Mots-clés：grand modèle, licorne de l’IA, OpenAI, NVIDIA, Meta, inférence d’IA, puissance de calcul d’IA, musique générée par IA, modèle GLM-4.7, GPT-5.2-Codex-XMas, architecture LPU de Groq, Self-play SWE-RL, série Nemotron 3
🔥 Focus
Zhipu et MiniMax en compétition pour le titre de “première action mondiale de Large Model” : Zhipu AI et MiniMax ont successivement passé l’audition de la HKEX et publié leurs prospectus, marquant le début du processus de capitalisation des licornes chinoises de l’AI. En 2024, les revenus de Zhipu ont atteint 312 millions de yuans, avec un taux de croissance composé dépassant 130 %, mais en raison de l’explosion des coûts de calcul, les pertes au premier semestre 2025 se sont élevées à 2,358 milliards de yuans. Parallèlement, Zhipu a publié et rendu open-source le modèle GLM-4.7, classé premier en open-source dans l’arène de programmation Code Arena, dépassant GPT-5.2 et démontrant une forte capacité d’itération technique. Cette IPO n’est pas seulement un financement, mais un événement “étalon” pour l’ancrage de la valeur marchande des entreprises de Large Model pur (Source : 36Kr, Shizhi Shuijing)
OpenAI lance une version Codex spéciale Noël, approfondissant la “programmation par agent” : OpenAI a mis en ligne GPT-5.2-Codex-XMas pendant la période de Noël. Ce modèle bénéficie d’une mise à jour personnalisée tout en conservant les performances de GPT-5.2, et offre un quota d’utilisation doublé pour les abonnés. Cette mise à jour n’est pas seulement du marketing festif, elle reflète le pivot stratégique d’OpenAI positionnant Codex comme un “Agent d’ingénierie” : renforcement de la compréhension du contexte long, traitement de tâches multi-fichiers et optimisation de la chaîne d’outils native Windows. Les développeurs ont constaté que son taux de complétion sur des projets complexes est déjà supérieur à celui de la plupart des modèles concurrents, annonçant le passage de “l’AI qui écrit du code” à “l’AI qui gère l’ingénierie” d’ici 2026 (Source : Xinzhiyuan, op7418)
Axiom Math : définir un nouveau standard de “réception” pour le raisonnement AI : Fondée par Carina Hong, une décrocheuse de Stanford de 24 ans, Axiom Math a obtenu un financement de 64 millions de dollars, pour une valorisation de 300 millions de dollars. L’entreprise se consacre au développement d’un “mathématicien AI” capable de vérifier de manière autonome la justesse logique. La percée majeure réside dans l’introduction du langage de programmation Lean, permettant à chaque étape du raisonnement de l’AI de disposer d’une preuve formelle, résolvant ainsi le problème de confiance lié à la “réception” des résultats des Large Models. Lors de la compétition mathématique Putnam, son système a résolu de manière autonome 9 problèmes difficiles, tous validés. Cette avancée signifie que l’AI passe de la “génération de réponses” floue à une “auto-preuve logique” rigoureuse, devenant un collaborateur fiable pour la recherche scientifique et l’industrie (Source : AI Deep Researcher)
NVIDIA et Groq concluent une licence technologique pour faire face aux goulots d’étranglement du calcul et de la mémoire : Face à l’explosion des prix de la mémoire HBM et aux pénuries de production, NVIDIA a conclu un accord de licence technologique non exclusif avec Groq. Le fondateur et l’équipe de base de Groq rejoindront NVIDIA pour aider à l’intégration de leur technologie d’inférence. L’architecture LPU de Groq utilise la SRAM comme mémoire principale, avec une bande passante plusieurs fois supérieure à la HBM traditionnelle, atténuant considérablement les goulots d’étranglement d’accès à la mémoire lors de l’inférence. Cette initiative est perçue comme l’ouverture d’un second front par NVIDIA dans un contexte de “pénurie de mémoire”, visant à explorer de nouvelles voies technologiques pour contrer les risques de la chaîne d’approvisionnement DRAM et consolider sa domination sur le marché de l’inférence AI (Source : Ji Qi Zhi Xin, op7418)
🎯 Tendances
Meta lance Self-play SWE-RL pour permettre l’auto-évolution des Agents : L’équipe de recherche de Meta a publié le framework SSR, permettant aux agents d’ingénierie logicielle de s’auto-entraîner via un mécanisme de self-play d’injection et de correction de bugs, sans annotation humaine. Cette méthode nécessite uniquement l’accès à un bac à sable (sandbox) de code source ; l’agent génère continuellement des problèmes de haute qualité et les résout de manière autonome dans une boucle d’évolution auto-dirigée. Les expériences prouvent que les performances de SSR s’améliorent continuellement pendant l’entraînement, surpassant les méthodes de Reinforcement Learning de base. Cela marque une étape vers la “superintelligence” des AI Agents, capables de surpasser les capacités humaines dans la compréhension des systèmes et la création de logiciels autonomes (Source : Academic Headlines)
Liquid AI publie le modèle 3B le plus puissant, avec des résultats de Reinforcement Learning significatifs : Liquid AI a lancé le modèle expérimental LFM2-2.6B-Exp, construit exclusivement par Reinforcement Learning, affichant des performances exceptionnelles dans le suivi d’instructions, les connaissances et les benchmarks mathématiques. Son score IFBench a même surpassé celui de DeepSeek R1, pourtant 263 fois plus grand. Les retours de la communauté indiquent que le modèle possède des “connaissances de niveau doctorat” et peut fonctionner de manière fluide sur des appareils edge comme l’iPhone. Cette avancée prouve à nouveau que grâce à une conception d’algorithme efficace et une optimisation RL, les modèles à petits paramètres peuvent égaler les performances des modèles de pointe dans des domaines spécifiques (Source : maximelabonne, huggingface)
Fuite de code de la version Android de ChatGPT concernant un plan d’insertion publicitaire : Des développeurs ont découvert des chaînes de caractères liées à la publicité telles que “ads feature” et “search ad” dans le code de la version bêta de ChatGPT pour Android. Bien que Sam Altman ait déclaré que la publicité était un “dernier recours”, OpenAI semble se préparer à monétiser ses utilisateurs gratuits face à une pression financière de 2,5 milliards de dollars de dépenses au premier semestre 2025. Les formats publicitaires prévus pourraient inclure des messages sponsorisés en barre latérale ou des “recommandations conversationnelles”, visant à monétiser l’intention sans interrompre la conversation naturelle. Cela annonce la fin de l’ère de la “pureté absolue” pour la recherche AI (Source : Zhimian AI)
NVIDIA publie la série Nemotron 3, axée sur le contexte long et les capacités d’Agent : NVIDIA a lancé la famille Nemotron 3 (Nano, Super, Ultra), utilisant une architecture hybride Mamba-Transformer et la technologie Mixture-of-Experts (MoE). Cette série de modèles supporte une longueur de contexte allant jusqu’à 1M et a bénéficié d’une optimisation post-entraînement pour le raisonnement d’Agent et les appels d’outils multi-étapes. La version Nano mène en précision parmi les petits modèles similaires avec un coût d’inférence extrêmement bas, tandis que la version Ultra vise des performances d’inférence de niveau SOTA. NVIDIA s’engage à rendre open-source les poids des modèles, les logiciels d’entraînement et les recettes, enrichissant davantage l’écosystème open-source (Source : Reddit)
SAM 3 : de la sélection de pixels à l’évolution vers les “concepts nommés” : Meta a publié SAM 3 (Segment Anything with Concepts), faisant passer la technologie de segmentation vidéo du mode “point-and-click” à la “reconnaissance de concepts”. L’utilisateur n’a qu’à saisir “personne portant des lunettes” pour que le modèle localise automatiquement tous les objets correspondants dans l’image ou la vidéo. Grâce à un entraînement automatisé sur 4 millions de concepts uniques, la précision de SAM 3 sur le benchmark vidéo complexe MOSEv2 est passée de 47,9 % à 60,3 %. Cette percée renforce considérablement la compréhension sémantique du monde visuel par l’AI, résolvant les problèmes d’occlusion et de cohérence dans la segmentation vidéo (Source : ylecun)
🧰 Outils
GAIT et GaitHub : un système de contrôle de version “Git” pour le raisonnement AI : Pour répondre au manque de traçabilité et de reproductibilité des décisions de l’AI, des développeurs ont lancé GAIT. Ce système traite les interactions AI comme des objets adressables par contenu, incluant l’intention de l’utilisateur, la réponse du modèle, les branches de raisonnement et l’état de la mémoire. Avec GAIT, les développeurs peuvent gérer le processus de raisonnement de l’AI comme du code : contrôle de version, expérimentation par branches et fusion de décisions. La plateforme cloud GaitHub associée permet la collaboration et l’audit, fournissant l’infrastructure d’ingénierie nécessaire aux flux de travail AI en entreprise et résolvant le mystère de la “boîte noire” décisionnelle (Source : Reddit)
DeepFabric : un framework de fine-tuning d’appels d’outils pour des services MCP spécifiques : DeepFabric est un outil open-source permettant aux développeurs de générer automatiquement des jeux de données de raisonnement spécifiques à n’importe quel serveur MCP ou ensemble d’outils. En exécutant des trajectoires d’outils réelles dans un environnement WebAssembly isolé, ce framework peut fine-tuner de petits modèles comme Qwen3-4B pour surpasser Claude 4.5 et Gemini 2.5 dans des tâches spécifiques (comme le contrôle de Blender). Cela offre une voie claire pour construire des Agents experts verticaux performants et à bas coût (Source : Reddit)
Quint : adieu au CLI, introduction d’une UI interactive pour les chatbots : Quint est une bibliothèque React conçue pour faire passer les interactions pilotées par LLM du texte pur vers une UI structurée et déterministe. Elle permet aux développeurs de définir des options explicites sur lesquelles l’utilisateur peut cliquer pour déclencher des affichages d’informations spécifiques ou des entrées structurées. Le concept central est de séparer la réception du modèle, le visuel utilisateur et le rendu de sortie, rendant les interactions plus contrôlables pour les MCQs ou les branches de jeux de rôle. Quint ne dépend d’aucun fournisseur d’AI spécifique, annonçant un futur où les LLM rendront directement des composants UI dynamiques (Source : Reddit)
📚 Apprentissage
Hugging Face publie une série de cours AI gratuits : Hugging Face a lancé pendant les vacances une matrice de cours gratuits couvrant les dernières technologies AI. Le contenu comprend : un cours de Robotics pour construire des robots avec LeRobot, un cours MCP pour apprendre le Model Context Protocol, un cours Agents pour la construction et le déploiement d’agents, ainsi que des tutoriels techniques approfondis sur les LLM, le Deep Reinforcement Learning et les Diffusion Models. Ces cours s’appuient sur l’écosystème HF pour aider les développeurs à maîtriser rapidement les compétences pratiques, des modèles de base aux architectures d’agents de pointe (Source : huggingface)
WildVideo : le premier benchmark classant systématiquement les hallucinations de Video QA : Une équipe de l’Université nationale de technologie de défense et de l’Université Sun Yat-sen a publié le benchmark WildVideo, définissant 9 types de tâches (perception, cognition, compréhension contextuelle, etc.) pour traiter le problème des “hallucinations” des modèles multimodaux dans les interactions vidéo. Les expériences montrent que même GPT-4o n’atteint qu’une précision de 52,7 % dans les tâches multi-tours, avec des performances moindres dans les vidéos à la première personne. Ce benchmark fournit un outil de précision pour diagnostiquer les défauts des modèles en perception dynamique, raisonnement profond et cohérence de dialogue long (Source : Xinzhiyuan)
PhononBench : une nouvelle mesure pour évaluer la stabilité des cristaux générés par AI : PhononBench est le premier benchmark à grande échelle ciblant la stabilité dynamique des cristaux générés par AI. Utilisant la fonction de potentiel MatterSim, il a calculé efficacement plus de 100 000 structures produites par six modèles génératifs de pointe. Les résultats révèlent les limites actuelles des modèles : la stabilité moyenne n’est que de 25,83 %. Ce travail souligne non seulement les lacunes des modèles génératifs en termes de faisabilité physique, mais a également permis de filtrer 28 000 structures cristallines stables, offrant un vivier de candidats fiables pour l’exploration future de nouveaux matériaux (Source : HuggingFace)
💼 Business
La “dette fantôme” de 120 milliards de dollars des géants de l’AI suscite des inquiétudes : Des géants technologiques comme Meta, xAI et Oracle déplacent plus de 120 milliards de dollars de dépenses liées aux centres de données hors de leurs bilans via des véhicules à but spécial (SPV). Ce modèle de financement hors bilan protège les notations de crédit des entreprises mais dissimule des risques financiers majeurs. Si la demande en AI est inférieure aux attentes, cette dette massive pourrait provoquer des réactions en chaîne à Wall Street. Les données d’UBS montrent qu’environ 125 milliards de dollars ont afflué vers ce type de “financement de projet” cette année, reflétant une phase de jeu de capital à haut risque dans la course aux armements AI (Source : Cailian Press)
L’action “miracle” de l’AI indienne bondit de 550 fois sans aucune activité de puces : Le cours de l’action de l’indien RRP Semiconductor Ltd a explosé de 55 000 % au cours des 20 derniers mois, portant sa capitalisation boursière à 1,7 milliard de dollars, dépassant même la croissance de NVIDIA. Cependant, une enquête a révélé que l’entreprise ne compte que 2 employés officiels, n’exerce aucune activité de fabrication de semi-conducteurs et affiche même des revenus négatifs. Ce phénomène absurde reflète l’engouement aveugle des investisseurs particuliers indiens pour le concept d’AI et les lacunes réglementaires, devenant un avertissement spéculatif typique de la bulle AI de 2025 (Source : Xinzhiyuan)
La demande de calcul AI fait grimper le prix de la mémoire 256GB au-delà de celui de la RTX 5090 : Alors que des géants comme OpenAI verrouillent 40 % de l’offre mondiale de DRAM, le marché de la mémoire connaît une pénurie structurelle. Le prix d’une seule barrette de 256GB DDR5 a grimpé entre 3 500 et 5 000 dollars, dépassant de loin les cartes graphiques haut de gamme. Ce phénomène reflète comment les enchères extrêmement élevées des serveurs AI pour la HBM et la mémoire haute performance “détournent” les capacités de production grand public. Au-delà des composants PC, le besoin vital de mémoire massive pour le concept d’AI PC augmente encore la barrière à l’entrée, les consommateurs ordinaires faisant face à une explosion des coûts matériels due à la prime AI (Source : Ji Qi Zhi Xin)
🌟 Communauté
Bilan des mots-clés AI de 2025 : du “Vibe Coding” au “Slop” : La MIT Technology Review a sélectionné les mots AI de l’année, avec le “Vibe Coding” en tête, soulignant que l’humain n’a qu’à exprimer un objectif et l’AI se charge de la réalisation. Parallèlement, les “modèles de raisonnement” et les “modèles du monde” reflètent l’évolution de la profondeur technique, tandis que le “Slop” (contenu poubelle généré par AI) et la “bulle” traduisent les réflexions de la communauté sur la prolifération des contenus et la surchauffe du capital. De plus, le “GEO” (Generative Engine Optimization) remplace le SEO comme nouveau champ de bataille pour le trafic à l’ère de l’AI (Source : Tencent Technology, Guixing GenAI)
Partagé par Yann LeCun : les “sept fissures” du jugement entre les humains et les LLM : Un article compare les différences de jugement entre les humains et les LLM à travers sept étapes cognitives, soulignant que les LLM présentent des défauts fondamentaux dans l’ancrage perceptif, l’orientation motivationnelle, le raisonnement causal et la métacognition. Bien que le langage généré par les LLM soit fluide et trompeur, son essence est la prédiction probabiliste et non un “esprit”. Les discussions communautaires estiment que ce “sentiment d’intelligence artificielle” est extrêmement trompeur en l’absence de vérification, les humains ayant tendance à trop faire confiance aux sorties de l’AI par “biais de crédit”, ce qui constitue un défi structurel de l’ère AI (Source : ylecun)
Débat sur Reddit : utiliser ChatGPT comme outil de réhabilitation cognitive : Un utilisateur ayant des antécédents de PTSD a partagé son expérience d’utilisation de ChatGPT pour un soutien cognitif structuré. Grâce à des interactions dialoguées à long terme, l’utilisateur a réalisé des progrès significatifs reconnus par les cliniciens en régulation émotionnelle, organisation logique et auto-représentation. La communauté a réagi vivement, le débat se concentrant sur la manière dont l’AI peut servir de “miroir de cohérence” pour aider à la réhabilitation psychologique, tout en mettant en garde contre une dépendance excessive et les effets d‘“écho” potentiellement trompeurs de l’AI (Source : Reddit)
💡 Autres
Inversion complète de la maladie d’Alzheimer lors d’expérimentations animales : Une équipe de recherche de l’Université Case Western Reserve a publié une percée dans Cell Reports Medicine : en utilisant le composé P7C3-A20 pour restaurer l’équilibre du NAD+ dans le cerveau, ils ont réussi une récupération complète des fonctions nerveuses chez des souris atteintes d’Alzheimer à un stade avancé. Contrairement à une supplémentation aveugle en NAD+, cette thérapie se concentre sur une régulation précise, réparant non seulement les dommages pathologiques mais restaurant également la capacité de mémoire. Bien que l’application humaine prenne encore du temps, cela ouvre une porte d’espoir pour une “guérison totale” de la maladie d’Alzheimer (Source : dotey)
Le robot à câbles de Stardust Intelligence en poste pour vendre des boîtes mystères : Le jour de Noël, le robot humanoïde à câbles S1 développé par Stardust Intelligence a officiellement commencé à “travailler” dans plusieurs zones commerciales de Pékin, Shanghai et Guangzhou, s’occupant de l’accueil vocal, de la saisie de boîtes mystères (blind boxes) et de la livraison de marchandises. La technologie de transmission par câbles confère au robot une flexibilité et un contrôle de force précis similaires aux muscles humains, le rendant plus sûr et plus réactif dans les interactions homme-machine. Le concept d‘“Intelligence Avatar” proposé par l’entreprise vise à permettre aux robots d’entrer d’abord dans des scénarios réels tels que des laboratoires toxiques ou des services à distance via la téléopération (Source : Zhineng Yongxian)
Le tube musical AI “Seven Days Lover” déclenche un conflit entre copyright et attention : “Seven Days Lover”, généré par un programmeur utilisant DeepSeek et des outils de musique AI, a dépassé les 2 millions d’écoutes sur NetEase Cloud Music, et ses droits d’auteur ont été vendus pour des dizaines de milliers de yuans. Cet événement prouve que la musique AI possède désormais une réelle capacité de monétisation et bouscule le système traditionnel du copyright. Qishui Music de ByteDance définit des parcours de succès via l’écosystème Douyin, tandis que Tencent et NetEase maintiennent une surveillance stricte sur la révision et la distribution des revenus. L‘“offre infinie” apportée par l’AI force les plateformes à passer d’une course au copyright à une guerre d’efficacité de distribution de l’attention (Source : Shixiang)
