Le projet llama.cpp a publié la version b10435, qui résout un problème de performance au sein du moteur de templates Jinja. Le changement principal corrige un bug de complexité temporelle quadratique dans la fonction `gather_string_parts`.
Anthropic a publié Claude Code v2.1.233, introduisant plusieurs nouvelles fonctionnalités et correctifs, notamment la prise en charge des URL de demande de fusion GitLab pour l'indicateur `--worktree` et la vue `claude agents`. La mise à jour ajoute également le support optionnel des cgroups de mémoire pour les commandes d'outil Bash sous Linux afin d'éviter que des builds incontrôlés ne bloquent les sessions.
xAI a rendu son dernier modèle de codage, Grok 4.6, disponible dans GitHub Copilot pour les développeurs utilisant VS Code et d'autres plateformes. Les utilisateurs peuvent sélectionner le nouveau modèle via le sélecteur de modèles, tandis que les clients d'entreprise peuvent devoir l'activer via les paramètres de Copilot.
Z.ai a annoncé GLM-5.3, un nouveau modèle qui atteint des performances de pointe sur les benchmarks de codification agentic en étendant le post-apprentissage de son modèle de base GLM-5.2. Le modèle de ~750B paramètres dépasse actuellement Kimi K3 et égale ou dépasse Claude Fable 5 et GPT-5.6-Sol sur divers benchmarks.
Le projet llama.cpp a publié la compilation b10434, qui ajoute le support pour transmettre le paramètre `reasoning_effort` aux modèles Jinja. Ce changement garantit que les valeurs de `reasoning_effort` d'OpenAI Chat Completions sont stockées et disponibles pendant la génération.
Anthropic mettra en œuvre un filigrane textuel dans les futures versions de Claude pour se conformer au règlement européen sur l'IA et à son code de pratique relatif à la transparence du contenu généré par l'IA. L'entreprise utilise la méthode SynthID-Text publiée par Google DeepMind, qui intègre un motif détectable dans le texte généré sans affecter la qualité de sortie ni ajouter de tokens supplémentaires.
Les chercheurs abordent les discontinuités temporelles dans le relighting vidéo de longue durée en reformulant la tâche comme une traduction de domaine latent conditionnée temporellement. Le cadre impose une continuité inter-blocs en propageant les latents du domaine cible à travers les frontières et utilise l'auto-conditionnement masqué du domaine cible pour rendre ce comportement apprenable.
Des chercheurs de Nvidia ont présenté FusionRelight, une méthode de re-éclairage de portraits qui combine un transfert d'illumination physiquement plausible avec la préservation de l'identité et une inférence compacte en temps réel. L'approche utilise la Fusion Hybride de Connaissances de Domaine (HDKF), un cadre d'entraînement qui distille les a priori de physique, de réflectance et de réalisme à partir de données synthétiques, One-Light-at-a-Time (OLAT) et in-the-wild dans un modèle étudiant.
Le projet llama.cpp a publié la version b10431, qui introduit le support du rollback de l'état récurrent (RS) dans l'opération ggml_ssm_scan. Ce changement permet le rollback RS pour les modèles Nemotron sur les backends CPU et CUDA.
OpenAI a présenté Ultrafast, un mode de GPT-5.6 Sol capable de générer jusqu'à 750 tokens de sortie par seconde et de fonctionner à une vitesse de traitement allant jusqu'à 14 fois la vitesse standard. Cette approche vise à offrir des performances en temps réel sans basculer vers un modèle plus petit.
L'utilisateur helloadhavan a créé un ensemble de données appelé CC-FilteredCorpus conçu pour filtrer Common Crawl et extraire du contenu sous forme de Markdown propre. Le projet vise à préserver la structure utile du document, y compris les en-têtes, les listes, les liens, les blocs de code et les tableaux, plutôt que de tout aplatir en texte brut.
Meta a présenté Muse Code, un framework de codage agnostique en ligne de commande, alimenté par le nouveau modèle Muse Spark 1.2. La version inclut un « niveau contributeur » qui réduit considérablement les coûts pour les développeurs qui autorisent Meta à utiliser leurs données d'interaction pour l'entraînement.
Un rapport analysant les données du Hub Hugging Face du début de 2026 révèle que les laboratoires chinois ont dépassé leurs homologues américains en taille de modèles ouverts de pointe, tandis que les fournisseurs de matériel comme NVIDIA et AMD dominent les nouvelles publications de dépôts. L'analyse met en évidence un écart entre l'enthousiasme de la communauté (likes) et l'adoption réelle (téléchargements), les petits modèles restant la norme pratique pour l'inférence locale.
Qwen a publié les poids ouverts pour son modèle Qwen 3.8 27B. Le checkpoint est disponible sur Hugging Face.
Qwen a publié le modèle Qwen3.8-27B, disponible au téléchargement sur ModelScope et Hugging Face.
Quatre grands modèles de langage ont été lancés en Chine au cours du dernier mois : Kimi K3-2.8T, Qwen3.8-2.4T, DeepSeek-V4-Pro-0813-1.6T et GLM-5.3-743B.
Le projet llama.cpp a publié la version b10429, qui modifie le serveur pour permettre l'accès aux points de terminaison /metrics et /slots pendant que llama_decode() s'exécute.
Le projet llama.cpp a publié la version b10430, qui introduit le support des périphériques GPU intégrés (igpu) virtuels. Cette mise à jour comprend également des commentaires améliorés au sein de la base de code.
Z.ai a publié GLM-5.3, une mise à jour de son modèle de 743 milliards de paramètres qui obtient des gains de performance par un post-apprentissage à grande échelle plutôt que par un réentraînement du modèle de base. La version est actuellement disponible via l'API Z.ai, le plan GLM Coding et ZCode, avec des poids publics prévus environ deux semaines après le lancement, suite aux évaluations de sécurité.
Un ingénieur détaille l'architecture et les modes de défaillance rencontrés lors de la transition de projets depuis des chatbots simples vers des systèmes agents robustes capables de planification, d'utilisation d'outils et d'accomplissement de tâches multi-étapes.