Trump couronne la super-semaine de Zuck en adoptant ses idées de régulation

Zuckerberg a dicté l’engagement volontaire de Trump sur l’IA

L’engagement volontaire du secteur de l’IA, signé mardi par Donald Trump avec six dirigeants d’entreprise, est une initiative de Mark Zuckerberg. Le PDG de Meta était assis à côté du président de la Chambre des représentants, Mike Johnson, lors du banquet d’État pour le président chinois Xi Jinping le 24 septembre, et a discuté avec lui de questions réglementaires. C’est de là qu’est née l’idée de ce document : Zuckerberg s’est ensuite tourné vers le PDG de Nvidia, Jensen Huang, qui a recueilli l’approbation des principaux laboratoires, et a fait circuler un projet avant le déjeuner à la Maison Blanche. Meta, OpenAI, Anthropic, xAI, Google et Nvidia l’ont signé. Toutes les informations sur le rôle de Zuckerberg proviennent de sources anonymes ; Meta n’a pas souhaité faire de commentaires.

Le texte, d’un peu plus de 300 mots, décrit quatre niveaux de contrôle volontaires : des contrôles internes pour surveiller les modèles pendant l’entraînement et le déploiement, y compris les risques cybernétiques, biologiques et chimiques, une équipe d’audit interne, un auditeur externe et un comité indépendant chargé de recevoir les rapports. Il n’y a pas de mécanisme d’application. Le chef du groupe démocrate, Hakeem Jeffries, a qualifié l’accord de totalement inapplicable.

Durant l’été, le gouvernement avait envisagé une autre structure, soutenue par Anthropic, OpenAI et Google : une organisation d’autorégulation sur le modèle de l’autorité de surveillance des courtiers FINRA, accompagnée de vérifications internes plus strictes pendant le développement des modèles et de tests externes. Huang, Zuckerberg et Elon Musk ont dit à Trump que cette solution concentrerait trop de pouvoir entre les mains des principales entreprises d’IA. Zuckerberg l’a directement rejetée lors d’un appel téléphonique avec Trump en août, et le plan a été abandonné. Johnson avait clairement défini sa position au préalable : pas de moratoire, pas de surréglementation, sinon on perdrait la course contre la Chine.

Lors du rendez-vous à la Maison Blanche, une altercation a eu lieu en coulisses avec le PDG d’Anthropic, Dario Amodei. Après le déjeuner dans l’East Room, plusieurs dirigeants d’entreprise, dont Huang, lui ont demandé pourquoi il s’exprimait publiquement de manière si extrême sur les capacités et les risques des modèles. Amodei a répondu qu’il était important de parler ouvertement au public des capacités des modèles et de ne pas minimiser les risques. La conversation a eu lieu en petit comité avec des collaborateurs et des conseillers de la Maison Blanche.

En parallèle, Trump promeut un changement de nom pour la technologie. Après un sondage en ligne le 19 septembre, il a opté trois jours plus tard pour « Super Intelligence », a ordonné aux diplomates d’utiliser ce terme et a signé un décret obligeant les agences fédérales à s’y conformer. Le document s’intitule donc « White House Accord on Super Intelligence ». Musk et Huang ont publiquement soutenu ce changement de nom, tandis que Meta a déclaré que Zuckerberg utilisait de toute façon occasionnellement le terme « superintelligence ». → implicator, Business Insider, Gizmodo, Semafor, Wall Street Journal

L’avis de Synthszr : Zuckerberg a encaissé les coups pour tout le secteur à Washington pendant des années, et cela porte enfin ses fruits : il est le seul à savoir exactement quel document rédiger pour qu’il ne devienne jamais une loi. Le point crucial réside dans l’appel téléphonique d’août, au cours duquel il a dissuadé Trump de la variante FINRA, car une autorité de surveillance permanente aurait eu du personnel, un budget et une mémoire, alors que les quatre niveaux de contrôle volontaires sont laissés à la discrétion de chaque entreprise. Le fait que ce soient précisément Anthropic, OpenAI et Google qui voulaient cette solution plus stricte et qui ont finalement signé le document de 300 mots en dit plus sur les rapports de force dans ce cercle que n’importe quelle photo de presse devant la Maison Blanche. La scène après le repas dans l’East Room, où Amodei doit expliquer pourquoi il parle publiquement des risques, montre où vont les positions divergentes dans cette configuration : dans un petit comité à huis clos. Le changement de nom en « Super Intelligence » est la partie la moins chère de l’accord : un mot ne coûte rien, une autorité de surveillance aurait coûté des décennies.

Google : Gemini 4 est meilleur que la concurrence et reste pour l’instant à Mountain View

Google a présenté mercredi Gemini 4 Argon, le modèle haut de gamme très attendu, et le met pour l’instant à la disposition d’un cercle restreint de testeurs. D’après les mesures publiées par Google, Argon est en tête ou à égalité avec GPT-6 Astra, Claude Opus 5.5 et Fable 5.1 dans 13 des 18 benchmarks, bien qu’il accuse parfois un retard allant jusqu’à dix points. Les avances sont particulièrement nettes pour les tâches de bureau : 51,3 % sur l'AutomationBench de Zapier et 84,2 % sur GraphWalks pour des entrées comprises entre 256K et un million de tokens. La nouvelle limite de sortie d’un million de tokens est une nouveauté, les modèles Gemini étant auparavant limités à 64 000. Selon ses propres dires, Google fournit le modèle sans cyber-Guardrails aux participants du programme Fairwind et aux équipes internes ; sa filiale Wiz, acquise en mars pour 32 milliards de dollars, l’utilise déjà dans son initiative Scan-for-Good. → The New Stack

L’avis de Synthszr : Google met en avant les capacités de codage, et c’est précisément là qu’Argon, avec 55,0 % sur FrontierSWE v2, se situe à dix points et demi derrière GPT-6 Astra, et sur Terminal-Bench 4.0, à neuf points derrière Opus 5.5. Le meilleur score de 77,9 % sur DeepSWE v1.1 est réel, mais un record plus deux dernières places donne un bilan mitigé pour une utilisation quotidienne dans un éditeur, d’autant que Codex et Claude Code y sont mesurés en tant que modèle avec leur chaîne d’outils. Le modèle est performant dans le travail intellectuel, mesurablement près de neuf points devant Opus 5.5 sur AutomationBench, et plus de douze points devant GPT-6 Astra pour les contextes longs.

OpenAI accuse Moonshot AI d’avoir entraîné Kimi avec ChatGPT

OpenAI accuse l’entreprise chinoise d’IA Moonshot AI d’avoir massivement récupéré les étapes de raisonnement internes de ses modèles pour entraîner le modèle Kimi. Dans un article de blog, l’entreprise qualifie cette pratique de Adversarial Distillation : des prompts spécifiquement conçus auraient permis de révéler les traces de raisonnement normalement cachées, dont les résultats auraient ensuite été intégrés à l’entraînement d’un modèle tiers. Selon OpenAI, la campagne a débuté le 1er juillet et s’est intensifiée au cours du mois. Rien que les 24 et 25 juillet, l’entreprise aurait comptabilisé jusqu’à 16 000 requêtes utilisant une technique de prompting spécifique provenant de plus de 4 000 comptes. Lors d’un examen plus approfondi, plus de 15 000 utilisateurs auraient utilisé des prompts similaires, et l’accès aurait été complètement bloqué le 28 juillet. → Business Today

L’avis de Synthszr : En deux jours de juillet, 16 000 requêtes habilement conçues provenant d’un peu plus de 4 000 comptes ont suffi à extraire ce qu’OpenAI appelle son raisonnement protégé. Personne n’a ouvert de base de données, le produit lui-même était la faille, car on ne peut pas vendre des étapes de raisonnement sans les divulguer. La défense se transforme ainsi en une surveillance constante de son propre trafic, et chaque renforcement de la détection de schémas et des blocages frappe d’abord les développeurs payants qui veulent simplement comprendre comment une réponse a été générée.

Le hub domestique intelligent d’Apple arrive avec un look d’iMac G4

Le hub domestique intelligent très attendu d’Apple aura un boîtier inspiré de l’iMac G4 de 2002, rapporte Mark Gurman pour Bloomberg. Selon le rapport, l’appareil dispose d’un écran carré de 6 pouces monté sur un bras en métal poli, lui-même fixé sur une base ronde avec des anneaux de haut-parleurs perforés, et peut être incliné manuellement vers l’avant et l’arrière. Il a à peu près l’épaisseur d’un iPhone, n’a ni batterie, ni boutons de volume ou d’alimentation, et doit être constamment branché via USB-C. Une seconde variante, nom de code J491, est conçue pour un montage mural et intègre les haut-parleurs et les microphones dans un socle plat et carré sous l’écran. Le hub est censé identifier les utilisateurs par la voix ou la reconnaissance faciale et personnaliser le contenu en conséquence, y compris un mode invité qui masque les informations personnelles ; la reconnaissance faciale serait moins fiable que Face ID, l’iPhone servant donc de solution de secours. → Techpresso

L’avis de Synthszr : Le détail le plus marquant de cet appareil est un bras pivotant datant de 2002. Apple vend ici le souvenir d’une époque où Cupertino dictait le langage formel de tout le secteur, et c’est pourquoi tout le monde parle maintenant de la base en demi-sphère, tandis que Siri reste en arrière-plan. Cela correspond bien au tableau : la reconnaissance faciale fonctionnerait moins bien que Face ID selon Gurman, l’iPhone prendrait le relais en cas de doute. C’est donc un hub qui doit demander à son téléphone qui se trouve devant lui.

Dès janvier, Amazon vendra aux marques de l’influence sur les recommandations d’achat d’Alexa

Amazon lance « Branded Conversations », un format publicitaire permettant aux marques d’influencer la manière dont Alexa parle de leurs produits. Il a été présenté lors de la conférence interne unBoxed, et son lancement aux États-Unis est prévu pour janvier. Techniquement, ce format est une extension des prompts Sponsored Brands qui apparaissent dans les résultats de recherche et sur les pages de détail des produits, et qui engagent les acheteurs dans un dialogue avec Alexa for Shopping. Les annonceurs fournissent un « Conversation Brief » décrivant les différences avec la concurrence, des comparaisons de produits et des offres groupées possibles ; Amazon combine ces informations avec les données des pages produits et des boutiques de marque. Les dialogues ainsi créés sont signalés comme sponsorisés, avec une mention indiquant que les informations de la marque ont contribué à façonner la réponse. → STACKED MARKETER

L’avis de Synthszr : L’espace publicitaire est ici la phrase de réponse elle-même, et c’est là que réside la véritable monétisation. Amazon vend de l’influence sur la formulation d’une recommandation et la facture par prompt en fonction des clics, des conversions et du retour sur investissement publicitaire, c’est-à-dire avec les mêmes indicateurs que ceux utilisés pour attirer les budgets de la publicité par recherche classique. Le taux de conversion supérieur de 48 % et les paniers moyens plus élevés de 21 % mentionnés par Andy Jassy au deuxième trimestre sont l’argument de vente pour toute agence média, même s’il s’agit d’un chiffre fourni par Amazon. Le prix à payer est révélé par l’étude d’Ipsos : 14 % des gens font davantage confiance à une recommandation d’IA si les marques ont participé à sa rédaction.

Le premier modèle de transcription en streaming de Microsoft est ultra-rapide

Microsoft a élargi sa famille de modèles MAI avec son premier modèle de transcription en streaming et y a ajouté deux nouveaux modèles de synthèse vocale. MAI-Transcribe-2-Streaming reçoit la parole via un WebSocket et met à jour la transcription en continu pendant que la personne parle, avant de marquer le texte comme final. Selon l’entreprise, la première hypothèse de transcription est disponible en moyenne après 320 millisecondes, bien que Microsoft ne garantisse pas explicitement cette valeur pour tous les scénarios, car la connexion réseau et le modèle de réponse en aval jouent un rôle. Le modèle est listé sur l’AI Gateway de Vercel, coûte 54 centimes par heure audio et prend en charge plus de 60 langues avec détection automatique de la langue. À titre de comparaison, la version non-streaming MAI-Transcribe-2, présentée le mois précédent, coûte 10 centimes par heure audio car elle attend la fin de l’énoncé. → SiliconANGLE

L’avis de Synthszr : Le passage de 10 à 54 centimes par heure audio raconte la véritable histoire : la décision de ne plus attendre la fin de la phrase coûte à elle seule cinq fois et demie plus cher. Un modèle qui révise sa propre transcription à chaque nouvelle syllabe consomme en permanence du temps de calcul pour des hypothèses qui sont rejetées deux mots plus tard. Les 320 millisecondes ne sont que le point de départ d’un budget de latence, dans lequel s’additionnent le temps de transit réseau, le passage par MAI-Thinking-1 et la synthèse des modèles vocaux. C’est la somme de ces éléments qui détermine si une conversation semble naturelle ou si l’interlocuteur humain hésite.

OpenAI licencie trois chercheurs en sécurité pour avoir divulgué des informations internes

OpenAI s’est séparé de trois chercheurs qui auraient transmis des informations confidentielles de l’entreprise à une organisation externe de sécurité de l’IA. C’est ce que rapporte en exclusivité le Wall Street Journal, citant des personnes proches du dossier. Selon l’une de ces personnes, l’entreprise a récemment informé une partie de son personnel que trois employés de l’équipe de sécurité avaient été licenciés. Le WSJ situe cette séparation dans une période où OpenAI réagit à plusieurs incidents au cours desquels ses propres modèles ont dévié de leur trajectoire. → Wall Street Journal

L’avis de Synthszr : Trois licenciements dans l’équipe de sécurité, et le réflexe qui s’ensuit est bien connu dans l’histoire de la tech : après la fuite de l’iPhone 4, Apple a créé sa propre unité d’enquête interne ; après les fuites de mémos, Google a considérablement restreint l’accès aux documents et forums internes. Le durcissement finit toujours par toucher les endroits où l’on parlait le plus ouvertement auparavant. Chez OpenAI, il s’agit précisément du département dont le travail consiste à pouvoir communiquer des conclusions dérangeantes à l’extérieur, et qui, selon le WSJ, traite actuellement plusieurs incidents de modèles ayant dérapé.

OpenAI transforme ChatGPT en cabine d’essayage virtuelle pour le paiement

OpenAI a déployé jeudi deux nouvelles fonctionnalités d’achat pour ChatGPT dans le monde entier : un essayage virtuel et une fonction de favoris. Pour l’essayage, les utilisateurs téléchargent un selfie ou une photo de plain-pied et voient des vêtements ou des accessoires visualisés sur eux-mêmes, via un nouveau bouton « Try On » dans les résultats d’achat ou en téléchargeant une image de produit, comme une capture d’écran. La fonction de favoris enregistre les produits trouvés ainsi que les images d’essayage dans une bibliothèque au sein de l’application. Techniquement, selon OpenAI, les deux fonctionnalités reposent sur le nouveau modèle ChatGPT Images 2.5, qui doit fournir une lumière plus naturelle, des textures plus fines et une Latenz réduite lors de la génération d’images. Selon TechCrunch, les utilisateurs peuvent également décrire un style et se faire proposer les articles correspondants, ou télécharger des photos de tenues de célébrités pour trouver des équivalents disponibles à l’achat. → TechCrunch

L’avis de Synthszr : L’image me montre si la couleur me va, mais reste muette sur la seule question qui décide de l’achat : le pantalon est-il à ma taille ? Les taux de retour dans le commerce de mode en ligne dépendent de la coupe, du comportement du tissu et de la logique des tailles de chaque marque, et ce sont précisément ces données qu’un modèle d’image ne possède pas, peu importe le naturel de la lumière. La bibliothèque de favoris est accessoirement plus précieuse pour les acheteurs, car elle montre ce que l’on regarde vraiment à nouveau au fil des semaines, plutôt que ce que l’on a trouvé beau à un instant T.

Cloudflare contre Jev avec deux modèles Clef ouverts, deux semaines après son lancement

Cloudflare a publié jeudi deux de ses propres Decision Models : Clef et le plus petit et plus rapide Clef-flash. Tous deux répondent au même type de questions limitées et structurées que le modèle Jev de TypeSafe AI, c’est-à-dire des questions Oui/Non, des choix multiples et des classements avec des probabilités qu’un agent peut traiter directement. Les modèles sont hébergés sur Workers AI et sont également disponibles sur Hugging Face sous licence Apache-2.0 en tant que modèles open-weight prêts à l’emploi. L'API est entièrement compatible avec Jev, ce qui permet d’utiliser Clef en remplacement sans modification.

Techniquement, Clef repose sur une base de modèle de langage : des versions figées et ré-entraînées de Qwen3.8-27B pour Clef et de Qwen3.5-9B pour Clef-flash, qui effectuent un pur passage de prefill pendant l’inférence avant que les options de réponse ne soient évaluées en parallèle. TypeSafe garde secrète l’architecture derrière Jev. Clef traite non seulement le texte mais aussi les images et les vidéos, et prend en charge une fenêtre de contexte de 64k tokens ; avec Jev, l’état plus la question unique la plus longue sont limités à 32k. Selon la cheffe de produit responsable, Michelle Chen, Clef-flash nécessite un GPU avec au moins 41 Go de VRAM, et Clef 85 Go, chacun avec une parallélisation simple et un contexte de 64k.

Les données de performance proviennent de Cloudflare lui-même. L’entreprise a comparé Clef à Jev et à d’autres Decision Models ouverts sur le Jev Decision Index et rapporte une précision plus élevée à une vitesse légèrement inférieure, tandis que Clef-flash serait nettement plus rapide avec une précision comparable. Face aux propres benchmarks de TypeSafe, Cloudflare revendique une avance dans trois des quatre domaines, ne perdant, selon ses propres dires, que sur l' observabilité des traces d’agent. Ces valeurs n’ont pas encore été reproduites ni officiellement listées dans le Decision Index.

Comme exemple d’application interne, Cloudflare cite son propre service de renseignement sur les menaces, où Clef catégorise des domaines et prend 2,2 secondes avec le rendu du navigateur, contre 4,7 secondes pour le modèle de langage général le plus rapide utilisé, gpt-oss-120b. En termes de prix, Clef est plus cher que Jev : 0,24 dollar par million de tokens contre 0,042 dollar, soit près de six fois plus. Malgré la désignation « open source  »dans l’annonce, les ensembles de données d’entraînement ne sont pas publics, comme l’a confirmé Chen à The Register. En parallèle, Cloudflare lance un nouveau produit d'apprentissage par renforcement, permettant aux clients de ré-entraîner Clef pour leurs propres cas d’usage. → Cloudflare, The Register, Slashdot

L’avis de Synthszr : Deux semaines, c’était toute l’avance de TypeSafe. Mi-septembre, Jev était encore la surprise du mois ; maintenant, une alternative compatible API est disponible au téléchargement, traitant les images et les vidéos et offrant un contexte de 64k au lieu de 32k. Le fait que Clef coûte près de six fois plus cher, à 0,24 dollar par million de tokens, ne protège TypeSafe que jusqu’à ce que quelqu’un place les poids sur sa propre carte avec 41 Go de VRAM et ne paie plus rien par token. L’architecture secrète de Jev est, dans cette situation, la position la plus faible qui soit : Cloudflare montre avec un backbone Qwen figé et un passage prefill-only que la recette n’a rien de magique, et la dévoile immédiatement. Il ne reste à TypeSafe que l’observabilité des traces d’agent, le seul domaine où Clef perd selon les propres chiffres de Cloudflare, et il est difficile de bâtir une entreprise là-dessus.