Claude découvre des failles cryptographiques inédites, Gemini Robotics ER 2 fait collaborer plusieurs robots, GPT-5.6 baisse ses prix

Le 30 juillet 2026 est dominé par deux avancées de recherche : Claude Mythos, le modèle de recherche interne d’Anthropic, découvre des failles cryptographiques inédites dans un candidat post-quantique du NIST et dans une version affaiblie d’AES, tandis que Google DeepMind lance Gemini Robotics ER 2, capable de faire collaborer plusieurs robots sur une même tâche. Autour de ces deux sujets gravitent une baisse de prix chez OpenAI pour GPT-5.6, une adoption simultanée des pull requests empilées chez GitHub et Devin, plusieurs sorties de modèles ouverts (Thinking Machines, Sakana AI, LightOn), et une vague de mises à jour côté agents (Perplexity, Genspark, Gemini).

Claude Mythos découvre des failles cryptographiques inédites (HAWK, AES)

30 juillet — Anthropic publie une recherche de son Frontier Red Team montrant que Claude Mythos Preview, son modèle de recherche interne le plus avancé et non commercialisé, a découvert des failles mathématiques inédites dans deux algorithmes cryptographiques majeurs — au-delà des simples bugs d’implémentation que Claude savait déjà repérer dans des bibliothèques comme OpenSSL. L’annonce a été publiée le 28 juillet sur X, puis détaillée dans un article de blog complet.

Premier résultat : une attaque améliorée contre HAWK, candidat du troisième tour du concours du NIST (l’organisme américain de normalisation) pour les signatures numériques post-quantiques. En 60 heures de travail, pour un coût d’environ 100 000 dollars en API, le modèle a trouvé une attaque qui divise par deux la taille de clé effective de HAWK-256 — le coût estimé d’une attaque complète passe de 2^64 à 2^38 opérations. Second résultat : sur une version d’AES-128 réduite à 7 rounds sur 10, une nouvelle technique baptisée Möbius Bridge (pont de Möbius) accélère de 200 à 800 fois les meilleures attaques connues, pour un coût similaire — le modèle a d’abord jugé la tâche irréalisable avant de persévérer sous l’impulsion des chercheurs, qui ont ensuite passé plusieurs centaines d’heures à valider le résultat.

Anthropic précise qu’aucun système en production n’est concerné : HAWK n’est qu’un candidat non déployé, et l’attaque sur AES ne s’applique qu’à une version affaiblie du chiffrement — l’AES complet à 10 rounds n’est pas cassé. Des résultats préliminaires touchent aussi LEA (clé récupérée en moins d’une heure sur 13 rounds), Serpent-128 (attaque complète à 6 rounds) et des gains plus limités sur Salsa20, Poseidon et SHA-1.

Pour approfondir ces recherches, Anthropic s’associe à l’ETH Zurich, Tel Aviv University et TU Berlin pour construire CryptanalysisBench, un banc d’essai destiné à mesurer les capacités de cryptanalyse des modèles.

Cible cryptographique	Résultat obtenu
HAWK-256 (signature post-quantique)	Taille de clé effective divisée par deux (2^64 → 2^38), trouvée en 60 heures
AES-128 réduit à 7 rounds sur 10	Attaque 200 à 800 fois plus rapide via la technique Möbius Bridge
LEA réduit à 13 rounds sur 24	Récupération de clé en moins d’une heure sur ordinateur de bureau
Serpent-128 réduit à 6 rounds sur 32	Nouvelle attaque complète de récupération de clé
Salsa20, Poseidon, SHA-1	Gains inférieurs à 10 fois sur les meilleures attaques connues

🔗 Recherche complète — Anthropic

Google DeepMind lance Gemini Robotics ER 2

30 juillet — Google DeepMind lance Gemini Robotics ER 2 (Embodied Reasoning, raisonnement incarné), son modèle le plus capable pour doter les robots d’un cerveau de haut niveau. Il comprend le monde physique, converse avec les humains, planifie des tâches multi-étapes, puis délègue l’exécution motrice à un modèle vision-langage-action de niveau inférieur ; il peut aussi appeler nativement des outils comme Google Search ou des fonctions définies par le développeur.

Par rapport à la version précédente (ER 1.6), l’avancée principale porte sur la compréhension vidéo continue : en observant un flux vidéo en direct, un robot peut suivre sa propre progression, s’adapter en cas d’erreur et savoir précisément quand passer à l’étape suivante. Google introduit aussi la collaboration multi-robots : des machines différentes (un robot à roues et un humanoïde, par exemple) communiquent via une compréhension sémantique partagée pour se répartir des tâches complexes — démontré avec les robots Apollo 2 d’Apptronik et Franka F3 Duo, qui rangent un garage à deux.

Côté performances, le modèle atteint 57,4 % de précision en classification de progression de tâche et 91,3 % en détection du bon moment pour agir (écart moyen de 0,96 seconde), avec une vitesse d’exécution 4 fois supérieure à des modèles plus volumineux à précision comparable. Sur la sécurité, Google indique qu’il s’agit de son modèle le plus sûr à ce jour : il stoppe correctement un robot humanoïde lorsqu’une personne s’approche, et ne reprend son activité qu’une fois la zone dégagée.

Le modèle est disponible dès aujourd’hui pour les développeurs via l’API Gemini et Google AI Studio, avec un accès anticipé restreint sur la plateforme Gemini Enterprise Agent. Une démonstration avec un robot Spot de Boston Dynamics, allant chercher un snack sur commande vocale, est également documentée, code à l’appui sur GitHub.

Indicateur de performance	Résultat mesuré
Classification de progression de tâche	57,4 % de précision
Détection du bon moment pour agir	91,3 % de précision, écart moyen de 0,96 seconde
Vitesse d’exécution vs modèles plus larges	4 fois plus rapide

🔗 Annonce officielle — Google DeepMind

Cursor : les agents cloud terminent 56 % des pull requests mergées

30 juillet — Cursor partage un chiffre interne marquant sur l’adoption de ses agents cloud : en décembre, 1 seule pull request mergée sur 10 provenait d’un agent cloud ; ce chiffre atteint aujourd’hui 56 %. L’entreprise attribue cette progression au fait de donner aux agents leur propre machine cloud, avec la capacité de corriger et améliorer eux-mêmes leur environnement d’exécution — ce qui leur permet de mener des tâches d’ingénierie plus longues de bout en bout.

In December, 1 in 10 of our merged PRs came from cloud agents. Today, it’s 56%, as we use cloud agents to complete longer engineering tasks from start to finish. We got here by giving agents their own cloud computers and letting them fix and improve their environments.

🇫🇷 En décembre, 1 PR mergée sur 10 provenait d’agents cloud. Aujourd’hui, c’est 56 %, grâce à l’utilisation d’agents cloud pour mener à bien des tâches d’ingénierie plus longues, de bout en bout. Nous en sommes arrivés là en donnant aux agents leur propre ordinateur cloud et en les laissant corriger et améliorer leurs environnements. — @cursor_ai sur X

Les pull requests empilées passent en préversion chez GitHub, Devin les adopte le jour même

30 juillet — Deux annonces distinctes, le même jour, autour d’un seul workflow : découper un changement volumineux en une série de pull requests plus petites et indépendamment révisables.

GitHub généralise les stacked pull requests

GitHub fait passer les stacked pull requests en préversion publique sur tous les dépôts. Plutôt qu’une pull request géante ou plusieurs branches à rebaser à la main, le changement se découpe en couches ordonnées, chacune révisable via une « stack map » qui situe la couche en cours d’examen dans l’ensemble, puis fusionnables en une seule opération. Fusionner la couche la plus haute fait atterrir automatiquement tout ce qui est en dessous ; fusionner une couche intermédiaire rebase et retargue automatiquement les couches restées ouvertes, sans perdre les protections de branche existantes. La fonctionnalité est accessible via github.com, la CLI (extension gh-stack), l’application mobile, et directement depuis un agent de codage comme GitHub Copilot grâce à la compétence dédiée gh-stack.

🔗 Stacked pull requests — GitHub

Devin (Cognition) les prend en charge nativement

Le même jour, Devin, l’agent d’ingénierie logicielle de Cognition, annonce le support natif des stacked PRs de GitHub : décomposer les gros changements en diffs plus petits, traiter et corriger les commentaires de revue à travers toute la pile, et rebaser automatiquement les changements en aval quand une couche évolue. L’adoption simultanée, côté plateforme et côté agent, montre que ce nouveau modèle de revue s’installe directement dans les workflows pilotés par des agents autonomes, et pas seulement pour des développeurs humains.

🔗 Devin — annonce Cognition

Amp Labs signe un partenariat avec la banque Westpac

29 juillet — Amp Labs, la division services/conseil d’Amp (le spin-off indépendant de Sourcegraph), annonce un partenariat avec Westpac, l’une des plus anciennes banques australiennes — une entreprise vieille de plus de deux siècles. L’objectif : transformer la manière dont la banque construit et livre sa technologie, notamment la migration et la modernisation de systèmes de données utilisés par des millions de personnes. Une équipe dédiée va travailler sur site à Sydney, aux côtés des ingénieurs de Westpac. L’article présente l’équipe fondatrice du projet — venue de Block, Ethereum Foundation, Google et Canva — et ouvre un recrutement local à Sydney. Ce partenariat illustre la montée en puissance des offres de service autour des agents de codage, au-delà du simple abonnement logiciel : Amp Labs vend désormais une présence humaine sur site, adossée à son agent.

🔗 Annonce — Amp Labs x Westpac

Baisse des prix API de GPT-5.6, mode Fast pour Sol

30 juillet — En s’appuyant sur les gains d’efficacité obtenus la veille (GPT-5.6 Sol a optimisé lui-même ses noyaux de production, déjà couvert), OpenAI baisse les prix API de GPT-5.6 Luna, son modèle le plus rapide et le moins cher, de 80 %, et de GPT-5.6 Terra, son modèle équilibré pour un usage courant, de 20 %. Ces baisses se reflètent aussi dans la consommation de crédits des abonnements Codex et ChatGPT Work, sans changement des quotas ni des prix d’abonnement.

OpenAI introduit également un mode Fast dans l’API, qui remplace l’offre Priority Processing : pour GPT-5.6 Sol, il offre jusqu’à 2,5 fois la vitesse du traitement standard, au double du prix, sans changement d’intelligence. Les requêtes existantes taguées « priority » basculent automatiquement vers ce nouveau mode. Plusieurs clients entreprise sont cités en témoignage, dont Replit, Notion, Ramp, Blitzy, Cognition et Dust.

Modèle et mode	Tarification à partir du 30 juillet
GPT-5.6 Terra (entrée / sortie)	2 dollars et 12 dollars par million de tokens
GPT-5.6 Luna (entrée / sortie)	0,20 dollar et 1,20 dollar par million de tokens
GPT-5.6 Sol, mode Fast	Jusqu’à 2,5 fois plus rapide, au double du prix

GPT‑5.6 Luna is the closest we’ve come to intelligence too cheap to meter. I’ve never seen a model this affordable be this powerful — it’s unlocking use cases for Replit we didn’t expect to build for a long time.

🇫🇷 GPT-5.6 Luna est ce qui se rapproche le plus d’une intelligence trop bon marché pour être mesurée. Je n’ai jamais vu un modèle aussi abordable être aussi puissant — cela débloque pour Replit des cas d’usage que nous ne pensions pas pouvoir construire avant longtemps. — Michele Catasta, Président et Head of AI, Replit — cité par OpenAI

Deux réglages API triplent les scores de GPT-5.6 Sol sur ARC-AGI-3

29 juillet — OpenAI publie une analyse sur les scores initialement faibles de GPT-5.6 Sol (7,8 %) et GPT-5.5 (0,4 %) sur le benchmark de puzzles 2D ARC-AGI-3, alors que Sol a par ailleurs résolu des problèmes ouverts de mathématiques et battu des jeux vidéo complexes. L’enquête montre que le harnais officiel du benchmark supprime le raisonnement privé du modèle après chaque action et tronque son historique par une fenêtre glissante, ce qui l’empêche de se souvenir de ses réflexions et actions passées.

En reconstruisant le harnais avec la Responses API d’OpenAI (celle utilisée en production dans ChatGPT et Codex), en activant la conservation du raisonnement et la compaction plutôt que la troncature, le score de GPT-5.6 Sol sur l’ensemble public passe de 13,3 % à 38,3 %, avec 6 fois moins de tokens de sortie — pour une référence humaine estimée à 48 %. OpenAI en tire une recommandation générale : utiliser la Responses API plutôt que l’ancienne Chat Completions API pour obtenir des évaluations représentatives d’un usage réel.

Configuration testée	Score obtenu (ARC-AGI-3)
Harnais officiel du benchmark	13,3 %
Raisonnement conservé et compaction	38,3 % (6 fois moins de tokens de sortie)
Référence humaine estimée	48 %

🔗 Analyse complète — OpenAI

GitHub Copilot dans Visual Studio : bilan de juillet

30 juillet — GitHub publie son point mensuel sur GitHub Copilot dans Visual Studio 2026, avec quatre nouveautés. Un nouvel Agent (Preview) apparaît dans le sélecteur de Copilot Chat, construit sur le même Copilot SDK qui alimente GitHub Copilot CLI — promesse de réponses plus courtes et de tâches réussies avec moins d’allers-retours. Des compétences intégrées .NET et Azure, rédigées par les équipes internes correspondantes, apparaissent automatiquement dans la catégorie « Built-in » du sélecteur d’outils dès que les charges de travail concernées sont installées (désactivées par défaut). Une fonction Review Selection permet de sélectionner du code, clic droit, puis d’obtenir des commentaires inline exploitables. Enfin, des instructions personnalisées au niveau organisation permettent aux propriétaires d’organisation de définir des préférences partagées appliquées automatiquement à tous les dépôts — réservées aux plans Business et Enterprise, les trois autres nouveautés étant disponibles sur tous les plans.

🔗 Bilan de juillet — GitHub Copilot dans Visual Studio

Genspark présente SecondBrain, mémoire persistante pour AI Workspace 6.0

29 juillet — Genspark met en avant, via une intervention médiatique de sa COO Wen Sang, une fonctionnalité baptisée SecondBrain au sein d’AI Workspace 6.0 (déjà lancé le 20 juillet). L’angle choisi : le « problème de mémoire » des agents IA, qui oublient le contexte d’un projet d’une session à l’autre. Avec l’autorisation explicite de l’utilisateur, SecondBrain se connecte aux emails, au calendrier, à l’historique de discussion, aux notes de réunion et à des outils externes (Gmail, Slack, Notion, HubSpot, Microsoft 365…) pour constituer une couche de contexte personnel exploitable par le Super Agent de Genspark. Plusieurs usages concrets sont documentés : résumé hebdomadaire automatique, brief avant réunion avec le contexte des participants, ou recherche transverse dans toutes les sources connectées. Genspark distingue ce logiciel du produit SecondBrain Note, un boîtier d’enregistrement physique vendu séparément, qui n’est qu’un canal d’entrée optionnel parmi d’autres.

🔗 SecondBrain — annonce Genspark

Perplexity lance Projects, évolution de Spaces dans Computer

30 juillet — Perplexity remplace les « Spaces » par Projects dans Computer, son environnement d’orchestration d’agents : des espaces de travail persistants pour du travail long cours, avec système de fichiers partagé et hiérarchique sur lequel les tâches successives peuvent s’appuyer sans repartir de zéro. Les Projects se connectent à Brain, le système de mémoire auto-améliorante de Computer, qui relit entre les tâches les fichiers et sessions du Project pour que chaque nouvelle tâche démarre avec le contexte accumulé. L’aspect collaboratif est mis en avant : plusieurs membres d’une équipe peuvent travailler sur un même Project tout en gardant leur mémoire personnelle et leurs connecteurs cloisonnés à leur propre compte. Perplexity revendique une connexion possible à plus de 400 outils (Google Drive, Notion, Linear, Snowflake, GitHub), ainsi qu’une intégration Slack et Microsoft Teams. Les Spaces existants migrent automatiquement ; disponible dès aujourd’hui pour tous les utilisateurs de Computer.

🔗 Spaces devient Projects — Perplexity

Gemini Spark intègre Chrome et s’étend à 160+ pays

30 juillet — Google étend Gemini Spark, son assistant d’automatisation de tâches web, avec une intégration directe à Chrome baptisée Chrome auto browse. Avec l’autorisation de l’utilisateur, Spark peut désormais s’appuyer sur les comptes connectés et les mots de passe enregistrés du navigateur pour accomplir des démarches fastidieuses — planifier des visites d’appartements sauvegardés, ou rechercher des vols et entamer une réservation. Google précise que ces actions sont protégées contre les tentatives d’injection de prompt, et que les étapes sensibles comme les paiements sont systématiquement renvoyées à l’utilisateur pour validation. La fonctionnalité démarre aux États-Unis, avec une extension prévue à d’autres régions. En parallèle, l’accès à Spark s’élargit aux abonnés Google AI Pro dans plus de 160 pays supplémentaires à compter d’aujourd’hui — une extension bien plus large que celle du 23 juillet, limitée aux États-Unis.

🔗 Mises à jour Gemini Spark — Google

Nano Banana débarque dans Google Earth

30 juillet — Google Earth intègre désormais Nano Banana 2, le modèle de génération d’images de Google, directement dans son interface web. Il suffit de zoomer sur un lieu, de cliquer sur « create image » et de décrire ce que l’on souhaite visualiser : le modèle génère une image ancrée dans l’imagerie réelle du lieu (vues satellite, aérienne et 3D), et non une scène générique. L’article détaille cinq usages concrets : reconstituer un site historique (les ruines de Pompéi telles qu’elles étaient en 78 après J.-C.), créer des infographies pédagogiques sur un lieu, produire des plans de projets immobiliers ou d’urbanisme, visualiser un projet de construction avant les travaux, ou simplement réimaginer un lieu de façon fantaisiste. La fonctionnalité est disponible dès aujourd’hui, globalement, pour tous les utilisateurs de Google Earth sur le web, sans restriction géographique ni palier d’abonnement particulier.

🔗 Nano Banana dans Google Earth — Google

ElevenLabs lance Character Casting dans ElevenCreative Audiobooks

30 juillet — ElevenLabs lance Character Casting au sein d’ElevenCreative Audiobooks, sa suite de production de livres audio par IA. La fonctionnalité permet d’importer un manuscrit complet, puis de prévisualiser différentes voix directement sur des dialogues réels du texte, afin d’attribuer une voix distincte à chaque personnage. L’objectif est de simplifier le casting vocal, une étape jusqu’ici manuelle et chronophage dans la production de livres audio générés par IA — le studio calant désormais la voix sur des répliques effectivement prononcées dans le livre plutôt que sur un texte de démonstration générique.

🔗 Character Casting — ElevenLabs

Inkling-Small : Thinking Machines publie, NVIDIA suit le jour même

30 juillet — Thinking Machines (le laboratoire de Mira Murati) lance Inkling-Small, une version compressée d’Inkling : 276 milliards de paramètres au total, 12 milliards actifs, quantification NVFP4, pour des performances comparables à Inkling — quatre fois plus gros — avec de meilleurs résultats en code selon Hugging Face. Les poids complets sont publiés en accès libre, avec fine-tuning possible via Tinker et essai dans le Tinker Playground (texte, image, audio). Hugging Face amplifie le lancement le jour même avec un blog dédié aux benchmarks et performances, et une collection de modèles sur le Hub.

NVIDIA enrichit la sortie le même jour en annonçant la compatibilité d’Inkling-Small avec NVIDIA NeMo sur DGX Station, pour le fine-tuning, ainsi qu’un checkpoint dédié au format NVFP4 publié directement sur Hugging Face. Ce support matériel disponible dès le lancement (day-0) illustre la vitesse à laquelle l’écosystème se coordonne désormais autour d’un modèle ouvert tiers : le laboratoire publie les poids, Hugging Face documente les performances, et NVIDIA garantit la compatibilité de son infrastructure de fine-tuning — le tout en une seule journée.

Caractéristique technique	Valeur mesurée
Paramètres totaux / actifs	276 milliards / 12 milliards
Quantification	NVFP4
Compatibilité matérielle day-0	NVIDIA NeMo sur DGX Station

🔗 Lancement — Thinking Machines sur X

🔗 Support NeMo/DGX — NVIDIA sur X

Sakana AI et NYU publient Dream-Cubed, dataset et modèles pour Minecraft

29 juillet — Sakana AI publie, avec l’université de New York (NYU), Dream-Cubed : Controllable Generative Modeling in Minecraft by Training on Billions of Cubes. La contribution est double : un vaste jeu de données de mondes Minecraft (dizaines de milliards de « cubes » issus de terrains procéduraux et de cartes construites par des humains avec leur consentement), et une famille de transformers entraînés sur ces cubes comme unité de tokenisation, à l’image des mots en modélisation du langage. Les modèles permettent de générer et d’éditer en direct des environnements 3D interactifs à résolution du cube, avec inpainting ciblé, outpainting à grande échelle et génération conditionnée par l’utilisateur, sur des mondes de taille arbitraire. Le jeu de données, le code d’entraînement et l’article sont publiés en accès libre.

🔗 Annonce — Sakana AI sur X

Together AI et Y Combinator lancent un cluster GPU dédié pour les startups YC

30 juillet — Together AI et Y Combinator annoncent un partenariat livrant le premier cluster GPU dédié au portefeuille de startups YC. L’objectif : lever le principal goulot d’étranglement des jeunes startups IA — l’accès au calcul — sans les forcer à sécuriser des contrats de compute sur plusieurs années qui dépassent souvent leur trésorerie totale. Les startups du portefeuille YC peuvent réserver, provisionner et gérer elles-mêmes leurs GPU via le portail self-service de Together AI, pour des besoins ponctuels d’inférence et d’entraînement, sans engagement long terme, tout en bénéficiant des tarifs habituellement réservés aux contrats de long terme. Le même jour, Together AI met en avant un premier usage concret : la startup Osmosis_AI, qui explore si un modèle open source peut atteindre le niveau d’un modèle de fondation grâce à l’apprentissage par renforcement, entraînée sur ce cluster.

🔗 Cluster GPU dédié YC — Together AI

LightOn publie mDenseOn & mLateOn sur le blog Hugging Face

30 juillet — Le laboratoire français LightOn AI publie, sur le blog Hugging Face, la collection mDenseOn & mLateOn : des modèles de recherche d’information (retrieval) à vecteur unique et multi-vecteurs, ainsi que les datasets associés, spécialisés dans la recherche multilingue, le contexte long et la recherche de code — 18 éléments au total, publiés en poids ouverts. Cette parution suit le même schéma que la publication de LiquidAI (LFM2.5-Encoders) le 28 juillet : un laboratoire tiers utilise le blog Hugging Face comme canal officiel de lancement, avec la fiche modèle et la collection hébergées directement sur le Hub.

🔗 mDenseOn & mLateOn — blog Hugging Face

Brèves

Cognition met à jour FrontierCode 1.1 — avec les nouvelles remises tarifaires de GPT-5.6 Terra et Luna (voir plus haut), la série se positionne désormais sur la courbe de Pareto coût/performance. 🔗 source
Hugging Face lance Trackio Logbooks — la version 0.34.0 de Trackio capture automatiquement le code, les traces d’agents et les artefacts d’une expérience IA sous forme de bundle HTML statique reproductible. 🔗 source
Antigravity CLI passe en version 1.1.8 — formats de sortie structurée (json, stream-json) pour le mode print, validation par schéma JSON personnalisé et permissions améliorées pour les commandes composées. 🔗 source
GitHub Models est officiellement retiré — playground, catalogue de modèles, API d’inférence et BYOK ne sont plus accessibles à aucun client ; GitHub redirige vers Microsoft Foundry ou GitHub Copilot. 🔗 source
GitHub restreint le contrôle à distance aux appareils gérés — nouveau paramètre entreprise remoteControl (requireSSO / disabled / enabled) pour les sessions Copilot en contrôle à distance, déployable via dépôt privé, MDM ou fichier de configuration. 🔗 source
Kimi K3 (Max) prend la tête du classement Fullstack Code Arena — devant GPT-5.6 Sol (xHigh) et Claude Fable 5, un signe de plus que les modèles ouverts rattrapent les modèles fermés sur des tâches de développement complet (voir Inkling-Small plus haut). 🔗 source

Ce que ça signifie

La recherche fondamentale sort du laboratoire. Claude Mythos trouve des failles inédites dans un candidat post-quantique du NIST et dans une version affaiblie d’AES — une percée de recherche, pas une faille exploitable en production, mais qui illustre la vitesse à laquelle un modèle de recherche interne peut avancer un domaine que des humains étudient depuis des décennies. Le même jour, Gemini Robotics ER 2 fait passer la robotique incarnée d’un seul robot obéissant à des instructions à plusieurs machines qui se coordonnent entre elles pour une tâche partagée. Google Earth ancre à son tour la génération d’images dans le monde réel : Nano Banana ne dessine plus une scène générique, mais une reconstitution ou une projection à partir de l’imagerie satellite d’un lieu précis — tandis que Gemini Spark, via Chrome, passe du texte à l’action concrète sur le web réel de l’utilisateur. Quatre façons distinctes, ce 30 juillet, de faire quitter à l’IA le terrain purement conversationnel.

L’économie de l’inférence continue de se retourner en faveur des développeurs. OpenAI baisse les prix API de GPT-5.6 Luna de 80 % et de Terra de 20 %, tout en introduisant un mode Fast deux fois plus cher mais 2,5 fois plus rapide — deux façons opposées de faire correspondre le prix à l’usage réel. Le même jour, une analyse d’OpenAI montre qu’un simple changement de configuration de l’API (raisonnement conservé, compaction) triple le score de GPT-5.6 Sol sur ARC-AGI-3 tout en divisant par six sa consommation de tokens de sortie — la performance d’un modèle dépend autant du harnais qui l’exécute que du modèle lui-même. Cognition en tire une conséquence immédiate en mettant à jour son propre benchmark FrontierCode : avec les nouvelles remises, GPT-5.6 se retrouve sur la courbe de Pareto coût/performance.

Les modèles ouverts continuent de rattraper les modèles fermés. Thinking Machines publie Inkling-Small avec un support matériel NVIDIA disponible dès le lancement ; Sakana AI et NYU ouvrent un dataset et des modèles génératifs pour Minecraft ; LightOn publie sa collection de modèles de recherche d’information multilingue — trois laboratoires distincts choisissant le même canal, le blog Hugging Face, pour lancer et documenter leurs travaux le même jour. Kimi K3 (Max), déjà en tête du classement Agent Arena, prend aussi la première place du classement Fullstack Code Arena, devant GPT-5.6 Sol et Claude Fable 5. Et Together AI, avec Y Combinator, s’attaque à ce qui reste le vrai goulot d’étranglement de cet écosystème : l’accès au calcul, en livrant un cluster GPU dédié aux startups IA du portefeuille YC sans les contraindre à des engagements pluriannuels.

L’industrialisation des agents de code s’accélère. Chez Cursor, la part des pull requests mergées provenant d’agents cloud est passée de 10 % en décembre à 56 % aujourd’hui. GitHub généralise en préversion publique les pull requests empilées, et Devin (Cognition) les prend en charge nativement le jour même — un même workflow de revue adopté simultanément côté plateforme et côté agent. Amp Labs, de son côté, vend désormais une présence humaine sur le terrain (une équipe sur site à Sydney pour Westpac) en plus de son agent, tandis que GitHub étoffe Copilot dans Visual Studio d’un nouvel agent basé sur son SDK. Genspark et Perplexity avancent sur un problème connexe, celui de la mémoire : SecondBrain et Projects donnent tous deux à leurs agents un contexte persistant entre les sessions, condition pour mener des tâches longues sans repartir de zéro à chaque fois.