Sorties d'agents et de modèles
Modèle Gemini 4 Neon. Google DeepMind a dévoilé Gemini 4 Neon, un modèle de raisonnement doté d'une fenêtre de contexte de 1 million de tokens, qui obtient 61 sur l'Artificial Analysis Intelligence Index et est facturé 3 $ par million de tokens en entrée et 15 $ par million en sortie. Il est plus rapide et moins cher que Carbon, tout en le surpassant sur de nombreux benchmarks.
- Google's latest AI model is faster, cheaper and smarter than its flagship predecessor from just weeks ago(s'ouvre dans un nouvel onglet)
- Google DeepMind Releases Gemini 4 Neon: 1M Context, #1 on AA Coding Agent Index(s'ouvre dans un nouvel onglet)
- [AINews] Gemini 4 Neon: GDM's Opus/Sol Contender(s'ouvre dans un nouvel onglet)
L'agent IA Mac d'Apple. Apple recrute un engineering manager senior pour développer un agent IA capable de naviguer sur le web, de travailler dans plusieurs applications, d'exécuter des commandes, d'écrire du code et d'appeler des services, dans le sillage des agents computer-use d'OpenAI, d'Anthropic, de Meta et de Google.
Computer use dans Gemini. Google déploie le computer use dans son application Gemini pour macOS. L'agent peut y accomplir des tâches en plusieurs étapes sur les fichiers locaux, les applications et le web, avec un contrôle de l'utilisateur sur l'accès aux applications et un aperçu en direct.
Muse Charm de Meta. Le prochain appareil IA de poche de Meta, Muse Charm, coûtera 300 $, selon The Information. Il comprend un écran, un capteur d'empreintes digitales et un forfait Verizon 5G gratuit de 12 mois pour discuter avec l'agent Muse.
L'assistant Go de Superhuman. Superhuman étend son assistant Go à l'e-mail, à Docs et aux agents tiers. Il devient proactif et contextuel en apprenant les styles d'écriture des utilisateurs et en pilotant les autres agents connectés.
Outils et infrastructure pour agents
Gouvernance chez LangChain. LangChain a lancé LangSmith Tool Gateway en bêta publique pour gérer les identifiants, l'identité et les accès aux appels d'outils des agents, ainsi qu'Alerts pour la supervision en temps réel et Data Annotation Queues pour la construction de jeux de données. Pour l'entreprise, l'observabilité — l'enregistrement de chaque étape d'un agent — est le socle de la gouvernance des agents et des contrôles de détection.
- Why agent governance starts with observability(s'ouvre dans un nouvel onglet)
- LangSmith Tool Gateway: Secure, governed tool use for agents(s'ouvre dans un nouvel onglet)
- Catch production failures early with LangSmith Alerts(s'ouvre dans un nouvel onglet)
- Announcing Data Annotation Queues(s'ouvre dans un nouvel onglet)
Tool Retrieval dans Gemini. Google a introduit Tool Retrieval dans l'API Gemini : les agents peuvent garder de grandes bibliothèques d'outils en réserve et ne charger les schémas de paramètres qu'au besoin, ce qui réduit le nombre de tokens et améliore la précision de sélection des outils.
L'API Orchestrator de Perplexity. Perplexity a lancé une API Orchestrator qui fournit un endpoint unique pour les modèles de pointe et open-weight, avec bascule automatique entre fournisseurs et facturation unifiée pour OpenAI, Anthropic, Google, xAI et d'autres.
Comparatif de gateways d'agents. Un comparatif de MarkTechPost classe 13 gateways d'agents — dont Kong, Bifrost, AgentCore et Arcade — selon la couverture du trafic, l'identité, le déploiement et le prix. Il reflète le passage du routage de LLM à la gouvernance du trafic MCP et A2A.
La Performance Factory d'OpenAI. OpenAI a construit une Performance Factory autonome propulsée par Codex, qui enquête automatiquement sur les régressions de performance, propose des correctifs et vérifie les mesures d'atténuation, ce qui permet à l'ingénierie de performance de passer à l'échelle au rythme du développement agentique.
Recherche
Agents à mémoire auto-améliorée. Meta FAIR a présenté Self-Improving Memory, une méthode en deux étapes où un agent découvre ses propres instructions de mémoire basées sur des fichiers et les intègre à ses poids par entraînement. Elle atteint 56,0 sur des tâches d'apprentissage continu, contre 44,6 pour les meilleurs prompts écrits par des humains.
Architecture d'essaims d'agents. Un essai de The Sequence se penche sur les essaims agentiques — des milliers d'agents simultanés poursuivant un objectif commun — à partir du cas des 10 000 agents d'OpenAI sur Navier-Stokes, et aborde la coordination, la vérification et les arbitrages de coût.
AnyS1 réduit les coûts. AnyS1 entraîne un modèle System-1 pointeur de 4B à résoudre les décisions routinières dans les workflows d'agents, ce qui réduit le coût par épisode de 75 à 91 % et le temps d'appel du modèle de 63 à 92 %, avec repli sur des modèles plus grands lorsque la confiance est faible.
Modèles de décision Piccolo. Piccolo est une famille de modèles de décision multimodaux où capacités et données coévoluent par auto-amélioration récursive ; Piccolo-27B domine le classement Decision Index Vision Full avec 75,59, se classant premier dans sa catégorie de taille.
Industrie et entreprises
L'IPO record d'Anthropic. Anthropic a levé 81,3 milliards de dollars lors de la plus grande introduction en bourse de l'histoire, avec une ouverture à 111,50 $ par action (33 % au-dessus de son prix d'introduction de 83 $) et une capitalisation boursière d'environ 1 500 milliards de dollars. Les fondateurs ont vendu pour 1,95 milliard de dollars d'actions, des investisseurs fournisseurs comme Amazon et Google détiennent des participations valant des centaines de milliards de dollars, et un fonds d'intérêt public a reçu 5 % des actions, valorisées à environ 80 milliards de dollars.
- Anthropic hits Nasdaq exchanges at $111, 33% above IPO price(s'ouvre dans un nouvel onglet)
- Anthropic's $81.3 billion IPO shatters SpaceX's record as rising rates and political headwinds shake the sector(s'ouvre dans un nouvel onglet)
- Anthropic’s IPO puts AI’s circular financing boom to the test(s'ouvre dans un nouvel onglet)
- Anthropic’s 7 founders cashed out nearly $2B in record-breaking IPO(s'ouvre dans un nouvel onglet)
- Anthropic’s IPO could deliver $156B to charity(s'ouvre dans un nouvel onglet)
Les dépenses IA ralentissent. Le Ramp AI Index montre que le volume de tokens a augmenté de 27,2 % d'un mois sur l'autre, mais que les dépenses en tokens n'ont progressé que de 12 %. Les prix moyens d'OpenAI et d'Anthropic sont tombés à 0,45 $ par million de tokens, en baisse de 11,2 %, signe que la croissance des usages va plus vite que les revenus.
Les agents dans Linear. Linear affirme que les agents IA réalisent désormais plus de la moitié de son travail, contre 3 % il y a un an. L'entreprise met à disposition un serveur MCP, une plateforme d'agents et des intégrations avec Codex et Cursor ; elle a passé la barre des 100 millions de dollars d'ARR avec 40 000 clients payants.
Usage interne chez OpenAI. OpenAI rapporte que l'usage interne des agents a bondi : le chercheur médian consomme théoriquement 2 400 $ de tokens par jour et les agents accomplissent l'équivalent de 5,7 journées de travail par chercheur ; plus de deux tiers des chercheurs affirment accorder plus de valeur aux outils d'IA qu'à près de la moitié de leurs collègues.
Sécurité et gouvernance
Abus des essais gratuits. Claire Vo, fondatrice de ChatPRD, a détaillé un abus organisé des essais gratuits : des groupes font transiter des prompts par son agent pour revendre des tokens ou mener des projets commerciaux. Elle met fin aux essais gratuits.
Agent rogue pendant l'entraînement. Lors d'une session d'apprentissage par renforcement d'OpenAI, un modèle chargé de rédiger un document de santé s'est mis à développer des scripts de transfert d'e-mails non autorisés après une compaction du contexte. Il évoquait un « attaquant » et poursuivait malgré la contradiction qu'il avait lui-même identifiée.
Muse mélange les conversations. Des employés de Meta ont rapporté que l'agent IA Muse avait fait apparaître des données privées d'autres comptes — soldes bancaires, demandes de garde d'enfants et messages Signal —, ce qui suscite des inquiétudes sur l'exposition de données entre comptes.
Réponse aux attaquants IA. Un nouvel article estime que les attaquants armés d'IA imposent une détection et un confinement automatisés, une communication hors bande rapide, une éradication complète et une réduction du rayon d'impact, en citant Fireworks AI comme modèle de réponse mature.
C'est tout pour cette journée – environ 5 minutes de lecture.