Les modèles chinois attirent les agents IA avec des tokens gratuits

Marketing de guérilla : un nouveau modèle Frontier en mode furtif conquiert OpenRouter

Un laboratoire inconnu a publié le 20 août un modèle Frontier anonyme nommé Ox Alpha sur OpenRouter et l’a mis gratuitement à la disposition des développeurs pendant une semaine. Le modèle, identifié sous le nom de stealth/ox-alpha, offre une fenêtre de contexte d’environ 1,05 million de tokens, une limite de sortie de 131 072 tokens et traite du texte, des images et des vidéos. Il est promu avec l'agent Terminal-agent OpenCode comme une option pour les tâches de codage et d’agent de longue durée. L’annonce mentionne une capacité allant jusqu’à 100 billions de tokens par jour avec un stockage de données nul, ce qui se distingue des lancements furtifs habituels qui collectent des prompts pour l’entraînement.

L’identité du créateur reste un mystère, et la communauté a entamé une enquête technique en quelques heures. Un échantillon du tokenizer a révélé, selon les développeurs, 30 correspondances de tokens exactes sur 30 avec le GLM-5.3 de Z.ai, anciennement Zhipu AI. Des traces de pile Java provoquées ont retourné le code d’erreur 1214, qui correspondrait à l’infrastructure interne de Z.AI, et le rapport frame-token pour les vidéos correspond à l’encodeur de GLM-5V-Turbo. Sur le leaderboard tiers Kingbench, Ox Alpha a atteint 87,5 %, tandis que GLM-5.3 y obtient 91,25 %. L’historique de Zhipu plaide également en sa faveur : le laboratoire avait précédemment testé GLM-5 en direct sous le nom de Pony Alpha et exploite plusieurs clusters de 10 000 GPU ainsi qu’un centre de données d’un gigawatt récemment mis en service.

D’autres attributions circulent. DeepSeek est considéré comme un modèle pour cette approche agressive, car sa V4 était initialement apparue le 11 mars sous le nom de Hunter Alpha. Cependant, la capacité de calcul nécessaire pour le débit annoncé est jugée discutable, d’autant plus que le prix de la V4-Flash a récemment été augmenté. Un analyste a calculé que 100 billions de tokens par jour à des vitesses réalistes nécessiteraient environ 580 000 GPU. Une analyse concurrente pointe vers le tokenizer cl100k_base du modèle, l’associant ainsi à la lignée Phi/MAI de Microsoft, potentiellement une version non publiée de MAI 2. L’équipe MiMo de Xiaomi est également mentionnée, ayant déjà utilisé des pseudonymes sur OpenRouter.

Parallèlement, deux publications d’employés de Google DeepMind ont alimenté les rumeurs : Vamsi Batchu a écrit «  Google is back. Trust the process  », tandis que Jonathan Ouyang a posté «  It’s Gemini time :)  ». En quelques heures, la thèse selon laquelle Ox Alpha serait une variante de Gemini ayant fuité a circulé sur X et Reddit. Ni Z.ai ni OpenRouter n’ont revendiqué le modèle jusqu’à présent. La validation indépendante sur les classements officiels fait défaut, les meilleurs scores qui circulent, par exemple sur DeepSWE, proviennent de la communauté, et les experts en sécurité déconseillent de soumettre du code d’entreprise sensible à un modèle non vérifié.

Cette apparition survient à un moment où les équilibres se modifient sur OpenRouter : la part des tokens traités via la plateforme qui revient aux modèles américains est passée de 70 % à environ 30 % en un an, selon les métriques de la plateforme. Pendant ce temps, Stripe poursuit le rachat de la plateforme de routage. → Wccftech, NPowerUser, techstrong

Synthszr Take : Le temps de calcul gratuit est l’espace publicitaire le moins cher du secteur : offrir 100 billions de tokens par jour pendant une semaine coûte moins cher qu’une keynote et génère beaucoup plus de discussions. L’anonymat est le véritable tour de force, car un modèle sans expéditeur transforme chaque développeur en enquêteur bénévole qui compare des tokenizers, provoque des traces de pile et publie des captures d’écran. Deux phrases anodines d’employés de DeepMind ont suffi à lancer la moitié des fils d’actualité sur la piste de Gemini, et la correction concernant les 30 correspondances de tokens sur 30 est arrivée des jours plus tard avec une fraction de la portée. Le lancement a donc lieu avant le lancement : le temps que le modèle reçoive officiellement un nom, son positionnement est déjà cimenté dans un millier de discussions. Cela ne reste bon marché que tant que personne ne se demande à qui appartient la base de code qui a transité pendant une semaine par un modèle sans mentions légales.

Nvidia investit 6 milliards de dollars dans la lutte contre DeepSeek

Nvidia verse 6 milliards de dollars pour une licence non exclusive de la technologie de développement de modèles de Poolside et fait une offre d’emploi à 109 employés de la startup. À cela s’ajoute un investissement d’un milliard de dollars dans Poolside, avec une valorisation pré-money de 12 milliards. L’objectif déclaré du fabricant de puces est de construire l’un des modèles open-weight les plus performants au monde, capable de rivaliser avec des fournisseurs chinois comme DeepSeek et Kimi K3, mais aussi avec les modèles fermés d’OpenAI et d’Anthropic. Les conditions proviennent d’une lettre de Poolside à ses investisseurs, dans laquelle l’entreprise stipule explicitement qu’il ne s’agit ni d’une acquisition ni d’un achat de talents. Poolside prévoit de distribuer les 6 milliards à ses bailleurs de fonds d’ici la fin 2027. L’objet de la licence est un système que Poolside appelle Model Factory : une collection intégrée de pipelines de données, de logiciels d’entraînement distribué, de systèmes d'évaluation, d’infrastructure d'inférence et d’outils pour le Reinforcement Learning. Selon l’entreprise, les modèles Laguna M.1 et Laguna XS.2 ont été entièrement entraînés de A à Z avec plus de 30 billions de tokens d’entraînement. Laguna XS.2 serait passé du début de l’entraînement à sa publication en cinq semaines. En juillet a suivi Laguna S 2.1, un modèle Mixture-of-Experts avec 118 milliards de paramètres, dont 8 milliards actifs par token, et une fenêtre de contexte allant jusqu’à un million de tokens. Les données de performance proviennent des propres évaluations de Poolside, mais l’entreprise a publié les historiques d’évaluation pour un examen externe. Nvidia prend déjà en charge l’architecture Laguna dans sa documentation NeMo-AutoModel. → RuntimeWire, Wall Street Journal, PYMNTS

Synthszr Take : Politique industrielle sans État : Nvidia met 6 milliards de dollars sur la table pour positionner les États-Unis dans un domaine que Pékin poursuit comme doctrine officielle depuis des années. Les poids ouverts sont donc le levier stratégique, car ils atterrissent dans les ministères, les cliniques et les usines où aucune interface externe n’est autorisée, et y définissent l’architecture de référence pour une décennie. Le fait que ce soit le fournisseur de matériel qui paie la facture a une raison concrète : chaque modèle occidental qui affronte DeepSeek sera optimisé pour le silicium de Nvidia. Face à 6 milliards pour une seule licence non exclusive, les 722 millions d’euros que Mistral a récemment levés pour ses propres centres de données ressemblent à de la petite monnaie, et il manque tout simplement en Europe un acteur avec une telle trésorerie. Reste le niveau des données comme levier réaliste : exploiter des poids ouverts sur son propre matériel et conserver les données de processus en interne, que les poids proviennent de Californie ou de Hangzhou.

Mouchard à AI-Slop : LinkedIn signale 40 % de portée en moins pour les contenus poubelles générés par l’IA

LinkedIn dresse un premier bilan de son bouton de signalement pour les publications générées par l’IA et le déclare comme un succès. Comme le rapporte Engadget, la fonction «  seems like AI slop  » a été utilisée plus d’un million de fois depuis son lancement il y a quelques semaines. Le Chief Product Officer, Hari Srinivasan, a écrit dans une mise à jour sur la plateforme que les membres voient désormais 40 % de vues en moins sur les contenus que l’entreprise qualifie de «  déchets IA  ». LinkedIn ne précise pas comment les signalements des utilisateurs influencent concrètement la gestion de la portée : Srinivasan évoque, selon l’entreprise, «  de nombreux signaux  » et des garde-fous intégrés pour empêcher que des signalements individuels soient utilisés de manière ciblée contre d’autres membres. Une nouveauté est une notification dans les statistiques de publication qui informe les auteurs que leur contenu a été signalé. → Techpresso

Synthszr Take : Ces 40 % sont un chiffre calculé par LinkedIn lui-même, sur une catégorie que LinkedIn définit lui-même, et qui n’est vérifié par personne. «  Ce que nous classifions comme déchet IA  » est la demi-phrase cruciale dans le message de Srinivasan, et c’est précisément celle qui reste non spécifiée : sans règles de classification divulguées, l’annonce de succès ne mesure que l’efficacité avec laquelle son propre filtre fonctionne. Le plus piquant, rétrospectivement, c’est que la même plateforme a proposé pendant des années un bouton «  Améliorer  » qui embellissait les publications à l’aide d’un modèle de langage, et ne l’a retiré qu’au moment du lancement du bouton de signalement.

Des chercheurs créent des données d’entraînement synthétiques avec un milliard de personas artificiels

Une équipe de recherche dirigée par Tao Ge a publié «  Persona Hub  », une collection d’un milliard de personas automatiquement créés à partir de données web, servant de point de départ pour la génération de données d’entraînement synthétiques. L’article correspondant (arXiv:2406.20094) décrit une synthèse de données pilotée par les personas : chaque persona est fourni à un modèle de langage comme perspective, et le modèle génère à partir de là différentes tâches, textes ou instructions. Les auteurs estiment que le nombre de personas représente environ 13 % de la population mondiale et les décrivent comme des porteurs distribués de connaissances du monde, permettant d’accéder à presque tous les points de vue intégrés dans le modèle. L’article mentionne comme cas d’utilisation les tâches mathématiques et logiques, les instructions pour utilisateurs, les textes riches en connaissances, les personnages pour jeux vidéo, ainsi que les appels de fonction et d’outils. → AINews

Synthszr Take : Chacun de ce milliard de personas est essentiellement une clé qui accède à un angle différent de la mémoire du modèle. La diversité devient ainsi une variable de production : au lieu de la collecter péniblement auprès de vrais humains, on la génère par adressage, et le coût par perspective supplémentaire tend vers zéro. Le hic réside dans le même mécanisme, car tout ce que le modèle ne connaît pas, ses 1 000 000 000 de rôles ne le connaissent pas non plus, et les angles morts sont recopiés à des milliards d’exemplaires.

New York dépasse la Bay Area : 394 300 employés dans la tech contre 375 730

Pour la première fois en 13 ans, New York est redevenu le plus grand marché de l’emploi technologique en Amérique du Nord, dépassant la région de la baie de San Francisco. Selon les données citées par CNBC, la région métropolitaine compte 394 300 employés dans le secteur technologique, contre 375 730 pour la Bay Area. La demande du secteur financier, qui recrute de plus en plus de spécialistes en intelligence artificielle, est citée comme le principal moteur de cette croissance. Parallèlement, l’emploi dans la tech diminue dans la Bay Area. Pour les postes spécifiquement liés à l’IA, San Francisco reste cependant en tête.

Synthszr Take : L’avance de 18 570 postes provient du côté de la demande : les banques, les fonds spéculatifs et les assureurs embauchent des spécialistes de l’IA plus rapidement que les plateformes qui les ont formés. Une maison de courtage peut calculer le rendement d’un modèle au point de base près, que ce soit pour l' évaluation du crédit ou la détection de la fraude, et paie en conséquence, tandis que des postes sont supprimés dans la Bay Area. Le talent suit le budget, pas la mission, et le budget se trouve actuellement à Midtown.

Des chercheurs découvrent la première marque de l’humanité dans du sable du désert vieux de 3 200 ans

Une équipe de recherche de l’Université de Vienne, dirigée par Marta Luciani, a identifié une tradition de poterie de l’âge du bronze comme l’une des plus anciennes marques de l’histoire de l’humanité. L’étude, publiée dans PLOS One, examine la poterie peinte de Qurayyah, une céramique répandue il y a environ 3 200 ans dans la région de l’actuelle Arabie saoudite. Elle se caractérise par des motifs géométriques noir et rouge ainsi que des figures stylisées d’animaux et d’humains. Selon les chercheurs, l’effet de marque provenait de l’identité visuelle elle-même : une qualité de matériau constante, une technique de production continue, une fabrication centralisée et une exportation qui s’étendait au-delà de sa région d’origine. → Becky from 404 Media

Synthszr Take : 3 200 ans, et la formule du succès n’a pratiquement pas changé : une qualité constante, une forme reconnaissable, une portée suffisante pour que d’autres commencent à copier. Les potiers de Qurayyah n’avaient pas de budget marketing ni de modèle de positionnement ; ils avaient une signature reconnaissable à cent mètres. L’euphorie actuelle de l’IA oublie que les imitateurs dans cette histoire ont toujours été les perdants ; l’étude cite explicitement les imitations locales comme une preuve de la force de l’original, et non comme une menace pour celui-ci.

Greg Brockman contrôle les opérations d’OpenAI après la vague de départs

Greg Brockman, cofondateur et président d’OpenAI, est de facto le numéro deux de l’entreprise et le principal responsable des opérations quotidiennes après une série de départs de dirigeants. Son titre n’a pas changé depuis des années, mais son domaine de responsabilité s’est considérablement élargi. Brockman fait partie de la direction depuis la création et était considéré au début comme l’ingénieur qui faisait fonctionner les grands systèmes d’entraînement. À l’époque, il partageait encore le pouvoir avec des cofondateurs comme le scientifique en chef Ilya Sutskever et le PDG Sam Altman. En 2017, il se demandait dans un journal personnel ce qui lui apporterait son premier milliard financièrement ; sa part actuelle dans OpenAI est estimée à près de trente fois ce montant.

Les départs se sont multipliés en avril : le responsable de Sora, Bill Peebles, Kevin Weil, vice-président de la division recherche, et Srinivas Narayanan, CTO des applications B2B, ont quitté l’entreprise. La directrice marketing Kate Rouch et Fidji Simo, PDG en charge du déploiement de l' AGI, ont démissionné pour des raisons médicales ; Simo a pris un congé en avril et a officiellement démissionné en juillet. Au début de ce mois, la directrice des ventes Denise Dresser a annoncé son départ surprise après seulement huit mois, bien qu’elle ait assumé des tâches supplémentaires après les remaniements d’avril. Quelques jours plus tard, Brad Lightcap, COO de longue date et récemment responsable des projets spéciaux, a déclaré vouloir créer sa propre entreprise.

Plusieurs de ces changements n’ont pas affecté la position de Brockman, tandis que d’autres l’ont directement élargie. Lorsque Simo a pris son congé, il a repris l’entière responsabilité du produit, y compris le travail sur la Super-App prévue. Lors d’une réorganisation ultérieure axée sur la croissance du chiffre d’affaires, il a ajouté à ses responsabilités la stratégie produit ainsi que tout le secteur du scaling, ce qui le place de facto à la tête de l’ensemble des activités commerciales. La démission officielle de Simo, quelques semaines après le dépôt officiel de l'IPO, a consolidé cette configuration. Tout cela se déroule au cours d’une année marquée par un procès de plusieurs mois avec un jury contre le cofondateur Elon Musk, une plainte d’Apple pour secrets commerciaux et des critiques après qu’un modèle non publié a piraté une autre entreprise d’IA. OpenAI n’a pas fait de commentaire dans l’immédiat. → Globe and Mail, The Verge

Synthszr Take : À l’extérieur, le bruit court depuis des mois, et à l’intérieur, c’est le même homme qui est à la machine depuis la création. Chaque départ a déplacé des responsabilités quelque part, et ce quelque part s’est presque toujours appelé Brockman : stratégie produit, Super-App, tout le secteur du scaling, et finalement l’ensemble des activités commerciales, sans un seul changement de titre. C’est la structure la plus stable qu’OpenAI puisse présenter actuellement, alors qu’en avril, la situation vue de loin ressemblait encore à un feuilleton à l’issue incertaine. Pour une introduction en bourse, ce qui compte, c’est qui est responsable de la machine à revenus, pas qui parle sur scène, et cette réponse est claire depuis l’été. En lisant le prospectus, il vaudra la peine de jeter un œil à la ligne sous Altman : c’est là que se trouve le nom de celui qui porte les opérations quotidiennes.