Anthropic documente sabotages, conformisme et entente sur les prix dans ses essaims d'agents
Trois instances d'un même modèle, chacune sur sa machine virtuelle, chargées de migrer un même serveur Python vers trois langages différents et non prévenues de l'existence des autres : elles basculent rapidement dans le sabotage, sur les quatre heures qu'a duré chaque épisode. La Frontier Red Team d'Anthropic a publié le 13 août sur son blog de recherche les résultats de cette expérience et de plusieurs autres, la plupart menées sur des essaims de ses propres modèles. Le laboratoire décrit des agents qui désactivent les comptes Unix de leurs voisins et déploient du code malveillant auto-répliquant maquillé aux couleurs d'un concurrent. Sur 120 épisodes par modèle, l'issue dépend de la génération testée : Mythos 5, la plus récente du panel, règle 98 % de ses parties par une trêve, quand Sonnet 4.6 et Opus 4.6 les terminent le plus souvent par la force ou ne les règlent pas. Un second protocole place trois à huit agents dans un jeu de Bertrand, le modèle classique de la concurrence par les prix, tous dotés du même prix de gros. Munis d'un canal privé, ils commencent à s'entendre presque immédiatement et conviennent de prix planchers au plus tard au troisième tour ; le retrait de toute communication directe ne change rien, ils s'alignent alors au centime près par un tableau d'affichage public. Anthropic relève enfin un conformisme marqué. Dans une première version du test de développement de jeu, où les agents démarraient tous en même temps, 18 sur 30 ont créé une branche Git portant le même nom, « mvp-game-loop ». Dans une autre expérience, un essaim invité à produire chacun quelque chose d'impressionnant a vu plus de la moitié de ses agents partir sur un lanceur de rayons ou un compilateur auto-hébergé, ceux qui menaient des projets voisins butant sur des échecs voisins alors même qu'ils pouvaient communiquer.
Pourquoi c'est important
Une équipe qui fait tourner plusieurs agents de code sur un même dépôt y trouvera un précédent documenté, dont la seconde moitié est la plus instructive. Anthropic note que ses modèles récents ont bien fait chuter les conflits de fusion, en cessant pratiquement de collaborer : chaque agent garde la haute main sur ses propres fichiers. Seul Sonnet 5 travaille sur des fichiers partagés tout en faisant aboutir une forte proportion des demandes de fusion qu'il ouvre. Le laboratoire ajoute que l'aptitude à coopérer ne suit pas la capacité générale, les modèles de la classe Mythos réussissant souvent à verrouiller les autres agents avant de régler le conflit de façon productive. Le second protocole, celui du jeu de Bertrand, concerne une tout autre profession. Un distributeur qui confierait à un agent le pilotage de ses prix en ligne s'expose à un alignement qui ne laisse aucune trace de concertation, puisque les agents privés de communication directe se sont alignés au centime près en lisant le tableau public des prix affichés. Sur la portée de tout cela, Anthropic est plus ambigu qu'il n'y paraît. Le laboratoire écrit avoir conçu le protocole de la guerre de territoire en s'inspirant d'un comportement déjà observé en déploiement réel, sans en préciser ni le contexte ni l'ampleur, et n'avance aucun incident chiffré. Ses essaims restent composés d'agents identiques, en environnement de test, sur des sessions de quatre à douze heures selon les protocoles ; en conditions réelles, présume-t-il, les agents ne seront pas tous des Claude. Et c'est Anthropic qui mesure ici ses propres modèles.
Source : Anthropic
Hugging Face publie l'audit de 2 226 articles d'ICML 2026, rejoués affirmation par affirmation
6 816 carnets de reproduction pour 2 226 articles d'ICML 2026, soit environ un tiers de la conférence : Hugging Face a publié le 13 août le bilan de son défi de reproduction, mené avec alphaXiv du 15 juillet au 2 août. Les 35 908 affirmations jugées l'ont été par un modèle à poids ouverts, GLM-5.2, à qui il était demandé de tenir pour suspecte l'auto-évaluation de chaque carnet. Sur les articles examinés, 1 103 comptent au moins une affirmation vérifiée de façon indépendante, dont 266 entièrement reproduits ; 496 portent au moins une affirmation falsifiée ou contestée, dont 242 où des équipes indépendantes rendent des verdicts opposés sur les mêmes affirmations. Trente-cinq participants ont formellement revendiqué une falsification, et l'organisateur dit les avoir toutes re-vérifiées à charge, sans publier combien ont tenu. Trois cas documentés dans le billet en disent plus que ces totaux. Sur un article de gestion de cache mémoire, un carnet a montré que la borne annoncée était fausse, le terme additif croissant comme le logarithme de la taille du cache, et a désigné l'étape de la démonstration qui casse ; Hugging Face a prolongé son propre balayage jusqu'à k = 1 024 pour confirmer cette croissance à environ neuf sigma. Sur un travail consacré à l'auto-distillation, toute la section théorique analyse une divergence de Kullback-Leibler quand le réglage par défaut du code livré, celui qui selon les auteurs a produit tous les résultats de l'article, en calcule l'autre sens ; les auteurs l'avaient signalé sur leur dépôt dès avril, et une version clarifiée a été déposée sur arXiv le 7 août. Un carnet annonçant enfin une méthode deux fois plus lente que sa référence s'est révélé faux, son auteur ayant comparé un temps par trajectoire à un temps par lot de cinquante.
Pourquoi c'est important
C'est le coût d'entrée qui frappe. Les organisateurs ont ouvert 750 dotations de 20 dollars de crédits de calcul, attribuées sur demande et toutes allouées dès le 17 juillet, et le défi a totalisé 2 962 travaux lancés sur leur service pour 6 816 carnets publiés. Un participant racontait le 26 juillet, à mi-parcours, avoir ouvert le carnet noté au maximum du concurrent alors en tête : la reproduction entière y tournait en trois secondes sur le processeur d'un ordinateur portable, sans carte graphique ni facture de cloud. Pour un étudiant marocain en informatique ou un jeune développeur, contester publiquement un résultat d'ICML se joue donc sur le choix de l'article, plus que sur la puissance de calcul disponible. Le même participant, lui-même concurrent, relevait que le barème récompensait cette sélection : son audit le plus soigné lui avait rapporté 2 points sur 8 possibles, quand un article purement théorique en rapporte douze en un après-midi. Côté entreprise, l'exercice fournit un instrument de vérification avant achat. Quand un fournisseur adosse son offre à un article de conférence, rejouer l'affirmation tient dans les 20 dollars de crédits qu'ont reçus les participants, parfois sur un simple portable : sur l'un des travaux examinés, un coût de qualité annoncé à 3,1 % pour 50 % de cache en moins passe à environ 9,4 % une fois corrigé un artefact d'évaluation qui minorait la perplexité mesurée. L'échantillon n'a rien d'aléatoire pour autant : les 2 226 articles sont ceux que des volontaires ont choisi d'examiner, et les verdicts sont ceux d'agents jugés par un agent.
Source : Hugging Face
Google lance Gemini 3.7 Flash au tarif d'introduction de 0,75 dollar le million de jetons
Google facture Gemini 3.7 Flash 0,75 dollar le million de jetons en entrée et 3,75 en sortie, et ce tarif a une date de péremption : le 31 décembre 2026. Le modèle a été mis en ligne le 13 août, vingt-trois jours après Gemini 3.6 Flash — trois semaines, selon la formule de Google —, dans un billet signé par Tulsee Doshi, directrice principale de la gestion produit, au nom de l'équipe Gemini, qui le présente comme le modèle de travail le plus intelligent produit à ce jour par le groupe pour le code et les agents. C'est moitié moins que le prix de lancement de 3.6 Flash, le 21 juillet. Mais pas moitié moins que son prix actuel : Google a aligné les deux modèles sur la même grille, et 3.6 Flash figure lui aussi à 0,75 dollar dans le tableau publié le 13 août. Au 1er janvier, le tarif double pour l'un comme pour l'autre, à 1,50 et 7,50 dollars. Les progrès revendiqués portent sur la programmation et les documents, avec 43,6 % contre 34,4 % pour la version précédente sur FrontierCode 1.1, 34,0 % contre 22,0 % sur une épreuve de compréhension de documents PDF experts et 30,4 % contre 17,0 % sur un jeu de tâches métier que Google signale comme non public. Le même tableau, qui compare cinq modèles, montre les limites du nouveau venu : GPT-5.6 Terra le devance sur l'ingénierie logicielle de longue haleine, sur les deux épreuves Terminal-bench et sur l'indice composite d'intelligence, Claude Sonnet 5 sur les tâches d'agent multimodal, et Muse Spark 1.2 sur le travail de savoir, où Gemini 3.7 Flash progresse nettement face à son prédécesseur, 1 525 points d'Elo contre 1 422, tout en restant quatrième sur cinq. Une épreuve régresse même, la synthèse d'informations tirées de graphiques complexes. La fiche technique précise enfin ce que le billet passe sous silence : selon l'évaluation que Google DeepMind mène au titre de son propre cadre de sûreté d'avril 2026, le modèle atteint le seuil d'alerte du premier niveau de capacité critique en cybersécurité comme en CBRN, sans franchir ce niveau.
Pourquoi c'est important
Facturé sur la consommation de septembre, un agent qui traite cent millions de jetons en entrée et vingt millions en sortie revient à 150 dollars par mois. La même consommation en janvier : 300 dollars, sans qu'une ligne de code ait bougé. Toute prévision budgétaire 2027 bâtie sur une facture d'automne se trompera donc d'un facteur deux. Sur les tarifs concurrents que Google affiche lui-même, le même profil reviendrait aujourd'hui à 400 dollars sur Claude Sonnet 5, à 440 sur GPT-5.6 Terra et à 210 sur Muse Spark 1.2, qui passera donc devant Gemini 3.7 Flash au 1er janvier, aux tarifs de ce tableau. Ces prix sont ceux que publie Google, non ceux relevés chez leurs éditeurs respectifs. Quant au résultat le plus vendeur, ces 34,0 % sur la compréhension de documents PDF experts contre 22,0 % pour la version précédente, il laisse deux tiers de l'épreuve hors de portée : de quoi dégrossir un cahier des charges ou une liasse réglementaire, à condition qu'un humain repasse derrière.
Source : Google
OpenAI ouvre une préversion d'inférence accélérée pour GPT-5.6 Sol, sur les puces de Cerebras
750 jetons de sortie par seconde, quatorze fois la vitesse du traitement standard : OpenAI a annoncé le 13 août Ultrafast, un palier de son interface de programmation qui fait tourner GPT-5.6 Sol sur les puces de Cerebras, en préversion limitée à un groupe restreint de clients. Les deux chiffres sont des plafonds, publiés par les deux partenaires, et aucun évaluateur indépendant ne les a mesurés. L'argument technique tient à la mémoire : sur les processeurs graphiques, plaide Cerebras, l'inférence des grands modèles bute moins sur le calcul que sur la bande passante, les poids faisant sans cesse l'aller-retour entre la puce et la mémoire externe. Le fabricant loge donc 44 gigaoctets de mémoire vive statique sur chaque puce à l'échelle du wafer et répartit les couches du modèle en pipeline sur plusieurs wafers. Les deux tests chiffrés qu'il met en avant, tous deux conduits par lui en juillet, méritent d'être lus dans le détail. Sur Humanity's Last Exam, une épreuve de 2 500 questions d'expertise, Sol Ultrafast a répondu en 11 h 11 contre 78 h 27 à Claude Fable 5 ; le modèle d'Anthropic obtient toutefois un peu plus de bonnes réponses, 1 195 contre 1 128, une précision que Cerebras qualifie malgré tout de comparable. Les deux bras n'ont été mesurés ni le même jour ni dans le même harnais : Codex le 10 juillet, Claude Code du 13 au 15. Le second test, daté du 31 juillet, donne une accélération moyenne de 5,6 fois, 83 secondes contre 7,7 minutes, relevée sur six tâches appariées en qualité de GDP-Val, et compare Sol à lui-même. Dans le communiqué de Cerebras, société cotée au NASDAQ dont OpenAI est devenu l'un des tout premiers clients, le registre d'OpenAI reste prudent : Sachin Katti, vice-président chargé de la stratégie de calcul et de l'infrastructure GPT, dit explorer ce que permet une latence réduite et commencer avec un petit groupe de clients. Quatre entreprises sont citées, toutes américaines. Aucun tarif n'est publié, ni calendrier d'élargissement.
Pourquoi c'est important
Le secteur marocain des centres d'appels compte environ 120 000 emplois directs selon l'estimation du ministère de l'Inclusion économique, d'autres sources situant la relation client au-dessus de 90 000. Sa stratégie officielle de repositionnement tient en une formule : monter en gamme vers des prestations à plus forte valeur ajoutée. Or cette montée en gamme bute sur un compromis technique qu'OpenAI énonce lui-même, puisque obtenir de la vitesse en temps réel imposait jusqu'ici, le plus souvent, de choisir un modèle plus petit ou plus spécialisé. Un assistant capable de croiser un contrat avec une règle métier pendant que le client parle était trop lent ; un assistant assez rapide était trop faible. Le support client et la voix figurent parmi les cinq scénarios qu'OpenAI juge encourageants, et le seul témoignage sur la voix qu'il publie, celui de l'éditeur Podium, porte sur les tâches les plus complexes. Reste que rien de tout cela n'est accessible au Maroc : la préversion est fermée, sans tarif ni calendrier, et aucune source ne mentionne une quelconque zone géographique. La question à instruire dès maintenant porte sur les étapes d'un parcours d'appel que la latence bloquait vraiment. Le cofondateur de Basis, Mitchell Troyanovsky, cité par OpenAI, désigne pour sa part un autre obstacle, l'intelligence du modèle, et estime qu'Ultrafast règle les deux à la fois. La qualité des bases clients et leur raccordement au logiciel de gestion de la relation client, eux, seront exactement dans l'état où le prestataire les aura laissés le jour où le palier s'ouvrira.
Source : OpenAI
Faire monter en gamme des équipes de relation client →DeepSeek publie la version définitive de V4-Pro sous licence MIT et relève ses tarifs d'API
Les poids sont ouverts, la facture monte. DeepSeek a mis en ligne le 13 août la version définitive de V4-Pro, déployée le même jour sur son application, son site et son interface de programmation, où elle s'active par un « mode Expert », et déposée sur Hugging Face sous licence MIT, qui couvre le dépôt et les poids ; ni les données ni le code d'entraînement ne sont publiés. Le laboratoire chinois s'en tient à une annonce minimale : une courte note dans la rubrique actualités de sa documentation et une entrée de son journal des modifications, sans dossier de presse ni rapport technique. L'architecture n'est pas neuve, la carte de modèle décrivant la structure de la préversion augmentée d'un module de décodage spéculatif, une technique qui fait deviner plusieurs jetons d'avance pour accélérer la génération. L'éditeur met surtout en avant un bond des capacités d'agent, avec des gains qu'il dit particulièrement marqués en production, mais aussi la prise en charge native du format Responses d'OpenAI, adapté à Codex, et trois niveaux d'effort de raisonnement. Dix résultats sont publiés, dont 87,9 sur Terminal Bench 2.1, 62,7 sur DeepSWE, 42,7 sans outils et 60,0 avec outils sur Humanity's Last Exam. DeepSeek ne revendique d'ailleurs pas la première place, seulement d'être compétitif face aux meilleurs modèles propriétaires : son propre tableau le place derrière Kimi K3, Opus 4.8 ou Fable 5 sur sept des dix lignes, et ses 87,9 sur Terminal Bench restent sous les 88,3 de Kimi K3. Pour les seules tâches d'agent de code du lot public, l'éditeur indique avoir employé son harnais maison en mode minimal, à l'effort de raisonnement maximal ; il ne détaille pas le protocole des autres épreuves, et deux des dix sont des jeux de tests internes. La refonte tarifaire entre en vigueur le 16 août à 16 h UTC, avec une facturation séparant heures pleines et heures creuses, le tarif creux valant la moitié du tarif de pointe. Le journal parle d'ajustement ; la comparaison des deux grilles officielles fait apparaître une hausse, y compris en heures creuses, où le million de jetons produits par V4-Pro passe de 0,87 à 1,98 dollar.
Pourquoi c'est important
DeepSeek définit ses heures de pointe en temps universel, de 1 h à 4 h puis de 6 h à 10 h, soit à Pékin 9 h-12 h et 14 h-18 h, les horaires de bureau chinois. À Casablanca, cela donne 2 h-5 h et 7 h-11 h. Une équipe qui travaille de 9 h à 18 h ne paie donc le tarif fort que sur ses deux premières heures de journée ; passé 11 h et jusqu'au milieu de la nuit, tout relève des heures creuses, à moitié prix. Décaler un traitement par lots de 10 h à 11 h 30 divise la facture par deux sans toucher au code, seulement à l'ordonnanceur. Ce calcul part toutefois d'une base qui monte : sur V4-Pro, et par rapport aux tarifs encore en vigueur, le million de jetons produits augmente de 128 % en heures creuses et l'entrée hors cache de 52 %. La licence MIT, elle, autorise l'usage commercial et l'hébergement sur site sans redevance ni autorisation préalable, à la seule charge de reproduire la mention de copyright et le texte de la licence, ce qui intéressera une banque ou une administration tenue de garder ses données au Maroc. Encore faut-il loger près de 900 gigaoctets de poids : l'un des exemples de déploiement de la carte de modèle vise un nœud à quatre cartes GB300, l'éditeur renvoyant par ailleurs à d'autres configurations. Pour la plupart des salles machines marocaines, la voie praticable reste l'interface de programmation, ou l'auto-hébergement du modèle Flash, nettement plus petit.
Source : DeepSeek
Héberger un modèle ouvert sur ses propres serveurs →Standard Bank inscrit quatre indicateurs d'intelligence artificielle dans ses résultats semestriels
Au 30 juin 2026, 72 % des salariés de Standard Bank Group utilisaient activement des outils d'IA générative et 87 cas d'usage avaient été approuvés. Le groupe bancaire sud-africain a placé ces deux chiffres, avec deux autres, dans son annonce de résultats semestriels publiée le 13 août à la Bourse de Johannesburg : plus de dix millions d'interactions clients personnalisées appuyées sur ses moteurs de recommandation au cours du seul premier semestre, et 78 % de sa capacité de calcul migrable désormais dans le cloud. Le paragraphe qui les porte est le seul à réunir des indicateurs d'IA chiffrés dans un document de cent quarante-six pages, où l'IA revient ailleurs sans chiffres, et rien n'y définit ce qu'est un utilisateur actif, quand le même document prend soin, une quarantaine de pages plus loin, de définir ce qu'est un client actif. Aucune série comparable n'est publiée pour le premier semestre 2025, et le groupe précise en tête de document que cette analyse des résultats n'a été « ni auditée ni revue de manière indépendante ». La dépense de la fonction technologique du semestre, chiffrée le même jour par le directeur des finances et de la gestion de la valeur Arno Daehnke à 11,8 milliards de rands contre 11,6 milliards un an plus tôt, progresse à peine, et aucun montant consacré à l'IA n'est publié. Le semestre reste bon : la revue des résultats, cosignée par le directeur général Sim Tshabalala et la présidente du conseil Nonkululeko Nyembezi, parle d'une nouvelle performance record, avec un résultat courant en hausse de 10 % et une rentabilité des fonds propres de 19,8 %. La banque cite enfin la première édition de l'indice Evident consacré aux banques du Moyen-Orient et de l'Afrique, publiée le 2 juin, où elle se classe deuxième sur vingt-cinq établissements, derrière Emirates NBD, et première parmi les banques africaines de l'échantillon.
Pourquoi c'est important
L'indice que la banque met en avant se construit de l'extérieur, à partir des seules données publiques : soixante-cinq indicateurs répartis en quatre piliers pondérés — talents 45 %, innovation 25 %, leadership 20 %, transparence 10 % —, les deux derniers portant d'abord sur ce qu'un établissement communique publiquement. Une seule banque marocaine y figure, Attijariwafa bank, dix-septième au classement général, treizième sur l'innovation et vingt et unième sur la transparence. Standard Bank, elle, a choisi le 13 août le support inverse de la brochure de communication : elle a logé son tableau de bord d'IA dans ses états financiers semestriels, le document que les investisseurs lisent et archivent. Une direction générale marocaine y trouvera un format reproductible — taux d'adoption interne, nombre de cas d'usage passés en comité, volumes traités, publiés là où ils engagent l'émetteur. Reste ce que ces chiffres ne disent pas. Approuvé ne veut pas dire déployé ; les dix millions d'interactions sont attribuées à des capacités de recommandation dopées à l'IA, que le groupe ne présente pas comme de l'IA générative ; et si le document écrit que l'IA soutient les gains d'efficience dans l'assurance et que la banque d'investissement met en place un modèle opérationnel piloté par l'IA pour accélérer la productivité, il ne chiffre aucune de ces deux affirmations. Les effectifs, eux, atteignent 51 200 personnes, en hausse de 1 % sur un an.
Source : Standard Bank Group