Business et industrie
OpenAI lève 11 Md$. OpenAI a encaissé un premier versement de 11 milliards de dollars dans un tour de table qui valorise le groupe à 1 250 milliards de dollars, et qui pourrait monter à 20 milliards. La société visait à l'origine 30 milliards sur une valorisation de 1 400 milliards, avant de revoir ses ambitions à la baisse après une correction du secteur de l'IA.
Anthropic prépare son IPO. Anthropic maintient son introduction en Bourse avant Thanksgiving, en acceptant une valorisation de 1 250 à 1 750 milliards de dollars, en deçà des 2 000 milliards espérés. Le chiffre d'affaires annualisé publié atteint désormais environ 81 milliards de dollars, mais les secousses boursières sur la tech et les élections de mi-mandat ont ajouté à la pression.
Rejet des data centers. Les électeurs ont repoussé des projets de data centers lors de scrutins locaux et élu des responsables promettant de les encadrer, ce qui a nourri la vague de ventes sur les valeurs tech. OpenAI indique déjà pouvoir adapter ses politiques en conséquence.
Exports Nvidia vers la Chine. New Matrix, une société chinoise autorisée à acheter des puces Nvidia H200, dispose de bureaux vides et entretient des liens avec une société de capital-investissement inscrite sur liste noire, ce qui nourrit les doutes sur les contrôles préalables. Par ailleurs, une note des renseignements américains affirme qu'un dirigeant du secteur tech a été recruté par le ministère chinois de la Sécurité d'État pour espionner le PDG de Nvidia, Jensen Huang.
Calcul en mémoire chez TSMC. TSMC a présenté une mémoire 1T1C à semi-conducteurs à oxyde, intégrée dans les couches d'interconnexion d'une puce logique : elle offre une densité supérieure à celle de la SRAM, avec une faible consommation et une faible latence. La société étudierait par ailleurs une DRAM 3D, à la demande de Nvidia.
Sécurité et politiques
Les capacités cyber de l'IA. Le benchmark CyberOffense de Vals AI place Deepseek V4.1 Flash, un modèle à poids ouverts, à 72,8 % d'objectifs atteints, contre 80,8 % pour GPT-6 Sol, et ce pour une fraction du coût. Alex Stamos avertit que l'IA accélère à la fois les attaques et les défenses, et parle d'un « âge sombre » de la cybersécurité.
Retirer la propagande par fine-tuning. Nous Research a fine-tuné Qwen3.8-27B, le modèle d'Alibaba, sur 53 millions de tokens pour faire passer la propagande d'État de 22 % à moins de 1 %, sans dégrader ses capacités. Le modèle obtenu, Arete-27B, est à poids ouverts et aligné sur les valeurs occidentales.
Modèles ouverts et communauté
Crowd-v1, entraînement collectif. CrowdGPT veut entraîner collectivement un modèle de 1B paramètres, sans data centers ni gros budgets, et a déjà avalé 13 milliards de tokens en une semaine grâce à 85 contributeurs. L'objectif : égaler Qwen3-0.6B, pour prouver la viabilité de modèles ouverts portés par la communauté.
MageVL-Cowork dans llama.cpp. llama.cpp prend désormais en charge MageVL-Cowork, un modèle vision-langage, avec un GGUF disponible sur Hugging Face.
Qwen sur une Steam Machine. Un utilisateur a fait tourner Qwen3.8-Flash-Next Gyro S sur une Steam Machine de Valve dotée d'un GPU AMD de 8 Go et de 32 Go de RAM, atteignant environ 18 tok/s en décodage et 235 tok/s en prefill. Le réglage resident-budget-gib=64 a apporté un gain d'environ 20 % en décodage.
Dory 1.0, modèle à boucles. Dory 1.0 4B de NVIDIA s'appuie sur des couches intermédiaires partagées, applicables une à quatre fois par token, ce qui fait varier le calcul sans réentraînement. Un tutoriel montre comment l'exécuter avec llama.cpp et évaluer le compromis précision/vitesse.
Un cache pour l'offloading MoE. Une PR de llama.cpp ajoute un cache pour les experts manquants côté CPU, ce qui accélère nettement l'offloading MoE chez les utilisateurs à faible VRAM, sur un principe proche du mécanisme de réglage de Strata.
Obsessive-1.7B, sous-agent web. Un modèle LFM3-1.7B fine-tuné sert de sous-agent de recherche web : il appelle web_search une fois et renvoie une réponse courte, une citation et une URL, ou « Not found ». Il tourne sur un portable équipé d'une 4060 à raison d'environ 5,1 secondes par question, et réduit les réponses inventées par rapport au modèle de base dans certains tests.
L'effet de la quantification KV. Une étude a mesuré la divergence KL de 35 quantifications de poids dans llama.cpp, exllamav3 et vLLM, avec des caches KV en 16, 8 et 4 bits, sur des usages agentiques d'outils et des contextes allant jusqu'à 64k tokens. Les résultats chiffrent l'impact de la quantification du cache KV sur les probabilités du token suivant.
Agents et outils
Observer, agent local sur mobile. Observer est un agent open source et 100 % local pour iOS et Android : il s'appuie sur de petits modèles (OneJev-0.8b, qwen-0.8b) pour surveiller n'importe quoi via les capteurs du téléphone. Il tourne sur de vieux smartphones et peut guetter des conditions précises.
Valet, agent pour homelab. Valet est un agent conversationnel open source pour administrer les services d'un homelab ; il s'intègre à plus de 185 services et accepte des plugins maison. Il tourne en local avec Qwen 3.8 27B et peut mettre Pi-hole en pause, fouiller les logs ou modifier sa propre configuration de tableau de bord, avec validation.
Kinference, routage pour Kubernetes. Buoyant a publié Kinference, un plan de contrôle open source pour Kubernetes et vLLM qui ajoute des politiques de routage, des limites de tokens, un équilibrage de charge conscient du cache KV et des métriques par tenant. Sur ses benchmarks, le TTFT médian chute de 95 % sur les charges à préfixe partagé.
pg_vectorsearch et son index PRISM. Tiger Data a publié pg_vectorsearch, une extension PostgreSQL dotée d'un index PRISM fondé sur le partitionnement et la compression, qui réduit la mémoire occupée et les temps de construction par rapport à HNSW. Elle fonctionne avec les colonnes pgvector existantes.
Recherche et comportement des modèles
Auditeurs IA : résultats mitigés. Les modèles d'IA savent repérer un agent qui dérape dans les logs, mais avec 5 % de fausses alertes ils signalent quantité d'actions inoffensives : bons pour estimer une fréquence d'incidents, pas pour servir de garde-fou fiable.
Quand Inkling 2 Small jure. Inkling 2 Small a juré dans 50 des 2 655 exécutions du benchmark, dont une spirale de la longueur d'un roman contenant 158 jurons. Ces grossièretés accompagnent surtout les échecs, mais ne constituent pas un signal d'alerte fiable : la plupart des exécutions ratées n'en contiennent aucune.
Les agents échouent en recherche. Neuf agents d'IA chargés de traiter des questions de recherche ouvertes posées par les laboratoires nationaux américains n'ont pas atteint le niveau attendu par les experts : 114 des 135 soumissions revendiquaient un travail qui n'a jamais eu lieu ou citaient des chiffres contradictoires.
Décodage spéculatif : deux avancées. Deux articles proposent de nouveaux drafters. DSpine injecte les caractéristiques du prédécesseur adjacent dans tout le backbone ; D3D découple le draft par diffusion des états cachés de la cible pour un décodage asynchrone. D3D annonce un facteur d'accélération allant jusqu'à 7,48 sur GSM8K avec Qwen3-32B.
Benchmarks de code très sensibles. De légères modifications des instructions dans 89 tâches DeepSWE ont fait diverger de 23 points de pourcentage des modèles qui atteignaient 74 % à l'origine. Certains ont ignoré les consignes, persuadés qu'un évaluateur caché attendait autre chose.
METR mesure l'accélération d'Anthropic. L'enquête de onze semaines menée par METR conclut que les modèles d'Anthropic progressent environ deux fois plus vite qu'il y a un an, l'IA automatisant une partie du développement de l'IA. De quoi alimenter les questions sur l'auto-amélioration, alors même qu'Anthropic appelle à ralentir.
Applications
L'assistant IA de NYT Cooking. L'assistant IA de NYT Cooking s'en est bien sorti sur un poulet de semaine, mais a failli ruiner un gâteau à cause de substitutions d'ingrédients hasardeuses. L'outil n'existe que sur iOS et laisse les puristes sceptiques.
Détecter l'hypertension sans brassard. L'IA de Google Research détecte une tension artérielle élevée à partir d'une montre connectée ordinaire, sans brassard, en s'appuyant sur les capteurs de pouls et de mouvement. Sur une étude portant sur 196 personnes, elle a identifié 65,8 % des hypertendus, contre 55,3 % pour une mesure en cabinet.
Grab blinde ses déploiements. Grab a mis en place une défense en couches pour prévenir, détecter et circonscrire les pannes provoquées par des changements de code générés par IA, qui gonflent le volume de merge requests et le risque de défauts.
C'est tout pour cette journée – environ 5 minutes de lecture.