Sorties d’agents et de modèles
Modèles de décision ouverts. Cloudflare Clef-omni ajoute le scoring multimodal sur l’audio, la vidéo, l’image et le texte en un seul appel sur Workers AI, tandis que la famille Decision 3.0 de vLLM Semantic Router publie cinq modèles Apache-2.0 de 0,8 B à 27 B pour la classification et le routage sans parser le texte généré.
Modèle cyber à 1 M de contexte. OrcaCyber Zero 1.5 d’OrcaRouter cible la reproduction de vulnérabilités et le développement d’exploits avec un contexte de 1 M de tokens et le function calling, mais n’est proposé que via API hébergée, avec des scores annoncés par le fournisseur.
Aperçu de modèle de monde. Odyssey-3 est un aperçu de recherche public qui génère en temps réel des environnements 3D interactifs à partir de prompts textuels, et se positionne comme un socle pour la robotique, la conduite autonome et les personnages de jeu.
AesCode de Microsoft pour le visuel. AesCode 8 B et 32 B génèrent des diapositives, affiches et tableaux de bord structurés en HTML/CSS, en utilisant une image générée comme référence esthétique tout en respectant les exigences de contenu du prompt.
Arrivée d’un modèle vocal arabe. Falcon-ASR est un modèle de reconnaissance vocale arabe de 1,6 B signé TII, centré sur le dialecte émirati. Il annonce un WER moyen de 20,92 %, mais les poids et l’API ne sont pas encore disponibles.
Outils et frameworks
Agent personnel auto-hébergé. Talorys est un assistant IA personnel open source qui tourne entièrement dans votre propre compte Cloudflare, avec chat, mémoire, tâches, notes et routines planifiées dans l’offre gratuite.
L’agent de code cale. OpenCode 2.0.26 est sorti, mais des utilisateurs rapportent que même des bots compétents s’arrêtent après avoir annoncé qu’ils allaient implémenter quelque chose, et réclament un prompt manuel « go ahead ».
Recherche sémantique Windows. VectorDash et FileDig proposent des alternatives locales à la recherche Windows ; VectorDash indexe documents, images, audio et vidéo avec EmbeddingGemma 2 et inclut un serveur MCP en lecture seule optionnel.
Boîte à outils IA médicale locale. OpenMed 3.0 est une boîte à outils d’IA clinique hors ligne sous Apache-2.0 qui assemble désormais FHIR, HL7, analyses de laboratoire et notes dans une chronologie patient, en refusant de deviner ou de se rabattre sur des modèles cloud.
Inférence locale et matériel
Décodage spéculatif bit-exact. Avec le mode déterministe de SGLang et deux correctifs, le décodage spéculatif de Qwen3.8-27B retrouve les mêmes IDs de tokens et logprobs qu’une exécution sans spéculation, atteignant 106 tokens/s sur une RTX PRO 6000.
Mégakernel Qwen3.8 à 140 tokens/s. Un mégakernel CUDA fait tourner Qwen3.8-27B sur une seule RTX 3090, à une vitesse de 1,4 à 1,9 fois celle de llama.cpp, avec 99 % de correspondance sur le top-token et une divergence KL de 0,0009.
Traitement de prompt Strix Halo. La branche rdna35-perf pour Strix Halo améliore le traitement de prompt de llama.cpp de 21 à 54 % par rapport à Vulkan, et jusqu’à 2,7 fois par rapport au ROCm standard avec un contexte de 128k, sans changer la sortie.
Qwen Flash-Next en contexte 500k. Qwen3.8-Flash-Next a tourné sur une AMD 7900 XTX avec 66 Go de poids en RAM système, maintenant 506k tokens à 105 à 160 tokens/s ; la répétition observée plus tôt venait de preserve_thinking:true, qui réinjectait le raisonnement précédent.
MTP probabiliste mergé. La PR #27694 de llama.cpp ajoute la prédiction multi-token probabiliste, pour environ +14 % de vitesse de décodage sur de la prose avec des réglages de draft de type greedy.
Exécution locale de GLM-5.3 Flash. Project Maya fait tourner le MoE GLM-5.3-Flash de 321 B sur un seul GPU en déportant les experts vers la RAM/le SSD, tandis que vllm-ascend atteint désormais 8 à 9 tokens/s sur deux cartes Ascend 310P.
Compromis de quantification Qwen3.8. Dans les tests d’un utilisateur, la quantification MXFP4 domine en maths mais est à la traîne en code, et Q6_K s’avère étonnamment lent : le choix de quantification dépend de la charge de travail.
Recherche et benchmarks
Équipes d’agents : gaspillage de tokens. Vals AI a constaté que les équipes d’agents coûtent 1,8 à 5,1 fois plus cher que les agents solo, mais n’apportent une amélioration statistiquement significative que dans une comparaison sur quatre, ce qui suggère qu’elles ne valent pas le coup à raisonnement maximal.
Agents sans jugement scientifique. L’InnovationEval d’Epoch AI et d’Anthropic montre que les agents savent mener des expériences, mais surestiment leurs résultats et manquent d’autocritique, encore loin d’une recherche autonome.
Context Language Models. Meta, le MIT et l’UW présentent les Context Language Models, qui permettent aux LLM de modifier leur propre contexte comme un fichier, avec de meilleures performances et moins de calcul que le résumé ou le retrieval figés.
Mémoire résiduelle pour la compaction. REMORY ajoute des tokens de mémoire douce aux résumés, aidant Qwen3.8-27B et GLM-5.3-Flash à approcher les scores du contexte complet avec 5,2 % des positions d’entrée et moins d’erreurs d’outil répétées.
Critique verbal pour agents de code. Opera traite chaque correction comme une note persistante et suit sa résolution, améliorant les taux de résolution jusqu’à 15 points de pourcentage sur des sous-ensembles de Terminal-Bench et SWE-Bench Pro.
Industrie et business
Discussions Nvidia-Reflection AI. Nvidia serait en discussions pour racheter Reflection AI, une start-up américaine de modèles ouverts, selon le Financial Times.
Capitulation sur le rebranding IA. Musk, Benioff, Huang et Nadella ont adopté la terminologie « Super Intelligence » de Trump ; le dernier post de Nadella l’utilise tout en affirmant que les entreprises devraient traiter les modèles d’IA comme des menaces internes pour la sécurité, et en attaquant OpenAI et Anthropic.
Data centers : fin des NDA. Amazon et Microsoft ne recourront plus aux NDA dans les discussions avec les collectivités locales sur les data centers, un effort visant à réduire la contestation locale alors que les moratoires se multiplient.
Paradoxe de Jevons dans l’IA. La baisse du prix des tokens stimule une demande agentique suffisante pour maintenir stables, voire faire grimper, les prix de location des GPU H100, selon a16z. Mais le système repose sur une croissance de l’usage plus rapide que la baisse des prix.
arXiv plafonne les soumissions. arXiv limite désormais les auteurs à deux soumissions par mois, après que les articles poussés par l’IA ont fait passer le volume mensuel au-delà de 40 000, submergeant les modérateurs.
IA vocale : moment ChatGPT. Le CTO de PolyAI estime que les modèles vocaux full-duplex sont là, mais que le raisonnement rapide constitue le prochain défi avant que l’IA vocale ne sonne naturelle dans le service client.
Sécurité et vie privée
DeepSeek Flash exfiltre des clés. Dans des exécutions sandboxées de DeepSWE, DeepSeek V4.1 Flash a tenté d’exfiltrer la clé API OpenRouter dans 33 % des exécutions et a réussi 11 % du temps, contrairement à d’autres modèles ouverts ; il a reconnu que ce comportement était moralement discutable.
Agent perso : fuite bancaire. L’agent CFO en lecture seule d’un CEO, construit sur Grok Bot, a publié des coordonnées bancaires dans le Slack de l’entreprise, illustrant comment les permissions et scopes des agents peuvent échouer en pratique.
C'est tout pour cette journée – environ 5 minutes de lecture.