NewsFolio

Une juridiction fédérale californienne a jugé inconstitutionnel le classement d'Anthropic comme risque pour la chaîne d'approvisionnement par le Pentagone, décidé plus tôt dans l'année. Le laboratoire avait attaqué cette décision en mars, y voyant des représailles après son refus de laisser ses modèles servir à des armes autonomes létales et à de la surveillance de masse.

La mesure revenait à écarter Anthropic des marchés publics de défense, un débouché devenu central pour les fournisseurs de modèles. La décision valide l'idée qu'un fournisseur peut poser des limites d'usage sans être exclu administrativement du marché fédéral pour ce motif.

La procédure n'est pas close : une seconde plainte visant le Pentagone reste pendante à Washington, et l'administration peut faire appel. Le jugement fixe néanmoins un premier point de repère juridique pour les laboratoires qui publient des politiques d'usage restrictives.

Z.ai a mis en ligne les poids de GLM-5.3, dernière itération de sa famille de modèles généralistes, téléchargeables librement depuis Hugging Face. La série GLM s'était déjà installée comme l'une des rares alternatives ouvertes crédibles face aux modèles fermés américains, avec une adoption soutenue chez les développeurs et les hébergeurs d'inférence.

Une publication en poids ouverts change la nature de l'offre : le modèle peut être hébergé sur une infrastructure privée, adapté par fine-tuning et audité, sans dépendre d'une API facturée à l'usage. C'est ce qui explique l'attention portée à chaque nouvelle version de cette lignée, indépendamment des scores annoncés.

Les mesures de performance restent à confirmer par des évaluations indépendantes, les comparatifs publiés par les éditeurs eux-mêmes étant rarement représentatifs des usages réels.

Des chercheurs de Meta affirment avoir amené un modèle de 8 milliards de paramètres au niveau de Claude Opus 4.5 sur des tâches agentiques longues, sans passer par un modèle frontière. Le levier n'est pas le modèle lui-même mais le harnais d'exécution qui l'entoure : retours d'exécution, suivi d'état et mécanismes de contrôle du flux, qui évitent à l'agent de perdre le fil sur un travail s'étalant sur plusieurs heures.

L'exemple mis en avant est la migration de gros volumes d'enregistrements clients d'un CRM ancien vers une base cloud, un scénario où la fenêtre de contexte ne suffit pas et où une étape sautée ou dupliquée coûte cher. En déportant la mémoire de la tâche vers l'infrastructure, le petit modèle n'a plus à tout retenir.

Si le résultat se confirme hors du protocole des auteurs, il pèse sur l'économie du déploiement : un modèle vingt fois plus petit coûte bien moins cher à servir. La réserve habituelle s'applique — les comparaisons publiées par un laboratoire sur ses propres travaux demandent une réplication externe, et le gain observé peut être propre aux tâches choisies.

Cohere a publié Parse 5, un modèle vision-langage de 2,3 milliards de paramètres qui convertit PDF, présentations et images scannées en Markdown structuré. L'éditeur assume un positionnement inhabituel : ses propres comparatifs placent Parse 5 derrière trois modèles généralistes plus gros en précision brute, l'argument de vente étant le rapport entre capacité et coût par page.

Le problème visé est concret pour les entreprises qui alimentent des pipelines d'IA avec des archives documentaires : les outils existants perdent la structure — tableaux, graphiques, mise en page — ou deviennent trop coûteux dès qu'il faut traiter des millions de pages. Un modèle petit et spécialisé peut alors l'emporter sur un modèle frontière malgré un score inférieur.

C'est un choix de segmentation que plusieurs éditeurs adoptent cette année : cesser de courir après le classement pour viser la charge de travail industrielle. Reste à voir si les écarts de précision annoncés restent tolérables sur des documents dégradés, cas où l'extraction échoue le plus souvent.

Un chercheur d'Anthropic a détaillé des expériences dans lesquelles un système automatisé identifie et réduit des comportements mal alignés d'un modèle sans intervention humaine à chaque étape. Sur dix évaluations ciblant chacune un comportement problématique précis, la procédure a amélioré le résultat sur l'ensemble d'entre elles, sans dégrader les performances générales.

L'intérêt est pratique autant que théorique : le travail d'alignement repose aujourd'hui largement sur des humains qui écrivent des évaluations et des correctifs, ce qui plafonne au rythme des équipes disponibles. L'automatiser reviendrait à faire suivre l'alignement au rythme des capacités.

La contrepartie est évidente et n'est pas éludée : un système qui optimise ses propres critères d'alignement peut apprendre à satisfaire l'évaluation plutôt que l'intention. Les résultats portent sur dix comportements identifiés à l'avance, ce qui ne dit rien de ceux que personne n'a pensé à mesurer.

L'action Alphabet a effacé quelque 700 milliards de dollars de valeur boursière, les investisseurs s'inquiétant de la progression des dépenses liées à l'IA. Le sujet n'est plus la capacité technique mais la trajectoire des coûts : construction de centres de données, achat de puces et facture d'inférence croissent plus vite que les revenus qui doivent les absorber.

Le mouvement touche l'entreprise qui dispose pourtant de ses propres accélérateurs et d'une infrastructure intégrée, ce qui rend le signal plus significatif que pour un acteur dépendant d'un fournisseur unique. Il traduit un basculement d'attention du marché, de la course aux capacités vers la question de leur rentabilité.

Un décrochage boursier ne dit rien de la valeur des technologies concernées, mais il conditionne le rythme des investissements des trimestres suivants. Les annonces de capacité à venir seront lues sous cet angle.

Une action en justice reproche à xAI d'avoir intégré à ses données d'entraînement des images pédocriminelles, réelles et générées, pour ses modèles Grok. Il s'agit à ce stade d'allégations portées devant un tribunal, non de faits établis, et l'entreprise n'a pas été jugée.

Le dossier touche un point faible connu du secteur : la composition exacte des corpus d'entraînement collectés à grande échelle sur le web reste rarement documentée publiquement, y compris pour les contenus manifestement illicites. Des travaux antérieurs avaient déjà montré la présence de tels contenus dans des jeux de données ouverts largement réutilisés.

Selon son issue, la procédure pourrait obliger les éditeurs à documenter et filtrer leurs corpus de manière vérifiable, une contrainte jusqu'ici absente des obligations effectives aux États-Unis.

Madrid a mis en consultation, jusqu'au 4 septembre, un projet de décret royal qui subordonne l'accès des centres de données au réseau électrique à une série d'exigences nouvelles. Le texte porte sur la part d'énergies renouvelables, la consommation d'eau, l'efficacité énergétique et des critères de souveraineté numérique.

L'objectif affiché est de capter les investissements liés à l'IA sans laisser leur facture énergétique et environnementale peser sur le reste de l'économie, dans un pays où les demandes de raccordement affluent. La logique inverse la file d'attente habituelle : ce n'est plus l'ordre d'arrivée qui prime, mais le profil du projet.

Si le décret est adopté en l'état, il crée un précédent européen que d'autres États confrontés aux mêmes tensions de réseau pourront reprendre. Il reste à voir ce que la consultation en modifiera, les opérateurs disposant d'une marge d'arbitrage sur la localisation de leurs sites.

Pollen Robotics, société française rachetée par Hugging Face, présente Microduck, un robot mécanique de 25 centimètres conçu comme plateforme d'apprentissage de comportements robotiques par simulation. L'approche consiste à entraîner une politique de contrôle dans un environnement simulé avant de la transférer sur la machine réelle, technique jusqu'ici réservée aux laboratoires disposant du matériel adéquat.

La démarche reprend la recette qui a fait le succès de Hugging Face côté modèles : abaisser le coût d'entrée et mutualiser les contributions plutôt que de vendre une pile propriétaire. Un format compact et peu coûteux permet d'accumuler des jeux de données de contrôle partagés, la ressource qui manque le plus à la robotique face à l'IA textuelle.

La portée dépendra de la communauté qui s'en emparera : sans corpus partagés ni tâches de référence, un robot bon marché reste un objet pédagogique.