Actualité par sujet

Nouveaux modèles d'IA

Les sorties de modèles d'IA, partout dans le monde : nouvelles versions, modèles ouverts, résultats annoncés.

Les 30 derniers faits, du plus récent au plus ancien.

21 novembre 2026

  • Le laboratoire de Mira Murati a publié le 20 novembre les poids d'Inkling 2 Mini. C'est un MoE de 26,4 Md de paramètres, dont 3,4 Md sont actifs par token, ou 5,4 Md si l'on compte les boucles. Il est « bouclé » : ses 24 couches sont réparties en quatre blocs, et les deux blocs du milieu sont exécutés trois fois par token. Le modèle a été obtenu en élaguant les deux tiers des experts (de 384 à 128 par couche). Il pèse environ 20 Go, surtout en NVFP4. Scores annoncés par le laboratoire : 79,2 % sur SWE-bench Verified, 48,2 % sur DeepSWE v1.1 et 79,0 % sur BrowseComp. Il reste derrière Qwen3.8-27B sur MultiChallenge et ComplexConstraints. Artificial Analysis le place au niveau de Qwen3.8-27B sur son indice d'intelligence, avec environ cinq fois moins de paramètres actifs. Le modèle est sur Hugging Face, sur Tinker et sur Ollama (Mac de 32 Go ou plus). Benchmarks autodéclarés ; la licence exacte n'est pas précisée sur la page d'annonce.

  • Fiabilité : source unique pour la date, licence contradictoire

    Notre édition d'hier couvrait Hy4 Flash. L'équipe Hunyuan a aussi publié les poids du modèle phare Hy4 (versions standard, FP8 et base). C'est un MoE de 770 Md de paramètres, dont 49 Md actifs, avec 256 experts routés et un contexte de 1 048 576 tokens. Il embarque un encodeur visuel de 1,23 Md de paramètres et un module de décodage spéculatif. Selon la fiche du modèle, Hy4 Base devance les bases DeepSeek-V4 sur MMLU (91,6) et MMLU-Pro (73,9). La fiche admet qu'« un écart notable demeure » avec les meilleurs modèles propriétaires en mathématiques de recherche et en coding long. Points de vigilance : la date de mise en ligne (20 novembre) ne vient que d'une source secondaire (CompleteAI Training). La fiche Hugging Face indique la « Tencent Hy License », alors que cette source parle d'Apache 2.0. Cette même source décrit Hy4 Flash comme un LLM multimodal de 224 Md de paramètres, et non comme un modèle texte-image : ce point de notre édition d'hier est donc à revérifier.

    SourceCompleteAI TrainingVoir dans l'édition du 21 novembre 2026

20 novembre 2026

  • Ce modèle texte et image, aux poids téléchargeables, accepte jusqu'à un million de tokens de contexte (TechNode, repris par The Neuron). Source unique ; nous n'avons pas trouvé de benchmark ni de licence détaillée.

    SourceTechNode, repris par The NeuronVoir dans l'édition du 20 novembre 2026
  • OpenAI annonce un accent plus constant, une exécution des tâches plus fiable et un mode veille moins cher pour les applications vocales (OpenAI Devs). Aucun chiffre de performance n'est publié.

    SourceOpenAI DevsVoir dans l'édition du 20 novembre 2026
  • Orange publie sur Hugging Face cinq modèles construits sur Qwen3 d'Alibaba pour le wolof, l'une des principales langues du Sénégal. Ils sont gratuits pour un usage non commercial (The Next Web).

    SourceThe Next WebVoir dans l'édition du 20 novembre 2026
  • Le modèle génère nativement en 8K et produit jusqu'à 10 images visuellement cohérentes par requête (TechNode). Source unique.

    SourceTechNodeVoir dans l'édition du 20 novembre 2026
  • Ce modèle scientifique de 321 Md de paramètres traite des entrées spécialisées comme des graphes moléculaires et des données de protéines. Ses poids sont publiés sur Hugging Face (The Neuron). Source unique ; aucune évaluation indépendante pour l'instant.

    SourceThe NeuronVoir dans l'édition du 20 novembre 2026
  • Ce modèle d'environ 9 Md de paramètres, à poids ouverts, réutilise ses couches pour augmenter le calcul sans ajouter de paramètres. Il accepte texte et images, avec un contexte de 512 000 tokens (TechNode). Source unique.

    SourceTechNodeVoir dans l'édition du 20 novembre 2026
  • Des testeurs ayant eu un accès anticipé disent qu'Astra demande trop souvent la permission et peine sur les tâches autonomes. OpenAI répond que les modèles ont sensiblement changé dans les derniers jours avant le lancement (Gizmodo). Latent Space classe pourtant Astra deuxième modèle de pointe, avec des coûts de benchmark nettement réduits. Les avis divergent, et les retours de testeurs ne sont pas une évaluation systématique.

    SourceGizmodoVoir dans l'édition du 20 novembre 2026

19 novembre 2026

  • Gemini 4 Neon se place entre Hydrogen (rapide) et Carbon (tâches longues les plus difficiles). Il vise le code complexe et le travail en entreprise, là où la vitesse et le coût comptent, avec une fenêtre de contexte d'un million de tokens. Prix : 3 USD par million de tokens en entrée (0,15 USD en cache) et 15 USD en sortie. Selon Google, il est 3e sur l'Intelligence Index d'Artificial Analysis (61), 1er sur son Coding Agent Index (58,6), à 65,2 % sur Terminal-Bench 4.1 et 2e sur le Vals Index (70,9 %). Côté cyber, il atteint 90,5 % sur SEC-bench Pro. Il est disponible dans l'API Gemini (offre payante), dans Antigravity, dans l'application Gemini (Pro et Ultra), et pour les défenseurs du programme Fairwind. Artificial Analysis confirme le classement de façon indépendante sur X. Selon des utilisateurs, il égale Opus 5.5 en code pour un coût moindre. Les benchmarks hors Artificial Analysis sont ceux de Google.

  • Premier modèle de RadixArk, DaisyRose-27B est un Qwen3.8-27B (dense) post-entraîné par apprentissage par renforcement avec le framework open source Miles. L'entraînement a porté sur environ 1 200 tâches d'agent longues (sessions jusqu'à un million de tokens), pendant 18 jours sur 144 H200. Terminal-Bench 4.1 (pass@1) passe de 5,6 % à 12,0 %, Terminal-Bench 2.1 de 73,0 à 75,5 et GPQA Diamond de 89,2 à 90,7. Les poids sont publiés sur Hugging Face (BF16, FP8, NVFP4) ; la licence n'est pas précisée. RadixArk annonce un coût d'entraînement inférieur de 57 % (37 % d'utilisation des FLOPs contre 16 % pour un trainer open source). Chiffres de l'éditeur.

18 novembre 2026

  • Fiabilité : chiffres de benchmark relayés, page OpenAI non consultée

    Lancés le 17 novembre dans ChatGPT Work, Codex et l'API (gpt-6.2-astra, gpt-6.2-sol). Astra vise le développement logiciel et la recherche, Sol le travail courant et les agents multi-étapes. Selon les agrégateurs, Astra coûte 8 USD (entrée) et 40 USD (sortie) par million de tokens, soit environ 20 % de moins que GPT-6 Astra, et Sol 2 et 10 USD. Le contexte est d'environ 1,05 M de tokens. Toujours selon ces sources, Astra gagne 5,2 points sur Agents' Last Exam à moins d'un tiers du coût par tâche, et 6,2 points sur GDPval v2. À l'Intelligence Index d'Artificial Analysis, Astra obtient 62 contre 65 pour Claude Fable 5.2, et Sol 57. L'accueil est mitigé : Ethan Mollick juge le modèle « très inégal », Matt Shumer le dit « essentiellement inutilisable ». Epoch AI ne relève pas de gain significatif sur des tâches de recherche réalistes. La page d'annonce d'OpenAI n'a pas pu être consultée : prix et scores viennent de sources secondaires concordantes. Le 100 % sur ARC-AGI-3 évoqué par Wccftech n'est pas confirmé. (annonce OpenAI)

  • Fiabilité : chiffres maison

    La gamme comprend MAI Code 2, MAI Code 2 Flash, MAI Cyber 2 Flash, MAI Image 2.7 et 2.7 Flash, MAI Realtime 1, Dragon Copilot Transcribe (sur MAI-Transcribe-2) et Decision 1.1. Selon Microsoft, MAI Code 2, déjà dans GitHub Copilot, atteint en moyenne sur quatre benchmarks 98 % des performances de GPT-6.1 Sol pour environ 40 % du prix, et 96 % de celles de Claude Opus 5.5 pour 5 % du prix. MAI Cyber 2 Flash battrait GPT-6 Astra sur CyberGymE2E pour moins de 2 % du coût par tâche. MAI Image 2.7 serait premier en édition d'image chez Artificial Analysis. Tous ces chiffres sont fournis par Microsoft, sans vérification indépendante. Les médias divergent sur le nombre de modèles annoncés (six, sept ou huit selon le décompte). (Microsoft AI)

17 novembre 2026

  • Fiabilité : source unique, annonce sur X

    Liquid AI publie deux « modèles de décision » qui traitent texte, image et audio. Selon l'entreprise, d1.2-ultra se classe premier de l'Artificial Analysis Decision Index. Source unique (annonce sur X), classement non vérifié auprès d'Artificial Analysis. (Liquid AI sur X, via The Neuron)

    SourceLiquid AI sur X, via The NeuronVoir dans l'édition du 17 novembre 2026
  • OVHcloud publie Olala Mini, un modèle MoE de 7 Md de paramètres dont 1 Md actif, sous licence Apache 2.0. C'est un rare modèle publié par un cloud européen. Source unique, aucun benchmark consulté. (OVHcloud, via aiweekly)

    SourceOVHcloud, via aiweeklyVoir dans l'édition du 17 novembre 2026
  • Le MBZUAI (Abu Dhabi) publie six modèles open source, de 0,9 Md de paramètres jusqu'à un MoE phare de 375 Md. Le modèle phare obtient 65,3 sur Toolathlon-Verified. Score publié par l'éditeur. (Hugging Face, via aiweekly)

    SourceHugging Face, via aiweeklyVoir dans l'édition du 17 novembre 2026

16 novembre 2026

  • Alibaba a publié son nouveau modèle phare le 16 novembre. C'est un mixture-of-experts de 2 400 milliards de paramètres, comme Qwen3.8-Max, mais avec environ 71 Md de paramètres actifs par token au lieu d'environ 95 Md. Il a un contexte d'un million de tokens. D'après Bloomberg, le modèle n'est pas en poids ouverts ; Alibaba prévoit de plus petits modèles Qwen4 ouverts. Prix : 1,50 USD par million de tokens en entrée et 4,50 USD en sortie (contre 2 et 6). Alibaba annonce un coût moyen par tâche professionnelle en baisse de 62 % (1,67 contre 4,43 USD), grâce à 35 % de tokens en moins en mode de raisonnement élevé. Côté cyber, les données d'entraînement « offensives » ont été filtrées et les données défensives conservées. Selon Alibaba, la part de fonctions qui passent à la fois les tests fonctionnels et de sécurité sur Last Secure Code Bench passe de 22 % à 31,8 %. Le modèle a récolté plus de 600 points sur Hacker News. Points de vigilance : les gains de coût et de sécurité sont des chiffres internes, non audités. Artificial Analysis lui attribue 43 à son Intelligence Index, soit 38e sur 81 modèles : c'est au-dessus de la médiane mais loin du sommet, alors qu'Alibaba affirme battre ses concurrents sur les benchmarks de code. Des analystes cités par Computerworld (Greyhound Research, Security Brigade) doutent qu'on puisse séparer proprement savoirs offensifs et défensifs par filtrage. Ils relèvent aussi une rétention des prompts jusqu'à 30 jours. (Computerworld, Bloomberg, SCMP, Artificial Analysis)

  • Douze jours après Hy4, Tencent sort la version rapide annoncée par Bloomberg : 224 Md de paramètres au total, dont 64 Md de paramètres « Engram », et 12 Md actifs. Le modèle est multimodal, avec un contexte d'un million de tokens et un prix API « nettement inférieur » à Hy4, sans chiffre précis. Pas d'information sur les poids ni sur les benchmarks. Source unique (TechFlow, citant Jin10).

    SourceTechFlow, citant Jin10Voir dans l'édition du 16 novembre 2026

14 novembre 2026

  • Fiabilité : source unique, détails non retrouvés

    Tencent Hunyuan (rebaptisé Hy) présente un modèle vocal temps réel qui décide lui-même quand lancer une recherche et peut chanter à la demande, avec une intégration annoncée dans l'assistant Yuanbao. Source unique (Pandaily, via AI Weekly) : l'article n'a pas pu être lu en entier ; disponibilité, taille et licence non retrouvées. (Pandaily)

    SourcePandailyVoir dans l'édition du 14 novembre 2026

13 novembre 2026

  • Annoncé le 12 novembre, Hydrogen est le modèle rapide de la gamme Gemini 4, pour le code et le travail agentique courant. Carbon et Argon restent les modèles de raisonnement long. Il est disponible dans l'API Gemini, AI Studio, Android Studio, l'app Gemini, Search et Antigravity (abonnés AI Pro et Ultra). Il coûte 1,50 USD par million de tokens en entrée et 7,50 USD en sortie, au même tarif sur toute la fenêtre de 1M de tokens. Il propose quatre niveaux de réflexion, dont un nouveau « xhigh ». Chiffres de Google : 57 % sur Terminal-Bench 4.1, contre 18,2 % pour Gemini 3.8 Flash ; 51 à l'Artificial Analysis Intelligence Index (54 en xhigh) ; tâches finies 2,5 fois plus vite que 3.8 Flash. Chiffres de l'éditeur, dont un taux d'honnêteté de 96,7 % mesuré sur une évaluation interne. Sujet très repris (Hacker News, Techmeme, plusieurs agrégateurs). (Google)

  • Fiabilité : benchmarks internes

    Publié le 12 novembre avec un Edge0-120B. Environ 10 Md de paramètres sont actifs par passe et le pic mémoire est de 29 Go, ce qui suffit pour un portable de 48 Go. Edge0 annonce plus de 80 tokens/s en décodage et un contexte de 128K à 256K tokens. Ses scores : 64,6 sur DeepSWE 1.1, 90,4 sur GPQA-Diamond. Point de vigilance : les scores d'Edge0 comme ceux des concurrents viennent des évaluations internes d'Edge0. La page ne nomme pas de licence. 280 points sur Hacker News. (Edge0)

  • IBM publie deux modèles expérimentaux, 3B et 8B, issus de Granite 4.1. Ils sont entraînés sur LLMON, un balisage qui sépare instructions, données et exigences. IBM annonce une forte baisse du taux de réussite des injections de prompt indirectes (OPI, ASB, StruQ) pour des performances générales proches de Granite 4.1 Instruct. Limite reconnue : les attaques adaptatives en plusieurs tours ne sont pas résolues ; IBM réserve ces modèles à l'évaluation, pas à la production. (Hugging Face, blog IBM Granite)

    SourceHugging Face, blog IBM GraniteVoir dans l'édition du 13 novembre 2026
  • Modèle de synthèse vocale et de clonage de voix à partir d'un échantillon (« zero-shot »), en 43 langues. C'est un MoE d'environ 800 M de paramètres, dont 100 M actifs. Les poids sont sous Apache 2.0. Zyphra annonce moins de 150 ms avant le premier son sur un MacBook Air M3. Date incertaine : la page indique le 12 novembre en en-tête et le 11 novembre dans la signature. (Hugging Face, blog Zyphra)

    SourceHugging Face, blog ZyphraVoir dans l'édition du 13 novembre 2026
  • Présenté en septembre, Atlas est désormais ouvert à tous depuis le 12 novembre (atlas.worldlabs.ai). Ce modèle de monde génère ou reconstruit des scènes 3D et les exporte en vidéo ou en assets 3D, avec des API pour développeurs. Les tarifs et conditions d'API ne sont pas précisés. (World Labs)

    SourceWorld LabsVoir dans l'édition du 13 novembre 2026
  • Fiabilité : source secondaire unique

    Tokeniseur audio en streaming de 74 M de paramètres, conçu pour les modèles LFM3. Il encoderait environ 361 fois plus vite que le temps réel sur un seul thread CPU. Il aurait été entraîné sur 264 000 heures de parole en 107 langues. Les poids sont sur Hugging Face, avec des versions GGUF. Source secondaire unique (MarkTechPost, relayé par un agrégateur), article d'origine non accessible.

    SourceMarkTechPost, relayé par un agrégateurVoir dans l'édition du 13 novembre 2026

12 novembre 2026

  • La sortie, présentée comme rapportée dans l'édition d'hier, est désormais documentée par Alibaba : la documentation Qwen Cloud et le compte X @Alibaba_Qwen annoncent qwen4-max-preview, accessible uniquement par l'API de l'abonnement Token Plan, sans paiement à l'usage. Le modèle a un contexte d'1M de tokens et une sortie plafonnée à 393 216 tokens, raisonnement compris. La préversion est figée du 11 novembre 10 h au 25 novembre minuit (UTC+8), puis retirée. Ni benchmark, ni fiche modèle, ni nombre de paramètres n'ont été publiés, et aucun prix n'est affiché (ai-tldr.dev, d'après la documentation Qwen Cloud). Performances non documentées.

    Sourceai-tldr.dev, d'après la documentation Qwen CloudVoir dans l'édition du 12 novembre 2026
  • Google ouvre un nouveau point d'accès de l'API Gemini pour les décisions en ensemble fermé : choix d'outil, contrôle de politique, routage de modèles, notation. Jusqu'à 1 000 questions (oui/non, choix multiple, notation sur grille) portent sur une même entrée multimodale de 256K tokens au maximum. Le modèle gemini-decision-1 ne génère pas de texte : il note les options en une seule passe et renvoie pour chacune une probabilité et un score de confiance. Google annonce une latence de 150 à 250 ms, presque constante entre 1 et 100 questions, et le prix est de 0,10 USD par million de tokens d'entrée, sans facturation de la sortie. Un palier gratuit existe dans AI Studio ; l'arrivée sur Google Cloud est « à venir ». L'annonce a fait 458 points sur Hacker News. Billet Google. La « plus faible erreur de calibration » est une mesure de Google sur ses propres benchmarks.

  • Fiabilité : chiffres de l'éditeur

    L'équipe de recherche IA de Tether (organisation qvac sur Hugging Face) publie sous Apache 2.0 un modèle de 0,8 milliard de paramètres dérivé de Qwen3.5-0.8B. Il vise l'appel de fonctions et les agents sur l'appareil. Selon la fiche modèle, il obtient 44,0 sur BFCL v4 (37,7 pour Qwen3.5-2B-Think, 2,5 fois plus gros), 51,5 sur τ-bench et 64,6 sur ToolSandbox, avec une moyenne de 45,0 sur les tests d'outils contre 38,8. Il reste en revanche derrière le modèle 2B sur Claw-Eval et sur les tests de connaissances (GPQA Diamond 38,1 contre 59,9) (fiche Hugging Face qvac/BotPsy-0.8B). Chiffres de l'éditeur, non audités.

    Sourcefiche Hugging Face qvac/BotPsy-0.8BVoir dans l'édition du 12 novembre 2026

11 novembre 2026

  • Le modèle avait été annoncé le 28 octobre. Il est désormais accessible via l'API (AI Studio, Gemini for business) et arrive pour les abonnés AI Ultra dans Antigravity, l'app Gemini et le mode IA de Search. Une variante cyber reste réservée au programme Fairwind. Le prix de lancement est de 2 USD par million de tokens en entrée et 10 USD en sortie jusqu'au 30 novembre, puis 4 et 20 USD. Google le dit premier sur CursorBench 4.0, WANDR (Perplexity) et AutomationBench (Zapier), pour un coût par tâche plus de deux fois inférieur. Google prévisualise aussi /swarm, qui transforme un prompt en équipe d'agents coordonnés, dont le travail est vérifié par des vérificateurs adverses. Les benchmarks ont été choisis par Google, et aucun rapport technique ni nombre de paramètres n'a été publié. Google reconnaît que la robustesse face aux injections de prompt n'est pas encore complète. (Google)

  • Ce modèle de génération et d'édition d'images est construit sur H3. Il accepte jusqu'à 16 images de référence et produit du 4096 × 4096. Ses poids sont publiés sur Hugging Face. MiniMax annonce une image 4K en moins de 10 secondes, jusqu'à 5 fois plus vite que la concurrence. Aucun benchmark chiffré n'est publié et la licence n'est pas indiquée sur la page d'annonce. (MiniMax)

    SourceMiniMaxVoir dans l'édition du 11 novembre 2026
Toutes les éditions