AWS lance Strands Decider 2B, un modèle de décision open source inspiré de Jev
Amazon Web Services a publié Strands Decider 2B, un modèle de décision open source inspiré de Jev de TypeSafe.
Amazon Web Services a publié Strands Decider 2B, un modèle de décision open source inspiré de Jev de TypeSafe.
OpenAI lance GPT-6.1 Sol à $2/$10 par million de tokens entrée/sortie, soit 39 % moins cher que GPT-6 Sol tout en gagnant 1.
Ai2 (Allen Institute for AI) met en open source AstaBrief 8B, un modèle dérivé de Qwen3-8B qui transforme une question de recherche et des extraits de littérature en rapport cité.
Google ouvre Gemini 4 Argon au grand public après une disponibilité limitée aux spécialistes de la cybersécurité.
Motif de la recommandation :Le texte détaille la limite de sortie d'un million de tokens, les scores sur DeepSWE v1.1 et CWE-bench v1 ainsi que la tarification, ce qui permet de situer le modèle face à ses concurrents.
Google a annoncé le déploiement de son modèle frontalier Gemini 4 Argon auprès de défenseurs cyber de confiance via son Fairwind Program.
Motif de la recommandation :L'original expose les capacités d'Argon en découverte de vulnérabilités et le projet de version sans garde-fous, ce qui éclaire les arbitrages entre capacités et sécurité.
Google DeepMind a présenté Gemini 4 Argon, destiné au codage, au travail de connaissance en entreprise et à la cyberdéfense.
Motif de la recommandation :L'original rassemble les benchmarks, les tarifs et les limites de déploiement de Gemini 4 Argon, ce qui permet de situer le modèle face à GPT-6 Astra et Claude Opus 5.5.
Google annonce Gemini 4 Argon, un modèle présenté comme offrant des performances de pointe en codage.
Motif de la recommandation :L'annonce détaille les performances d'Argon sur DeepSWE v1.1 et son usage interne chez Google, tout en précisant que l'accès public reste limité.
Google DeepMind annonce Gemini 4 Argon, un modèle frontière conçu pour maintenir un raisonnement profond sur des workflows complexes et longs.
Motif de la recommandation :L'annonce détaille les capacités d'Argon en codage, travail de connaissance et cybersécurité, ainsi que son prix et son déploiement progressif.
Lors du DevDay 2026, OpenAI a présenté Dots, des agents toujours actifs propulsés par GPT-6 Astra.
Motif de la recommandation :Récapitulatif compact des annonces DevDay d'OpenAI et des évaluations indépendantes, utile pour situer les capacités et les prix des nouveaux modèles.
NVIDIA publie Kumo Tabular, un modèle de fondation open source pour la classification et la régression sur données tabulaires.
Motif de la recommandation :NVIDIA ouvre un modèle de fondation tabulaire pré-entraîné uniquement sur des données synthétiques, avec poids et bibliothèque d'inférence, ce qui permet de mesurer le passage des arbres boostés à l'apprentissage en contexte.
OpenAI a annulé la sortie prévue le mois prochain de son modèle mis à jour GPT-6.1.
Motif de la recommandation :L'annulation d'une sortie pour régression d'alignement illustre concrètement l'arbitrage entre capacités et sécurité chez un grand laboratoire.
OpenAI lance GPT-6.1 Sol, présenté comme offrant une intelligence proche d'Astra pour le codage.
Motif de la recommandation :L'annonce donne le positionnement du modèle et un écart de prix par rapport à Astra, utile pour évaluer le coût d'un changement de modèle.
Le récapitulatif AINews du 24 au 25 septembre 2026 revient sur la vague de modèles frontière.
Motif de la recommandation :Récapitulatif dense des sorties de modèles et des signaux d'infrastructure de la semaine, utile pour situer les écarts de coût et de performance entre les principaux acteurs.
Anthropic a publié Claude Sonnet 5.5, présenté comme 30 % plus rapide et jusqu'à 30 % moins cher pour la plupart des tâches.
Motif de la recommandation :L'auteur a testé le nouveau modèle et compare son coût, sa vitesse et ses performances de codage à Opus 5.5 et à l'offre gratuite d'OpenAI.
H Company publie la série Holo4, des modèles agentiques en deux tailles : 27B dense et 35B-A3B Mixture of Experts.
Motif de la recommandation :Holo4 couvre GUI, code, MCP et API avec un même modèle, et les trajectoires des benchmarks sont ouvertes, ce qui permet de comparer le coût et les performances des agents computer-use.
Google DeepMind annonce Gemini 3.8 Flash TTS et Gemini 3.8 Flash-Lite TTS, deux modèles de synthèse vocale générative disponibles dans Google AI Studio.
Motif de la recommandation :Google DeepMind détaille les capacités vocales et les garde-fous des deux modèles TTS, utile pour évaluer les usages en doublage et agents vocaux.
Anthropic a lancé Claude Opus 5.5, premier modèle de la famille Claude 5.5.
Motif de la recommandation :Le récapitulatif couvre les caractéristiques, les prix et les évaluations tierces d'Opus 5.5 et de GPT-6 Sol/Luna, utile pour comparer les compromis capacité-coût des deux modèles.
Anthropic a publié Claude Opus 5.5, suivi environ une heure plus tard par OpenAI avec GPT-6 Sol et GPT-6 Luna. GPT-6 Luna est proposé à 0.
Motif de la recommandation :L'auteur compare les prix et les performances des nouveaux modèles avec ses propres tests, ce qui permet de juger du rapport qualité-prix et des cas d'usage.
OpenAI présente GPT-6 Sol et Luna, deux modèles destinés au travail quotidien avec des équilibres différents entre capacités et coût.
GPT‑6 Astra a permis aux agents de Parallel de rechercher et synthétiser des données sur le marché du travail en deux fois moins de temps et pour moitié moins cher que les modèles précédents.
Xiaomi a lancé la série MiMo-V2.6, comprenant deux modèles nativement omnimodaux.
Motif de la recommandation :Le communiqué détaille les paramètres, le coût d'entraînement RL et l'ouverture des environnements, ce qui permet de juger de l'écart avec les modèles fermés.
TypeSafe AI a dévoilé Jev, un modèle qui accepte du texte en entrée mais renvoie des nombres à virgule flottante correspondant à des catégories.
Motif de la recommandation :L'original détaille le format d'entrée-sortie et la tarification de Jev, ce qui aide le lecteur à juger si ce type de modèle convient à des tâches de classification ou de tri.
TypeSafe AI a lancé Jev, présenté comme son premier grand modèle programmable de type System 1.
Motif de la recommandation :L'entretien détaille la méthode RLCD et la philosophie de conception de Jev, utile pour comprendre la voie des modèles programmables.
Google DeepMind lance Gemini 3.8 Live et Gemini 3.8 Live Extended Thinking.
Motif de la recommandation :Les deux modèles de dialogue en temps réel de Google DeepMind sont présentés avec leurs scores sur plusieurs benchmarks vocaux et agentiques, ce qui permet de situer leurs capacités et leur positionnement prix.
OpenAI annonce GPT-6 Astra, présenté comme son modèle le plus capable pour les entreprises. Il intègre un raisonnement avancé.
Motif de la recommandation :L'annonce présente GPT-6 Astra comme le modèle le plus capable d'OpenAI pour les entreprises, avec raisonnement avancé et usage de l'ordinateur.
Google DeepMind et Google Research présentent WeatherNext 3.
Motif de la recommandation :Le modèle météo phare de Google DeepMind passe à une résolution de 5 km et à des prévisions horaires, avec une intégration directe dans Search, Gemini et Maps.
H Company publie NeoMME, une famille d'encodeurs multimodaux multilingues de 260M et 800M paramètres.
OpenAI annonce GPT-6 Astra, présenté comme son modèle le plus intelligent et le plus aligné à ce jour. Il affiche des capacités de pointe en utilisation d'ordinateur, codage, cybersécurité et science.
Motif de la recommandation :L'annonce présente GPT-6 Astra comme le modèle le plus intelligent et aligné à ce jour, avec des capacités de pointe en utilisation d'ordinateur, codage, cybersécurité et science.
OpenAI publie l'aperçu de sécurité de GPT-6 Astra.
Motif de la recommandation :L'aperçu de sécurité de GPT-6 Astra indique qu'il atteint le niveau critique de cybersécurité du Preparedness Framework, un point de référence pour évaluer les capacités et les limites de déploiement du modèle.
Google DeepMind annonce Gemini 3.8, son meilleur modèle de raisonnement et de codage à ce jour.
Motif de la recommandation :Présentation officielle des capacités de Gemini 3.8 Flash en codage long horizon et en cybersécurité, avec tarifs et variantes Cyber.
Google Research présente TimesFM-3, un modèle de fondation de séries temporelles de 330 millions de paramètres pré-entraîné sur plus de 1 000 milliards de points de données.
Motif de la recommandation :TimesFM-3 expose l'architecture d'attention alternée et le décodage non autorégressif, une méthode transférable pour la prévision multivariée zero-shot.
Microsoft Research présente GigaPath-Flash et GigaTIME-Flash, deux modèles de fondation en pathologie dérivés de GigaPath et GigaTIME.
Motif de la recommandation :L'original expose les compromis efficacité-performance et les estimations de temps GPU, ce qui permet de juger si l'analyse à grande échelle devient réalisable.
Google DeepMind annonce Gemini Omni 1.1 Flash, une mise à jour de ses capacités de génération vidéo destinée aux développeurs via la Gemini API dans Google AI Studio. Le modèle peut analyser jusqu'à 10 secondes de contexte vidéo antérieur pour l'extension de scène, contre une seconde auparavant, avec des extensions par tranches de 10 secondes jusqu'à 40 secondes cumulées. Il ajoute l'interpolation entre première et dernière images, la génération de prévisualisations 360p jusqu'à 60 % plus rapides et à un tiers du coût du 720p, l'upscaling jusqu'en 4K, ainsi que la référence de vidéos jusqu'à trois secondes en entrée multimodale. Omni 1.1 est disponible dans Google AI Studio, via l'Agent Platform API pour les entreprises, et pour les abonnés Google AI Plus, Pro et Ultra dans Google Flow, l'extension de scène étant accessible dans l'application Gemini.
Motif de la recommandation :L'original détaille les contrôles créatifs et les paliers de coût de la génération vidéo, utile pour évaluer les workflows de production existants.
Google DeepMind présente Gemini 3.5 Transcribe, son modèle de synthèse vocale le plus précis.
Motif de la recommandation :Le modèle de transcription vocale de Google expose les taux d'erreur, la latence et les API, ce qui permet de juger son intégration dans les flux vocaux existants.
Microsoft Research publie Skala 1.1, son functional DFT par deep-learning entraîné sur 2.
Google DeepMind annonce Gemini 3.7 Flash, présenté comme son modèle polyvalent le plus intelligent pour le codage et les agents.
Motif de la recommandation :Le tarif de lancement et les écarts chiffrés sur plusieurs benchmarks permettent de situer le gain par rapport à 3.6 Flash pour les charges de codage et d'agents.
Google DeepMind présente SL2T, un modèle de traduction de la langue des signes vers le texte (SL2T) massivement multilingue.
Motif de la recommandation :Le modèle SL2T de Google DeepMind est déployé dans Gboard et Live Transcribe sur Pixel 11, avec des détails sur l'entraînement et la protection de la vie privée.
NVIDIA publie Magpie TTS Multilingue, un modèle à poids ouverts de 364M de paramètres couvrant 12 langues.
Motif de la recommandation :Le modèle open weights et les chiffres de latence par GPU permettent d'évaluer le coût d'un pipeline vocal auto-hébergé.
Meta a publié Muse Glimmer, un modèle multimodal de 30B paramètres sous licence Apache 2.0.
Motif de la recommandation :Meta publie un modèle multimodal de 30B sous Apache 2.0 avec support day-0 dans transformers, llama.cpp et vLLM, ce qui permet d'évaluer son usage local pour le codage et l'analyse de documents.
Google DeepMind annonce que son modèle WeatherNext Cyclones atteint une précision de pointe pour prévoir la trajectoire.
Motif de la recommandation :Le modèle WeatherNext Cyclones est présenté avec ses performances de prévision et ses poids ouverts, ce qui permet de juger de son intérêt pour la recherche météorologique.