, @Microsoft, and @Oracle, we’re calling for a global effort to give defenders the tools, resources, and support to protect the infrastructure we all depend on. If we act decisively, we can turn today’s AI advances into lasting improvements in security and make our digital world safer for everyone.

🇫🇷 Nous disposons d’une fenêtre limitée pour renforcer les cyberdéfenses, et avec des organisations parmi lesquelles @AnthropicAI, @awscloud, @Google, @Microsoft et @Oracle, nous appelons à un effort mondial pour donner aux défenseurs les outils, les ressources et le soutien nécessaires à la protection de l’infrastructure dont nous dépendons tous. Si nous agissons de façon décisive, nous pouvons transformer les avancées actuelles de l’IA en améliorations durables de la sécurité et rendre notre monde numérique plus sûr pour tous. — @OpenAI sur X

🔗 A call for collective action on cyber defense

Claude Cowork embarque son propre navigateur

26 août — Claude Cowork intègre son propre navigateur dans l’application de bureau. Dès qu’une tâche implique un site web, un navigateur s’ouvre dans le panneau latéral et Claude y navigue, lit les pages, clique et remplit les formulaires. L’idée est de déléguer la partie web d’un travail sans quitter ce que l’on est en train de faire : extraire des chiffres d’un tableau de bord, ou traverser un portail fournisseur pour lequel il n’existe aucun connecteur.

La séparation est le point central de l’annonce. Le navigateur intégré est celui de Claude, pas celui de l’utilisateur : Claude ne voit ni les onglets, ni les favoris, ni les mots de passe. Pour rester connecté à ses services, on importe ses sessions site par site, depuis Chrome, Edge ou Firefox sur macOS, et depuis Firefox sur Windows et Linux. Les sites bancaires, de messagerie et d’authentification unique (SSO) sont laissés de côté sauf décision explicite de les inclure.

Anthropic trace une frontière d’usage nette avec l’extension Claude in Chrome, passée en disponibilité générale le même jour. Le navigateur intégré sert à confier une tâche web pendant que l’on continue son travail ; Claude in Chrome sert la page déjà ouverte, avec les comptes déjà connectés. Si l’extension est installée, elle reste le choix par défaut ; le réglage se change dans Settings → Cowork → Preferred browser, et côté administrateur dans Organization settings → Cowork → Built-in browser.

Sur la sécurité, l’annonce ne promet rien d’absolu. Le navigateur intégré porte les mêmes risques d’injection de prompt que n’importe quel agent agissant dans un navigateur, quand des instructions dissimulées dans une page tentent de détourner Claude. Il applique les mêmes garde-fous que Claude in Chrome, dont les contrôles comparant les actions de Claude à ce qui a été demandé. Anthropic écrit que ces mesures réduisent le risque de façon significative sans l’éliminer, et recommande de démarrer sur des sites de confiance.

Aspect du déploiement	Détail
Plans concernés	Pro, Max, Team ; Enterprise sur activation administrateur
Plateformes prises en charge	macOS, Windows, Linux (en bêta)
Calendrier de déploiement	Sur la semaine suivant l’annonce, actif par défaut
Import des connexions	Chrome, Edge, Firefox sur macOS ; Firefox sur Windows et Linux
Sites exclus par défaut	Banque, messagerie, authentification unique

🔗 Le navigateur intégré de Cowork

GLM-5.3 Flash arrive chez Together AI, et Z.ai annonce l’ouverture des poids de GLM-5.3

27 août — Together AI met en ligne GLM-5.3 Flash, le premier modèle nativement multimodal de la série GLM-5 de Z.ai, avec ses poids publiquement disponibles. La fiche technique est inhabituellement détaillée : architecture Mixture-of-Experts de 320 milliards de paramètres dont 18 milliards actifs, 45 couches, fenêtre de contexte d’un million de tokens. La comparaison mise en avant par Z.ai est interne à sa propre lignée — à taille totale comparable, le modèle divise presque par deux le nombre de paramètres actifs et la profondeur de GLM-4.5.

L’architecture est le vrai sujet. Le modèle combine une attention linéaire qui capture les dépendances locales par modélisation d’état et une attention sparse qui va chercher le contexte global via un indexeur léger. IndexPool comprime en outre quatre vecteurs clés d’indexeur en un seul par pooling pondéré. Le résultat annoncé par Z.ai, mesuré face à GLM-5.3 : trois fois moins de calcul d’attention et un cache KV 4,4 fois plus petit sur la fenêtre d’un million de tokens. C’est cette économie qui justifie le positionnement tarifaire, à 0,15 dollar par million de tokens en entrée et 0,50 dollar en sortie, contre 1,40 et 4,40 dollars pour GLM-5.2 chez le même hébergeur. Le modèle avait été prévisualisé anonymement sous le nom Ox Alpha avant son lancement.

Le multimodal n’est pas ici un ajout périphérique mais un élément du cycle de codage : le modèle inspecte ses propres sorties rendues à l’écran et les affine de manière itérative. L’entraînement suit la même logique, avec apprentissage par renforcement (reinforcement learning) à retour d’environnement pour le code frontend et vérification agentique ancrée dans de vrais parcours utilisateurs pour les interfaces graphiques.

Le même jour, Z.ai annonce dans un message très bref que les poids de GLM-5.3 — le modèle principal, accessible par API depuis le 18 août — seront publiés le lendemain, via une fiche Hugging Face zai-org/GLM-5.3 déjà en place mais marquée « Upcoming release ». L’ouverture avait été préparée deux semaines plus tôt par un article intitulé « Preparing GLM-5.3 for Open Release: A Responsible Path to Cyber Defense ». Le laboratoire enchaîne donc le lancement d’une variante rapide et l’ouverture des poids du modèle principal à moins de vingt-quatre heures d’intervalle.

Benchmark évalué	GLM-5.3 Flash	GLM-5.2
Terminal Bench 2.1	84,3	81,0
DeepSWE v1.1	63,4	46,2
Toolathlon Verified	78,4	59,9
AutomationBench	48,8	26,2
Humanity’s Last Exam (avec outils)	55,3	—
GDPval-AA v2 Elo (Artificial Analysis)	1773	—

Tarif Together AI (dollars par million de tokens)	GLM-5.3 Flash	GLM-5.2
Entrée	0,15	1,40
Entrée en cache	0,03	0,26
Sortie	0,50	4,40

GLM-5.3 Flash has arrived. @Zai_org’s first natively multimodal GLM-5 model packs 320B parameters, 18B active, 1M context, and hybrid attention.

On DeepSWE, it nearly MATCHES Luna’s performance while getting more than TWICE as much work done for the same budget.

🇫🇷 GLM-5.3 Flash est arrivé. Le premier modèle GLM-5 nativement multimodal de Z.ai embarque 320 milliards de paramètres, 18 milliards actifs, un contexte d’un million de tokens et une attention hybride. Sur DeepSWE, il égale presque les performances de Luna tout en abattant plus du double de travail à budget égal. — @togethercompute sur X

🔗 Fiche du modèle chez Together AI · Annonce de @Zai_org sur les poids

Gemini Omni 1.1 Flash : 10 secondes de contexte pour prolonger un plan, brouillons 360p et sortie 4K

27 août — Google publie Gemini Omni 1.1 Flash, mise à jour de son modèle multimodal de génération et d’édition vidéo, signée par Anish Nangia et Alisa Fortin, Product Managers chez Google DeepMind.

Le changement le plus substantiel concerne l’extension de scène. Jusqu’ici, prolonger une vidéo générée revenait à demander au modèle de continuer à partir de la dernière seconde seulement, ce qui provoquait des ruptures de cohérence dès que la scène comportait des personnages ou un décor complexe. Omni 1.1 analyse désormais jusqu’à 10 secondes de contexte antérieur, par blocs de 10 secondes, jusqu’à une durée cumulée de 40 secondes.

Le deuxième axe est le contrôle de cadrage : la spécification des première et dernière images demande au modèle de générer la vidéo intermédiaire entre deux images clés, ce qui vise les mouvements de caméra complexes et les boucles sans raccord visible. Le troisième axe est économique, avec une résolution de brouillon en 360p annoncée jusqu’à 60 % plus rapide et à un tiers du coût du 720p standard — la mesure de vitesse reposant, précise Google, sur le débit système comparé entre les deux résolutions. Le pipeline se termine par une montée en résolution (upscaling) vers 1080p ou 4K. S’y ajoute la référence vidéo dans l’entrée multimodale, jusqu’à 3 secondes, pour maintenir la cohérence d’un personnage ou reproduire un mouvement.

Le modèle est accessible dans Google AI Studio, via l’API Gemini Enterprise Agent Platform et dans Google Flow pour tous les abonnés Google AI Plus, Pro et Ultra. Google cite Adobe, qui l’a intégré dans Firefly, Figma Weave, GMI Cloud et Runway parmi ses clients. Une table tarifaire accompagne l’article officiel mais elle est publiée sous forme d’image sans équivalent textuel : aucun tarif n’est donc reproduit ici.

Le même jour, Pika ouvre le modèle dans son API Club, accessible via dev.pika.art, avec l’extension de vidéo, la prise en charge des première et dernière images, jusqu’à trois vidéos de référence et une sortie jusqu’en 4K. Le studio prolonge ainsi une habitude bien établie : agréger les modèles vidéo de tiers dès leur disponibilité, comme il l’avait fait pour Seedance 2.5 puis pour Wan 3.0.

Capacité du modèle	Valeur annoncée
Contexte pour l’extension	Jusqu’à 10 s, contre 1 s sur les modèles précédents
Incrément d’extension	10 s, jusqu’à 40 s cumulés
Brouillon 360p — vitesse	Jusqu’à 60 % plus rapide que le 720p
Brouillon 360p — coût	Un tiers du coût du 720p standard
Montée en résolution	1080p ou 4K
Référence vidéo multimodale	Jusqu’à 3 s de vidéo
Identifiant du modèle dans l’API	`gemini-omni-1.1-flash`

🔗 Annonce Google · Message de @pika_labs

H3 Max : fal post-entraîne MiniMax H3 et génère 5 secondes de vidéo en moins de 3 secondes

26 août — fal Research publie H3 Max, un modèle vidéo post-entraîné à partir des poids ouverts de MiniMax H3. La particularité du travail est qu’il ne s’agit pas seulement d’un post-entraînement : l’équipe inference de fal a co-conçu la pile d’exécution en parallèle du modèle, de sorte que les décisions d’entraînement et de service s’informent mutuellement.

Sur la qualité, fal a mené des études de préférence humaine en tête-à-tête contre douze modèles vidéo de référence, dont le point d’accès officiel MiniMax H3, Gemini Omni Flash, Wan 3.0, Seedance 2.5, Kling 3 et Veo 3.1. Les évaluateurs comparaient trois dimensions séparées — préférence globale, respect du prompt, esthétique — agrégées par notes Elo bayésiennes avec intervalles de confiance à 95 %. H3 Max arrive premier sur les trois et remporte la majorité des duels face à chacun des modèles testés, y compris le H3 d’origine. Artificial Analysis et Design Arena le placent également en tête de leurs classements indépendants.

Sur la vitesse, H3 Max génère une vidéo de 5 secondes en environ 3 secondes, soit environ 35 fois le débit du point d’accès officiel de MiniMax H3 et en moyenne 15 fois plus vite que les modèles de qualité comparable. fal insiste sur la méthode : une optimisation n’était conservée que si le modèle résultant maintenait sa position dans les évaluations qualité internes. L’entraînement et le service ont été réalisés entièrement sur des systèmes NVIDIA GB200 NVL72.

L’équipe MiniMax H3, citée dans l’article de fal, valide le résultat : selon elle, H3 Max associe une qualité vidéo à l’état de l’art à un changement d’ordre de grandeur sur la vitesse de génération, ce qui rend la génération vidéo de haute qualité praticable pour un éventail bien plus large d’applications réelles. C’est l’argument des poids ouverts en pratique : un post-entraînement mené par un tiers révèle le potentiel réel d’un bon modèle de base.

Mesure publiée par fal	Valeur
Vidéo de 5 secondes	Générée en environ 3 secondes
Débit face au point d’accès officiel H3	Environ 35x
Vitesse face aux modèles de qualité comparable	15x en moyenne
Modèles vidéo comparés	12
Classement en préférence humaine	1er sur les trois dimensions
Remise de lancement	50 % pendant la première semaine

🔗 Présentation de H3 Max par fal

Cohere Parse : 1,50 dollar les 1 000 pages et 79,2 sur ParseBench

27 août — Cohere lance Parse en disponibilité générale, un modèle de vision et langage (vision language model) dédié au traitement de documents d’entreprise en grand volume. Il convertit des fichiers multimodaux complexes en données structurées lisibles par machine et restitue du Markdown propre, pensé pour l’indexation documentaire, le RAG et la récupération agentique. Au-delà de la reconnaissance de caractères, Parse identifie tableaux, formulaires, diagrammes et images intégrées, et retourne des boîtes englobantes (bounding boxes) pour les tableaux et les images. Il traite neuf grandes langues mondiales.

L’argument principal est tarifaire : 1,50 dollar par tranche de 1 000 pages sur l’API Cohere. Pour les charges soutenues, l’entreprise pousse Model Vault, sa plateforme d’inférence mono-locataire, avec 23 % d’économies à 50 % d’utilisation GPU et jusqu’à 61 % à pleine utilisation horaire. Le cas chiffré donné en exemple — un flux de comptabilité fournisseurs traitant environ 13 millions de pages par mois — représente environ 12 000 dollars d’économies mensuelles face à l’API, et environ 1,47 million de dollars par an face à une offre hyperscaler facturée 10 dollars les 1 000 pages.

Côté débit, Cohere annonce 4,5 pages par seconde, soit 36 pages par seconde sur un nœud de 8 GPU H100 — environ 1,4 fois le débit de dots.mocr et 2,2 fois celui de Chandra OCR 2 dans la même configuration, la comparaison ne portant que sur des modèles open source servis via vLLM.

Cohere assume deux limites méthodologiques. Les dimensions Layout et Chart de ParseBench sont exclues du comparatif, le modèle visant un Markdown en ordre de lecture et traitant les graphiques comme des éléments visuels décrits par métadonnées, l’extraction de séries numériques étant annoncée pour la version suivante. Tous les scores publiés utilisent par ailleurs les règles ParseBench d’août 2026, qui corrigent un défaut de détection des gras et des titres gonflant auparavant les scores de formatage sémantique, les concurrents ayant été re-notés avec ces mêmes règles. Parse est disponible via l’API Cohere, Model Vault, Microsoft Foundry et AWS SageMaker sous l’identifiant parse-v5.0, et déployable en cloud privé ou sur site.

Modèle évalué	Moyenne	Tableaux	Fidélité du contenu	Formatage sémantique
GPT-5.5	84,4	89,3	87,5	76,5
Opus 4.8	84,3	89,7	89,0	74,1
Gemini 3.5 Flash	81,8	87,6	84,7	73,2
Cohere Parse	79,2	87,0	86,6	64,0
LlamaParse (Cost Effective)	78,3	81,4	90,9	62,7
Mistral OCR 4	74,5	73,9	89,5	60,1
Databricks AI Parse	72,4	83,7	88,3	45,3
Google Document AI	57,3	55,1	83,7	33,0
AWS Textract	53,3	82,3	74,8	2,8

🔗 Annonce de Cohere Parse

NVIDIA livre le premier CPU Vera à AWS et étend NVLink Fusion à la mémoire NVHBM

27 août — NVIDIA a mis à jour son article consacré au CPU Vera pour y intégrer une étape importante : AWS a reçu son premier serveur CPU Vera et son premier GPU Vera Rubin, remis en main propre par Ian Buck, vice-président Hyperscale et HPC de NVIDIA, au siège d’AWS à Seattle, entre les mains de Willem Visser et Supreeth Sheshardi, vice-présidents d’Amazon EC2. La remise accompagne une annonce faite la veille, le 26 août : AWS et NVIDIA étendent une collaboration de seize ans, avec un plan portant sur 2 millions de GPU supplémentaires et le portage de l’infrastructure à base de CPU Vera sur AWS. AWS n’est pas le premier destinataire — Buck avait auparavant livré des systèmes Vera à Oracle Cloud Infrastructure ainsi qu’à Anthropic, OpenAI et SpaceXAI.

L’argument technique tient en une observation : un agent ne tourne pas uniquement sur GPU. Chaque bac à sable d’exécution, chaque appel d’outil, chaque couche d’orchestration et chaque récupération en contexte long est du travail CPU. Vera embarque 88 cœurs Olympus conçus par NVIDIA, 1,2 To/s de bande passante mémoire, et annonce jusqu’à 1,8x de performance par cœur sur les charges agentiques. NVIDIA cite des données OpenRouter selon lesquelles ces charges consomment 15 fois plus de tokens qu’une simple requête de chat. Chez les fournisseurs cloud, Oracle Cloud Infrastructure est le premier à déployer Vera à l’échelle hyperscale, avec des centaines de milliers de CPU prévus à partir de 2026. À signaler pour la rigueur : l’article est une republication, sa version initiale datant du 18 mai 2026, seul le volet AWS relevant de la journée.

Le 26 août, NVIDIA a par ailleurs élargi NVLink Fusion avec NVHBM, une technologie de mémoire haute bande passante destinée aux puces personnalisées de ses partenaires. Le changement architectural est précis : les architectures HBM classiques placent le contrôleur mémoire sur la puce XPU, où il occupe une surface de silicium qui pourrait servir au calcul ; NVHBM déplace ce contrôleur, de conception NVIDIA, dans la puce de base de la pile HBM 3D. Annapurna Labs, la filiale silicium d’Amazon, est le premier partenaire à travailler sur NVHBM, en plus d’un engagement déjà annoncé à prendre en charge NVLink Fusion sur ses puces Trainium à partir de Trainium4.

Caractéristique mesurée	Valeur annoncée
Cœurs du CPU Vera	88 cœurs Olympus conçus par NVIDIA
Bande passante mémoire de Vera	1,2 To/s
Performance par cœur sur charges agentiques	Jusqu’à 1,8x
GPU supplémentaires prévus chez AWS	2 millions
Bande passante NVHBM face à la HBM4E standard	Jusqu’à +30 %
Consommation HBM avec NVHBM	-15 %
Surface libérée sur la puce de calcul XPU	Jusqu’à +25 %

🔗 Livraison du CPU Vera · NVLink Fusion et NVHBM

Google DeepMind pilote la première évaluation en double aveugle d’un modèle de frontière

27 août — Google DeepMind publie le compte rendu d’un pilote qu’il présente comme la première évaluation en double aveugle d’un modèle d’IA propriétaire de classe frontière. L’annonce est signée par William Isaac, Sol Messing et Kristian Lum, et occupe la position de message épinglé du compte du laboratoire.

Le problème traité est celui de la contamination de benchmark. L’article file une analogie scolaire : si un élève a vu les questions de l’examen à l’avance, son score parfait ne mesure plus rien. Pour les modèles de langage, la question est structurelle, puisque les jeux d’évaluation publics finissent dans les corpus d’entraînement. Google note que les protocoles de non-journalisation et les garanties contractuelles maintiennent depuis longtemps la confidentialité des prompts de test externes, mais que l’ajout de garanties techniques et cryptographiques constitue un changement de nature.

Historiquement, une évaluation externe à fort enjeu imposait un arbitrage : soit l’évaluateur livrait ses prompts au fournisseur du modèle, soit le fournisseur livrait les poids de son modèle. Le dispositif décrit supprime ce compromis. Il s’appuie sur Confidential Space, une brique du portefeuille Confidential Computing de Google Cloud, qui permet de vérifier cryptographiquement que les deux actifs restent privés pour leurs propriétaires respectifs : l’évaluateur n’accède pas aux poids du modèle Gemini, et Google n’accède pas aux prompts de test.

Le pilote porte sur un modèle Gemini Flash Lite, testé contre des benchmarks confidentiels, en partenariat avec le Singapore AI Safety Institute, OpenMined, AVERI et MLCommons. Google souligne que l’intérêt du dispositif croît avec la sensibilité de l’évaluation, en citant explicitement les tests de cybersécurité et ceux menés par des organismes gouvernementaux. Un rapport technique détaillant la méthodologie accompagne l’annonce.

🔗 Le pilote d’évaluations en double aveugle

Expert Intelligence : les ebooks Google Play Books deviennent des sources dans Gemini Notebook

27 août — L’équipe Gemini Notebook annonce Expert Intelligence, une initiative transverse à Google qui permet d’utiliser des livres achetés comme sources dans un notebook. Le lancement démarre avec les ebooks éligibles de Google Play Books ; Google annonce l’arrivée ultérieure des abonnements tiers, des manuels scolaires, et l’extension à l’application Gemini et au Mode IA de Google Search.

Le principe est simple à décrire mais nouveau dans son périmètre : un notebook peut désormais mélanger des ebooks achetés, des abonnements professionnels et des fichiers Google Drive personnels dans une même base de connaissances. Les fonctions habituelles de Gemini Notebook s’appliquent alors au livre — conversation avec le contenu, génération d’Audio Overviews, création de cartes de révision et de quiz — chaque réponse étant ancrée dans les sources avec des citations en ligne renvoyant au passage exact.

Le point le plus intéressant est le modèle économique, car il répond à la question que ce type de produit soulève immédiatement : que devient la rémunération de l’auteur quand un modèle digère son livre ? Google pose une condition d’accès explicite : pour interagir avec un livre dans Gemini Notebook, il faut le posséder via Google Play Books. Et si un notebook contenant un livre est partagé, les collaborateurs sont invités à acheter leur propre exemplaire pour aller plus loin. Google présente donc le dispositif aux éditeurs comme un canal de découverte plutôt que comme une substitution.

Côté éditeurs, la mécanique est déclarative : l’éligibilité d’un ouvrage se vérifie sur sa fiche Google Play Books, où Gemini Notebook apparaît sous le badge « Tools » si le livre est inscrit, l’inscription se faisant sur demande auprès de l’équipe Google. Les trois cas d’usage détaillés donnent le ton — croiser ses notes de cours avec The Sense of Style de Steven Pinker, appliquer The Culture Code de Daniel Coyle à un projet d’équipe, synthétiser une routine à partir de The New Menopause avant de la convertir en Audio Overview.

🔗 Expert Intelligence

Warp ajoute des boucles d’auto-amélioration à ses factories

27 août — Warp complète sa plateforme Warp Factories avec des boucles d’auto-amélioration (self-improvement loops). Le principe tient en trois étapes : noter les conversations passées des agents selon des critères définis par l’équipe, isoler les échecs, puis générer des améliorations de skills. Un article d’ingénierie publié le même jour détaille l’ensemble du dispositif.

La brique centrale est une fonction de notation, que Warp nomme scorer. Elle prend en entrée les traces d’exécution d’un agent et rend une note selon une grille. Warp insiste sur un point : l’entrée ne doit pas se limiter à la trace de l’agent, elle doit inclure les interactions humaines remontées des outils intégrés, par exemple les commentaires laissés sur une pull request. La note peut venir d’un humain, de code, ou plus couramment aujourd’hui d’un autre agent servant de juge. Warp livre des scorers par défaut qui évaluent la justesse, l’efficacité de coût et la verbosité, et laisse configurer leur fréquence d’exécution — quelques heures par défaut — ainsi que la stratégie d’échantillonnage, puisque ces évaluations ont un coût.

Les exécutions notées alimentent ensuite des agents d’auto-amélioration, qui cherchent les motifs récurrents dans les échecs et proposent leurs corrections sous forme de diffs sur la définition de la factory. Cette mécanique ne fonctionne que parce que la factory est décrite en code : un fichier factory.yaml plus une arborescence de définitions d’agents, de skills, de serveurs MCP et de règles de routage de modèles. Les humains reçoivent les suggestions comme des pull requests et décident de fusionner ou non.

Warp distingue clairement un second mécanisme, les benchmarks, qui répond à une limite des boucles d’auto-amélioration : celles-ci ressemblent à ce qu’une personne compétente changerait après avoir regardé des résultats passés, mais ne constituent pas un vrai test A/B. Pour trancher une question comme le meilleur assemblage de modèles, Warp propose de choisir cinq à dix tâches de référence, de lancer les agents en parallèle avec plusieurs configurations, puis de noter avec les mêmes scorers. La sortie est une matrice de résultats par configuration. Les métriques de pilotage citées — débit de pull requests, coût moyen par pull request, pourcentage d’automatisation, économies estimées — sont présentées comme un cadre de mesure proposé, sans chiffres de résultats clients à l’appui.

🔗 Annonce de @warpdotdev

Replit généralise le routage automatique de modèles

27 août — Replit ouvre Intelligent Model Routing à tous les utilisateurs de la plateforme. L’argument de départ est simple : le meilleur modèle pour une tâche change d’une semaine à l’autre, d’un projet à l’autre et parfois d’une tâche à l’autre, et ce choix ajoute un point de décision entre l’idée et sa réalisation. Replit prend donc la main — à mesure qu’une tâche évolue, elle est associée au modèle le mieux placé pour la terminer, en arbitrant qualité, vitesse et coût.

Le chiffre mis en avant demande d’être lu précisément. Dans ses tests, Replit annonce la même qualité de sortie pour un coût inférieur de 65 % à celui de la version précédente du mode Max — ce n’est pas une réduction de 65 % dans l’absolu, le message sur X parlant, lui, de « jusqu’à 65 % moins cher ».

Le routage ne ferme pas la porte au contrôle manuel. Tous les utilisateurs démarrent désormais en Free Mode et reçoivent une notification quand le travail bascule vers des modes plus puissants susceptibles d’engendrer des coûts ; les abonnés Core et Pro conservent la sélection manuelle de modèle. En entreprise, les administrateurs définissent l’ensemble des modèles approuvés pour chaque espace de travail, et Replit choisit automatiquement au sein de cet ensemble.

Élément du lancement	Valeur annoncée par Replit
Réduction de coût	-65 % à qualité égale, face à la version précédente du mode Max
Disponibilité	Tous les utilisateurs
Mode de départ	Free Mode, avec notification avant escalade vers un mode payant
Sélection manuelle	Conservée pour les plans Core et Pro
Contrôle en entreprise	Ensemble de modèles approuvés défini par espace de travail

🔗 Annonce de @Replit

Codex CLI 0.150 : mentions @ entre tâches, hooks Interrupt et durcissement des projets non fiables

26 août — Codex CLI passe en 0.150.0, suivi le 27 août d’un correctif 0.150.1. La mise à jour s’installe avec npm install -g @openai/codex@0.150.1.

La nouveauté structurante concerne l’orchestration entre tâches. Il devient possible de référencer d’autres tâches Codex par des mentions @, et de demander à un agent de lire, créer ou envoyer un message à une tâche directement depuis le terminal. Concrètement, la liste des tâches devient un ensemble d’objets adressables : un agent peut consulter ce qu’une autre tâche a produit ou lui transmettre une instruction, sans copier-coller manuel de contexte. Dans la même veine, les tâches de terminal restées sans nom reçoivent automatiquement un titre descriptif, et /rename propose un titre éditable déduit de la conversation.

Le deuxième ajout notable est le hook Interrupt. Jusqu’ici, l’interruption d’un tour actif était un point aveugle : la session s’arrêtait sans qu’on puisse déclencher quoi que ce soit. La 0.150.0 permet d’exécuter une commande ou un handler MCP quand un tour de niveau supérieur est interrompu, de quoi nettoyer un état, libérer un verrou ou journaliser l’abandon.

Côté sécurité, deux correctifs méritent l’attention pour qui fait tourner Codex sur du code tiers. Les projets non fiables ne fournissent plus les instructions AGENTS.md de niveau projet — un fichier d’instructions déposé dans un dépôt cloné ne peut donc plus piloter l’agent à l’insu de l’utilisateur — et les règles managées de refus de lecture restent appliquées après un changement de permissions. S’y ajoutent une meilleure occultation des identifiants dans les diagnostics de l’app-server, des correctifs sur les bearer tokens MCP distants et sur les blocages à l’arrêt sous Unix dus à des processus détachés. Le correctif 0.150.1 règle enfin un cas précis mais coûteux : la compaction distante compte désormais les images conservées dans son budget de tokens et élague les plus anciennes au besoin — sur une session longue avec captures d’écran, c’était une source silencieuse de dépassement de contexte.

Version publiée	Date du changelog	Nature de la publication
0.150.0	26 août 2026	Version stable, nouveautés
0.150.1	27 août 2026	Correctif sur la compaction

🔗 Notes de version 0.150.0

Claude Code 2.1.247 : audit de coûts API et fenêtre 1M par défaut pour Sonnet 5

27 août — Claude Code passe en 2.1.247. L’ajout le plus visible pour les équipes est une commande d’audit de dépense : /claude-api cost-optimize profile ce qu’un projet consomme sur la Claude API, puis déroule les leviers de réduction un par un — caching, hygiène des tokens, traitement par lot, niveau d’effort, choix de modèle — en mesurant l’effet de chaque changement avant de passer au suivant. La skill /claude-api couvre par ailleurs désormais l’Admin API : membres d’organisation, invitations, workspaces, clés API, rapports de limites de débit, workload identity federation et CMEK.

Un réglage de contexte mérite l’attention : la fenêtre d’auto-compactage par défaut de Sonnet 5 passe à son contexte complet de 1M de tokens, les sessions compactant désormais autour de 967K tokens au lieu d’environ 934K. Côté robustesse, les sous-agents ne meurent plus sur un 404 de modèle au premier appel — ils basculent sur la chaîne de modèles de repli de la session — et un hook produisant des mégaoctets d’erreurs ne peut plus coincer la session sur « Prompt is too long ».

La version consacre enfin un effort net au durcissement. Dans le markdown rendu au terminal, les liens visant un chemin réseau ou d’automontage, contenant un caractère de contrôle ou débutant par un caractère invisible sont affichés en texte brut plutôt que rendus cliquables. Le marketplace de plugins rejette les noms comportant des caractères de contrôle et échappe le texte qu’un marketplace injecte dans ses sorties.

🔗 Changelog de Claude Code

Together AI chiffre la cascade DeepSeek puis GPT-5.6 Sol sur DeepSWE

27 août — Together AI étend sa série de comparatifs DeepSWE aux modèles DeepSeek, avec le même protocole que pour les épisodes GLM-5.3 : les 113 tâches du benchmark, quatre essais par tâche et par modèle, soit 904 exécutions pour l’affrontement DeepSeek V4 Pro 0813 contre GPT-5.6 Sol.

Le résultat brut donne l’avantage au modèle fermé sur le premier essai — 72,7 % contre 62,8 % — mais l’écart se referme à chaque tentative et s’inverse à la quatrième, à 88,5 % pour DeepSeek contre 85,8 %. À 0,24 dollar l’exécution contre 8,37, le modèle ouvert est 35 fois moins cher, soit 261 tâches résolues pour 100 dollars dépensés contre 9. Il ne rachète pas cette économie en vitesse : 35 minutes et 146 étapes en médiane contre 17 minutes et 53 étapes.

La conclusion opérationnelle est un montage en cascade. Faire tourner DeepSeek V4 Pro en premier et n’escalader vers GPT-5.6 Sol que lorsque la suite de tests rejette le résultat donne 83,0 % de tâches résolues à 3,35 dollars l’unité — dix points au-dessus de Sol seul, et au-dessus même d’un routeur oracle parfait en un seul coup, à 80,8 %. Deux autres comparatifs de la même série sont en ligne, opposant DeepSeek V4 Pro à Claude Fable 5 et DeepSeek-V4 Flash à GPT-5.6 Luna.

Stratégie évaluée	Taux de réussite	Coût par tâche
GPT-5.6 Sol seul	72,7 %	8,37 dollars
Routeur oracle parfait en un coup	80,8 %	—
Cascade DeepSeek V4 Pro puis Sol	83,0 %	3,35 dollars

🔗 Comparatif DeepSWE de Together AI

OpenAI ouvre ses opérations au Brésil et publie une expérience randomisée avec Bocconi

27 août — OpenAI lance ses opérations commerciales au Brésil, avec une équipe locale installée à São Paulo. L’annonce s’accompagne de données d’usage rarement publiées à cette granularité par pays : le Brésil figure parmi les trois plus grands marchés de ChatGPT en utilisateurs actifs hebdomadaires, avec un nombre d’utilisateurs qui a presque doublé en un an et environ 215 millions de messages envoyés chaque jour. En juin 2026, 35 % des messages classifiés provenant de comptes individuels brésiliens étaient liés au travail, contre 30 % au niveau mondial. Côté développeurs, le pays se classe deuxième mondial par le nombre de développeurs utilisant l’API OpenAI, les utilisateurs hebdomadaires de Codex y ayant été multipliés par plus de onze depuis le début 2026. L’implantation s’accompagne de partenariats avec l’ITA, l’IMPA, le HCFMUSP, ENTER, Estímulo et la ville de São Paulo via Prodam.

Le même jour, OpenAI publie avec des chercheurs de l’université Bocconi les résultats d’une expérience randomisée sur plus de 1 000 étudiants de première année de licence. L’intérêt du protocole tient à sa structure : les étudiants ont été répartis aléatoirement, par créneau de cours, en quatre groupes — accès à ChatGPT, formation au raisonnement causal, les deux, ou aucun des deux — ce qui permet de séparer l’effet de l’outil, celui de la formation et celui de leur combinaison. La tâche était un cas d’entreprise réel : formuler des recommandations marketing pour la boutique de produits dérivés de l’université.

Les deux traitements produisent des effets distincts. L’accès à ChatGPT fait gagner presque un point sur cinq, avec plus d’idées et une logique plus claire. La formation au raisonnement causal, elle, n’améliore pas la note — mais l’analyse textuelle automatisée révèle un éventail d’idées plus large et plus distinct de celui des autres étudiants, que la grille d’évaluation ne mesurait pas. OpenAI en tire une conclusion inconfortable pour les établissements : si l’IA permet de produire un travail poli et proche de celui d’un expert, examiner uniquement la réponse finale renseigne de moins en moins sur ce que l’étudiant comprend.

Groupe expérimental	Effet mesuré
Accès à ChatGPT	Presque un point de plus sur cinq, plus d’idées, logique plus claire
Formation au raisonnement causal	Pas de gain à la grille, mais idées plus variées et plus distinctes
Les deux traitements cumulés	Bénéfices cumulés, gains sur le plus grand nombre de mesures

🔗 Présence au Brésil · Étude Bocconi

Les tâches planifiées de ChatGPT se déclenchent sur des événements Gmail, Slack et GitHub

25 août — Les tâches planifiées de ChatGPT sortent du modèle purement temporel : elles peuvent désormais se déclencher sur un événement survenu dans Gmail, Slack ou GitHub. Le filtrage est fin — messages Gmail par expéditeur ou objet, canaux Slack sélectionnés, activité de pull request incluant revues, commentaires, mises à jour de commits et fusions.

Le passage du cron à l’événement change la nature de l’outil : au lieu d’aller chercher périodiquement s’il s’est passé quelque chose, l’agent réagit au moment où cela se produit. La fonctionnalité est disponible sur ChatGPT web et mobile pour les plans éligibles, à condition de connecter l’application concernée et d’approuver les accès demandés. Deux prérequis pratiques : l’application Slack de ChatGPT doit être membre de chaque canal surveillé, et l’application GitHub connectée doit avoir accès à chaque dépôt. Deux limites aussi : une tâche déclenchée par événement ne peut pas également porter une planification temporelle, et des événements rapprochés peuvent être regroupés dans une seule exécution — la vue Scheduled permet alors de passer en revue les événements en attente ou de déclencher manuellement.

🔗 Changelog ChatGPT et Codex

Les agents cloud de Cursor démarrent sans dépôt existant

27 août — Cursor supprime la dernière condition d’entrée de ses agents cloud : il n’est plus nécessaire d’avoir connecté un compte GitHub ou un autre fournisseur de gestion de code source tiers pour lancer une session. Dans le sélecteur de dépôt, une option « Start from scratch » permet de prompter immédiatement, Cursor créant en arrière-plan un dépôt Origin pour accueillir le travail.

Quand la construction convient, un bouton « Create repo » enregistre le résultat dans un dépôt Origin, avec un nom personnalisé ou suggéré et une visibilité privée ou interne ; le dépôt obtenu est entièrement structuré et rejoint l’onglet Codebase. Deux ajouts complètent la boucle : Cursor redirige désormais les ports de l’environnement live de l’agent cloud vers le navigateur, ce qui donne accès à un aperçu et à des outils comme le mode design, et un bouton de publication produit une URL en ligne une fois un compte Vercel connecté — ce compte étant une condition de cette dernière fonctionnalité. L’ensemble s’appuie sur Origin, l’hébergement de code de Cursor entré en bêta anticipée le 17 août sur tous les plans payants.

🔗 Changelog Cursor

Amp ouvre ses projets à plusieurs dépôts

27 août — Les projets Amp acceptent désormais plusieurs dépôts. Les dépôts supplémentaires sont clonés dans un répertoire adjacent à l’intérieur de l’orb et l’agent est explicitement informé de leur présence ; le panneau des changements affiche alors un diff couvrant l’ensemble des dépôts du projet. C’est la réponse d’Amp aux tâches qui traversent plusieurs services, un cas de figure que le découpage un projet pour un dépôt rendait pénible.

L’ajout se fait à la création du projet ou plus tard dans les réglages, avec un plafond de 20 dépôts supplémentaires par projet. Une limite est à connaître avant de s’y mettre : lors de la préparation de l’orb, seul le script .agents/setup du dépôt principal s’exécute automatiquement, et un dépôt additionnel réclamant sa propre initialisation doit être intégré à ce script. Le même jour, Amp poursuit son recentrage en retirant la barre latérale de son interface terminal — voir les brèves.

🔗 Projets multi-dépôts chez Amp

Google Antigravity 2.11.0 rend les artefacts HTML dans le fil de conversation

26 août — Google publie la version 2.11.0 d’Antigravity, avec 10 améliorations et 30 correctifs. La nouveauté principale est l’interface générative : l’agent peut produire un artefact HTML qui s’affiche directement dans le fil de conversation, sans passer par un aperçu externe. Le rendu accepte le formatage mathématique KaTeX ainsi que les graphiques Chart.js et Plotly, ce qui étend l’usage aux tableaux de bord et aux visualisations produites à la volée.

La deuxième série de changements porte sur la configuration des agents et va dans le sens d’une modularisation. La syntaxe @path/to/file permet de référencer et d’inclure des fichiers externes dans AGENTS.md et dans les fichiers de règles personnalisés, une clé rules: apparaît dans le frontmatter des agents markdown pour lier des règles à un agent donné plutôt qu’à tout le projet, et Antigravity découvre désormais les skills, agents et règles déclarés dans des fichiers skills.json, agents.json et rules.json situés dans des sous-répertoires — utile pour les monorepos où chaque sous-projet porte sa propre configuration. Le reste relève de l’ergonomie : terminaux divisibles côte à côte, rendu du frontmatter YAML en carte de métadonnées, thème Darcula, et lecture de plages de pages précises dans les documents multi-pages.

🔗 Changelog Antigravity

GitHub : politique globale de modèles en disponibilité générale et table ronde des mainteneurs d’OpenClaw

26 août — GitHub généralise la politique globale de modèles pour Copilot Business et Copilot Enterprise. Annoncé en juillet, ce mécanisme donne aux administrateurs un interrupteur unique qui décide du sort des modèles qu’ils n’ont pas explicitement configurés, plutôt que de les obliger à statuer modèle par modèle à chaque nouvelle sortie. Le déploiement de l’application effective s’étale jusqu’au 1er septembre, la bascule ne se produisant donc pas au même moment pour toutes les entreprises. Les décisions déjà prises à la main sont conservées telles quelles, et deux catégories résistent à la politique quelle qu’en soit la valeur : les modèles à poids ouverts, avec DeepSeek et Kimi K2 en exemple, et les modèles non couverts par l’accord de rétention de données de GitHub, l’annonce citant Fable 5. GitHub réfléchit par ailleurs à supprimer l’état « Delegate to default policy » pour forcer une décision explicite sur chaque modèle.

Le 27 août, GitHub publie une table ronde vidéo avec les mainteneurs d’OpenClaw, accompagnée d’un article qui en tire dix leçons. Lancé par Peter Steinberger en novembre 2025 comme projet de week-end, ce dépôt affiche au 26 août environ 388 000 étoiles, 81 000 forks et plus de 80 000 commits — GitHub le présente comme le projet à la croissance la plus rapide de son histoire. L’intérêt de l’entretien tient à ce qu’il révèle du travail de mainteneur quand les agents entrent dans la boucle : Steinberger explique ne plus parler de pull requests mais de « prompt requests », et Josh Lehman décrit des contributeurs faisant tourner des chaînes automatisées qui ouvraient plusieurs centaines de pull requests. Les signaux de confiance ont changé en conséquence — transcriptions d’agent, captures d’écran et preuves de test plutôt que compteur de contributions — d’autant que la réputation est elle-même devenue une surface d’attaque, des personnes dupliquant les pull requests d’autrui pour gonfler leur nombre de fusions.

Indicateur du dépôt OpenClaw au 26 août 2026	Valeur relevée
Étoiles	Environ 388 000
Forks	81 000
Commits	Plus de 80 000
Lancement du projet	Novembre 2025

🔗 Politique globale de modèles · Table ronde OpenClaw

Brèves

Qwen3.8-Flash routable sur OpenRouter et exécutable en local sur 75 Go de RAM — Le modèle devient accessible via OpenRouter un jour après l’ouverture de ses poids, pour les assistants de code, les workflows agentiques et la compréhension de vidéos longues. Unsloth publie parallèlement ses GGUF dès le premier jour : le MoE de 125 milliards de paramètres tourne en local sur 75 Go de RAM, et Unsloth affirme qu’il dépasse Claude Opus 4.6 Max — une affirmation d’Unsloth, qu’aucune mesure indépendante ne confirme. 🔗 OpenRouter · GGUF Unsloth
Grok 4.6 rejoint Microsoft Foundry et se déclenche depuis Linear — Le modèle arrive au catalogue de Microsoft Foundry avec 500 000 tokens de contexte et quatre niveaux d’effort de raisonnement, complétant Amazon Bedrock et Google Enterprise Agent Platform. Sur grok.com, les déclencheurs Linear permettent à Grok de trier les tickets, de suivre l’avancement et de démarrer automatiquement dès qu’un ticket lui est assigné. 🔗 Grok sur Foundry · Déclencheurs Linear
Joelle Pineau et Mikey entrent au classement TIME100 AI 2026 — Cohere annonce que sa directrice IA figure dans la liste du magazine TIME, en rappelant plus de vingt ans de recherche au Canada, des fauteuils roulants intelligents à la ML Reproducibility Checklist. Suno annonce le même jour la nomination de Mikey au même classement, sans annonce produit associée. 🔗 Cohere · Suno
Un cookbook branche un Claude Managed Agent sur le Chat SDK de Vercel — Le Chat SDK apporte l’interface de conversation avec un gestionnaire onDirectMessage typé et plus de quinze adaptateurs (Slack, Teams, Discord, web), Managed Agents exécutant l’agent côté serveur avec une session persistante par conversation. Code publié dans le dépôt claude-quickstarts. 🔗 Message de @ClaudeDevs
ChatGPT pour iOS 1.2026.230 : recherche de tâches, jauge de reasoning effort et éditeur plein écran — Jauge compacte dans le composer pour ajuster l’effort de raisonnement depuis le mobile, éditeur plein écran pour les prompts longs, recherche portant sur les titres comme sur les contenus, et raccourcis d’écran d’accueil pour ChatGPT, Work et Codex Remote. Même entrée de changelog que les tâches événementielles ci-dessus.
Amp retire la barre latérale de sa TUI — Entre les orbs, les runners et les messages échangés entre agents, Amp juge que le suivi des threads a sa place dans les applications web et native, et que superposer un multiplexage multi-environnements à celui du terminal était une mauvaise expérience. 🔗 Billet Amp
Hugging Face fait tourner ses résumés d’abstracts sur Inkling-Small — La plateforme précise que les résumés affichés sur ses pages de papiers reposent sur le modèle à poids ouverts de Thinking Machines, sous la bannière « open weights × open science ». 🔗 Message de @huggingface
Gemini CLI corrige une faille SSRF dans la découverte de métadonnées OAuth MCP — La version nocturne (nightly) du 27 août ne contient qu’un seul changement, un correctif contre le Server-Side Request Forgery dans la découverte de métadonnées OAuth des serveurs MCP. Il n’est pas encore présent dans le canal stable, resté en v0.57.0. 🔗 Notes de version
Perplexity publie de nouvelles évaluations de Brain — Le système de mémoire auto-améliorante de Perplexity Computer gagne 9,3 points de justesse, 8,0 points d’actualité et 8,9 points de rappel par rapport aux premiers résultats, avec 15 % de tokens en moins. 🔗 Message de @perplexity_ai
Les marketplaces de plugins acceptent la mise à jour automatique en entreprise — Un champ autoUpdate posé sur une entrée extraKnownMarketplaces laisse les clients Copilot mettre à jour seuls les plugins d’une marketplace, sous réserve que celle-ci figure toujours dans l’allowlist strictKnownMarketplaces. 🔗 Changelog GitHub
Bloquer un utilisateur ferme désormais toutes ses contributions ouvertes — Une option « Close content authored by this user » dans la boîte de dialogue de blocage ferme d’un coup les issues, discussions et pull requests ouvertes de l’utilisateur bloqué, sur compte personnel comme en organisation. 🔗 Changelog GitHub
Cohere défend un modèle d’ingénieurs déployés qui construit la capacité du client — Le billet distingue la dépendance commerciale ou architecturale, inhérente au choix technologique, de la dépendance opérationnelle qu’il juge évitable, et cite le rapport Deloitte 2026 selon lequel seules 25 % des organisations ont mis en production 40 % ou plus de leurs pilotes IA. 🔗 Billet Cohere
Google DeepMind consacre un épisode de podcast à l’incertitude — Zoubin Ghahramani, VP Research, explique avec Hannah Fry pourquoi apprendre à un système à douter de lui-même et à raisonner en probabilités produit des décisions plus fiables, de la prévision météorologique à la robotique. 🔗 Message de @GoogleDeepMind
Wan lance un Skill Challenge hebdomadaire autour de WanCLI — Trois skills publiées sur wan.video sont retenues chaque semaine, leurs auteurs remportant un mois d’abonnement premium, et chaque skill approuvée rapporte 150 crédits ; la skill doit appeler au moins un modèle Wanxiang via WanCLI. 🔗 Message de @Alibaba_Wan
GeForce NOW à la Gamescom 2026 — Nouveaux contrôles DLSS 4.5, prise en charge de nouveaux appareils Steam, de l’authentification unique GOG, de Firefox et de davantage d’appareils Fire TV, et cinq jeux disponibles sur le cloud dès leur sortie. Actualité de jeu vidéo plus que d’IA générative. 🔗 Billet NVIDIA
Runway publie une vidéo d’accroche sans produit nommé — Une vidéo accompagnée de la seule phrase « You’ve never seen anything like this » et d’un lien générique vers l’application, sans nom de modèle ni de fonctionnalité, et sans contrepartie sur la page d’actualités du studio. Signalé pour mémoire : aucun fait vérifiable n’en est tirable. 🔗 Message de @runwayml

Ce que ça signifie

Les agents descendent dans le laboratoire, et la barrière est matérielle avant d’être logicielle. Le Model Hardware Standard ne résout pas un problème de modèle mais un problème de plomberie : sept programmes constructeurs sans interface commune à Janelia, quatre familles d’équipements sur trois ordinateurs incompatibles à Carnegie Mellon. En ramenant l’intégration de plusieurs semaines à quelques heures, Anthropic déplace le goulot d’étranglement de la connexion vers la supervision — et l’admet en citant Genentech, où il a fallu expliquer à Claude que du moussage d’échantillon était une défaillance physique et non un bug. La découverte d’Ai2 sur le carcinome lobulaire invasif dit la même chose depuis l’autre bout de la chaîne : la valeur n’est pas dans la réponse produite par le modèle, mais dans la validation indépendante puis en laboratoire qui a suivi. Les 10 000 sièges Claude ouverts aux chercheurs le même jour complètent le triptyque en s’attaquant à la troisième barrière, celle du coût d’accès.

La sécurité passe du produit à l’infrastructure partagée. La tribune sur la cyberdéfense collective vaut d’abord par les organisations qui y sont associées : OpenAI, Anthropic, AWS, Google, Microsoft et Oracle se disputent le même marché et se retrouvent sur le même texte, et l’une des demandes adressées aux laboratoires de frontière — rendre les identités agentiques traçables et responsables — est directement la leçon de l’incident Hugging Face publié la veille. Le reste de la journée décline ce déplacement à l’échelle de l’outillage : Codex cesse de charger les AGENTS.md des projets non fiables, Claude Code rend inertes les liens de terminal à caractères invisibles, Gemini CLI corrige une SSRF dans la découverte OAuth des serveurs MCP. Trois correctifs sans lien apparent, mais un même constat : la surface d’attaque d’un agent de code, ce sont les fichiers et les serveurs qu’on lui demande de lire.

L’évaluation devient elle-même un objet à sécuriser. Le pilote de Google DeepMind avec le Singapore AI Safety Institute règle un arbitrage vieux comme l’évaluation externe — livrer ses prompts de test ou livrer ses poids — en ne livrant ni l’un ni l’autre, via une enclave dont les deux parties vérifient cryptographiquement les propriétés. C’est le pendant méthodologique des chiffres que publie le reste de la journée : Together AI ne se contente pas d’un score mais publie 904 exécutions, quatre essais par tâche, les profils d’échec et le coût par tâche ; Cohere assume publiquement d’exclure deux dimensions de ParseBench et de faire re-noter ses concurrents avec les règles corrigées d’août. Dans les deux cas, ce qui est mis en avant n’est plus le résultat mais le protocole — signe que le résultat seul ne convainc plus personne.

Et le prix de revient d’une tâche réussie reste la métrique qui décide. GLM-5.3 Flash tire tout son positionnement d’une économie architecturale — trois fois moins de calcul d’attention, cache KV 4,4 fois plus petit — convertie en 0,15 dollar par million de tokens en entrée, presque dix fois moins que GLM-5.2 chez le même hébergeur. Together AI démontre que la cascade DeepSeek puis Sol résout dix points de tâches en plus pour moins de la moitié du prix de Sol seul, ce qui revient à dire que le meilleur modèle n’est pas le bon achat. Replit tire la conséquence produit de ce constat en supprimant purement et simplement le choix du modèle, Cohere vend Model Vault sur un différentiel de 61 % à pleine utilisation, et Google facture un tiers du prix pour un brouillon vidéo en 360p. Même la livraison du CPU Vera chez AWS relève de cette économie : si une charge agentique consomme quinze fois plus de tokens qu’une requête de chat, l’orchestration hors GPU cesse d’être un détail comptable.