Anthropic s'aligne sur Luna avec Haiku 5.5

Le catalogue de prix LLM de Stork a enregistré aujourd'hui une baisse stupéfiante des prix de liste d'Alibaba pour Qwen-VL OCR. Les coûts d'entrée ont chuté de 0,72 $ à 0,07 $ par million de tokens, soit une réduction de 90 %. Les coûts de sortie ont suivi, baissant de 78 % de 0,72 $ à 0,16 $ par million de tokens.

Pour être clair : ce sont les prix directs facturés par le laboratoire, et non un taux de revente d'une passerelle. Nous vérifions ces chiffres quotidiennement pour maintenir nos tableaux à jour, et une coupe aussi drastique modifie les calculs pour toute application reposant sur un traitement d'images ou de documents à grand volume.

Alibaba fixe clairement ses prix pour attirer les charges de travail d'entreprise des acteurs occidentaux. Si vous utilisez des pipelines multimodaux et n'avez pas comparé Qwen-VL OCR à votre fournisseur actuel, vous êtes en train de jeter de l'argent par les fenêtres.

ChatGPT déploie officiellement GPT-6 en même temps qu'un nouveau cadre d'interface utilisateur intelligent. Au lieu de simplement générer des réponses textuelles, l'interface affiche désormais des éléments interactifs directement dans le chat, y compris des graphiques, des cartes, des formulaires et de petits outils.

Dans le cadre de cette mise à jour, les utilisateurs gratuits ont également accès à GPT-6 Luna, augmentant considérablement les capacités de base pour les comptes non payants. Cela transforme ChatGPT d'un oracle conversationnel en un espace de travail interactif.

Si vous développez des applications d'IA grand public, vos utilisateurs vont s'attendre à des sorties dynamiques et interactives par défaut. Un simple flux de texte semblera défectueux en comparaison. OpenAI vient de redéfinir la norme UX pour toute la catégorie.

Le dernier graphique METR de suivi de l'achèvement des tâches logicielles révèle un bond significatif dans l'endurance des agents. Alors que GPT-4 était historiquement limité à des tâches de quelques minutes, des modèles comme Mythos exécutent désormais avec succès des opérations complexes s'étendant sur des dizaines à des centaines d'heures d'ici 2026.

Cela change fondamentalement la façon dont nous évaluons les capacités de l'IA. La métrique n'est plus seulement la précision sur une invite, mais la stabilité sur des jours d'exécution continue.

Les modèles ont l'endurance. Le véritable défi pour les développeurs est désormais de construire les structures de contrôle, la journalisation et les systèmes de récupération d'erreurs pour permettre à un agent de fonctionner pendant une semaine sans faire exploser votre infrastructure cloud.

Periodic Labs a officiellement été lancée avec un objectif ambitieux : créer un scientifique IA pour accélérer la découverte scientifique dans le monde réel. La startup a été cofondée en septembre 2025 par Liam Fedus et Ekin Dogus Cubuk.

Faire passer l'IA de la manipulation de texte numérique aux sciences physiques exige des architectures et des méthodes de validation entièrement différentes. Ils parient que le prochain bond de valeur de l'IA viendra de l'automatisation de la méthode scientifique elle-même.

S'ils réussissent, la valeur d'entreprise éclipse tout ce qui existe sur le marché du SaaS. S'ils échouent, ils repoussent tout de même les limites de la façon dont les modèles interagissent avec les données empiriques.

Le problème du prix du millénaire de Navier-Stokes aurait été résolu, non pas par un génie solitaire, mais par un groupe coordonné d'environ dix mille agents IA. Cela marque un moment décisif pour l'intelligence distribuée.

Nous avons passé des années à nous obséder sur la mise à l'échelle de modèles de pointe uniques et massifs. Ce résultat suggère que le parallélisme – la mise en réseau de milliers d'agents plus petits et spécialisés pour résoudre un problème complexe unifié – pourrait être l'axe de mise à l'échelle le plus efficace.

Les développeurs devraient prêter une attention particulière aux frameworks d'orchestration. L'avenir de la résolution de problèmes complexes ressemble moins à l'interrogation d'un modèle divin unique et plus à la gestion d'une main-d'œuvre numérique massive et hautement coordonnée.

En 2024, l'année a été largement surnommée « l'année de l'agent ». Les entreprises SaaS se sont précipitées pour intégrer des produits basés sur des agents dans leurs feuilles de route, bien que l'industrie dans son ensemble manquait à l'époque d'une compréhension concrète de ce que le concept impliquait réellement.

Cette précipitation a conduit à une pléthore d'intégrations fragiles se faisant passer pour des systèmes autonomes. Il a fallu des années pour que l'infrastructure sous-jacente soutienne réellement les promesses faites dans ces premières présentations.

La leçon pour les opérateurs est claire : l'adoption précoce signifie souvent payer le privilège de tester des paradigmes défectueux en version bêta. Les entreprises qui ont attendu que l'infrastructure mûrisse sont celles qui déploient réellement des agents fiables aujourd'hui.