Sorties de modèles et de produits
Qwen-Image-2.1 en poids ouverts. Alibaba a publié Qwen-Image-2.1, un modèle à poids ouverts de 7B pour la génération et l'édition d'images, qui revendique de battre les modèles fermés sur son benchmark. Il gère nativement les images RGBA transparentes et jusqu'à 10 images de référence pour l'édition, mais sa licence de recherche interdit tout usage commercial sans autorisation.
Le modèle Gander de Tencent. Tencent a présenté Gander, un modèle de recherche qui associe conversation en temps réel et tâches d'agent en arrière-plan : un « cervelet » pour la parole et un « cerveau » interchangeable pour les tâches complexes. Il encaisse les interruptions et traite simultanément parole, image et texte, mais reste à la traîne sur la précision des tâches dans les tests.
Runway : vidéo en temps réel. Runway a présenté ses travaux de recherche sur la génération vidéo en temps réel, où l'utilisateur diffuse la vidéo et la pilote au fil de ses prompts, dans le prolongement de son world model GWM-1. L'objectif : réduire le temps d'attente et les coûts GPU en générant les images de façon interactive plutôt qu'en un seul batch.
Outils et frameworks
ADK pour Kotlin de Google. Google a publié ADK for Kotlin 1.0, qui aligne son Agent Development Kit sur les versions Python et Java et ajoute la prise en charge de l'IA embarquée sur Android et de l'IA hybride. Le framework inclut l'orchestration hiérarchique multi-agents, la compaction du contexte et la gestion de session.
OpenCodeReview d'Alibaba. Alibaba a mis OpenCodeReview en open source, une CLI sous Apache-2.0 qui combine sélection déterministe des fichiers et correspondance de règles avec un agent LLM pour l'analyse de code. L'outil est déjà utilisé en interne par des dizaines de milliers de développeurs et cible des défaillances comme la dérive des numéros de ligne et l'instabilité des prompts.
ZCode passe en open source. ZCode, une plateforme d'agents de codage, passe en open source après avoir corrigé les problèmes de sécurité signalés. Le dépôt réunit l'application desktop, l'espace de travail web, le backend, l'Agent CLI et le runtime, avec un nouveau processus de signalement des vulnérabilités et des récompenses associées.
System 1 et modèles de décision
Laya, modèle décisionnel. Laya est un modèle « System 1 » non autorégressif à poids ouverts signé Convai Innovations : il répond à des questions de décision typées en une seule passe avant, avec des checkpoints en variantes anglaise, multilingue et typed-decisions. Une implémentation C++, laya.cpp, atteint jusqu'à 810 questions par seconde sur une RTX PRO 6000.
Alternatives DIY à Jev. Plusieurs projets reproduisent le scoring de décision à la manière de Jev avec des LLM à poids ouverts ordinaires : l'un a fine-tuné Qwen3.5 4B en LoRA pour atteindre 0,709 sur typed-decisions, d'autres vérifient les candidats en batch via llama.cpp ou utilisent n_predict=1 avec les logprobs. Objectif : égaler Jev sans tête de classifieur distincte.
Agents locaux et matériel
Boucle d'agent Qwen 3.8 27B. Une boucle d'agent locale fondée sur Qwen 3.8 27B a tourné en grande partie sans supervision pendant près de trois semaines sur une seule RTX 3090, construisant un moteur d'inférence CUDA avec seulement 12 messages humains. La compaction a absorbé 83 heures, mais l'expérience montre qu'un agent local sur un horizon long est faisable, même si ce n'est pas encore un gain de performance.
mini-AGI en apprentissage continu. mini-AGI est un modèle d'apprentissage continu de 530M de paramètres, entraîné de zéro sur un laptop à 8 Go de VRAM, avec une approche mixture-of-experts dynamique et un seul flux de données continu. Il illustre un entraînement à l'échelle du matériel grand public, avec un contrôle total sur les données.
Kimi K3 sur cluster GB10. Un cluster GB10 de 16 nœuds a fait tourner Kimi K3, le modèle de 2,8T de paramètres de Moonshot AI, avec des patches runtime maison : environ 30 tok/s en débit de génération de code et un pic de 136 tok/s en charge concurrente. L'installation a nécessité une topologie NCCL modifiée et un réseau à deux switches.
Recherche
Fuse et le raisonnement social. Fuse est un framework de simulation multi-agents pour évaluer comment les assistants LLM déduisent les motivations sociales des récits d'utilisateurs, avec une vérité terrain vérifiable grâce à des agents cibles cachés. Les tests sur 12 LLM montrent que la médiation par l'utilisateur accroît la difficulté et que les modèles sont sensibles aux cadrages biaisés.
StudentSim et les tuteurs IA. Des chercheurs de Microsoft et de l'UIUC ont conçu StudentSim, qui génère des répliques numériques d'étudiants commettant des erreurs réalistes, afin d'accélérer l'amélioration des tuteurs IA sans essais coûteux sur de vrais élèves. L'approche construit des répliques distinctes à partir de données limitées et veut raccourcir les cycles de développement des tuteurs.
Secteur et politiques publiques
Débat sur la sécurité de l'IA. Dario Amodei (Anthropic) a proposé un plan pour « pace the frontier », tandis que Jensen Huang (Nvidia) a jugé les craintes autour de l'IA exagérées et estimé qu'il y avait « 0 % de chances » que l'IA mette fin au monde. Ce clivage illustre les divergences entre dirigeants du secteur, alors que les pouvoirs publics pèsent de nouvelles régulations.
L'« AI Force » de Trump. Le président Trump a annoncé son intention de créer une « AI Force » et de nommer un « AI czar », promettant de ne pas freiner la croissance de l'IA et assurant que les data centers profitent aux communautés. Ces prises de position font suite aux avertissements de dirigeants de l'IA sur le risque existentiel et traduisent la volonté de dérégulation de son administration.
Poursuite sur le ralentissement. Une plainte allègue qu'Anthropic, OpenAI, SpaceXAI et Google ont conclu un accord illégal sur un ralentissement de l'IA. Les détails restent rares, mais l'affaire ajoute une pression juridique au débat sur le rythme de développement de l'IA de frontière.
Anthropic reporte son IPO. Anthropic repousserait son introduction en bourse d'octobre à novembre 2026, ses conseillers invoquant la nécessité de présenter de solides résultats au troisième trimestre. Les investisseurs tablent sur une valorisation d'environ 2 000 milliards de dollars et une levée pouvant atteindre 100 milliards de dollars.
C'est tout pour cette journée – environ 5 minutes de lecture.