Anthropic nomme pour la première fois la méthode du filigrane de Claude, le SynthID-Text de Google DeepMind
Le filigrane que porteront les textes des prochains modèles de Claude sera une version de SynthID-Text, la technique que Google DeepMind a publiée dans Nature en octobre 2024. Anthropic l'a écrit le 14 août dans une note de son blog, qui nomme sa méthode pour la première fois : le filigranage lui-même était connu depuis le 11 août, quand la presse spécialisée a relevé une page du centre d'aide de Claude mise à jour la veille, sans que la technique y soit identifiée. Le principe tient en peu de mots. Rien n'est ajouté au texte : aucun caractère invisible, aucun jeton supplémentaire. Seule change la source du hasard qui départage les choix à faible enjeu, ceux où deux mots feraient aussi bien l'affaire, tirée d'une clé et des quelques mots qui précèdent, si bien que le détenteur de cette clé peut estimer la probabilité qu'une séquence vienne de Claude. Le laboratoire l'explique par sa mise en conformité avec la loi européenne sur l'intelligence artificielle, entrée en application le 2 août, après avoir signé en juillet le code de bonnes pratiques de l'Union sur la transparence des contenus générés par IA, que la Commission européenne créditait fin juillet d'environ 190 organisations signataires. Les modèles lancés avant le 2 août bénéficient d'une période de transition et ne seront équipés que dans les mois qui viennent. La mesure s'appliquera partout dans le monde au lancement, Anthropic disant ne pas disposer encore d'un moyen durable de la restreindre à une région, et continuer d'évaluer d'autres approches. Vient ensuite une série de limites que la note ne cherche pas à atténuer. La clé ne répond qu'à une seule question, celle de la probabilité que Claude ait participé au texte : elle ne dit rien de ce qui est écrit par un humain, ne reconnaît pas le travail d'une autre IA, et ne distingue pas la rédaction de la relecture appuyée. La détection tient mal sur les échantillons courts. Elle s'affaiblit sur les passages factuels, où le mot suivant est contraint, et sur le code, qui doit être exact dans bien des cas : le marquage n'y subsiste que là où un choix arbitraire reste possible, dans les commentaires par exemple. Un texte humain simplement corrigé par Claude peut ne rien porter du tout ; une traduction, à l'inverse, porte bien un filigrane, puisque chaque mot y est choisi par le modèle. La note concède qu'on peut le contourner, dans une certaine mesure : une retouche légère ne l'effacera probablement pas complètement, une réécriture complète où chaque mot est remplacé, si. Anthropic doute alors qu'on puisse encore parler de contenu généré par IA. L'outil de vérification, lui, n'existe pas encore : le laboratoire se borne à l'annoncer et dit en régler les modalités.
Pourquoi c'est important
La règle que pose la note se traduira en termes de métiers, puisque le marquage se logera là où Claude choisit les mots. Trois régimes coexisteront. Les prestataires marocains de traduction, de localisation et de rédaction livreront à leurs donneurs d'ordre européens des textes porteurs d'un signal vérifiable le jour où l'interface de détection s'ouvrira ; les centres de développement livreront du code généralement moins marqué que certaines autres formes de texte, le signal se logeant surtout dans les commentaires ; et un texte simplement relu par le modèle pourra ne rien porter. Le signal, précise la note, ne contient aucune information identifiante et ne remonte ni à une personne, ni à une organisation, ni à une conversation. Aucune règle marocaine n'impose rien de tel : la contrainte arrivera par le fournisseur, au titre d'un texte européen, et vaudra à Casablanca comme à Berlin. Elle ne restera pas propre à Claude, la note indiquant que les autres grands développeurs, signataires du même code, déploieront leurs propres filigranes. Pour une direction d'établissement d'enseignement, la lecture est différente et vaut avertissement. Le détecteur officiel n'existe pas, la clé n'appartient qu'à Anthropic, et les logiciels vendus aujourd'hui reposent sur une autre méthode, l'analyse des tics d'écriture — la note cite l'emploi appuyé du mot « quietly ». Le dispositif échoue surtout là où un établissement voudrait l'employer : les copies sont courtes, et un devoir personnel relu par Claude ne laisse presque rien à marquer.
Source : Anthropic
Google rend le filigrane visible facultatif sur les images et les vidéos produites par Gemini
Josh Woodward, vice-président de Google chargé de Google Labs, de l'application Gemini et d'AI Studio, a annoncé le 14 août à 13 h 39 UTC sur X que le filigrane visible devenait activable ou désactivable dans Gemini et dans Flow, la recherche devant suivre. Le compte officiel de l'application l'a confirmé un peu plus d'une heure plus tard, à 14 h 52 UTC. Le réglage couvre les images produites par Nano Banana, les vidéos d'Omni et les musiques de Lyria ; dans les applications Gemini, il se trouve dans les paramètres, sous « Filigrane multimédia », et la page d'aide indique que les filigranes visibles s'appliquent aux images nouvellement générées. Jusque-là, une icône Gemini s'imprimait dans le coin inférieur droit des images et des vidéos, sans possibilité de la retirer. Pour la musique, la page d'aide précise que le filigrane s'affiche sur la vidéo ou le lecteur visuel créés avec le titre. Google maintient que les marqueurs invisibles SynthID et les métadonnées C2PA restent embarqués quel que soit ce réglage : l'affirmation est celle de l'entreprise, et aucune vérification indépendante ne l'accompagne à ce stade. La page d'aide officielle circonscrit le dispositif plus précisément que le message. En Inde, en Corée du Sud et au Vietnam, le réglage n'apparaît qu'aux abonnés de la formule AI Ultra, les autres conservant le filigrane ; les comptes professionnels et scolaires en sont exclus et gardent la marque ; et ce paramètre ne vaut que pour les applications Gemini, web et mobile, sans toucher aux fonctions d'IA des autres produits du groupe. Woodward invoque de son côté les pays où la loi impose de conserver la marque, sans en nommer aucun, quand la page d'aide n'invoque aucune loi pour les trois pays qu'elle cite. Le déploiement s'étale sur quelques jours ; un journaliste de PCWorld a néanmoins obtenu dès le 14 août une image dépourvue du logo.
Pourquoi c'est important
Le calendrier marocain donne à cette bascule une portée immédiate. La période électorale fixée par le Conseil supérieur de la communication audiovisuelle, instance délibérative de la HACA, s'ouvre le 15 août pour trente-neuf jours, jusqu'au 22 septembre. L'article 6 de sa décision du 16 juin impose aux services de communication audiovisuelle de s'abstenir de diffuser tout contenu électoral généré ou transformé par l'IA susceptible d'induire le public en erreur ou de porter atteinte à l'intégrité et à la crédibilité du débat électoral, un tel contenu ne pouvant être diffusé qu'à des fins d'information, d'explication ou de vérification. Le même article demande de veiller à ce que tout contenu généré ou modifié artificiellement, utilisé à des fins pédagogiques ou illustratives, soit « accompagné d'un label d'identification clair garantissant l'information du public sur sa nature » et « reconnaissable de manière claire et non équivoque par le public ». Une chaîne ou une radio dont un collaborateur produit l'image depuis un compte Google personnel, puis désactive le réglage, perd le filigrane que l'outil apposait : l'identification exigée par la décision devient à sa charge, un marqueur invisible ne pouvant rendre le contenu « reconnaissable de manière claire et non équivoque par le public ». La responsabilité, elle, ne se partage pas : la décision s'adresse aux diffuseurs, qui en assument l'entière charge, et se répercute donc sur les producteurs et les agences par voie de commande. Le Maroc ne figure pas parmi les trois pays où le réglage est réservé aux abonnés AI Ultra, mais cette liste n'épuise pas les restrictions, Woodward évoquant en outre des pays où la loi impose de conserver la marque sans en publier la liste.
Source : Google
Z.ai annonce GLM-5.3, meilleur modèle de code à poids ouverts selon lui, et en retient les poids deux semaines
Deux semaines : c'est le délai que Z.ai s'est donné, le 14 août, entre l'annonce de GLM-5.3 et la publication de ses poids, le temps d'achever l'évaluation de sûreté et le durcissement du modèle. Le laboratoire pékinois y voit le modèle de code à poids ouverts le plus capable du moment, avec 50 % de mieux que GLM-5.2 sur Z.ai Code Bench, une épreuve maison que l'éditeur garde privée. Le modèle de base n'a pas bougé ; tout le gain vient du post-entraînement. Ce qui justifie le délai occupe une large part du billet. Z.ai dit avoir ajouté à dessein des données et des environnements de découverte de vulnérabilités à son post-entraînement, et en attendait un gain ; ce qui l'a surpris, écrit-il, c'est la vitesse à laquelle cette capacité a continué de progresser à mesure que l'entraînement montait en charge, jusqu'à ce que le modèle raisonne sur plusieurs étapes d'exploitation et bâtisse des plans complets. Depuis GLM-5.2, l'éditeur travaille avec des équipes de sécurité chinoises à passer ses modèles sur du code réel ; après revue humaine, tri et dédoublonnage, il annonce 2 436 vulnérabilités trouvées dans 269 projets, dont 1 097 de sévérité élevée, son texte parlant de failles « moyennes à hautes » et son infographie de failles critiques et hautes, dans des noyaux système, des moteurs de navigateur, des applications web et des protocoles réseau. Son registre public n'en expose que 53, les 2 383 autres étant encore dans le processus de divulgation. Sur les épreuves publiques, la progression est nette, de 4,6 à 28,3 sur Terminal-Bench 3.0 et de 46,2 à 66,9 sur DeepSWE v1.1, sans que cela suffise à le placer en tête : le tableau que publie Z.ai le laisse derrière le modèle ouvert Kimi K3 sur trois des épreuves de programmation qu'il retient. Sur le volet cyber, l'éditeur reconnaît que c'est précisément en haut de la chaîne d'exploitation, là où sa capacité progresse le plus vite, qu'il reste le plus loin derrière la frontière fermée. L'interface de programmation, elle, n'est pas ouverte. Le modèle passe pour l'instant par l'abonnement GLM Coding Plan et par ZCode, l'agent de codage maison, et aucun tarif au million de jetons n'est publié.
Pourquoi c'est important
Les responsables de la sécurité informatique sont les premiers concernés par cette annonce. Les catégories que cite Z.ai — noyaux système, moteurs de navigateur, applications web, protocoles réseau — recouvrent des briques présentes dans la plupart des systèmes d'information, au Maroc comme ailleurs, sans qu'aucune faille soit rattachée à un composant nommé. Dans la même annonce, l'éditeur situe à environ deux semaines la publication des poids, une fois l'évaluation de sûreté et le durcissement achevés : c'est donc une version durcie qui deviendra téléchargeable, et cette condition peut décaler l'échéance. Cela donne malgré tout un repère de calendrier, à la fin du mois d'août, pour recenser son exposition aux briques open source concernées et vérifier qu'un correctif d'urgence peut être appliqué en quelques jours. Que 2 383 failles ne soient pas publiques ne dit rien de l'existence d'un correctif, puisque dans une divulgation coordonnée l'éditeur du logiciel est prévenu avant la publication. Ces chiffres n'ont pas d'arbitre extérieur : le registre est tenu par Z.ai, l'épreuve qui donne le résultat vedette n'est pas publiée, et le laboratoire signale avoir retiré ou remplacé des contrôles anti-triche sur deux épreuves publiques, PostTrainBench et une tâche de SWE-Marathon. La déclaration est honnête, elle rend les scores moins comparables à ceux d'autres éditeurs. Point technique, pour finir, à l'intention des équipes qui appellent déjà GLM en production : à partir de GLM-5.3, le raisonnement ne peut plus être désactivé, et une application qui transmet encore l'ancien réglage verra ses requêtes échouer.
Source : Z.ai
Hugging Face compte 151 448 modèles dérivés de Qwen sur son Hub, contre 82 506 pour Google
Le Hub de Hugging Face héberge 151 448 modèles dérivés de Qwen, soit 2,6 fois l'empreinte totale de Meta et 4,7 fois celle des seuls dépôts Llama. C'est le chiffre qui structure l'état des modèles ouverts que la plateforme a publié le 14 août, à partir de ses propres compteurs et sur les sept premiers mois de 2026 ; Google suit avec 82 506 dérivés. Qwen n'a publié que 54 des 28 531 conversions de ses modèles au format GGUF, celui qui permet de les faire tourner sur une machine ordinaire, le reste venant de développeurs tiers ; sur la période, l'ensemble des dérivés de Qwen s'est étoffé au rythme de 180 à 210 nouveaux dépôts par jour. La plateforme compte désormais 2,96 millions de dépôts publics de modèles, contre 2,43 millions en janvier, et la distribution reste très inégale : environ 85,6 % d'entre eux totalisent moins de 200 téléchargements depuis leur mise en ligne, et 1,5 % des dépôts concentrent 99,2 % des téléchargements. La couche qui sert vraiment est celle des petits modèles. Parmi les dépôts qui déclarent leur taille, ceux de moins d'un milliard de paramètres captent 83 % des téléchargements de tous les temps, et 3 % seulement du volume de 2026 va au-delà de soixante-dix milliards. Aucun modèle publié en 2026 n'entre dans les vingt-cinq dépôts les plus téléchargés de l'année, où treize datent de 2022. Hugging Face relève enfin que les deux organisations qui publient le plus de nouveaux modèles ouverts sont des fabricants de puces, AMD et NVIDIA, avec plus de deux cents dépôts chacune, et que les licences divergent entre laboratoires chinois et américains : sur 178 sorties chinoises au-dessus de vingt milliards de paramètres, 59 % sont sous Apache 2.0 et 22 % sous MIT, contre, dans la même tranche de taille côté américain, 29 % d'Apache ou de MIT, 41 % de conditions personnalisées et 30 % de licence non déclarée. Un lecteur conteste sous l'article l'affirmation qu'aucune de ces 178 sorties chinoises ne porte de restriction non commerciale, en citant les conditions de Moonshot, sans réponse des auteurs à ce stade.
Pourquoi c'est important
Ces compteurs mesurent le trafic d'une plateforme, et Hugging Face précise elle-même qu'ils ne donnent aucune mesure directe de la qualité d'un modèle ou de son adoption commerciale. Ils décrivent en revanche assez bien la place qu'occupe déjà le travail marocain sur la darija. DarijaBERT, né d'un partenariat entre AIOX Labs, studio d'IA marocain, et le laboratoire SI2M de l'INSEA, les affinages darija de Whisper et de wav2vec2, les modèles de synthèse vocale : cet ensemble se situe sous le milliard de paramètres, c'est-à-dire dans la tranche qui concentre l'essentiel des téléchargements. L'absence de cluster de calcul n'écarte donc pas une équipe de l'usage réel. Le rapport désigne au passage un chaînon souvent vacant. Sur les dix plus grandes familles de modèles, les laboratoires qui les publient ne fournissent presque aucune conversion GGUF officielle, et laissent ce travail — donc la visibilité et les téléchargements qui l'accompagnent — à des comptes de quantification communautaires. Le même schéma se retrouve, à une tout autre échelle, sur la darija : Atlas-Chat, famille de modèles développée par le MBZUAI France Lab, ne dispose d'aucune conversion GGUF de son éditeur, toutes provenant de comptes de quantification communautaires tiers ; GemMaroc, lui, publie ses propres conversions de ses affinages darija. Le choix de la base a enfin une conséquence contractuelle. Atlas-Chat est un affinage de Gemma et déclare la licence Gemma, quand une base sous Apache 2.0 ou sous MIT lève en principe une contrainte pour qui veut redistribuer ou commercialiser, à condition que le dérivé déclare lui-même ses conditions.
Source : Hugging Face
Adapter un modèle ouvert au darija et aux données de l'entreprise →OpenAI ouvre le réglage de mémoire des projets ChatGPT déjà créés
Jusqu'ici, le choix se faisait une fois pour toutes, au moment de créer un projet. OpenAI a inscrit le 14 août dans les notes de version de ChatGPT qu'un projet existant, éligible et non partagé, peut désormais passer de la mémoire par défaut à la mémoire limitée au projet, et inversement, sans qu'il faille le recréer ; la note ne dit pas ce qui rend un projet éligible. Le réglage se trouve dans les paramètres du projet, sous le menu à trois points, et peut demander quelques heures pour prendre effet. En mémoire limitée au projet, l'assistant peut utiliser comme contexte les conversations du même projet mais ne va chercher ni les mémoires ni les échanges extérieurs, et rien de ce qui s'y dit ne remonte vers la mémoire utilisée hors du projet ; en contrepartie, ChatGPT Work n'y est pas disponible. Les projets partagés, eux, restent enfermés dans ce mode et ne peuvent en sortir. La même note ouvre les quiz interactifs : on demande à ChatGPT de nous interroger sur un sujet, et l'on répond soi-même dans le fil de la conversation, sur toutes les formules grand public ainsi que sur la formule Edu, sur le web comme sur mobile. Le mode de raisonnement Think s'étend aux formules Free et Go, la note le documentant côté web, et la dictée reste accessible sur Android après l'ajout de texte ou d'une pièce jointe. Un élément de cette note remonte plus haut : la préversion Linux de l'application de bureau figurait déjà dans le journal des modifications de Codex le 11 août, qui nommait Ubuntu, Debian et Fedora ; la note du 14 y ajoute l'ouverture mondiale en préversion publique et les versions exactement prises en charge, Ubuntu 24.04 et 26.04 LTS, Debian 13, Fedora 43 et 44.
Pourquoi c'est important
Le verrou qui saute intéresse les cabinets, les agences et les études qui traitent des dossiers clients. Un projet ouvert il y a six mois sans précaution particulière peut désormais être isolé du reste du compte, dossier par dossier, sans avoir à être recréé de zéro, pourvu qu'il ne soit pas partagé et qu'il entre dans une éligibilité qu'OpenAI ne définit pas. Le prix à payer est la perte de ChatGPT Work à l'intérieur du projet. La note ne dit rien du sort des informations déjà remontées vers la mémoire générale avant la bascule, et le résultat mérite d'être vérifié après coup, le changement pouvant mettre quelques heures. Pour un étudiant marocain, l'intérêt est ailleurs. Les quiz sont annoncés sur la formule gratuite et sur téléphone, sans qu'aucune limite géographique ne soit mentionnée, là où d'autres fonctions de la même page en portent explicitement : l'historique d'ordinateur n'est pas disponible dans l'Espace économique européen, au Royaume-Uni ni en Suisse, et les réservations de restaurant ne sont mondiales qu'avec OpenTable, Resy étant limité aux États-Unis et Yelp aux États-Unis et au Canada. La fonction fait réciter, sans que rien dans la note ne documente la pertinence des questions posées ni la fiabilité de l'évaluation rendue par le modèle.
Source : OpenAI
Un responsable de la FAO chiffre à moins de 10 % la part des agriculteurs africains qui bénéficient des services agricoles numériques
« Moins de 10 % des agriculteurs bénéficient des services agricoles numériques en Afrique. » Meshack Malo, représentant régional adjoint pour l'Afrique de l'Organisation des Nations unies pour l'alimentation et l'agriculture, avance ce chiffre dans un entretien publié le 14 août par Africanews, en français et en anglais, signé de la rédaction avec l'Associated Press. Il ne l'adosse à aucune étude, ne dit pas de quelle année il date ni ce que recouvrent exactement ces services ; le seul périmètre qu'il indique est le continent africain. Le responsable décrit trois freins, dans la version anglaise de l'entretien, plus détaillée que la française : une infrastructure qui reste inégale, particulièrement en zone rurale, sur l'électricité fiable, la connectivité abordable et les terminaux adaptés ; des jeux de données agricoles fragmentés entre les ministères, les services météorologiques et la recherche ; des compétences à construire chez les agriculteurs comme chez les agents de vulgarisation. Le bond qu'il dit constater porte sur les services météorologiques et climatiques, où la combinaison des archives météorologiques, des données satellitaires et des données d'observation de la Terre n'était pas disponible et se pratique désormais. Malo met en garde contre un usage de l'outil comme prétexte : l'intelligence artificielle n'est pas là, dit-il, pour remplacer les agents de vulgarisation et permettre aux gouvernements ou au secteur privé de se retirer du conseil agricole, et « la supervision humaine demeure absolument essentielle ». Sa liste de ce qui manque au continent, toujours dans la version anglaise, tient en quatre éléments : des jeux de données africains, des modèles de langue africains, une capacité de recherche africaine et des entreprises africaines spécialisées dans les technologies agricoles, pour que l'Afrique ne soit plus seulement consommatrice d'IA mais en devienne moteur. La version française n'en retient que trois et omet les modèles de langue. Aucun des propos de Malo n'est adossé à un rapport, à un programme ni à un financement, et aucune autre reprise de l'entretien n'est repérable à ce stade ; le seul rapport cité dans l'article, sur l'empreinte énergétique des centres de données, est un ajout de la rédaction, sans lien avec l'entretien.
Pourquoi c'est important
Malo parle des agriculteurs « en Afrique » sans autre précision, mais il s'exprime au titre du bureau régional d'Accra, qui couvre l'Afrique subsaharienne, quand le Maroc dépend de celui du Proche-Orient et de l'Afrique du Nord : on ignore donc si le Royaume entre dans son décompte. L'inégalité d'infrastructure rurale qu'il décrit, sur l'électricité fiable, la connectivité abordable et les terminaux, ne se pose pas au Maroc dans les mêmes termes. Le frein qu'il place au deuxième rang, lui, se transpose sans effort. Le Maroc construit un Registre national agricole, adossé à un recensement général et destiné à établir la liste des agriculteurs et de leurs exploitations géolocalisées, soit la matière première qu'un ciblage assurantiel, une subvention ou un conseil parcellaire par IA supposent. La difficulté que nomme Malo, des données réparties entre ministères, services météorologiques et recherche qui ne se parlent pas, décrit une situation que connaît aussi l'administration agricole marocaine, entre le ministère, les directions régionales, l'Office national du conseil agricole et la météorologie. Son garde-fou vise d'ailleurs un destinataire identifiable au Maroc, puisque les conseillers de l'ONCA sont exactement les agents de vulgarisation que l'IA, dit-il, n'a pas vocation à remplacer. Ce que l'entretien laisse entier, c'est l'administration de la preuve : hors ce « moins de 10 % » avancé sans source ni année, aucun projet chiffré et aucune évaluation de rendement ne viennent étayer le propos.
Source : Africanews
Former des équipes de terrain à l'exploitation de leurs données →