Modèles

Google annonce Gemini 4 Carbon, deux semaines après Argon. Selon Google, il se classe premier de l'indice d'intelligence v5.0 d'Artificial Analysis avec 59, et atteint 88,2 % sur SEC-bench Pro, 54,8 % sur ExploitGym et 71,0 % sur CWE-bench, des tests de détection, d'exploitation et de correction de failles. Il n'est pas ouvert au public : l'accès commence cette semaine pour un sous-ensemble de défenseurs, puis s'élargit à des partenaires par le programme Fairwind, pendant que Google participe au processus volontaire d'essai préalable du gouvernement américain.

Le prix annoncé est celui d'Argon : 2 dollars par million de jetons en entrée, 10 en sortie. Google dit aussi avoir réduit d'environ 80 % les alertes de désalignement graves dans ses usages internes de codage.

OpenAI présente GPT-6.1 Terra, un modèle rapide pour la vision et l'usage d'ordinateur, ouvert aux abonnés Plus, Pro, Enterprise et Edu de ChatGPT Work et de Codex, et par l'API sous le nom `gpt-6.1-terra` : 1 dollar le million de jetons en entrée, 0,05 en cache, 5 en sortie, soit 50 % de moins que GPT-5.6 Terra et GPT-6.1 Sol.

Selon OpenAI, à effort moyen sur Agents' Last Exam, Terra gagne 15 points sur GPT-5.6 Terra pour environ un tiers du coût, et égale GPT-6 Astra pour un dixième du prix par jeton ; sur Terminal-Bench 4.0, il résout 50,3 % des tâches contre 21,5 %. OpenAI garde Sol et Astra pour le code le plus complexe, et classe Terra au seuil « critique » en cybersécurité de son cadre de préparation.

Moonshot AI lance Kimi K3.1 Pro, un modèle multimodal de 2 800 milliards de paramètres dont 104 milliards actifs, avec un million de jetons de contexte, disponible sur son site et son interface de programmation. Ses poids ouverts doivent suivre « d'ici le 4 novembre ». Moonshot dit qu'il égale les meilleurs modèles propriétaires en code, agents et connaissances, et que ses hallucinations en finance reculent de 65 %.

Artificial Analysis le classe quatrième de son indice d'intelligence, à 55 points, derrière Claude Opus 5.5 (58), Claude Sonnet 5.5 (56) et Muse Wonder Full (56), et premier de Terminal-Bench 4.0 avec 67 %. Une fois les poids publiés, ce serait le meilleur modèle à poids ouverts, et l'écart avec les modèles propriétaires passerait de 12 à 3 points.

DeepSeek remplace V4.1-Flash, sorti le 10 septembre, par V4.1-Flash-1017, sur son site, son application et son interface de programmation, sans changer l'appel (deepseek-flash) ni les tarifs. Elle publie ses propres mesures, comparées à celles de septembre : Terminal-Bench 4.0 de 31,2 à 42,3, DeepSWE v1.1 de 74,2 à 77,0, ProgramBench de 20,3 à 29,1, Humanity's Last Exam sans outils de 36,8 à 42,6. Le premier banc est passé avec le cadre de Claude Code, le deuxième avec Mini-SWE-V2.

DeepSeek dit aussi avoir réduit la durée des tâches et la longueur des sorties, donc leur coût, et avoir optimisé le modèle pour son propre harnais et pour les outils de Tencent. Le même jour, elle ouvre son moteur de recherche interne par une API.

Microsoft AI annonce avoir terminé le pré-entraînement de MAI-Base-2, un modèle à experts de 2 800 milliards de paramètres dont 80 milliards actifs, entraîné en 38 jours sur 16 000 puces GB200 en août et septembre. Elle écrit qu'il obtient de meilleurs scores que les modèles ouverts testés — DeepSeek-V4-Pro-Base, Kimi K3, Qwen3.8 et MiMo-V2.6 — sur des évaluations de texte qu'elle a choisies, et que sa recette demande 4 à 12 fois moins de calcul que celle de DeepSeek-V4-Pro-Base, par extrapolation de courbes d'échelle.

Les trois autres modèles ne sont comparés que dans leur version post-entraînée, ce que Microsoft signale. MAI-Base-2 est encore en post-entraînement : aucun résultat d'usage. L'entreprise dit n'avoir utilisé que des données « organiques », sans distillation, et compte licencier les poids à des partenaires par Foundry.

Meta avait présenté Muse Wonder le 12 octobre sur ses seules mesures. Deux évaluateurs publient les leurs. L'Arena, qui classe des modèles d'après des sessions réelles, le place douzième de son classement d'agents, sur plus de 5 000 sessions : quatre places et 2,8 points au-dessus de Muse Spark 1.3. BridgeBench lui donne 611 points, contre 601 à Claude Haiku 5.5, le plus petit modèle d'Anthropic, et 149 de moins que Claude Opus 5.5.

Meta présente Muse Wonder, « son modèle de pointe pour les agents personnels et professionnels », et une version Muse Wonder Full réservée aux abonnés de Muse Code. Le premier est disponible par l'API de Meta et dans Muse Code, et doit alimenter bientôt l'application Muse. Meta annonce des résultats de pointe sur les agents, la mémoire et le code, sur trois bancs d'essai, dont SWE-Marathon et le banc juridique de Harvey ; elle ne publie ni les scores détaillés dans son texte, ni la taille du modèle, ni le prix, et son rapport de sûreté est annoncé « bientôt ». Les mesures sont les siennes.

Microsoft présente Microsoft-Decision-1, un modèle qui répond aux questions de décision par des probabilités plutôt que par du texte. Il est bâti sur Qwen3.5-9B, d'Alibaba, que Microsoft a post-entraîné ; il atteint, selon ses mesures, 83,5 % de précision moyenne sur 36 bancs d'essai, face à neuf systèmes, avec une latence médiane de 85 millisecondes, rapporte letsdatascience. Il est proposé dans Microsoft Foundry et par OpenRouter ; les poids ne sont pas publiés.

Ces chiffres sont ceux de Microsoft. Une revue indépendante mesure 190 à 270 millisecondes par OpenRouter. Après l'API de décisions d'OpenAI, le 6 octobre, c'est un deuxième grand éditeur sur le terrain de Jev.

OpenAI ouvre en préversion publique son API de décisions : l'application pose des questions à un modèle, GPT-6 Luna, qui répond par une probabilité, un choix parmi des options ou une note, plutôt que par du texte. OpenAI la dit jusqu'à dix fois plus rapide que Luna par l'API Responses ; la mesure est la sienne.

C'est le terrain de Jev, le modèle de TypeSafe sorti à la mi-septembre. Depuis, llama.cpp a ajouté un point d'accès pour ces modèles le 2 octobre, et le Decision Index de Hugging Face est passé le 6 à sa version 0.3, avec une moitié de tests tenue privée pour que le classement ne se règle pas sur les bancs d'essai publics.

Google DeepMind présente Gemini 4 Argon, son nouveau modèle de pointe, mais ne l'ouvre pour l'instant qu'à un groupe de défenseurs en cybersécurité, par son programme Fairwind ; les clients payants de l'API et les abonnés Ultra suivront, sans date. Ces défenseurs l'ont « sans garde-fous cyber », avec une surveillance du raisonnement et des actions qui peut interrompre l'exécution, et Google dit participer au processus volontaire d'accès préalable du gouvernement américain. Prix de lancement : 2 dollars le million de jetons d'entrée, 10 en sortie.

Artificial Analysis le place au niveau de GPT-6 Astra sur son indice d'intelligence, pour 60 % du coût par tâche aux prix promotionnels. Le 77,9 % sur DeepSWE, banc d'essai de programmation, est le chiffre de Google.

OpenAI lance GPT-6.1 Sol à sa conférence développeurs : « une intelligence proche d'Astra pour un cinquième du prix », écrit Thibault Sottiaux, responsable de ses produits. L'API le facture 2 dollars le million de jetons d'entrée et 10 en sortie, contre 10 et 50 pour Astra. Artificial Analysis le mesure à 52 points sur son indice d'intelligence contre 53 pour Astra, et à 0,72 dollar la tâche contre 3,26 ; Claude Opus 5.5 et Sonnet 5.5 restent devant, selon le relevé de The Batch. Il est disponible dans l'API, ChatGPT Work et Codex, pas dans le chat standard.

La veille, le Wall Street Journal rapportait l'abandon de GPT-6.1 Astra, que ses tests jugeaient trop trompeur.

Anthropic publie Claude Sonnet 5.5, « un net progrès sur Sonnet 5 », plus rapide de plus de 30 % et jusqu'à 30 % moins cher pour l'essentiel du travail. Artificial Analysis, qui mesure les modèles sans en vendre, le place deuxième de son indice d'intelligence, à 56 points : derrière Claude Opus 5.5, à 58, publié six jours plus tôt, et devant GPT-6 Astra, à 53. Les deux premières places de son indice d'agent de programmation reviennent aussi à des modèles d'Anthropic, selon le relevé de The Batch.

Une heure après Anthropic, OpenAI sort GPT-6 Sol et Luna. Sam Altman met en avant le prix : « moitié moins cher par jeton, et encore moins par tâche ». Sol passe de 4 à 2 dollars le million de jetons d'entrée, de 20 à 10 en sortie ; Luna baisse dans les mêmes proportions.

Artificial Analysis mesure ce que cela change : l'indice d'intelligence et celui d'agent de programmation « restent au niveau de GPT-5.6, avec des progrès sur certaines évaluations et des régressions sur d'autres ». Sol gagne deux points d'agent de programmation, Luna en perd deux. Le coût d'une tâche de l'indice tombe de 1,99 à 1,06 dollar pour Sol, de 0,18 à 0,07 pour Luna.

Anthropic publie Claude Opus 5.5, « le premier modèle de notre nouvelle famille Claude 5.5 ». L'annonce est sobre : il « se situe au niveau de Claude Fable 5.1 pour la plupart des tâches, et coûte 40 % moins cher à faire tourner qu'Opus 5 ».

La mesure extérieure est plus haute que l'annonce. Artificial Analysis le place en tête de son indice d'intelligence à 58 points, cinq de plus que les meilleurs précédents — Fable 5.1 et GPT-6 Astra, à 53 : le plus grand écart mesuré jusqu'ici en haut du classement. Il mène six des dix évaluations du noyau, dont Humanity's Last Exam à 61,4 % et SciCode à 66,9 %. Les deux chiffres de prix ne portent pas sur la même chose : 20 % de baisse au jeton selon Artificial Analysis, 40 % sur le coût d'exécution selon l'entreprise.

Grok 4.7 sort le 21 septembre, présenté comme « une amélioration notable par rapport à Grok 4.6, au même prix et à la même vitesse ». Une semaine plus tôt, Elon Musk le situait « à peu près au niveau d'Opus 5.0, pas 5.1 ». Sur l'AA-Briefcase d'Artificial Analysis, sa version au plus haut effort atteint 58 %, un point derrière Fable 5.1 Max et devant GPT-6 Astra. Les chiffres de l'entreprise donnent 19,6 % sur le banc juridique de Harvey, contre 2,5 % à GPT-5.6 Sol Max.

Cognition, qui tient FrontierCode, mesure l'inverse : « sur FrontierCode 1.1, notre banc d'essai des tâches d'ingénierie réelles, Grok 4.7 obtient un score légèrement inférieur à Grok 4.6 ». Fort sur beaucoup de tâches difficiles, il en « surdimensionne » d'autres.

Quatre jours après sa sortie, Jev est mesuré du dehors. OpenRouter le passe à Ori Eval contre les modèles populaires sur la tâche de juge : « plus de cinq fois plus rapide que le modèle suivant, et même ses requêtes les plus lentes battent la médiane de tous les autres ». LangChain publie le même soir une comparaison sur l'exactitude, la reproductibilité, la latence et le coût, et conclut que « Jev comme juge » revient moins cher et plus juste que le grand modèle comme juge pour l'évaluation en ligne.

L'architecture se recopie aussi vite. Samuel rebâtit l'inférence parallèle sur LFM2.5-350M, sans entraînement : « 63 fois plus rapide sur une L40S », code et poids publiés.

Pocket FM, plateforme de fictions audio en épisodes, présente Sherpa, un modèle d'écriture sérielle. L'entreprise pose d'abord son diagnostic : les modèles généralistes échouent sur ce format faute d'« une fonction de récompense narrative à long terme ». Sa réponse tient dans le signal d'entraînement. Le moteur de prose part d'un milliard de jetons tirés des séries maison, puis apprend « de ce que les auditeurs écoutent, de l'endroit où ils décrochent et de ce qui les retient » — 5,5 milliards d'heures d'écoute, avec la rétention minute par minute.

Le reste n'est annoncé que par l'entreprise : un chiffre d'affaires annualisé passé de 250 à 500 millions de dollars, une production multipliée par treize en un an. Les relais donnent trois chiffres différents pour les données d'entraînement — 5,5 milliards d'heures, 5,5 milliards de minutes, 100 millions d'heures.

PrismML publie Ternary Bonsai 2 27B sous licence Apache 2.0 : une compression ternaire de Qwen3.8 27B, neuf fois plus petite que l'original en pleine précision, qui en conserverait 98,2 % de la performance agrégée sur les bancs d'essai. L'empreinte tient en 5,9 gigaoctets — de quoi loger sur un ordinateur portable ou une carte grand public.

C'est la deuxième version en deux mois, et l'entreprise dit que la taille n'a pas bougé : c'est l'écart à la pleine précision qui s'est resserré, « avec des gains particulièrement nets en programmation agentique, en raisonnement multimodal et en usage d'outils sur longue durée ». Les chiffres sont ceux de PrismML, qui ne nomme pas les bancs ; les poids, eux, sont publics.

TypeSafe, entreprise fondée par Diogo Almeida, sort de deux ans d'ombre. Almeida est coauteur de l'article InstructGPT, qui a introduit l'apprentissage par renforcement à partir de préférences humaines — la technique sur laquelle repose ChatGPT — et du rapport technique de GPT-4. Sa question de départ : « pourquoi des modèles de conversation surhumains n'ont-ils pas mené à l'AGI ? »

Sa réponse met en cause son propre travail. TypeSafe soutient que le RLHF optimise pour la préférence humaine et produit donc « l'effondrement des modes, l'excès de confiance et le manque de fiabilité » — d'où des modèles qui exigent un humain dans la boucle. L'entreprise annonce une autre classe, les « System One Models », destinés à être employés par des machines plutôt que par des gens : nouvelle architecture, nouvel échantillonneur, et un entraînement qu'elle nomme apprentissage par renforcement pour décisions calibrées. Son premier modèle s'appelle Jev.

Google DeepMind publie deux modèles vocaux pour son interface temps réel, Gemini 3.8 Live et 3.8 Live Extended Thinking, qui « parlent, réfléchissent et traitent des tâches en arrière-plan sans rompre le fil ».

Artificial Analysis, qui mesure les modèles sans en vendre, les a passés sur son indice de qualité voix-à-voix. Extended Thinking y prend la première place avec 82,6 %, devant GPT-Live-1 Astra à 81,5 et Grok Voice Think Fast 2.0 à 81,3 : un point et un dixième, autant dire rien. L'écart de prix, lui, est d'un autre ordre — 3,50 dollars l'heure d'audio entrant contre 5,83 pour Astra et 4,80 pour Grok. Et le modèle sans raisonnement étendu tient 76,0 % pour 0,84 dollar l'heure, soit le sixième du prix d'Astra.

Elon Musk écrit que Grok 4.8, « un modèle de 2 500 milliards de paramètres entraîné avec notre nouvelle pile logicielle C++ », finira son entraînement cette semaine et entrera en apprentissage par renforcement. Grok 4.7, repoussé le 11 septembre, n'est toujours pas sorti.

Il donne dans la journée le positionnement qu'il en attend : 4.7 « à peu près au niveau d'Opus 5.0, pas 5.1 », avec un multimodal à corriger ; 4.9 « probablement de la classe d'Astra ou de Fable » ; Grok 5 « peut-être meilleur que tout ». Aucun de ces modèles n'a été mesuré par un tiers.

Le Shanghai AI Laboratory publie les poids d'Intern-S2-397B sous licence Apache 2.0 : 397 milliards de paramètres dont 17 activés, 512 experts, 262 000 jetons de contexte, sur l'architecture Qwen3.5 à attention hybride.

Sa particularité est en amont. Le pré-entraînement visuel lit les pages brutes de la littérature scientifique, sans étape intermédiaire d'extraction du texte, pour garder la correspondance entre un symbole et sa place dans la page. Le laboratoire revendique, sur ses propres mesures, la première place parmi les modèles ouverts en raisonnement général. vLLM le sert dès le premier jour.

Thibault Sottiaux, responsable des produits centraux d'OpenAI, annonce que l'entreprise a trouvé et corrigé trois causes à la dégradation de qualité d'Astra que ses utilisateurs signalaient depuis plusieurs jours. Des compétences écrites pour les modèles précédents se déclenchaient trop souvent, ou empêchaient le modèle de vérifier son travail. Une expérience facultative de gestion du contexte provoquait des arrêts prématurés et des réponses à d'anciens messages : elle est désactivée, et l'entreprise estime entre 4 000 et 5 000 le nombre d'utilisateurs touchés. Des moteurs mal configurés dégradaient enfin une part du trafic de façon mesurable.

Une remise à zéro des quotas est annoncée pour la fin de la journée. Le 10 septembre, l'entreprise avait suspendu la vente de son abonnement Pro en invoquant la saturation de ses machines : aucune des trois causes données ici n'est de cet ordre.

Elon Musk annonce que Grok 4.7, le prochain modèle de xAI, a besoin de « quelques jours de plus », et donne la cause qu'il soupçonne : l'apprentissage par renforcement aurait trop pénalisé la longueur des réponses. Le modèle « abandonne trop tôt des tâches difficiles qu'il sait faire », et ne vérifie pas encore son travail avec assez de rigueur.

Le diagnostic est celui du dirigeant, posé sans mesure publiée — il l'assortit lui-même d'un « ou quelque chose ». Ce qu'il décrit est un effet connu du réglage par récompense : pénaliser une réponse longue apprend aussi à s'arrêter avant d'avoir fini.

Le laboratoire japonais Sakana AI annonce Fugu Max et Fugu Ultra v2. Ce ne sont pas des modèles mais un système qui répartit une tâche entre des modèles ouverts et spécialisés, dont la famille Nemotron de NVIDIA. La thèse est explicite : la frontière qui compte n'est pas la taille mais le couple capacité-coût, et déployer un modèle géant pour une simple recherche est un gaspillage.

Les mesures sont celles du laboratoire. Fugu Max est facturé 2 dollars par million de jetons en entrée et 6 en sortie, soit 40 à 60 % sous Sonnet 5, GPT-5.6 Terra et Kimi K3. Il revendique le meilleur score sur six bancs d'essai — dont l'un, SWEFish, est le sien. Fugu Ultra v2 obtient 48,3 sur Chartography, qui mesure la lecture de données visuelles, contre 27,3 et 29,5 aux deux modèles auxquels il se compare.

OpenAI met GPT-Live-1 à disposition dans son interface de programmation. Le modèle écoute et parle en même temps, là où un agent vocal enchaîne d'ordinaire trois maillons — reconnaissance de la parole, modèle de raisonnement, synthèse vocale — dont chaque passage ajoute du délai et une occasion de perdre le fil. Le raisonnement lui-même est délégué à un modèle texte placé derrière, celui de l'entreprise ou un modèle tiers. Les appels téléphoniques sont pris en charge.

Sur des mesures qu'OpenAI publie elle-même, l'application d'apprentissage des langues Speak relève une baisse de près de 80 % des interruptions par rapport aux systèmes qui attendent la fin d'un tour de parole.