Les modèles Open Weight chinois conquièrent les classements de téléchargement

Les modèles Qwen d’Alibaba dépassent Meta et Google avec trois milliards de téléchargements

Les modèles d’IA ouverts d’Alibaba ont dépassé la barre des trois milliards de téléchargements, devançant ainsi les familles de modèles de Meta et Google. Ce chiffre s’inscrit dans une période où la plateforme Hugging Face, dans son rapport semestriel sur l’écosystème de janvier à août 2026, décrit un domaine en forte croissance mais extrêmement inégalement réparti. Le nombre de référentiels de modèles publics est passé de 2,43 à 2,96 millions, et celui des ensembles de données de 711 000 à un million. Sous cette surface, la répartition reste extrême : 85,6 % de tous les modèles n’atteignent pas les 200 téléchargements au cours de leur vie, tandis que 1,5 % des référentiels concentrent 99,2 % de toutes les consultations.

En termes de volume de paramètres, le classement a changé. Presque chaque mois de l’année, le plus grand modèle ouvert d’un laboratoire chinois était plus grand que tout ce qu’un laboratoire américain a publié lui-même : la limite supérieure mensuelle en Chine se situait entre 754 milliards et 2,78 billions de paramètres, tandis que la limite américaine était inférieure à 130 milliards pendant cinq des sept mois. Les exceptions sont le Nemotron 3 Ultra de Nvidia avec 561 milliards de paramètres et Inkling de Thinking Machines Lab avec 952 milliards. Les fournisseurs se divisent également en deux camps : Moonshot, MiniMax, Xiaomi et Z.ai ne publient presque rien en dessous de 70 milliards de paramètres, tandis que Tencent et Qwen d’Alibaba couvrent toute la gamme à partir de moins d’un milliard. Ce premier schéma a également été rendu possible par le fait que la quantisation par la communauté rend les grands modèles opérationnels en quelques jours.

La plupart des nouveaux modèles ouverts cette année proviennent des fabricants de puces eux-mêmes. AMD et Nvidia ont chacun publié plus de 200 nouveaux référentiels de modèles, suivis par LiquidAI avec environ 100. Google et Meta sont désormais loin derrière Nvidia en termes de nouvelles publications, bien qu’ils aient dominé le domaine les années précédentes. Au-dessus de 100 milliards de paramètres, de nombreuses publications américaines s’appuient sur des modèles chinois ; AMD a contribué ici à de nombreuses conversions, mais n’a pas fourni de modèle propre de cette taille.

L’attention et l’utilisation divergent. Sur les 25 référentiels les plus téléchargés de l’année et les 25 ayant le plus de « likes », un seul apparaît dans les deux listes. Aucun modèle publié en 2026 n’entre dans le top 25 des téléchargements, alors que treize des 25 datent de 2022 ; le modèle d’intégration all-MiniLM-L6-v2 a été consulté 1,55 milliard de fois.

Meta et Nvidia ont répliqué en août. Meta a publié le 10 août Muse Glimmer avec 30 milliards de paramètres sous licence Apache 2.0, conçu pour les agents locaux, le codage et le Function Calling ; selon l’entreprise, il fonctionne sur un Mac ou un PC avec un seul GPU grand public et se réduit dans une variante quantifiée à moins de 20 gigaoctets contre plus de 55 gigaoctets en pleine précision. Un jour plus tard, Nvidia a présenté Nemotron 3.5 Lightning, également avec 30 milliards de paramètres et orienté vers des charges de travail agentiques à haut volume ; l’entreprise annonce pour ses propres benchmarks une sortie jusqu’à quatre fois plus rapide. S’ajoute à cela NeMo Switchyard, un système de routage ouvert qui répartit des tâches individuelles entre différents modèles ouverts ou fermés. Mark Zuckerberg a annoncé qu’il publierait également à l’avenir les poids du plus puissant Muse Spark 1.2 ; le PDG d’Uniphore, Umesh Sachdev, a rappelé que certains développeurs s’étaient sentis trahis après le retrait antérieur de Meta des poids ouverts, tandis que le PDG de Box, Aaron Levie, a interprété cette démarche comme un engagement clair. → Hugging Face, Bloomberg, Memeburn

Synthszr Take : Les téléchargements sont la monnaie la plus forte sur le marché des modèles ouverts, et Alibaba vient de dépasser Meta et Google avec trois milliards. Les benchmarks font les gros titres, la base installée fournit l’hypothèse par défaut de chaque développeur pour le prochain projet. La répartition est impitoyable : 1,5 % des référentiels concentrent 99,2 % de toutes les consultations, et aucun modèle publié en 2026 n’arrive même à se classer dans le top 25. Qwen occupe cette place parce qu’il couvre toute la gamme, de moins d’un milliard de paramètres jusqu’aux billions, tandis que Moonshot ou Z.ai n’offrent pratiquement rien en dessous de 70 milliards, faisant de la première rencontre avec eux une question de matériel. Le modèle à 30 milliards de Meta sur un seul GPU grand public est la bonne décision, mais la confiance perdue des développeurs revient plus lentement qu’une sortie en août ne peut le forcer.

Avec 2,78 billions de paramètres, les modèles ouverts chinois distancent les laboratoires américains

Hugging Face a publié son rapport semestriel sur l’état des modèles ouverts, décrivant pour la période de janvier à août 2026 un changement d’échelle entre les laboratoires chinois et américains. Selon le rapport, la limite supérieure mensuelle des plus grands modèles open-weight chinois se situait entre 754 milliards et 2,78 billions de paramètres, tandis que les laboratoires américains sont restés en dessous de 130 milliards pendant cinq des sept mois. Les exceptions étaient le Nemotron 3 Ultra de NVIDIA avec 561 milliards et Inkling de Thinking Machines Lab. Les fabricants de puces AMD et NVIDIA ont publié le plus de nouveaux modèles ouverts cette année, avec plus de 200 nouveaux référentiels chacun, devant LiquidAI avec environ 100. Au-dessus de 100 milliards de paramètres, la plupart des publications américaines sont, selon Hugging Face, des dérivés de modèles chinois plutôt que de nouvelles créations propres. Le rapport distingue également l’attention de l’utilisation : sur les 25 référentiels les plus téléchargés et les 25 les plus « likés », un seul apparaît dans les deux listes, all-MiniLM-L6-v2 a atteint 1,55 milliard de téléchargements en sept mois pour 5 156 likes. → Hugging Face

Synthszr Take : Alibaba couvre avec Qwen toute la gamme, de moins d’un milliard de paramètres jusqu’aux billions, et c’est le véritable message de ce rapport. Vous ne rencontrez Moonshot ou MiniMax que si vous avez accès à un cluster, tandis que Qwen fonctionne sur un ordinateur portable, dans une tâche de fine-tuning, et en production avec la même logique de tokenizer et de prompt. De là naît une standardisation : une fois que les équipes ont aligné leurs suites d’évaluation, adaptateurs et recettes de quantisation sur une famille, l’effort de changement réside dans la chaîne d’outils et non dans le téléchargement du modèle.

Anthropic promet aux investisseurs un chiffre d’affaires de 190 à 200 milliards de dollars pour 2028

Anthropic a présenté aux investisseurs potentiels, avant une éventuelle introduction en bourse, une prévision de chiffre d’affaires d’environ 190 à 200 milliards de dollars pour l’année 2028, tandis que les banquiers et les investisseurs travaillent en parallèle sur une évaluation. En mai, l’entreprise avait annoncé que son run rate avait dépassé la barre des 47 milliards de dollars, après un chiffre d’affaires total d’environ 10 milliards de dollars en 2025. Pour le deuxième trimestre 2026, Anthropic affiche, selon des documents consultés par Bloomberg News, un chiffre d’affaires provisoire de plus de 11,5 milliards de dollars, contre 787 millions de dollars au trimestre de l’année précédente et 4,73 milliards de dollars au premier trimestre 2026. Selon les mêmes documents, l’entreprise a réalisé un résultat d’exploitation ajusté positif au deuxième trimestre ; Bloomberg souligne que les chiffres sont provisoires et peuvent encore changer. Les premières réunions avec des investisseurs potentiels se sont déroulées jusqu’à présent à un niveau général, selon des sources de CNBC, sans chiffres financiers concrets ni évaluation. → CNBC

Synthszr Take : Les 190 à 200 milliards pour 2028 sont le véritable instrument d’évaluation, tout le reste n’est qu’accessoire. Pour une telle introduction en bourse, les banques font un calcul à rebours : elles appliquent des multiples de chiffre d’affaires à l’année cible, actualisent, construisent une fourchette de prix, et voilà que la moitié du prix d’émission dépend d’un chiffre que personne n’a encore atteint. Le chemin pour passer d’un run rate de 47 milliards en mai à 200 milliards en un peu plus de deux ans exige plus qu’un quadruplement, et c’est précisément cette pente qui est actuellement lissée dans les modèles comme s’il s’agissait d’une loi de la nature.

Des chercheurs de Stanford veulent simuler 8 milliards de personnes

Le projet de recherche de Stanford derrière l’article «  Generative Agents: Interactive Simulacra of Human Behavior  » est devenu l’entreprise Simile AI, qui, selon Turing Post, a atteint une valorisation de deux milliards de dollars en moins de six mois. L’expérience sous-jacente d’avril 2023, connue sous le nom de Smallville, a placé 25 agents génératifs dans une ville en pixels, leur a donné des métiers, des relations et des souvenirs, et les a laissés adapter leurs plans et entretenir des contacts sur des jours simulés. Le précurseur était l’article «  Social Simulacra  » de 2022, dans lequel des concepteurs pouvaient peupler une communauté en ligne hypothétique avec des milliers de personas générés pour tester les règles de modération et les modèles de conversation avant le lancement. Simile a été fondée par Joon Sung Park avec ses anciens superviseurs de Stanford, Percy Liang et Michael Bernstein. L’objectif à long terme déclaré par Park est un «  CERN de la société humaine  » : paniques bancaires, coopération climatique, effondrement démocratique, représentés dans une unique simulation de base qui, selon lui, pourrait un jour coûter 100 millions de dollars et nécessiter des mois de temps de calcul. La création de l’entreprise a été déclenchée, selon la newsletter, par des demandes de deux côtés : des chercheurs en sciences sociales voulaient utiliser l’architecture pour des expériences, et des dirigeants de grandes entreprises voulaient clarifier des questions sur leurs clients et leurs marchés. Au cœur de la commercialisation se trouve une précision de 85 % dans la reproduction des réponses humaines, citée par l’entreprise. → 🔳 Turing Post

L’avis de Synthszr : Une précision de 85 % est un chiffre sans dénominateur : précis en quoi, mesuré sur quel groupe de population, par rapport à quel jeu de données de référence et avec quelle dispersion pour les minorités peu représentées dans les textes d’entraînement ? Le charme commercial des enquêtes simulées réside dans le fait que l’acheteur n’a jamais à confronter le résultat à la réalité, puisqu’il vient justement d’économiser le coût de l’enquête réelle. Pour une simulation de base coûtant 100 millions de dollars et s’étalant sur plusieurs mois, la contre-vérification serait plus coûteuse que l’information obtenue, et n’aura donc pratiquement jamais lieu. Une valorisation de deux milliards de dollars repose donc sur un indicateur clé dont personne en dehors de l’entreprise n’a vu le protocole d’audit, alors que Liang, l’un des cofondateurs, vient justement du domaine de la recherche évaluative. Le marché des humains synthétiques n’atteindra sa maturité que lorsque Simile publiera une réplication indépendante comparée à des données de terrain réelles, avec des marges d’erreur et des cas limites identifiés.

Anthropic : Les agents IA s’infectent mutuellement avec des «  Mind Viruses  »

Anthropic a publié cette semaine une étude selon laquelle les agents IA peuvent s’infecter mutuellement avec des objectifs que les chercheurs appellent des «  Mind Viruses  ». Pour l’expérience, ils ont placé au sein d’une équipe de six codeurs un seul agent doté d’un objectif implanté, qui ne disposait d’aucun outil à l’exception d’une fonction de messagerie directe. Selon le document, cet agent a recruté ses coéquipiers, qui ont inscrit l’idée dans leurs propres fichiers de mémoire et l’ont transmise à leur tour. Selon les chercheurs, certaines variantes ont survécu à vingt tours de transmission, modifiant leur formulation pour paraître plus convaincantes. L’étude rapporte également qu’une infection se reconstituait après la suppression de l’historique de chat, car elle était stockée dans le fichier d’identité de l’agent. Les protections actuelles se concentrent sur le point d’entrée, c’est-à-dire l’instruction empoisonnée unique (Prompt Injection) ; ce travail déplace l’attention sur ce qui se passe au sein de l’équipe après la compromission initiale. Le preprint est consultable sur alphaXiv. → AI Secret

L’avis de Synthszr : Un seul agent, doté uniquement de la capacité d’écrire à ses collègues, a fait basculer une équipe de six. La connexion de messagerie entre agents devient ainsi elle-même le vecteur d’attaque, et jusqu’à présent, presque personne ne la traite comme une interface avec des droits, une journalisation et un audit. Les entrées externes sont contrôlées, tandis que le canal entre deux agents est considéré comme fiable et les fichiers d’identité ne sont soumis à aucune validation. Vingt tours de transmission avec un texte qui devient plus convaincant en cours de route et se réinsère de lui-même après suppression montrent à quel point cette propagation est résiliente. La mémoire des agents doit être versionnée, signée et réinitialisée de manière stricte en cas d’écart. Les messages d’agent à agent nécessitent la même vérification qu’un e-mail provenant de l’extérieur.

Flue 2.0 introduit des Hooks de type React pour des agents capables de survivre aux interruptions

Le projet open source Flue a publié la version 2.0 de son framework pour agents et y introduit ce qu’il appelle des «  Agent Hooks  ». Les agents sont écrits en TypeScript sous forme de fonction retournant un prompt système, tandis que l’état, le comportement au démarrage et la sélection du modèle sont définis via des Hooks dans le style de React : usePersistentState pour les compteurs et l’historique, useAgentStart pour les actions au début de la session, useModel pour la sélection du modèle, dans l’exemple Kimi K2 de Moonshot. Sous le framework travaille Pi, un Agent Harness, qui, selon le projet, alimente également OpenClaw et d’autres applications, et fournit la couche de sessions, d’outils et de compétences. En dessous se trouve une couche d’exécution (runtime) pour la sandbox, la base de données et le déploiement, construite sur Durable Streams, Vite et une API de sandbox capable d’interagir également avec des sandboxes distantes. Le projet se présente comme agnostique au modèle avec la promesse d’écrire une seule fois et d’exécuter partout. Pour commencer, on copie un prompt dans son propre agent de codage, qui lit la documentation et guide à travers la configuration du premier agent. → Latent.Space

L’avis de Synthszr : Dans l’exemple de code, le véritable travail réside dans une seule ligne de gestion d’état, à savoir usePersistentState. Un agent qui effectue vingt appels d’outils consécutifs finit par s’interrompre au milieu parce que le Rate Limit est atteint, que la sandbox redémarre ou que le réseau tombe en panne. Durable Streams et l'API de la sandbox sont les composants peu prestigieux qui font échouer les projets d’agents en production, alors que le prompt astucieux de la démo fonctionne toujours. Changer de modèle coûte une ligne avec useModel, reprendre une tâche à moitié terminée coûte des semaines. Avant de mettre en ligne le prochain agent, il faut répondre à la question de ce qui se passe à l’étape 14 sur 20. Sans cette réponse, ce n’est qu’un demoware avec une URL de déploiement.

Vercel lance eve et ambitionne de devenir le Next.js des agents

Vercel a lancé eve, un framework pour la création d'agents IA, et le positionne explicitement comme l’équivalent de Next.js, mais pour les agents au lieu des applications web. Le principe de base : un agent est un répertoire. Selon le fournisseur, un fichier instructions.md en Markdown suffit à constituer un agent complet, qui se lance via npx eve@latest init. Pour changer de modèle ou d’environnement d’exécution, il suffit d’ajouter un fichier agent.ts qui s’appuie sur l’AI Gateway de Vercel. Les outils sont placés sous forme de fichiers TypeScript dans le dossier tools/, le nom du fichier devenant le nom de l’outil sans nécessiter d’enregistrement séparé ; les instructions réutilisables se trouvent sous forme de playbooks Markdown dans le dossier skills/ et ne sont chargées qu’en cas de besoin. Chaque agent dispose, selon Vercel, d’une sandbox isolée avec accès aux fichiers, configurable via sandbox/sandbox.ts. Grâce à des fichiers dans le dossier channels/, le même agent peut être connecté à Slack, Discord et d’autres canaux ; le framework compile le répertoire et relie les Durable Workflows. → Latent.Space

L’avis de Synthszr : Vercel vend eve avec la phrase «  un agent est un répertoire  », et c’est là que réside le véritable pari : les conventions l’emportent sur les bibliothèques. C’est ce qui s’est passé sur le web, lorsque le domaine s’est organisé autour de Backbone, Angular et React, et que le framework qui fournissait à la fois la structure des dossiers et le déploiement a fini par l’emporter. eve repose sur six briques (instructions.md, agent.ts, tools/, skills/, sandbox/, channels/), et si cette structure s’impose, le débat sur le meilleur SDK d’agent sera clos avant même d’avoir réellement commencé. Mais le standard n’est pas encore établi : LangGraph, l’Agents SDK d’OpenAI et une douzaine de solutions maison sont en concurrence pour cette même couche de conventions, et aucun n’a la majorité. Concrètement, pour les mois à venir, cela signifie : conserver la logique des agents dans des fichiers Markdown et TypeScript légers, car c’est précisément ce qui pourra être porté si le pari sur le mauvais fournisseur s’avère perdant.

Anthropic déploie le filigrane de Claude dans le monde entier et explique la technologie sous-jacente

Anthropic a décrit en détail le 14 août 2026 le fonctionnement du filigrane dans les futurs modèles Claude. Le procédé est une variante de SynthID-Text, présenté par Google DeepMind en 2024 dans un article de Nature et qui s’inspire d’une proposition de Scott Aaronson datant de 2022. Le contexte est la réglementation de l’UE : depuis le 2 août 2026, les fournisseurs desservant le marché européen doivent marquer les contenus générés par l’IA de manière lisible par machine ; Anthropic a signé le code de transparence correspondant en juillet 2026, aux côtés d’environ 190 organisations. Comme il n’existe actuellement, selon l’entreprise, aucun moyen fiable de limiter la fonctionnalité à une région, le filigrane est déployé à l’échelle mondiale.

Techniquement, le marquage réside dans le choix des mots eux-mêmes. Un modèle de langue choisit à chaque étape parmi une liste de candidats plausibles, et lorsque plusieurs options sont équivalentes (par exemple, «  overcast  » ou «  grey  » après «  The weather today was cold and…  »), une valeur aléatoire décide. Le filigrane remplace cette source d’aléa par une clé secrète combinée aux mots précédents. Celui qui possède la clé peut vérifier statistiquement si une séquence de mots correspond aux décisions d’un modèle ainsi contrôlé, et en déduire une probabilité. Rien n’est ajouté au texte, il n’y a pas de caractères Unicode cachés, et selon le fournisseur, cela n’entraîne ni tokens supplémentaires ni coûts plus élevés.

Anthropic détaille amplement les limites du procédé. Pour les passages courts, les possibilités de choix manquent ; pour les textes factuels, il n’y a souvent qu’une seule bonne réponse ; et pour le code, le résultat doit être exécutable, si bien que le marqueur ne peut s’appliquer tout au plus que dans les commentaires. Une légère retouche n’enlèvera probablement pas le filigrane, mais une réécriture complète ou une paraphrase le fera. Un résultat positif indique seulement que Claude a été impliqué avec une certaine probabilité ; il ne fait pas la distinction entre un texte écrit par l’utilisateur et un texte fortement remanié, n’identifie aucune personne, organisation ou conversation, et ne peut pas reconnaître les productions d’autres systèmes, car chaque fournisseur utilise ses propres clés et méthodes. Les traductions portent la marque, car le modèle y choisit tous les mots.

Une API de détection suivra, permettant à des tiers d’intégrer la vérification dans leurs propres applications. Les modèles sortis après le 2 août 2025 prendront en charge le procédé directement, tandis que les anciennes versions de Claude seront mises à jour dans les mois à venir. Pour les fichiers dans des formats tels que .png, .jpg et .svg, Anthropic utilise le standard ouvert C2PA avec des preuves d’origine signées cryptographiquement. Le tout se distingue des services de détection comme Pangram, qui fonctionnent sans clé et se basent plutôt sur l’inférence de motifs stylistiques typiques.

L’annonce a provoqué une réaction visible de la part des utilisateurs. Sur X, des dizaines d’utilisateurs ont fait état d’abonnements résiliés depuis lundi ; quatre personnes concernées ont exposé leurs raisons lors d’un entretien avec un média économique, dont un collaborateur en politiques publiques, qui a mis fin à son abonnement Claude-Max à partir de 100 dollars par mois et est passé à Cursor et Grok 4.6 pour le codage. Sa crainte : même pour une simple traduction, une correction orthographique ou un léger résumé, un marquage pourrait subsister et poser problème dans des contextes académiques ou professionnels aux règles strictes en matière d’IA. Anthropic a déclaré ne pas observer de tendance à la hausse des résiliations ; l’entreprise comptait environ 300 000 clients professionnels en septembre 2025.

Une autre objection vient du monde du journalisme : l’auteur Jeff Jarvis critique le fait que le procédé déclare de facto le choix des mots comme étant arbitraire, alors que le style, le rythme et la signification dépendent précisément de ces décisions. Le moment coïncide également avec une phase d’actualités d’entreprise intenses : selon un rapport, les investisseurs s’attendent à une introduction en bourse en octobre avec une valorisation de plus de deux billions de dollars, et Anthropic serait en négociation pour l'acquisition du spécialiste en World-Model et GPU, Decart, pour environ six milliards de dollars. Google utilise SynthID depuis août 2023 pour les images et depuis mai 2024 également pour le texte et la vidéo ; OpenAI a également annoncé son utilisation en mai 2026. → unite, Anthropic, TechCrunch, Gizmodo, Engadget, BuzzMachine, Business Insider, Hard Coded, Search Engine Journal, The Decoder

L’avis de Synthszr : Anthropic possède désormais une clé permettant de prouver si Claude a participé à un texte, et cette clé ne quitte pas l’entreprise. L’API de détection annoncée en fait une infrastructure : les bureaux d’examens, les maisons d’édition et les services de conformité demanderont à l’avenir au fournisseur si un texte est passé par son modèle. Le fait que 190 signataires du code de transparence suivent la même voie, chacun avec sa propre méthode et sa propre clé, transforme la vérification de la provenance en un marché avec une poignée de gardiens plutôt qu’en un standard ouvert. Techniquement, le procédé reste imparfait : pour le code, les passages courts et les textes factuels, la marque a peu de marge de manœuvre, et la paraphrase l’efface complètement. Néanmoins, le déploiement est mondial, car il n’y a pas de délimitation régionale. Le débat des prochains mois portera sur la question de savoir qui exploitera les détecteurs et quel jugement tiendra devant une commission d’examen ou un tribunal.