Mots-clés：Architecture de supercalculateur IA, Grand modèle, Agent IA, Architecture de supercalculateur Rubin, MiroThinker 1.5, Hyperconnexion à contrainte de variété
🔥 Focus
NVIDIA lance l’architecture de supercalcul Rubin : de « vendeur de pelles » à « vendeur d’ateliers de productivité » : Jensen Huang a présenté la nouvelle architecture de supercalcul AI Vera Rubin au CES 2026. Cette architecture n’est pas une simple mise à niveau de carte graphique, mais un système d’intégration verticale regroupant six puces dédiées, dont le Vera CPU, le Rubin GPU et le NVLink 6. Rubin vise à résoudre les problèmes de mise à l’échelle des systèmes, promettant une augmentation de 10 fois du débit d’inférence, une réduction des besoins en GPU pour l’entraînement de modèles à mille milliards de paramètres au quart de ceux de Blackwell, et une division par dix du coût par Token. Ce mouvement marque la volonté de NVIDIA de construire un fossé défensif via une optimisation au niveau système, transformant l’empilement de puissance de calcul d’un « assemblage manuel » en une « ligne de production standardisée », annonçant l’ère de l’inférence abordable (Source : 36氪, TheRundownAI)
Lancement choc de MiroThinker 1.5 : un modèle 30B rivalisant avec GPT-5-High : L’équipe MiroMind, financée par Chen Tianqiao (TCCI) et dirigée par le professeur associé de Tsinghua Dai Jifeng, a publié MiroThinker 1.5. Avec seulement 30B de paramètres, ce modèle rivalise avec GPT-5-High et DeepSeek-V3.2 dans des benchmarks complexes tels que HLE et BrowseComp. Sa technologie clé, l’« Interactive Scaling », améliore les performances en entraînant le modèle à gérer des interactions plus profondes et plus fréquentes entre l’Agent et son environnement. Ce résultat prouve qu’une petite équipe d’élite peut encore redéfinir le paysage de l’AGI grâce à des choix d’architecture judicieux (comme se concentrer sur la modélisation d’Agent plutôt que sur le simple pré-entraînement) (Source : GitHub, ZhihuFrontier)
DeepSeek publie Manifold-Constrained Hyper-Connections (mHC) : une percée majeure pour l’architecture Transformer : L’équipe DeepSeek a publié un papier intitulé « Manifold-Constrained Hyper-Connections », proposant une nouvelle solution pour élargir le flux résiduel sans provoquer d’effondrement de l’entraînement. Cette technologie résout les problèmes d’instabilité, de scalabilité et de surcharge de mémoire dans l’entraînement de modèles ultra-profonds. Signée personnellement par le CEO Liang Wenfeng, elle est considérée comme l’une des améliorations architecturales les plus fondamentales depuis la naissance du Transformer en 2015. Les expériences montrent d’excellentes performances sur un modèle de 27B paramètres avec 60 couches de profondeur, suggérant que DeepSeek V4 pourrait adopter une architecture plus profonde et plus large (Source : nrehiew_, Reddit)
L’acquisition de Manus par Meta sous examen réglementaire chinois : Selon des sources proches du dossier, le ministère chinois du Commerce évalue l’acquisition de la startup d’AI Agent Manus par Meta pour 2 milliards de dollars, afin de déterminer si elle enfreint les réglementations sur le contrôle des exportations technologiques. L’examen porte sur la légalité de la migration vers Singapour des actifs numériques et des technologies développés par l’équipe pendant son séjour en Chine. Cette mesure reflète la haute sensibilité des régulateurs face à la fuite des talents de pointe et des technologies clés en AI, et pourrait susciter des débats profonds sur les limites entre contributions open-source et transferts technologiques transfrontaliers (Source : dotey, teortaxesTex)
🎯 Tendances
Mise à jour majeure du papier DeepSeek-R1 : de 22 à 86 pages : La documentation technique de DeepSeek-R1 a été considérablement enrichie, révélant en détail le processus d’auto-évolution de R1-Zero, les détails d’évaluation, les stratégies de distillation et des expériences d’ablation plus approfondies. Ce mouvement est perçu par la communauté comme le signe avant-coureur de la sortie de DeepSeek V4 ou R2, démontrant une expertise profonde dans le domaine de l’apprentissage par renforcement et des modèles de raisonnement. Le nouveau contenu offre une référence de grande valeur pour comprendre la logique interne des modèles de raisonnement (Source : dejavucoder, MachineLearning)
OpenAI développe secrètement un appareil grand public en forme de stylo : un défi pour l’iPhone : Des rumeurs indiquent qu’OpenAI travaille sur un matériel AI en forme de stylo, nom de code « Third Core Device », d’une taille proche d’un iPod Shuffle. Équipé d’un microphone et d’une caméra, l’appareil possède des capacités de perception environnementale. Sa fonction principale est de convertir en temps réel des notes manuscrites en texte et de les télécharger sur ChatGPT. Cette initiative montre l’ambition d’OpenAI de contourner les systèmes mobiles existants pour occuper directement l’interface utilisateur via un matériel AI natif (Source : Reddit)
Runway lance GWM Worlds : un modèle de monde pour la simulation d’environnements en temps réel : Runway a présenté son dernier modèle de monde, GWM Worlds. À partir d’une simple image statique, le modèle peut générer un espace 3D immersif et explorable à l’infini, incluant une simulation en temps réel de la géométrie, de la lumière et de la physique. Cette technologie vise à offrir de nouveaux moyens de génération d’environnements interactifs pour la production cinématographique et le développement de jeux, marquant le passage de l’AI de la génération de vidéo à la génération de mondes interactifs (Source : c_valenzuelab)
DFlash : la technologie de speculative decoding accélère Qwen3 par 6,2x : L’équipe de Zhijian Liu a lancé DFlash, utilisant la « block diffusion » pour l’échantillonnage spéculatif. Elle a atteint une accélération sans perte de 6,2x sur Qwen3-8B, soit 2,5x plus rapide qu’EAGLE-3. La logique centrale est que « le modèle de diffusion se charge du brouillon, et le modèle auto-régressif de la validation », résolvant ingénieusement la lenteur d’inférence des LLM et démontrant le potentiel de la synergie entre modèles de diffusion et architectures auto-régressives (Source : jeremyphoward)
Tesla FSD relève le premier défi de traversée des États-Unis 100 % autonome : Le conducteur David Moss a utilisé le Tesla FSD pour effectuer un trajet de 2 732 miles entre Los Angeles et Myrtle Beach sans aucune intervention humaine, incluant le stationnement automatique aux stations Supercharger. Cela marque une étape où la technologie de conduite autonome basée sur des réseaux de neurones de bout en bout a atteint une robustesse extrêmement élevée, s’approchant du point critique de l’autonomie totale (Source : Reddit)
🧰 Outils
Cursor dévoile la « Dynamic Context Discovery » : le système de fichiers est la mémoire ultime de l’Agent : Cursor a publié un blog technique expliquant sa stratégie de gestion du contexte via le système de fichiers. En transformant les sorties longues en fichiers, en chargeant les compétences (Agent Skills) à la demande et en optimisant les descriptions d’outils MCP, Cursor a réduit la consommation de Tokens de 46,9 % tout en maintenant la qualité. L’idée centrale : plutôt que d’injecter massivement des informations au préalable, il vaut mieux laisser le modèle les récupérer activement via le système de fichiers au besoin. Cela rejoint le concept de Manus « le système de fichiers comme contexte » (Source : dotey, swyx)
Claude Desktop intègre l’interface locale Claude Code : Anthropic a mis à jour son application de bureau, y intégrant Claude Code avec une interface graphique. Les utilisateurs peuvent simplement passer en mode « Code » dans la barre latérale et sélectionner un dossier local pour coder et gérer des fichiers avec Claude dans un environnement hors terminal. Cela abaisse considérablement la barrière à l’entrée des outils de programmation AI, permettant aux développeurs peu familiers avec la ligne de commande d’utiliser efficacement les capacités d’Agent de Claude (Source : op7418)
Skywork lance Video Agent : capacités d’édition vidéo AI sur l’ensemble du flux : Skywork Videos Agent prend en charge le flux complet, de la génération de storyboards à l’édition de rushes. Les utilisateurs peuvent générer du contenu vidéo à partir de texte, d’images ou de frames de début/fin, et synthétiser musique et voix directement dans l’éditeur. Ses modèles d’effets spéciaux supportent la réutilisation en un clic, illustrant l’évolution des AI Agents de la simple génération de contenu vers la gestion de flux de travail créatifs complexes (Source : op7418)
NousCoder-14b : un modèle de programmation open-source de niveau compétition : Nous Research a publié NousCoder-14b, basé sur un post-entraînement de Qwen3-14B. Entraîné pendant 4 jours sur 48 GPU B200 via le framework Atropos, le modèle a atteint une précision Pass@1 de 67,87 % grâce à des récompenses d’exécution vérifiables (verifiable execution rewards). L’équipe a également ouvert l’intégralité de l’environnement RL, des benchmarks et de la pile d’entraînement, repoussant les limites de la communauté open-source en programmation logique complexe (Source : tokenbender, huggingface)
Memvid : une couche de stockage serverless sur un seul fichier pour les AI Agents : Memvid est un système de mémoire AI portable écrit en Rust. S’inspirant de la logique d’encodage vidéo, il regroupe données, embeddings et structures de recherche dans un seul fichier .mv2, offrant une vitesse de récupération locale inférieure à 5 ms. Cette conception permet aux AI Agents de transporter leur mémoire à long terme comme un disque dur, sans avoir besoin de pipelines RAG complexes ou de bases de données vectorielles côté serveur, idéal pour les Agents « offline-first » (Source : GitHub)
📚 Apprentissage
Le vétéran de Rust Steve Klabnik s’associe à Claude pour créer le nouveau langage Rue en 11 jours : Steve Klabnik, auteur de « The Rust Programming Language », a utilisé l’assistance de Claude pour écrire environ 100 000 lignes de code Rust en 11 jours, créant le langage système expérimental Rue. Ce projet montre comment l’AI peut réduire drastiquement le coût expérimental de la conception de langages, libérant les développeurs du codage fastidieux pour se concentrer sur la conception d’abstractions et la définition de contraintes. Ce cas a suscité un grand débat communautaire sur la nécessité de nouveaux langages à l’ère de l’AI (Source : 36氪)
Framework CogFlow : simuler la cognition humaine pour résoudre des problèmes mathématiques visuels : Un papier présente le framework CogFlow, qui simule la logique humaine de résolution de problèmes mathématiques via trois étapes : « Perception-Internalisation-Raisonnement ». Son « modèle de récompense d’internalisation des connaissances » garantit que le modèle intègre réellement les indices visuels plutôt que de chercher des raccourcis. Le dataset MathCog publié avec le papier contient 120 000 annotations d’alignement perception-raisonnement de haute qualité (Source : HuggingFace)
Système SOP : une solution de post-entraînement en ligne pour les modèles Visual-Language-Action (VLA) : Le système SOP permet l’entraînement en ligne distribué et multi-tâches de robots dans le monde physique. Grâce à une architecture en boucle fermée, les flottes de robots transmettent leurs flux d’expérience en temps réel à un apprenant sur le cloud et reçoivent des mises à jour de politique de manière asynchrone. Les expériences montrent que quelques heures d’interaction réelle suffisent à améliorer significativement les performances sur des tâches complexes comme le pliage de vêtements ou la mise en rayon (Source : HuggingFace)
💼 Business
Zhipu AI et MiniMax envisagent une IPO à Hong Kong : les licornes chinoises des grands modèles lancent une vague de cotations : Zhipu AI et MiniMax prévoient d’entrer en bourse à Hong Kong en janvier 2026, avec une levée de fonds estimée à environ 550 millions de dollars pour une valorisation d’environ 6,5 milliards de dollars. En 2024, le chiffre d’affaires de Zhipu était d’environ 44,7 millions de dollars, et celui de MiniMax d’environ 30,5 millions de dollars. Malgré les tensions commerciales, les deux entreprises sont jugées attractives grâce à leurs modèles techniques solides et leur base d’utilisateurs (220 millions pour MiniMax), marquant l’entrée de l’industrie chinoise de l’AI dans une phase de retour sur investissement (Source : bookwormengr, 36氪)
xAI lève 20 milliards de dollars : sa valorisation grimpe à 230 milliards de dollars : xAI, l’entreprise d’Elon Musk, a levé 20 milliards de dollars supplémentaires pour acquérir de la puissance de calcul et étendre ses capacités AI sur la plateforme X. L’avantage unique de xAI réside dans l’accès aux données en temps réel de X et à ses 250 millions d’utilisateurs actifs quotidiens. La stratégie de Musk est de « construire l’attention par l’AI », en utilisant le style humoristique et anti-conventionnel de Grok pour se différencier face à OpenAI et Anthropic (Source : TheRundownAI, Yuchenj_UW)
Kai-Fu Lee résume 2025 : de « l’usine du monde » à « l’usine d’Agents » : Le CEO de 01.AI, Kai-Fu Lee, souligne que 2025 est l’an un des AI Agents de raisonnement, le « moment DeepSeek » ayant remodelé le marché ToB. Il prédit qu’en 2026, nous entrerons dans l’ère « une personne, une équipe AI », où les systèmes multi-agents remodèleront les organisations comme les lignes de montage ont remodelé l’industrie. La Chine, forte de ses modèles open-source puissants et de sa base manufacturière, pourrait devenir l’usine mondiale d’Agents, modulant les capacités organisationnelles pour un déploiement 24/7 (Source : ZhihuFrontier)
🌟 Communauté
Réflexion expérimentale de Noam Brown : l’AI ne peut pas encore remplacer totalement les experts du domaine : Le chercheur de haut niveau en AI Noam Brown a tenté d’utiliser Codex et Claude Code pour écrire un solveur de poker. Bien que l’AI accélère le développement, elle commet fréquemment des erreurs, voire « induit en erreur » l’utilisateur sur la logique algorithmique, l’implémentation de l’interface graphique et la recherche d’algorithmes innovants. Selon lui, l’AI ressemble actuellement à un « compilateur instable » ; pour les tâches de recherche nécessitant un bagage disciplinaire profond, la validation et la correction par des experts humains restent indispensables (Source : polynoamial, SebastienBubeck)
Alerte sur les prix du matériel : les GPU, DRAM et NAND vont monter en flèche : Les discussions communautaires indiquent qu’en raison de l’explosion de la demande des centres de données et de la lutte pour les capacités de production par des géants comme OpenAI, les prix contractuels de la mémoire devraient augmenter de 55 à 60 % au premier trimestre 2026, et les prix des SSD ont déjà doublé. Le prix de la NVIDIA RTX 5090 pourrait grimper jusqu’à 5 000 dollars. Cela pousse les développeurs vers des modèles quantifiés plus efficaces (comme FLUX.2 quantized) et des frameworks d’inférence légers comme llama.cpp (Source : Reddit)
La fin du Prompt Engineering ? La règle du « Scratchpad » devient populaire : La communauté a découvert qu’au lieu de passer des semaines à rédiger des Persona et des contraintes complexes, il est plus efficace de demander simplement à l’AI d’utiliser un <scratchpad> pour brainstormer et s’autocritiquer avant de répondre. Ce mode de « pensée forcée » surpasse la plupart des prompts complexes sur les problèmes logiques. L’idée est que l’essence du Prompt Engineering consiste simplement à trouver des moyens de faire « ralentir » le modèle pour qu’il réfléchisse (Source : Reddit)
Vague de « morts subites » d’applications AI : en 2025, un outil AI disparaît chaque jour en moyenne : Les statistiques montrent qu’en 2025, près de 400 outils AI dans le monde ont cessé leurs services, incluant des applications de compagnie célèbres en Chine comme Maopaoya et Wow AI. Les causes principales d’échec sont : un trafic gonflé sans capacité de monétisation, une innovation limitée à une seule fonctionnalité et le franchissement de lignes rouges réglementaires. Cela marque le retour de l’entrepreneuriat AI vers le bon sens commercial (Source : 36氪)
💡 Autre
Agibot Genie Sim 3.0 : lancement d’une plateforme de simulation open-source pour l’intelligence incarnée : AGIBOT a lancé Genie Sim 3.0 au CES 2026, intégrant NVIDIA Isaac Sim et offrant un dataset synthétique de plus de 10 000 heures d’opérations robotiques réelles. La plateforme permet de générer des scénarios de simulation à grande échelle en quelques minutes, visant à réduire la dépendance de l’intelligence incarnée vis-à-vis du matériel physique et à accélérer l’itération des modèles (Source : ziran_pu)
Les risques de création de virus par l’AI suscitent des inquiétudes sécuritaires : La communauté débat vivement de la capacité de l’AI à concevoir des virus à partir de zéro, estimant que l’on n’est qu’à un pas d’une « arme biologique parfaite ». Les discussions appellent à renforcer la surveillance et les garde-fous sur les grands modèles dans le domaine biologique pour empêcher le détournement de la technologie pour créer de nouveaux agents pathogènes (Source : Reddit)
