Claude Sonnet 5 disponible sur tous les plans, Claude Science en bêta, Amp lance les Orbs

Le 30 juin 2026 marque une journée dense pour l’écosystème IA : Anthropic lance simultanément Claude Sonnet 5 — son modèle Sonnet le plus agentique, désormais par défaut sur les plans Free et Pro avec une fenêtre native de 1 million de tokens — et Claude Science, un environnement de travail spécialisé pour les chercheurs scientifiques intégrant le BioNeMo Agent Toolkit de NVIDIA. Côté outillage de développement, Amp déploie les Orbs, des machines cloud dédiées à l’exécution d’agents non supervisés, tandis que Google met à disposition des développeurs Nano Banana 2 Lite et Gemini Omni Flash. OpenAI publie de son côté GeneBench-Pro, un benchmark de niveau recherche en biologie computationnelle.

Claude Sonnet 5 — modèle par défaut Free et Pro, contexte 1 million de tokens

30 juin — Anthropic lance Claude Sonnet 5, son nouveau modèle de la famille Sonnet conçu comme le plus agentique à ce jour. Sonnet 5 réduit l’écart avec Opus 4.8 sur les benchmarks agentiques (BrowseComp, OSWorld-Verified) tout en conservant des tarifs inférieurs, et devient le modèle par défaut pour les plans Free et Pro dès le jour du lancement.

Caractéristique	Valeur
Identifiant API	`claude-sonnet-5`
Fenêtre de contexte	1 million de tokens (native)
Prix input (promo)	$2 par million de tokens
Prix output (promo)	$10 par million de tokens
Plans par défaut	Free, Pro
Disponibilité	API, tous plans Claude

Parmi les capacités mises en avant : planification autonome, utilisation d’outils sur plusieurs étapes, exécution de tâches complexes sur du code hérité (brownfield code), et meilleure adhérence aux conventions de code. Sur le plan de la sécurité, Sonnet 5 présente un taux de comportements indésirables globalement inférieur à Sonnet 4.6, mais affiche des capacités légèrement accrues sur certaines tâches de cybersécurité sans entraînement spécifique ; il est donc lancé avec des protections en temps réel via le Cyber Verification Program. Le System Card complet est disponible sur anthropic.com.

Disponibilité élargie : Sonnet 5 est également disponible en disponibilité générale dans GitHub Copilot (plans Pro, Pro+, Max, Business et Enterprise, avec zéro rétention des données pour Business et Enterprise, sélectionnable dans VS Code, JetBrains, Xcode, CLI, github.com, iOS et Android) et dans Microsoft Foundry sur GPU NVIDIA GB300 NVL72.

🔗 Annonce Anthropic — Claude Sonnet 5

Claude Code v2.1.197 — Sonnet 5 comme modèle par défaut

30 juin — La version 2.1.197 de Claude Code accompagne le lancement de Sonnet 5 en en faisant le modèle par défaut dans l’outil CLI. La fenêtre de contexte native de 1 million de tokens est directement accessible dans les sessions Claude Code. La tarification promotionnelle de $2/$10 par million de tokens est valable jusqu’au 31 août 2026. Une mise à jour vers la version 2.1.197 est requise pour bénéficier de ce modèle par défaut.

🔗 Release v2.1.197 — Claude Code

Claude Science — workbench scientifique en bêta avec NVIDIA BioNeMo

30 juin — Anthropic annonce la disponibilité en bêta de Claude Science, un environnement de travail IA spécialement conçu pour les chercheurs scientifiques. L’application réunit dans un seul espace les outils habituellement fragmentés : bases de données spécialisées, Jupyter, R, terminaux de cluster HPC, exécution GPU à la demande.

Fonctionnalité	Description
Agent coordinateur	+60 skills et connecteurs préconfigurés (génomique, cellule unique, protéomique, biologie structurale, chémoinformatique)
Artefacts reproductibles	Figures et manuscrits avec code exact, environnement et historique complet
Gestion du calcul	Laptop, cluster HPC via SSH, ou GPU à la demande (Modal) — de 1 à des centaines de GPU
Agent relecteur	Vérifie les citations, valide les calculs, corrige les erreurs en temps réel
Fork de session	Compare deux approches sans perdre le fil original
Rendu scientifique natif	Structures 3D de protéines, tracks génomiques, structures chimiques

Disponibilité : bêta ouverte pour les plans Pro, Max, Team et Enterprise sur macOS et Linux (https://claude.com/science). Un plan Team à tarif réduit est prévu pour les labs académiques et organisations à but non lucratif.

Intégration NVIDIA BioNeMo Agent Toolkit : Claude Science est le premier environnement à intégrer le BioNeMo Agent Toolkit en production, permettant aux chercheurs d’accéder aux outils accélérés GPU d’NVIDIA via le langage naturel :

Outil BioNeMo	Performance
NVIDIA Parabricks	Analyse génomique : heures → minutes
RAPIDS-singlecell	1,3 million de cellules prétraitées en 25 secondes (contre 52 min sans GPU)
nvMolKit	Chémoinformatique 3 000× plus rapide (similarité, conformères)
BioNeMo open models	Evo 2, Boltz-2, OpenFold3
BioNeMo NIM	Microservices d’inférence prêts pour la production

Retours en bêta : l’Allen Institute (Jérôme Lecoq) rédige des revues scientifiques de plus de 100 pages avec des agents acteur-critique, réduisant le délai de 2 ans à quelques semaines. L’UCSF Brain Tumor Center (Stephen Francis) confirme une accélération ×10 sur des analyses épidémiologiques de gliomes.

Programme de grants IA for Science : jusqu’à 50 projets sélectionnés recevront chacun jusqu’à $30 000 de crédits Claude, plus jusqu’à $2 000 de compute Modal pour certains projets. Candidatures jusqu’au 15 juillet 2026, notification des lauréats avant le 31 juillet.

🔗 Annonce Anthropic — Claude Science

Amp : Agents in Orbs — machines cloud pour l’exécution d’agents non supervisés

30 juin — Amp lance les Orbs, des machines cloud dédiées conçues pour exécuter des agents de coding sans supervision, y compris lorsque la machine locale est éteinte.

Caractéristique	Valeur
RAM	32 Go par orb
CPU	16 cœurs par orb
Tarification	$1,66/h facturé à la minute
Démarrage	Rapide avec mise en veille automatique

Un orb se lance en une commande depuis le terminal ou le TUI Amp : amp -ox "<prompt>". Le contrôle reste identique à une exécution locale : revue de code, navigation de fichiers, terminal intégré. Les modifications sont synchronisées vers la machine locale avec amp sync <thread-id>. Il est possible de faire tourner plusieurs agents en parallèle sans conflit de ressources locales, et d’accéder à l’état de chaque agent depuis le web, le CLI ou le mobile.

Le modèle de facturation à la minute — avec mise en veille automatique entre les opérations actives — est conçu pour minimiser les coûts lorsque l’agent attend des entrées ou effectue des opérations d’entrée/sortie. Cette proposition positionne Amp dans le même territoire que Claude Code Remote d’Anthropic, avec une différence notable : une machine dédiée entière par agent (32 Go, 16 cœurs) plutôt qu’un conteneur partagé.

Du point de vue du workflow, les Orbs permettent de lancer un agent en arrière-plan en fin de journée et de retrouver des pull requests prêtes à relire le lendemain matin, depuis n’importe quel appareil.

🔗 Annonce Amp — Agents in Orbs

Nano Banana 2 Lite et Gemini Omni Flash disponibles en API

30 juin — Google DeepMind lance simultanément deux nouveaux modèles pour les développeurs : Nano Banana 2 Lite pour la génération d’images haute vélocité et Gemini Omni Flash pour la vidéo conversationnelle.

Nano Banana 2 Lite (gemini-3.1-flash-lite-image)

Dimension	Valeur
Latence	4 secondes par image
Coût	$0,034 pour 1 000 images
Disponibilité	Gemini API, Google AI Studio, Gemini Enterprise Agent Platform

Remplacement recommandé du modèle legacy gemini-2.5-flash-image : meilleure qualité, vitesse supérieure, coût inférieur. Le modèle maintient la fidélité aux prompts, la cohérence de personnages et le rendu de texte dans l’image malgré la priorité accordée à la vitesse. Il est aussi déployé dans les surfaces grand public : AI Mode dans Search, app Gemini, NotebookLM, Google Photos, Google Flow et Google Ads.

Gemini Omni Flash (gemini-omni-flash-preview)

Dimension	Valeur
Coût	$0,10 par seconde de vidéo
Durée maximale	10 secondes (durées plus longues annoncées)
Disponibilité	Gemini API, Google AI Studio, Gemini Enterprise Agent Platform

Le modèle cible l’édition vidéo conversationnelle via langage naturel, avec référencement multimodal (images + texte + vidéo en entrée), synchronisation texte/graphiques et watermarking SynthID intégré. Limitations actuelles : durée limitée à 10 secondes, références audio et extension de scène non supportées via l’API, cohérence des personnages entre changements de scènes encore perfectible.

Chaînage image → vidéo : l’Interactions API gère l’historique de session pour des éditions séquentielles jusqu’à 3 consécutives, permettant de générer rapidement une image avec Nano Banana 2 Lite puis de l’animer avec Gemini Omni Flash. Google démontre ce chaînage dans trois applications : Anywhere (transport dans des lieux iconiques), Space Lift (design d’intérieur) et Omni Product Studio (e-commerce image→vidéo).

🔗 Annonce Google DeepMind — Nano Banana 2 Lite et Gemini Omni Flash

GeneBench-Pro — un benchmark de biologie computationnelle au niveau recherche

30 juin — OpenAI publie GeneBench-Pro, un benchmark de niveau recherche mesurant la capacité des agents IA à raisonner en biologie computationnelle. Le concept central est le research taste — l’enchaînement de jugements qui oriente une analyse : quelles questions les données permettent d’explorer, quand un plan initial doit être révisé, comment les diagnostics précoces doivent modifier l’approche.

Couverture : 129 questions réparties en 10 domaines — génétique statistique, génomique des populations, génétique quantitative, génomique réglementaire, génomique fonctionnelle, protéomique, génomique clinique, génomique du cancer, génomique microbienne et génétique légale.

Résultats :

Modèle	Score (niveau de raisonnement max)	Score (mode Pro)
GPT-5.6 Sol	28,7 %	31,5 %
GPT-5 (baseline à la construction)	< 5 %	—

GPT-5.6 Sol résout près de 6 fois plus de questions que GPT-5.2 tout en utilisant approximativement deux tiers des tokens. À ce rythme de progression, le benchmark pourrait être saturé d’ici fin 2026. Un expert humain estimerait qu’un problème GeneBench-Pro prend 20 à 40 heures de travail, soit des milliers de dollars ; l’inférence IA coûte quelques dollars par problème.

Méthode : les problèmes sont construits synthétiquement (structure causale connue, données simulées) pour éviter les biais d’évaluation (ground-truth leakage). Open source : 10 questions représentatives sont publiées sur Hugging Face ; un sous-ensemble de 50 questions sera fourni à Artificial Analysis pour un benchmark tiers indépendant.

🔗 Annonce OpenAI — GeneBench-Pro

Together AI à ICML 2026 : 8 papiers de recherche ouverte

30 juin — Together AI publie le récapitulatif de ses 8 papiers acceptés à ICML 2026 (Seoul, 6–11 juillet). La recherche couvre l’ensemble de la pile (full stack) : agents, entraînement, optimisation algorithmique, systèmes et kernels GPU.

Papier	Couche	Résultat clé
ThunderAgent	Agents	Jusqu’à 3,6× de throughput agent
TTT-Discover	Agents	Bat les meilleurs humains (modèle open 120B, ~$500)
Aurora	Algorithmes	1,25× speedup additionnel en production (MiniMax M2.1 229B)
Untied Ulysses	Systèmes	5M tokens sur un seul nœud 8×H100 (−87,5 % mémoire d’attention)
OEA	Systèmes	Jusqu’à 39 % plus rapide en décodage MoE

TTT-Discover applique du RL à test-time : chaque tentative devient de la donnée d’entraînement pour la suivante, et bat le best-of-N sur 4 domaines (mathématiques, kernels GPU, algorithmique compétitif, biologie cellulaire) avec un modèle ouvert 120B pour ~$500 de simulation. Untied Ulysses atteint 5M tokens sur un seul nœud 8×H100 (−87,5 % mémoire d’attention). Codes et kernels publiés en open source.

🔗 Blog Together AI — ICML 2026

ADK Go 2.0 — moteur de workflow multi-agents avec human-in-the-loop

30 juin — Google publie la version 2.0 du Agent Development Kit (ADK) pour Go, framework officiel pour construire des agents Gemini. Cette version introduit un moteur de workflow basé sur les graphes comme primitive de premier ordre.

Nouveautés principales : composition d’agents complexes avec des primitives de graphes en Go natif (sans DSL séparé), human-in-the-loop (HITL) intégré pour les scénarios nécessitant une validation humaine, orchestration dynamique avec résilience automatisée (backoff exponentiel, gestion des erreurs, retry), et un runtime unifié partagé entre agents simples et graphes complexes pour simplifier la télémétrie et la persistance d’état. ADK pour Go complète le SDK Python existant en apportant les performances et la sécurité de typage du langage à la composition d’agents multi-étapes.

🔗 Google Developers Blog — ADK Go 2.0

Copilot Agent dans JetBrains AI Assistant

30 juin — JetBrains et GitHub annoncent l’intégration de GitHub Copilot comme agent de premier ordre dans le sélecteur d’agents (agent picker) de JetBrains AI Assistant, en complément du plugin Copilot existant.

L’intégration repose sur le protocole ACP (Agent Communication Protocol) et permet : le choix du modèle Copilot directement dans l’interface, le réglage de la profondeur de raisonnement, et des tâches de programmation complexes multi-étapes où Copilot raisonne dans le projet, propose des changements, exécute des commandes et itère. Prochaines étapes annoncées : support NES (Next Edit Suggestions), invocation de skills réutilisables pour les workflows courants, et orchestration plus profonde entre outils dans l’IDE.

🔗 GitHub Changelog — Copilot Agent dans JetBrains

Budgets IA par utilisateur pour les cost centers Enterprise Copilot

30 juin — Les administrateurs Enterprise peuvent désormais définir un budget IA par utilisateur sur un centre de coûts (cost center). Le budget s’applique automatiquement à tous les membres du centre de coûts, y compris les ajouts ultérieurs via les équipes Enterprise. Ordre de précédence : budget individuel > budget centre de coûts > budget universel. Le budget couvre à la fois l’usage du pool inclus et l’usage additionnel, et peut bloquer un utilisateur avant épuisement du pool. Disponible depuis le 30 juin via l’API REST uniquement ; l’interface de facturation suivra.

🔗 GitHub Changelog — Budgets IA par utilisateur

Claude sur NVIDIA GB300 Blackwell Ultra dans Azure — disponibilité générale

29-30 juin — Les modèles Claude d’Anthropic sont désormais généralement disponibles dans Microsoft Foundry, hébergés sur Azure et accélérés par les GPU NVIDIA GB300 Blackwell Ultra (systèmes NVL72 avec réseau Quantum-X800 InfiniBand).

L’intégration inclut le NVIDIA Secure Agent Workspace Reference Design, qui couvre la gouvernance d’identité, le réseau, les credentials et la politique d’exécution au niveau infrastructure — un cadre conçu pour les entreprises soumises à des exigences de conformité strictes. Les agents Claude peuvent accéder à des skills vérifiés NVIDIA pour des capacités domaine-spécifiques. Cette disponibilité générale fait suite au partenariat tripartite Microsoft × NVIDIA × Anthropic annoncé en novembre 2025.

🔗 Blog NVIDIA — Claude sur GB300 Blackwell Ultra Azure

NVIDIA Omniverse + Metropolis : agents vision IA pour l’industrie

30 juin — NVIDIA publie trois workflows complets pour construire des agents vision IA capables de fonctionner à l’edge industriel, combinant Omniverse (simulation OpenUSD), Metropolis (déploiement vidéo IA) et Cosmos (modèles de fondation pour le monde physique).

1. Inspection visuelle (Roboflow + Corning) : le skill Defect Image Generation couplé à NVIDIA Cosmos génère des données synthétiques de défauts à partir d’images réelles. Résultat sur benchmark Corning : 95 % de précision moyenne avec seulement 8 images réelles, et rappel parfait sur la classe la plus difficile. Un projet qui prenait plusieurs trimestres se ramène à quelques jours.

2. Villes intelligentes (Linker Vision à Kaohsiung) : −85 % d’effort de développement, −80 % de temps de réponse aux incidents. La chaîne utilise Cosmos pour l’augmentation vidéo, TAO pour le fine-tuning et VSS pour la recherche, le résumé et les alertes.

3. Opérations industrielles chez Foxconn (lignes GB300) : via DeepHow — 99 % de précision sur la vérification des procédures standard, +3 % de rendement premier passage.

🔗 Blog NVIDIA — Omniverse + Metropolis Vision AI

Brèves

Claude Code v2.1.196 — modèles par défaut d’organisation — Les administrateurs peuvent définir le modèle par défaut depuis la console d’organisation ; les utilisateurs voient apparaître « Org default » (ou « Role default ») dans la commande /model s’ils n’ont pas sélectionné de modèle personnellement. 🔗 Release v2.1.196
Hugging Face — Every Eval Ever (EEE) intégré dans les Community Evals — HF rend interopérables ses Community Evals avec le schéma EEE (Every Eval Ever, EvalEval Coalition, février 2026) : les résultats d’évaluation apparaissent sur les pages modèles HF avec attribution vérifiée, et un outil community_evals_converter automatise la conversion HF → EEE avec revue humaine avant tout push. 🔗 Blog Hugging Face — EEE
OpenAI — bug vieux de 18 ans dans GNU libunwind corrigé — Post d’ingénierie de Nathan Bronson : une race condition d’une seule instruction dans _Ux86_64_setcontext de GNU libunwind (datant de la première implémentation x86_64) provoquait des crashs dans Rockset. Les trois conditions de déclenchement (fort taux d’exceptions, fort taux de signaux, handler de signal consommant beaucoup de pile) n’étaient réunies que chez OpenAI. Correction : migration vers libgcc et correctif upstreamé vers GNU libunwind. 🔗 OpenAI Engineering — Core dump epidemiology

Ce que ça signifie

La nouvelle génération de modèles et l’économie du contexte 1 million de tokens. Claude Sonnet 5 à $2/$10 par million de tokens avec une fenêtre native de 1 million de tokens repose le calcul économique des agents de longue durée : là où les prix d’entrée de gamme nécessitaient de tronquer le contexte, il est désormais possible d’inclure des bases de code entières ou des sessions de travail prolongées sans surcoût. La migration de Claude Code vers ce modèle par défaut dès le jour du lancement, et la disponibilité générale dans GitHub Copilot et Microsoft Foundry sur GB300, signalent une stratégie de distribution large et simultanée : Sonnet 5 n’est pas un modèle de laboratoire, c’est une infrastructure de production déployée d’emblée sur les principaux canaux enterprise.

L’IA comme infrastructure de la recherche scientifique. Claude Science, GeneBench-Pro, l’intégration BioNeMo et les 8 papiers ICML de Together AI convergent sur un même signal : l’IA commence à s’insérer dans le processus scientifique lui-même, pas seulement dans les outils périphériques. Claude Science orchestre des clusters HPC et génère des artefacts reproductibles avec historique complet. GeneBench-Pro mesure le research taste — la capacité à enchaîner des jugements sur des analyses de 20 à 40 heures — et y voit un facteur d’amélioration de 6× entre GPT-5 et GPT-5.6 Sol. TTT-Discover de Together AI va plus loin en montrant qu’un modèle ouvert de 120 milliards de paramètres, en apprenant à l’usage pour environ $500 de simulation, peut dépasser les meilleurs experts humains sur 4 domaines scientifiques. Ces mouvements simultanés tracent les contours d’une infrastructure scientifique pilotée par IA, avec des économies d’échelle qui rendent accessibles des analyses autrefois réservées aux grands laboratoires.

Les agents cloud comme standard d’exécution asynchrone. Amp Orbs et Copilot Agent dans JetBrains AI Assistant illustrent deux déclinaisons d’un même mouvement : sortir les agents du contexte d’une session synchrone. Amp propose des machines dédiées (32 Go, 16 cœurs, $1,66/h) pour les agents de coding non supervisés qui tournent pendant que le développeur dort. Copilot dans JetBrains s’insère dans le sélecteur d’agents de l’IDE natif pour des tâches multi-étapes pilotées par raisonnement. Dans les deux cas, l’agent devient un collaborateur asynchrone capable de prendre des décisions dans un environnement de travail réel, pas seulement un assistant interactif.

Les médias génératifs entrent dans l’économie des pipelines développeurs. Nano Banana 2 Lite à $0,034 pour 1 000 images et Gemini Omni Flash à $0,10/s de vidéo avec chaînage via l’Interactions API changent l’équation pour les applications d’e-commerce, de jeux et de divertissement : générer 10 000 images de produit coûte 34 centimes, et chaque image peut être animée pour 40 centimes. L’infrastructure NVIDIA GB300 et les workflows Omniverse + Metropolis complètent le tableau du côté industriel — vision IA à l’edge avec des résultats mesurés (−85 % de temps de développement à Kaohsiung, 99 % de précision sur les lignes Foxconn) — et montrent que la génération de médias quitte le domaine de l’expérimentation pour devenir une couche opérationnelle.