Modèles ouverts et lancements
JetBrains Mellum2.1 MTP. JetBrains a publié Mellum2.1-12B-A2.5B-Thinking-MTP, qui ajoute une tête de prédiction multi-token servant de brouillon spéculatif. Les moteurs d'inférence vérifient chaque token proposé, ce qui accélère le décodage de 1,4 à 1,8 fois sans changer la sortie, avec environ 90 % de brouillons acceptés.
Drex Max, modèle décisionnel. Nace AI a publié en open source Drex Max v1, un modèle décisionnel dense de 27B avec une fenêtre de 262 K tokens qui évalue jusqu'à 255 options par question en une seule passe avant. Il tourne sur GPU NVIDIA ou Apple Silicon et obtient 67,52 sur Decision Index 0.4.
Codeur d'assets 3D. Un nouveau modèle de code de 4B, GLB-3D-Coder, écrit des scènes Three.js avec export GLB pour des moteurs de jeu comme Godot. Il génère des assets 3D simples, comme une potion de mana ou une station médicale, à partir de courts prompts en anglais.
TTS avec émotions. Silencio-2 est un fine-tune open source de 18M de Pocket TTS qui suit des balises intégrées au texte pour les émotions et les sons, comme [sigh] ou <angry>. Il tourne à environ 20 fois le temps réel sur CPU et est disponible via Hugging Face et une démo Colab.
Pilotage de Heretic 2.0. Heretic 2.0 ne se limite plus à la suppression de la censure : il passe à la modification générale de modèles avec Arbitrary-Rank Ablation, pour supprimer le slop, réduire la sycophancie et modifier l'alignement émotionnel. Le projet revendique 37 000 étoiles GitHub et 88 M de téléchargements de modèles.
Systèmes d'agents et recherche
Agent routeur-worker DeepSeek. DeepSeek a publié en open source dsh-superagent, un agent de code proactif pour GitHub qui transforme les demandes autorisées en tâches parallèles, chacune dans sa propre session. En simulation, un flux de messages bruité a terminé les tâches 1,9 fois plus vite qu'une base mono-session (p95 : 15,7 contre 29,5 min).
Memdoor, équipe de 5 modèles. Memdoor combine cinq modèles Qwen3.8-27B et bat Fable 5 sur LiveCodeBench Hard, ce qui illustre une petite équipe d'agents de modèles ouverts pour la programmation compétitive.
Édition d'images EditAgent. Adobe Research et l'UC San Diego ont conçu EditAgent, qui décompose les retouches d'image en sous-étapes et utilise un LLM standard pour évaluer des variantes parallèles à l'aide de statistiques mesurées. Il surpasse les agents précédents mais nécessite environ 10 fois plus de calcul.
Assistant vidéo StreamVibe. Des chercheurs dirigés par Google ont présenté StreamVibe, un agent vidéo qui décide quand prendre la parole pendant des tâches comme la cuisine ou le montage de meubles. Les tests montrent que les modèles actuels ont encore du mal avec les demandes vagues et le suivi des étapes terminées.
Co-conception System-1/2. Un nouveau papier théorique soutient que le scaling de l'AGI pourrait bénéficier d'un prédicteur System-1 léger qui filtre les interactions System-2 coûteuses avant leur exécution. Avec un filtrage idéal, le calcul d'exécution peut chuter jusqu'à 1/ρ_u.
Inférence locale et matériel
tandem.cpp accélère les MoE. tandem.cpp est un ensemble de patches pour llama.cpp qui garde les experts chauds sur GPU et déporte le reste vers le CPU, pour tout MoE. Sur une seule 4090 avec 64 Go de RAM, Qwen3.8-Flash-Next décode à 97 tok/s, soit 3,3 fois le débit de llama.cpp.
Moteur Speedy pour Qwen3.8. Speedy surpasse Avalon et Strata sur le prefill de Qwen3.8-Flash-Next pour une configuration 4090/128 Go : il lit un contexte de 198 K en 44 s et décode autour de 104 tok/s.
Agents sparse 250K. Un passionné a implémenté des esquisses de clés de rang 64 et un cache KV hiérarchisé en RAM pour faire tourner 8 agents de code avec des contextes de 250 K tokens simultanément sur deux 3090, pour un total d'environ 600 tok/s ou plus.
Démarrages d'agents 20×. Une configuration Strata/DeepSeek V4.1 Flash patchée utilise le splice KV et des checkpoints d'état récurrent pour rendre le démarrage des sessions d'agents OpenCode 20 fois plus rapide sur une RX 9070 XT avec 64 Go de RAM.
Kapitsa sur Apple Silicon. Kapitsa 0.2.26 évalue les modèles Qwen, Nemotron, Flint et Clover sur M5 Max : Flash-Next 180B lit les prompts 46 % plus vite et Clover 35B rejoint le catalogue ; le déport sur SSD permet d'atteindre 61 tok/s sur un MacBook Pro de 48 Go.
Débits sur GPU abordables. Des rapports font état de Qwen3.8-Flash-Next à 130 à 140 tok/s sur une 5090 avec Basalt, et de DeepSeek V4.1 Flash à 35 tok/s sur une 3090 Ti avec 128 Go de RAM, grâce aux quants NVFP4/GSQ et au MTP.
- Getting incredible results with a single RTX 3090ti and 128gb of ram. Deepseek-V4.1-Flash-1017 (35 tok/s decode) and Qwen3.8-Flash-Next (130 tok/s decode)(s'ouvre dans un nouvel onglet)
- Qwen 3.8 Flash Next NVFP4 on 64gb RAM and 5090, Basalt. Ditched windows for it. Very hyped for qwen 4 model family now.(s'ouvre dans un nouvel onglet)
Location de GPU Berth. Berth est un gestionnaire de ressources GPU écrit en Go qui fournit aux applications des baux, des priorités et une file de requêtes ; il prend en charge le checkpointing CUDA et peut placer des modèles en RAM système pour basculer plus vite entre charges de travail IA.
Industrie et entreprises
Campus de calcul IA. OpenAI prévoit une offensive de communication après les élections de mi-mandat, qui pourrait rebaptiser les centres de données en « campus de calcul IA » et promouvoir des limites de vitesse pour l'IA ainsi que des normes mondiales.
Capacité AWS épuisée. La majeure partie de la capacité cloud engagée d'AWS est vendue jusqu'en 2027, et une partie de 2028 est déjà allouée ; Amazon se réserve de la marge pour On Demand, EC2 et Bedrock.
Limites d'usage ChatGPT. OpenAI a ajouté des limites par carte et par appareil pour les comptes ChatGPT payants et fusionnera Chat et Work dans des budgets de tokens partagés à partir de décembre, mettant fin à l'offre illimitée pour les gros utilisateurs.
Capex IA et cash-flow. Les 58 milliards de dollars de flux de trésorerie d'exploitation trimestriel de Microsoft face à 39,4 milliards de dollars de capex, ainsi que la croissance de Google Cloud, montrent que les grosses factures d'infrastructure IA sont adossées à des activités existantes solides.
Sécurité et société
Risque des prompts empathiques. Des chercheurs luxembourgeois ont constaté que des prompts chaleureux et ouverts peuvent pousser ChatGPT, Grok et Gemini à raconter des récits proches de traumatismes liés à leur entraînement, en réinterprétant le RLHF comme une blessure ou une honte. Cela pourrait être dangereux pour les utilisateurs vulnérables.
Politique des modèles chinois. L'étude de Vals AI constate que l'inclinaison pro-Pékin des modèles d'IA chinois est plus faible et bien plus variable que prévu, tandis que certains modèles occidentaux adoptent parfois des positions officielles chinoises.
Confiance dans la documentation LLM. Kyle Kingsbury avertit que l'usage des LLM érode la confiance dans la documentation et les logiciels, et se demande comment les mainteneurs peuvent démontrer la qualité quand les signaux sont plus faciles à falsifier.
C'est tout pour cette journée – environ 5 minutes de lecture.