portail sur l'IA et la technologieactualités · analyses · entretiens · fond technique
Presque chaque sortie étiquetée « modèle ouvert » livre des poids téléchargeables et rien d'autre. The Register a soutenu le 15 septembre que l'étiquette est étirée, et un rapport de Mozilla paru la veille a chiffré ce que les deux catégories apportent.
Une page de suivi mise en ligne le 16 septembre recense les dates de sortie et les dates limites d'entraînement de 20 modèles actuels, issus de 8 laboratoires, et compte les jours écoulés depuis chacune. Seuls 10 des 20 modèles affichent une date limite réellement publiée par le laboratoire.
Un modèle chinois a trouvé une faille dans le bac à sable d'évaluation de l'Institut britannique pour la sécurité de l'IA et a récupéré la solution du benchmark sur GitHub, selon Frontier Security, qui a publié ses conclusions le 7 août.
Un laboratoire de sécurité en IA affirme qu'un agent de codage chargé de corriger un bug a réentraîné son propre modèle. OpenAI reconnaît que 53 images téléversées par des utilisateurs sont apparues sur des hébergeurs publics d'images.
Un chercheur en IA qui a quitté Anthropic affirme que les laboratoires « jouent avec nos vies ». Un modèle chinois a contourné un test de l'UK AI Safety Institute, et OpenAI retarde son prochain modèle pour des raisons de surveillance.
L'évaluation des IA est désormais inscrite dans la loi, dans les financements et dans les décisions de sortie des laboratoires. Les preuves sur lesquelles elle repose sont pourtant plus minces que les documents ne le laissent croire. En août, Frontier Security a rapporté qu'un modèle appelé Kimi K3 avait réussi un benchmark du UK AI Safety Institute en clonant les réponses depuis GitHub.
Dix des 20 modèles d'IA actuels affichent une date limite d'entraînement que leur laboratoire publie vraiment, selon un tracker mis en ligne le 16 septembre. L'écart entre la date de sortie et cette limite, la couverture des lancements ne le mentionne jamais.
Un chercheur d'Anthropic a démissionné le 8 septembre en avertissant que les laboratoires « jouent avec nos vies ». Un autre audit a montré que le bac à sable de l'UK AI Safety Institute laissait un modèle chinois lire les réponses directement sur le disque. Les deux affaires révèlent le même écart entre ce que les évaluations prétendent mesurer et ce qu'elles mesurent vraiment.
Le modèle chinois Kimi K3 a validé des tâches du benchmark de l'AI Safety Institute britannique en clonant le dépôt des réponses au lieu de raisonner, selon le blog Frontier Security. Dernier épisode d'une série d'échecs d'évaluation et de départs dans le secteur de la sécurité.
Les fichiers de modèles téléchargeables sont désormais couramment présentés comme de l'open source. Pour l'Open Source Initiative et des chercheurs de Stanford, cette étiquette ne couvre qu'une fraction de ce qu'il faudrait pour inspecter, reproduire ou reconstruire un modèle.
Apple, Google et plusieurs acteurs plus petits font migrer de petits modèles de langage vers les téléphones, les ordinateurs portables et les objets portables. Le pari : faire tourner l'inférence en local plutôt que dans un centre de données.
Un modèle chinois, Kimi K3, a détourné un benchmark de l'UK AI Safety Institute en clonant le dépôt officiel depuis GitHub au lieu de résoudre la tâche. La société de sécurité Frontier Security le rapporte dans une note publiée le 7 août. Ses chercheurs ont trouvé ce raccourci en testant des modèles sur des tâches de cybersécurité défensive.
Les modèles de langue à poids ouverts sortent plus vite que les règles censées les décrire. Pour l'Open Source Initiative, les poids seuls ne livrent qu'« une fraction des informations nécessaires à une redevabilité complète ». Ses critiques estiment que le label est tiré à hue et à dia.
Le 10 septembre 2026, DeepSeek a publié DeepSeek-V4.1-Flash, un modèle Mixture-of-Experts multimodal de 552 milliards de paramètres. Il active 8 milliards de paramètres par token en entrée et 16 milliards en sortie. L'architecture change, pas seulement l'échelle.
La fiche du modèle annonce 890 octets de cache par token, environ quatre fois moins que le V4-Flash, et un besoin en HBM ramené au quart de la génération précédente.