Mots-clés：Grand modèle d’IA, IA open source, Percée de la recherche en IA, Modèle hybride d’experts Inkling, Statistiques GPT-5.6 Sol, Inférence embarquée Kimi K3
🔥 À la une
Thinking Machines lance Inkling, son premier grand modèle open-source : Fondée par l’ancienne CTO d’OpenAI, Thinking Machines a publié Inkling, son premier modèle AI développé en interne. Ce modèle adopte une architecture MoE (Mixture of Experts) avec un total de 975 milliards de paramètres, activant 41 milliards de paramètres par inférence, et prend en charge un contexte de 1 million de tokens. Entièrement open-source sous licence Apache 2.0, Inkling prend en charge des entrées multimodales natives (texte, image et audio) et supporte le fine-tuning via la plateforme Tinker, mettant l’accent sur un excellent rapport performance-prix et une intensité d’inférence contrôlable (Sources : Thinking Machines, HuggingFace Blog, THE DECODER, 机器之心)
GPT-5.6 Sol résout une énigme statistique vieille de 30 ans : Edgar Dobriban, professeur de statistiques à la Wharton School de l’Université de Pennsylvanie, a utilisé GPT-5.6 Sol Pro d’OpenAI pour réfuter (disprove) en 90 minutes la conjecture selon laquelle la procédure de Benjamini-Hochberg (BH) contrôle le FDR sous des tests gaussiens bilatéraux corrélés. Ce problème, qui laissait la communauté statistique perplexe depuis 20 ans, n’avait pas pu être résolu par GPT-5.5 même après 20 heures d’exécution. L’AI a réussi à construire un contre-exemple à partir de zéro, démontrant sa capacité d’« intuition créative » dans l’exploration scientifique (Sources : akbirkhan, THE DECODER, 机器之心)
Kimi K3 (Kivine) révélé sur LMArena et officiellement lancé : Moonshot AI a officiellement lancé Kimi K3, dont la version bêta avait précédemment fait sensation dans l’arène LMArena sous le nom de modèle anonyme « Kivine ». K3 dispose d’un total de 2,8T de paramètres, prend en charge un contexte de 1 million de tokens, et se concentre sur le code, le raisonnement à long terme et la compréhension visuelle. Sur le plan technique, il adopte les architectures Kimi Delta Attention (KDA) et Attention Residuals. Ses performances dans la génération de code front-end 3D et les tâches d’essaim d’agents (Agent Swarm) rivalisent avec, voire dépassent, celles de Claude Fable 5 (Sources : scaling01, THE DECODER, 36氪)
PrismML lance Bonsai 27B, un modèle d’inférence sur l’appareil : Fondé par une équipe de recherche de Caltech, PrismML a publié Bonsai 27B. Basé sur Qwen3.6-27B, il utilise des technologies de quantification 1-bit et Ternary pour compresser le modèle respectivement à 3,9 Go et 5,9 Go. Ce modèle peut fonctionner de manière fluide directement sur iPhone, conservant 90 % à 95 % de ses performances d’origine, avec une inférence unique ne nécessitant que 1,8 Go à 5,2 Go de VRAM. Apple teste actuellement cette technologie de compression afin de combler (closing) ses lacunes dans le domaine de l’AI locale (Sources : THE DECODER, PrismML-Eng/Bonsai-demo)
Galbot lance WAM-TTT, le premier framework de post-entraînement au moment du test : Galbot (银河通用) a publié WAM-TTT, le premier framework mondial de post-entraînement au moment du test (TTT – Test-Time Training) pour les grands modèles incarnés (embodied AI). Ce framework gèle les poids du modèle de base et utilise uniquement un module de mémoire à poids rapides (fast-weight memory) léger pour permettre aux robots de s’adapter rapidement à de nouveaux scénarios lors de la phase de déploiement en visionnant des vidéos humaines non étiquetées. Cela réduit considérablement la dépendance aux données de téléopération sur de vraies machines, évite l’oubli catastrophique et boucle la boucle de l’apprentissage continu de l’intelligence incarnée, du pré-entraînement au déploiement (Sources : 量子位)
🎯 Tendances
OpenAI présente GPT-Red, un système de red-teaming automatique : OpenAI a entraîné un modèle interne de red-teaming automatique nommé GPT-Red. Grâce à un mécanisme d’apprentissage par renforcement en self-play, il attaque spécifiquement et recherche les vulnérabilités telles que l’injection de prompts dans d’autres modèles. Sous l’entraînement intensif de GPT-Red, le tout nouveau GPT-5.6 Sol a vu sa résistance aux attaques par injection de prompt multipliée par 6, avec un taux d’échec chutant considérablement sous la barre des 23 % (Sources : THE DECODER, OpenAI News)
L’équipe Lizhi de HIT open-source Lychee-FD, un grand modèle vocal full-duplex : L’équipe du grand modèle Lizhi de HIT (Harbin Institute of Technology) Shenzhen a open-sourcé Lychee-FD, un grand modèle vocal full-duplex natif de bout en bout, qui a remporté le prix du meilleur article (Outstanding Paper) à l’ACL 2026. Cette recherche révèle pour la première fois le conflit de gradient entre la parole et la sémantique dans les réseaux profonds. Grâce à une modélisation sémantique-acoustique hiérarchique et un framework d’inférence multi-flux parallèle, elle permet une interaction vocale homme-machine en temps réel, hautement intelligente et à faible latence (Sources : 机器之心)
Mise à jour silencieuse pour Google Gemma 4 : Google a effectué une mise à jour sans changement de version de son modèle open-source Gemma 4. La nouvelle version prend en charge Flash Attention 4, ce qui améliore la latence du premier token (Time to First Token) et la vitesse d’inférence sur les GPU Hopper de 25 % à 70 %. Elle corrige également des bugs liés au tool calling et réduit considérablement les problèmes de réponses tronquées. De plus, les utilisateurs peuvent ajuster les paramètres pour prendre en charge l’OCR visuel sur des images allant jusqu’à 2,51 MP (Sources : THE DECODER, osanseviero)
Infinigence AI et l’Université de Tsinghua publient conjointement RLinf v0.3 : RLinf, le premier projet mondial d’infrastructure d’apprentissage par renforcement à grande échelle pour l’évolution continue de l’intelligence incarnée, a été mis à niveau vers la version v0.3. Cette nouvelle version relie l’ensemble de la chaîne : collecte de données, SFT, RL, évaluation et déploiement sur de vraies machines. Elle ajoute le support de 6 modèles incarnés majeurs, dont Dexbotic DM0, DreamZero et GR00T, ainsi que de 5 environnements de simulation comme Genesis, permettant un entraînement unifié multi-robots et multi-matériels (Sources : 量子位)
LightSpec open-source le premier système d’inférence MTP dynamique universel : L’Université Jiao Tong de Shanghai, l’Université de Beihang et l’équipe LightLLM ont open-sourcé conjointement LightSpec, un système d’inférence dynamique de prédiction multi-tokens (MTP – Multi-Token Prediction). Ce système adopte une conception de planification dynamique en deux étapes sans entraînement (Training-free), décidant automatiquement de la validation et du budget de brouillon, éliminant complètement les dépendances de données entre le planificateur et l’exécution GPU, et prenant parfaitement en charge divers modèles de brouillon (draft models) tels que DSpark et Eagle3 (Sources : 机器之心)
Perplexity open-source SPACE, une plateforme de bac à sable sécurisée pour agents : Perplexity a open-sourcé sa plateforme interne de bac à sable Space, utilisée pour ses agents Computer. Gérant 100 % du trafic de production depuis juin, cette plateforme utilise le système de copie sur écriture rapide (COW) de Btrfs et des technologies de double snapshot pour fournir un environnement d’exécution hautement isolé pour les tâches d’agents à long cycle, réduisant considérablement la consommation de mémoire des VM et la latence de récupération (Sources : AravSrinivas, AI Business)
Apple Intelligence en Chine intégrera Alibaba Qwen et Baidu Ernie : L’Administration du cyberespace de Chine (CAC) a approuvé l’enregistrement des services Apple Intelligence en Chine. ChatGPT et d’autres services similaires n’étant pas disponibles dans le pays, la version chinoise d’Apple Intelligence adoptera un partenariat avec des grands modèles locaux : Alibaba Qwen fournira la compréhension multimodale de textes et d’images, tandis que Baidu sera responsable du support vocal de Siri et de la recherche visuelle. Cela apporte un trafic massif au niveau du système et des scénarios de validation pour ces deux géants de la tech (Sources : TechCrunch, CNBC)
Force Dynamics lance DW0.5, un modèle de monde incarné : Force Dynamics (原力灵机) a publié son premier modèle de monde incarné, DW0.5, et l’a intégré au framework d’apprentissage par renforcement DFOL 2.0. DW0.5 comprend trois modules d’experts : vidéo, action et valeur. Il considère l’action comme un a priori fort, prenant en charge la simulation physique haute fidélité et la simulation de trajectoires d’échec. Cette boucle fermée de type Learned Environment permet de réduire de 60 % le besoin en données réelles lors du post-entraînement (Sources : 量子位)
🧰 Outils
OpenAI et Work Louder lancent le clavier physique Codex Micro : OpenAI a présenté son premier matériel personnalisé, le Codex Micro, vendu au prix de 230 dollars. Conçu spécifiquement pour la programmation avec des agents Codex, cet appareil est équipé de 6 touches « Agent » avec retour d’état RGB, d’un joystick pour déclencher des flux de travail comme les revues de PR, et d’un bouton rotatif pour ajuster l’intensité d’inférence du modèle. L’objectif est de réduire les allers-retours fréquents des développeurs entre la fenêtre de chat et l’éditeur de code (Sources : THE DECODER, op7418)
xAI open-source le code de Grok Build, son agent de programmation en ligne de commande : Après une controverse sur la vie privée concernant le téléchargement silencieux de l’intégralité des dépôts de code des utilisateurs, xAI a annoncé l’open-sourcing du code source Rust de Grok Build (sous licence Apache 2.0). Grok Build prend en charge l’exécution locale, la gestion de versions Git et le protocole ACP. xAI a désactivé la conservation des données côté serveur afin d’offrir une garantie de confidentialité totalement transparente à la communauté (Sources : THE DECODER, Hacker News)
BaoCut : un Agent Skill de prémontage vidéo piloté par le langage naturel : Le développeur @dotey a créé BaoCut, un outil de transcription et de prémontage vidéo piloté par le langage naturel. Cet outil peut être installé en tant qu’Agent Skill sur Claude Code ou Codex. Il permet de transcrire, filtrer les tics de langage, traduire et exporter des sous-titres pour des vidéos ou des liens YouTube via une simple ligne de commande, faisant gagner un temps précieux aux créateurs de contenu et aux éditeurs (Sources : dotey)
1Password lance l’Agentic Mode pour les agents AI : Le gestionnaire de mots de passe 1Password a lancé son Agentic Mode, avec un support initial pour Claude. Cette fonctionnalité permet aux agents AI de se connecter automatiquement à des sites web autorisés comme Stripe ou Audible via un proxy 1Password dans le navigateur, sans avoir d’accès direct aux mots de passe en clair ou aux codes MFA de l’utilisateur, assurant ainsi une isolation sécurisée pour chaque session (Sources : ZDNet)
Raft 1.0 : un espace de travail collaboratif pour les équipes d’agents AI : RC, ancien développeur de Kimi CLI chez Moonshot AI, a publié Raft 1.0. Cet outil intègre la collaboration multi-agents, les sessions de terminal et la gestion des compétences dans une interface de messagerie instantanée de type équipe unifiée. Il permet à plusieurs agents de fonctionner en mode équipe, évitant ainsi aux utilisateurs de transférer manuellement le contexte entre plusieurs terminaux et sessions (Sources : _akhaliq)
LlamaParse lance Conversational Extract, une fonction interactive d’extraction de documents : LlamaParse, filiale de LlamaIndex, a lancé Conversational Extract. Les utilisateurs peuvent définir un schéma d’extraction via une conversation en langage naturel. En téléchargeant un document de référence, l’agent génère automatiquement un JSON Schema et effectue une localisation structurée, des citations et une extraction de confiance sur des millions de documents (Sources : jerryjliu0)
OpenWiki open-source Personal Brain, un outil de création de base de connaissances personnelle : OpenWiki a open-sourcé Personal Brain. Cet outil permet de se connecter directement à un compte X (Twitter) et d’utiliser un agent de mémoire AI pour extraire et pondérer de manière structurée les tweets et signets quotidiens de l’utilisateur, l’aidant ainsi à construire une base de connaissances LLM basée sur son empreinte numérique personnelle (Sources : hwchase17)
📚 Apprentissage
PUMA : un framework d’arrêt précoce basé sur la convergence sémantique pour les grands modèles de raisonnement : Des équipes de l’Université de Tsinghua et de Google Research ont proposé PUMA, un framework d’arrêt précoce (early stopping) pour le raisonnement. Contrairement aux méthodes traditionnelles qui se concentrent uniquement sur la stabilité des réponses, PUMA évalue la convergence en surveillant la redondance sémantique des étapes de raisonnement. Il réduit en moyenne de 26,2 % les tokens sur des benchmarks comme MATH et GPQA tout en maintenant une grande précision, et peut être transféré de manière transparente au code et au raisonnement multimodal (Sources : 机器之心)
CLaRa : un framework RAG basé sur le raisonnement dans un espace latent continu : Apple et l’Université d’Édimbourg ont proposé le framework CLaRa. Cette méthode réalise une compression de documents basée sur les embeddings et une optimisation conjointe dans un espace continu. En entraînant de bout en bout le reranker et le générateur via un estimateur Top-k différentiable, elle maintient des performances SOTA même avec un taux de compression de texte de 16x (Sources : Apple Machine Learning Research)
One Layer Is Enough : un framework d’adaptation pour encodeurs visuels pré-entraînés : L’équipe d’Apple a proposé FAE (Feature Auto-Encoder), un framework d’adaptation pour la génération d’images. Ce framework ne nécessite qu’une seule couche d’attention pour adapter les caractéristiques visuelles de haute dimension (comme DINO, SigLIP) en latents de génération de basse dimension, atteignant des performances SOTA dans la génération d’images ImageNet 256×256 (Sources : Apple Machine Learning Research)
cangjie-skill : un outil open-source pour distiller du contenu de haute valeur en Agent Skills : Le projet open-source cangjie-skill utilise le processus RIA-TV++ pour distiller de manière structurée des livres, des transcriptions vidéo et des podcasts en Skills directement utilisables par Claude Code ou Cursor. Il propose une validation multidimensionnelle et des tests de résistance, permettant une réutilisation structurée des connaissances (Sources : GitHub Trending)
Microsoft et ses partenaires proposent OAT, un modèle non supervisé de diagnostic de pannes pour les trajectoires d’agents : Des équipes de Microsoft et d’autres institutions ont proposé OAT, un modèle de diagnostic de pannes pour les trajectoires d’agents. Ce modèle effectue un apprentissage de classe unique (one-class learning) uniquement sur les trajectoires réussies, en utilisant des équations différentielles ordinaires neuronales (Neural ODEs) pour modéliser la dynamique de succès. Lors de l’inférence, il localise rapidement les étapes d’échec en fonction du degré de déviation, fonctionnant des milliers de fois plus vite que les pipelines basés sur des Prompts (Sources : omarsar0, HuggingFace Daily Papers)
💼 Business
Jingshuo Technology devient indépendante après son incubation par WeRide : Fondée par Huo Da, le premier employé de WeRide (文远知行), Jingshuo Technology a officiellement commencé ses opérations indépendantes. L’entreprise se concentre sur la construction d’infrastructures de données pour l’intelligence incarnée, lançant la boucle fermée de données WorldEngine, le modèle de monde GENESIS-Robotics et la boîte à outils prête à l’emploi SkillForge, afin de résoudre le problème du manque de données dans l’embodied AI (Sources : 量子位)
Fireworks AI annonce une levée de fonds de 150 millions de dollars en série D : La plateforme d’API pour développeurs Fireworks AI a annoncé la clôture d’un tour de table de série D de 150 millions de dollars, portant sa valorisation à 17,5 milliards de dollars. L’ARR de l’entreprise a dépassé le milliard de dollars, servant plus de 40 billions de Tokens par jour, dont plus de 95 % proviennent de modèles exclusifs personnalisés à partir des données des clients (Sources : natolambert)
China Mobile investit stratégiquement dans l’entreprise d’intelligence industrielle U-Machine : L’entreprise d’intelligence industrielle U-Machine (友机技术) a bouclé ses levées de fonds de séries B et C, avec l’entrée stratégique du fonds d’investissement de la chaîne industrielle de China Mobile. U-Machine se concentre sur l’intelligence des machines-outils industrielles. Son système de simulation auto-développé UJ-Ucut réalise des simulations multiphysiques haute fidélité et une optimisation intelligente des processus pilotée par l’AI (Sources : 量子位)
🌟 Communauté
Hugging Face et AskAlphaxiv lancent le défi de reproduction d’articles ICML 2026 : Face au problème selon lequel « 70 % de la recherche en AI n’est pas reproductible », Hugging Face s’est associé à AskAlphaxiv pour lancer un défi communautaire de 3 semaines. Les participants peuvent utiliser des agents de recherche automatiques pour tenter de reproduire tous les articles acceptés à l’ICML 2026 et contribuer à des artefacts open-source. Les meilleures équipes recevront une récompense de 4 500 $ en puissance de calcul GPU (Sources : ClementDelangue, _akhaliq)
Le format GGUF pour le déploiement local de grands modèles plébiscité par la communauté : Les développeurs soulignent que, dans le déploiement et la distribution réels, le format GGUF l’emporte largement grâce à ses avantages : aucune configuration d’environnement requise et possibilité de fonctionner localement sur Mac/PC sans louer de GPU. En revanche, le format safetensors domine principalement dans les phases d’entraînement et de recherche des modèles (Sources : _akhaliq)
Inquiétudes concernant l’homogénéisation des bases de code et l’« atrophie cérébrale » causées par la programmation assistée par AI : Lors d’un discours à Stanford, Sam Altman a admis avoir sous-estimé la vitesse du changement éducatif, s’inquiétant du fait qu’une dépendance excessive à l’AI puisse entraîner un déclin de la pensée critique et de l’intuition de programmation chez l’humain. La communauté exprime également son rejet de l’uniformité des contenus générés automatiquement par l’AI, tels que les mini-séries et les romans en ligne (Sources : 36氪, 36氪)
💡 Divers
Le Vesuvius Challenge lance un nouveau grand prix de 1 million de dollars : Le Vesuvius Challenge a annoncé un nouveau grand prix de 1 million de dollars visant à utiliser des algorithmes d’image AI et de 3D pour lire les textes non encore découverts dans les rouleaux d’Herculanum carbonisés par les cendres volcaniques, avec des prix de progression mensuels de 20 000 $ (Sources : natfriedman)
Sakana AI présente ses modules cellulaires intelligents Smart Cellular Bricks : Sakana AI a publié une étude dans Nature Communications, utilisant des automates cellulaires neuronaux 3D (3D NCA) pour permettre à chaque module cubique identique de former spontanément une classification de forme globale et de se régénérer en cas de dommage, uniquement en communiquant avec les modules adjacents (Sources : 机器之心)
La conférence académique WAICA restructure les règles d’évaluation des sommets AI : Présidée par l’académicien Andrew Yao (姚期智), la première Conférence mondiale sur l’intelligence artificielle – Académique (WAICA) a lancé un mécanisme pionnier de « présélection assistée par AI + commentaires ouverts de l’ensemble du Program Committee (PC) », et prend en charge un paradigme de soumission « AI-native » permettant d’intégrer du contenu multimédia tel que de l’audio et de la vidéo dans les articles (Sources : 量子位)