Motif de la recommandation :L'annonce indique les axes d'amélioration de Codex et les environnements pris en charge, ce qui aide à juger de son intégration dans les flux de développement existants.
Motif de la recommandation :L'addendum présente les ajustements de GPT-5-Codex en matière de codage agentique et d'allocation dynamique de la puissance de calcul, ce qui permet de juger de son intérêt pour les scénarios de codage long.
Motif de la recommandation :L'annonce expose les performances de raisonnement et les nouveaux contrôles destinés aux développeurs, ce qui aide à juger de l'impact sur les flux de travail de codage.
OpenAI présente les nouvelles possibilités offertes par GPT-5 dans le codage et le design. Le contenu détaillé n'est pas fourni dans le flux, qui se limite à une brève introduction.
Motif de la recommandation :L'original détaille les améliorations de Codestral 25.08 et l'ensemble de la pile de codage Mistral, permettant de juger de son adéquation aux déploiements privés en entreprise.
Mistral AI lance Devstral Medium et une mise à niveau de Devstral Small, en collaboration avec All Hands AI. Devstral Small 1.1 est publié sous licence Apache 2.0.
Motif de la recommandation :L'original expose les scores SWE-Bench Verified et les prix des deux modèles, ce qui permet de comparer le rapport coût-performance pour le codage agentique.
Motif de la recommandation :Mistral Code regroupe modèles, plugin IDE et contrôles d'entreprise dans une offre déployable en cloud ou en air-gapped, avec des clients déjà engagés.
Motif de la recommandation :Devstral atteint 46,8 % sur SWE-Bench Verified et peut tourner sur un seul RTX 4090, ce qui éclaire le choix d'un modèle de codage agentique déployable localement.
Motif de la recommandation :L'addendum présente codex-1, variante de o3 optimisée pour l'ingénierie logicielle, et précise la méthode d'entraînement par RL sur des tâches de codage réelles.
Mistral AI annonce Mistral Medium 3, un modèle qui atteint selon l'entreprise au moins 90 % des performances de Claude Sonnet 3.7 sur les benchmarks pour un coût de 0.
Motif de la recommandation :Mistral Medium 3 revendique des performances proches de Claude Sonnet 3.7 pour un coût bien inférieur, avec un déploiement possible sur quatre GPU ou plus.
Motif de la recommandation :L'original présente les axes d'amélioration de la nouvelle famille de modèles et la disponibilité immédiate de l'API, ce qui permet de juger rapidement de l'impact sur les développeurs.
ChatGPT permet de passer d'un document de spécifications produit (PRD) à un prototype HTML/React fonctionnel directement dans canvas. Le canvas sert ici d'espace de travail pour transformer les exigences décrites dans le PRD en code exécutable, sans quitter ChatGPT.
ChatGPT peut désormais aider à transférer le code qu'il génère directement dans l'IDE de l'utilisateur afin d'accélérer les workflows de développement. L'outil s'intègre au processus de développement pour réduire les étapes manuelles entre la génération de code et son utilisation effective.
Mistral AI a publié Codestral 25.01, une mise à jour de son modèle de codage qui génère et complète du code environ 2 fois plus vite que la version originale grâce à une architecture plus efficace et un tokenizer amélioré. Le modèle prend en charge une fenêtre de contexte de 256k et se place en tête des benchmarks FIM face à Codellama 70B, DeepSeek Coder 33B et DeepSeek Coder V2 lite. Il est disponible dès aujourd'hui via les partenaires IDE et peut être déployé localement ou dans un VPC pour les entreprises.
OpenAI publie SWE-bench Verified, un sous-ensemble de SWE-bench validé par des humains, destiné à évaluer plus fiablement la capacité des modèles d'IA à résoudre des problèmes logiciels réels.
Motif de la recommandation :OpenAI publie un sous-ensemble validé par des humains de SWE-bench, ce qui permet de situer la fiabilité de l'évaluation des capacités de codage des modèles.
Motif de la recommandation :Codestral Mamba adopte l'architecture Mamba avec une inférence en temps linéaire et un contexte testé jusqu'à 256k tokens, un point de repère pour évaluer les alternatives aux Transformer sur le code.
Motif de la recommandation :Codestral est un modèle de code open-weight de 22B avec une fenêtre de contexte de 32k, ce qui permet d'évaluer ses performances et son intégration dans les outils de développement.
Hugging Face publie StarCoder2-15B-Instruct-v0.1, présenté comme le premier LLM de code entièrement auto-aligné entraîné via un pipeline transparent et permissif. Le modèle génère lui-même des paires instruction-réponse à partir de StarCoder2-15B, sans annotation humaine ni distillation de LLM propriétaires, et atteint 72,6 sur HumanEval, surpassant les 72,0 de CodeLlama-70B-Instruct. Sur LiveCodeBench, il devance même la version du même modèle entraînée sur des données distillées de GPT-4, ce qui suggère qu'un LLM apprend plus efficacement sur sa propre distribution. Les datasets et l'intégralité du pipeline sont open source.
Motif de la recommandation :Le pipeline entièrement ouvert et l'auto-alignement sans données distillées de GPT-4 permettent de reproduire et d'adapter la méthode à d'autres modèles de code.
Motif de la recommandation :L'article détaille les trois variantes de CodeGemma, leurs formats de prompt et les résultats sur HumanEval, ce qui aide à évaluer l'usage en complétion de code.
Motif de la recommandation :L'article détaille le workflow complet de collecte de données, de fine-tuning QLoRA et de déploiement local d'un copilote de code, avec des scripts et des configurations réutilisables.
Motif de la recommandation :Présente les trois tailles de Code Llama, la fenêtre de contexte étendue et l'intégration complète dans l'écosystème Hugging Face.
Motif de la recommandation :Hugging Face détaille une solution d'assistant code auto-hébergée pour l'entreprise, avec les contraintes de conformité et le choix des modèles open source.
Hugging Face détaille un tutoriel pour construire un générateur d'applications web combinant Node.js et le modèle WizardCoder-15B servi via l'API Inference Endpoints. Le serveur Express diffuse en streaming le HTML généré token par token directement au navigateur, avec un prompt guidant le modèle vers TailwindCSS et une logique JS encapsulée. Une alternative gratuite via l'Inference API est proposée pour les modèles plus petits, tandis que les modèles performants nécessitent 32 Go de mémoire ou plus et une accélération matérielle pour une latence correcte.
Motif de la recommandation :StarCoder est publié avec ses poids, sa licence et ses benchmarks, ce qui permet de comparer directement ses performances à celles des modèles ouverts et fermés.
Motif de la recommandation :Décrit pas à pas la construction d'un jeu de données, d'un tokenizer et d'une boucle d'entraînement multi-GPU pour un modèle de génération de code.