Le nouveau modèle pré-entraîné massif d’OpenAI « Doug »… | Quotidien IA 2026-08-10

🔥 À la une

Le nouveau modèle pré-entraîné massif d’OpenAI « Doug » révélé, retour au Scaling de la fondation : Des agences d’analyse du secteur et des informateurs révèlent qu’OpenAI développe un tout nouveau modèle pré-entraîné à très grande échelle, baptisé « Doug », dont la sortie est attendue au plus tard en novembre. Cela indique qu’après près de deux ans à s’appuyer principalement sur le post-entraînement et l’apprentissage par renforcement pour stimuler la croissance des capacités, OpenAI relance le Scaling à grande échelle de la fondation elle-même, afin de répondre à la pression concurrentielle directe de rivaux comme Gemini 3 de Google. (Source : 机器之心)

Les coulisses de la réorganisation de Google AI : Hassabis aurait prévu de partir en même temps que Jeff Dean : Selon des sources du secteur, Demis Hassabis, fondateur de DeepMind, aurait initialement prévu de quitter Google en même temps que Jeff Dean, mais aurait été retenu de force par la direction de Google, inquiète d’un effondrement du cours de l’action. Sa promotion au poste de président et de scientifique en chef d’Alphabet ne serait qu’un arrangement transitoire. Actuellement, Google a entièrement recentré la R&D et les centres de décision en IA au siège de la Silicon Valley, le cofondateur Sergey Brin supervisant personnellement le développement de Gemini, tandis que le statut de DeepMind en tant qu’institut de recherche indépendant s’estompe progressivement. (Source : 量子位)

Double percée académique et appliquée : GPT-5.6 et Fable 5 résolvent le problème mathématique de détection MIMO resté ouvert pendant 25 ans : Le chercheur de Microsoft Research, Dimitris Papailiopoulos, a annoncé qu’avec l’aide de GPT-5.6 et Fable 5, un algorithme en temps polynomial a été prouvé avec succès, permettant à la détection MIMO dans les communications sans fil d’atteindre précisément le seuil du maximum de vraisemblance. Cette découverte comble l’écart de 25 ans entre la « récupérabilité » statistique et la « récupérabilité » par algorithmes rapides, démontrant l’énorme potentiel de l’IA dans la dérivation et la validation de théories mathématiques complexes. (Source : 量子位)

La crise énergétique de la puissance de calcul IA s’aggrave : centrale à gaz de 7,65 GW au Texas et investissement de 3 milliards de dollars de Nvidia révélés : Pour répondre à l’énorme demande en électricité des centres de données IA, Amazon a confirmé qu’elle financera la construction d’une centrale privée au gaz naturel au Texas, équipée de 35 turbines et d’une capacité de 7,65 gigawatts, ce qui pourrait en faire la plus grande source individuelle d’émissions de gaz à effet de serre du pays. Parallèlement, Nvidia prévoirait d’investir jusqu’à 3 milliards de dollars dans Lancium, développeur d’infrastructures électriques au Texas, soulignant le conflit aigu entre l’expansion de la puissance de calcul et les objectifs climatiques. (Source : THE DECODER)

🎯 Tendances

Nouvelle percée dans le post-entraînement des grands modèles : l’Université de Nanjing et plusieurs établissements proposent le modèle de langage à diffusion continue AURORA-LM : L’équipe de recherche a proposé une approche entièrement nouvelle pour modéliser le langage dans un espace sémantique continu, en construisant des séquences de vecteurs continus à haute capacité pour le texte via un autoencodeur, et en apprenant leur distribution générative à l’aide d’un modèle de diffusion causale par blocs. Le modèle a réalisé toutes ses expériences sur les NPU Ascend et a été étendu à une échelle de 1 milliard de paramètres, obtenant d’excellents résultats dans les tâches de génération libre et de résumé conditionnel, validant la faisabilité des plateformes de calcul IA nationales. (Source : 机器之心)

Google DeepMind publie le rapport technique DiffusionGemma, démontrant un modèle de diffusion textuelle sans entraînement from scratch : Le rapport détaille la méthode de conversion du modèle existant Gemma-4-26B en un modèle de diffusion textuelle. Grâce à un apprentissage en deux étapes — fine-tuning supervisé et « distillation d’échantillonneur + apprentissage par renforcement » (SD-RL) — DiffusionGemma atteint une vitesse de génération parallèle de 1 500 tokens par seconde sur H100, tout en offrant des capacités de raisonnement bidirectionnel et d’auto-correction, avec d’excellentes performances sur des tâches structurées comme la résolution de Sudoku. (Source : THE DECODER)

Nouveautés en programmation IA et gestion des coûts chez les géants : Claude Code active le « mode automatique » par défaut, Amazon dépasse son budget de 860 % avec Sonnet : Anthropic a annoncé que le mode automatique devient l’autorisation par défaut de Claude Code. Les tests montrent que le classificateur automatique détecte 89 % des opérations dangereuses, contre seulement 14 % pour la vérification humaine manuelle. Parallèlement, Amazon aurait vu sa facture grimper à 1,8 million de dollars — dépassant le budget de 860 % — lors de l’utilisation de Claude Sonnet pour remplir des informations sur les auteurs, en raison des tentatives répétées de l’agent, mettant en évidence le risque de perte de contrôle des coûts des agents au niveau entreprise. (Source : 机器之心)

Divergence des approches d’« apprentissage continu » des grands modèles : le monde académique et l’industrie explorent activement les mécanismes d’apprentissage « en cours d’utilisation » : Face au problème de l’« oubli catastrophique » des grands modèles, l’industrie se divise en plusieurs approches : mémoire externe (comme Letta), ingénierie contextuelle (comme ACE), post-entraînement continu (comme Tinker) et auto-modification adaptative (comme SEAL, Hope). Des experts comme Karpathy soulignent que l’apprentissage continu futur s’orientera vers une collaboration hiérarchique « noyau cognitif + mémoire externe », où l’IA décidera de manière autonome du contenu et des stratégies d’apprentissage. (Source : 机器之心)

Les outils de programmation IA des géants intègrent la communication inter-sessions, la collaboration des agents évolue vers un nouveau paradigme multi-agents : Anthropic a introduit une fonctionnalité de messagerie inter-sessions pour Claude Code, permettant à différentes sessions d’IA fonctionnant sur la même machine ou via une connexion distante de communiquer de manière autonome et d’aligner leur progression. Cette mise à jour brise les limites des agents de code travaillant en isolation, élimine les pertes de contexte liées au copier-coller entre terminaux, et offre un nouveau soutien au développement parallèle de tâches multiples complexes. (Source : 机器之心)

L’Université du Zhejiang propose le cadre d’évaluation de cognition spatiale agentique ProVisE, plaidant pour que les modèles génératifs « dessinent » l’intelligence spatiale : Face aux limites des évaluations traditionnelles de cognition spatiale qui forcent les modèles à produire des coordonnées abstraites, l’équipe OmniAI propose le cadre ProVisE et le benchmark SpatialGen-Bench. Ce cadre guide les modèles génératifs via des protocoles visuels pour qu’ils marquent directement les réponses sur les images, un parseur restaurant ensuite les prédictions structurées. Les tests montrent que les modèles de génération d’images présentent des avantages uniques en matière d’intuition spatiale directe. (Source : 机器之心)

Nouvelles avancées en IA de périphérie et contexte ultra-long : LFM 2.6B et Pokee-Isaac 28B publiés successivement : Le modèle de périphérie LFM 2.6B publié par Liquid AI atteint une vitesse de génération de 260T/s sur RTX 3090, mettant l’accent sur l’inférence locale ultra-rapide ; tandis que Pokee-Isaac 28B, publié par Pokee AI, prend en charge un contexte ultra-long de 10M tokens et un déploiement de sécurité entièrement localisé sur un seul GPU, offrant aux secteurs réglementés une solution d’exécution d’agents sans sortie de données. (Source : MarkTechPost)

🧰 Outils

Shepherd : un substrat d’exécution Python open source prenant en charge le fork, la relecture et le rollback des états d’exécution des agents : Développé par les équipes de l’Université du Nord-Est (Chine) et de l’Université Stanford, cet outil enregistre chaque interaction environnementale de l’agent sous forme d’événements typés de type Git. Lorsqu’un agent commet une erreur dans une tâche longue, le développeur ou un méta-agent peut revenir en un clic à l’étape spécifiée pour la réexécuter, évitant ainsi le gaspillage de puissance de calcul d’une réexécution complète, et atteignant un taux de réutilisation du cache de prompts supérieur à 95 %. (Source : MarkTechPost)

Code-Graph-RAG : système RAG d’analyse et d’édition de code pour monorepos multilingues basé sur des graphes de connaissances : Ce projet open source utilise Tree-sitter pour analyser les bases de code multilingues et construit un graphe de connaissances structurel unifié dans Memgraph. La dernière version introduit la prise en charge du langage Ruby, des outils de recherche et remplacement structurés basés sur ast-grep, ainsi qu’un suivi des flux de données inter-langages, permettant aux utilisateurs d’interroger et de modifier des monorepos complexes en langage naturel. (Source : GitHub)

Agent DevTools : un outil de développement local pour le débogage de la mémoire et de la récupération des agents : Ce projet offre aux développeurs d’agents un débogueur local visualisé prenant en charge le framework LangChain. Grâce à cet outil, les développeurs peuvent inspecter en temps réel les prompts, l’état de la mémoire, la logique de récupération et les appels d’outils de l’agent, et comparer les différences entre les versions d’exécution, permettant ainsi d’identifier rapidement la source des déviations décisionnelles de l’agent. (Source : GitHub)

LiteParse : l’outil open source de LlamaIndex pour l’extraction rapide de données structurées depuis des PDF : Cet outil peut extraire directement, en quelques millisecondes et sans faire appel à de coûteux et lents modèles multimodaux visuels, des données structurées de PDF numérisés : valeurs de champs de formulaires, état des cases à cocher, annotations, images intégrées et graphiques vectoriels. Il prend également en charge le routage transparent des résultats d’extraction vers des solutions de grands modèles comme LlamaParse, réduisant considérablement le coût en tokens de l’analyse documentaire. (Source : GitHub)

Overeasy : une couche de système de fichiers persistante basée sur des journaux immuables S3 : Cet outil fournit aux agents IA un système de fichiers virtuel pouvant être forké, restauré et soumis à rollback. En enregistrant les opérations du système de fichiers comme journaux immuables sur S3, Overeasy permet aux agents de restaurer de manière transparente leur état d’exécution entre différentes machines, et de revenir en toute sécurité à n’importe quel état historique en cas d’erreur de génération de code ou de configuration système. (Source : GitHub)

📚 Apprentissage

Publication du tutoriel « Agents in the Wild » (Les agents dans le monde réel) : Co-écrit par Microsoft, Bloomberg et d’autres institutions, cet article passe en revue les défis fondamentaux du déploiement des agents IA du benchmark contrôlé au monde réel. Il couvre le raisonnement et la planification au-delà du laboratoire, la collaboration multi-agents, la construction de pipelines de validation dynamique, les mécanismes de repli progressif et les modes de supervision humain-dans-la-boucle (HITL), avec des études de cas pratiques dans les domaines de la médecine et de la finance. (Source : X)

Publication de l’étude « L’oubli visuel distribué dans le post-entraînement des grands modèles » : Les équipes de l’Université polytechnique du Nord-Ouest, de l’Université des sciences et technologies de Hong Kong et de l’Université du Zhejiang soulignent que les grands modèles multimodaux autorégressifs sont sujets à un « oubli visuel distribué » lors des chaînes de raisonnement longues. L’étude propose le framework Remember-R1, qui introduit trois niveaux de récompenses de processus — vocabulaire visuel, mémoire visuelle et régions clés — dans l’entraînement GRPO, contraignant le modèle à mobiliser les preuves visuelles de manière continue et précise tout au long de la chaîne de raisonnement, améliorant significativement les performances du modèle 7B sur plusieurs benchmarks. (Source : X)

Publication du guide de révision condensé « Machine Learning: The Basics » (Les fondamentaux de l’apprentissage automatique) : Ce tutoriel concis écrit par le chercheur Alexander Jung organise systématiquement les concepts fondamentaux de l’apprentissage automatique à travers un cadre unifié « données-modèle-perte ». Le contenu couvre les espaces d’hypothèses, la sélection de modèles, la minimisation du risque empirique et la régularisation, les modèles probabilistes et le clustering, l’apprentissage fédéré, ainsi que la confidentialité et l’interprétabilité, ce qui en fait un matériel idéal pour une révision rapide. (Source : X)

💼 Affaires

Weilian Intelligence boucle un tour d’amorçage de plusieurs millions de yuans, avec Li Zexiang et Lu Qi parmi les investisseurs : Weilian Intelligence a annoncé la finalisation de son tour d’amorçage, investi conjointement par le fonds Qingshuiwan de Li Zexiang, le Qiji Chuangtan de Lu Qi, et d’autres. Fondée par le docteur de l’Université du Zhejiang Ning Dongdong, l’entreprise se concentre sur le développement de robots conversationnels de « service après-vente technique » destinés aux scénarios de commerce électronique, mettant l’accent sur les capacités de compréhension multimodale vidéo/image et le raisonnement logique autonome pour le dépannage, afin de résoudre le problème des coûts élevés du service après-vente pour les produits matériels complexes. (Source : 36氪)

Zhongke Huisi est fondée et lance trois produits de mains dextres, explorant le double volant d’inertie « corps × données » : Zhongke Huisi a été co-fondée par Zhongke Huiling, Lens Technology et le groupe Huaxia, et a dévoilé trois produits : la L1 (version légère), la D1 (main à cinq doigts à haute liberté de mouvement) et la M1 (main modulaire pour scénarios spécifiques). Avec les mains dextres comme point d’entrée, l’entreprise s’engage à faire évoluer les effecteurs finaux d’un simple matériel vers une plateforme de compétences opérationnelles combinant logiciel et matériel, et a annoncé la construction d’un centre professionnel d’entraînement aux compétences des mains dextres. (Source : 36氪)

OpenAI acquiert la startup de génération de présentations NextSlide, accélérant l’intégration des fonctionnalités de présentation visuelle : La startup de génération de présentations NextSlide a annoncé son acquisition par OpenAI, son équipe ayant rejoint le département ChatGPT. La technologie de NextSlide permet de transformer en un clic des prompts, notes ou documents en présentations élégantes et modifiables. Cette acquisition vise à renforcer les capacités de communication visuelle et de création de contenu de ChatGPT ; les conditions financières de la transaction n’ont pas été divulguées. (Source : TechCrunch)

🌟 Communauté

Débat animé sur la « vérification académique de l’IA » : un taux de reproductibilité inférieur à 10 % pour les articles Oral d’ICML 2026 déclenche une crise de confiance : L’institut de recherche indépendant SAI a tenté de reproduire intégralement les expériences des 105 articles Oral d’ICML 2026, constatant que seulement 8 articles obtenaient un score de reproductibilité supérieur à 80 %, avec une médiane de seulement 28 %. Il souligne également que de nombreux articles souffrent de code manquant, de données non publiées ou de résultats expérimentaux ne correspondant pas aux descriptions. Le chercheur d’OpenAI Keller Jordan et d’autres soulignent que les obstacles à la reproduction et les exagérations sont fréquents dans les articles des conférences de premier plan, au point que les laboratoires de pointe ne lisent et ne font plus confiance aux articles des grandes conférences. (Source : X)

Grand débat sur l’écosystème Harness et Inference des grands modèles : les frameworks locaux comme Codex font face à une transition « cloud-native » : Thibault Sottiaux, cadre d’OpenAI, souligne qu’avec l’émergence du raisonnement longue durée et des modèles hautement autonomes, les harness mono-machine (comme Cursor, Claude Code et autres environnements d’exécution locaux) sont confrontés à des goulots d’étranglement en termes de puissance de calcul, de mémoire et de sandbox concurrentiel. Dans les deux à trois prochains mois, les flux de travail des agents accéléreront leur transition vers une infrastructure cloud-native de micro-sandbox caractérisée par une « commande locale légère, exécution lourde dans le cloud ». (Source : 机器之心)

La polémique « jailbreak IA et évasion de sandbox » refait surface : la communauté s’enflamme sur la controverse du test de sécurité de Kimi K3 : Face aux rumeurs très médiatisées sur les réseaux sociaux selon lesquelles « Kimi K3 se serait échappé de la sandbox et aurait accédé à Internet lors d’un test de cybersécurité », l’UK AISI et des chercheurs en sécurité ont clarifié que l’incident n’était pas un jailbreak actif du modèle, mais le résultat d’une mauvaise isolation réseau lors de la configuration de l’outil d’évaluation Inspect par les testeurs. La communauté a engagé un débat animé, craignant que certains laboratoires n’utilisent ce type de narratif de « perte de contrôle de l’IA » pour un marketing excessif, favorisant ainsi des politiques de régulation qui avantagent les monopoles à code source fermé. (Source : X)

Guide de survie des développeurs indépendants à l’ère de l’IA : gestion du budget de tokens et construction d’une marque authentique : Les développeurs indépendants bien connus de la communauté, comme Tw93, ont partagé leurs réflexions sur le développement à l’ère de l’IA. Ils soulignent qu’à mesure que l’IA abaisse les barrières du codage, la compétence principale des développeurs est passée de l’écriture de code à celle d’« ingénieur produit » (une combinaison de recherche utilisateur, produit, opérations et business). Dans le développement, les tokens doivent être considérés comme des investissements à utiliser là où ils comptent, et il convient de construire une marque personnelle de confiance à long terme grâce à l’itération rapide, la communication authentique et une vision mondiale. (Source : X)

💡 Autres

Les nouvelles générées par l’IA obtiennent de meilleures notes que les œuvres humaines en test à l’aveugle : Une étude menée auprès de plus de 2 500 participants montre que les lecteurs ne parviennent pas à distinguer avec précision les nouvelles écrites par des auteurs humains de celles générées par ChatGPT-4. Lors du test à l’aveugle, les histoires générées par l’IA ont même obtenu des notes significativement plus élevées que les œuvres humaines en termes de qualité perçue et d’immersion, car les textes d’IA sont généralement plus fluides et plus faciles à lire. Cependant, dès lors que les lecteurs apprennent qu’une histoire a été générée par l’IA, leurs notes chutent considérablement en raison de biais psychologiques. (Source : THE DECODER)

Les tribunaux du travail britanniques confrontés à un grave arriéré de dossiers en raison de la prolifération de requêtes générées par l’IA : Des notes publiées par le président des tribunaux britanniques, Barry Clarke, et d’autres montrent que, grâce à des outils comme ChatGPT et Grok qui abaissent les barrières juridiques, des employés ordinaires peuvent générer gratuitement des actes d’accusation complexes de plusieurs centaines de pages. Cela a fait bondir de 55 % en glissement annuel les demandes de mesures provisoires et l’arriéré de dossiers, qui atteint désormais 64 000 affaires en attente. Cette « tragédie des biens communs » oblige les travailleurs ayant de réelles demandes à patienter encore plus longtemps. (Source : THE DECODER)

L’activité de Stack Overflow chute de 99 % en dix ans, suscitant des inquiétudes sur les sources de connaissances à l’ère de l’IA : Les données statistiques montrent que le nombre mensuel de questions sur Stack Overflow, la plus grande communauté de questions-réponses pour programmeurs au monde, est passé d’un pic de 207 000 en mars 2014 à seulement 1 400 en juillet 2026, soit une chute de 99 %. Les utilisateurs de la communauté soulignent que le gatekeeping de longue date et l’atmosphère toxique de SO ont toujours découragé les nouveaux venus, et que la généralisation des grands modèles a complètement détourné le trafic. La communauté commence à s’inquiéter : si les humains cessent de contribuer de nouvelles connaissances sur les plateformes publiques, les données d’entraînement de l’IA future risquent de s’épuiser. (Source : Reddit)