Hardware

Actualités Tech du 20 novembre 2026

À la une : Déverrouillage matériel du CMP 170HX : 85.9 TFLOPS et injection de fautes de tension pour atteindre les performances d'une A100

Publié le 20 novembre 2026

Hardware - 20/11/2026

Déverrouillage matériel du CMP 170HX : 85.9 TFLOPS et injection de fautes de tension pour atteindre les performances d'une A100

  • 2026-11-19
  • Une découverte technique majeure dans le hacking de GPU. Le chercheur Kate a utilisé une technique d'injection de fautes de tension (voltage fault injection) sur la puce GA100 de la carte minière NVIDIA CMP 170HX pour réécrire les fusibles protégés, déverrouillant jusqu'à 80 Go de mémoire HBM et exposant environ 120 à 126 SM fonctionnels. Dans un test FP16 (ProjectPhysX), la carte modifiée atteint 85.9 TFLOPS, dépassant les 72.5 TFLOPS d'une NVIDIA A100 standard de détail, bien que certaines fonctionnalités enterprise comme ECC ou NVLink restent non testées.
  • La source originale : Wccftech
  • L'URL précise et directe de l'article spécifique : https://wccftech.com/nvidia-modified-cmp-170hx-mining-card-hits-85-9-tflops-in-a-projectphysx-fp16-test-ahead-of-a-retail-a100s-72-5-tflops/

La LLM Gemma 3 (270M paramètres) tourne nativement sur une imprimante laser de bureau via PostScript avec 14 Mo de RAM

  • 2026-11-19
  • Une prouesse d'ingénierie logicielle atypique : un ingénieur Google DeepMind a fait tourner le modèle d'IA Gemma 3 (version 270 millions de paramètres) directement sur une imprimante Ricoh sans modifier le firmware ni ajouter de matériel externe. En utilisant uniquement le langage PostScript Level 3 et l'interpréteur natif, couplés à un moteur d'inférence léger (Carbon) et au streaming dynamique des couches pour plafonner la RAM à 14.1 Mo, l'imprimante génère plus de 60 tokens par seconde avant d'imprimer physiquement la réponse.
  • La source originale : Wccftech
  • L'URL précise et directe de l'article spécifique : https://wccftech.com/google-engineer-runs-gemma-3-270m-ai-model-directly-on-office-printer-via-postscript/

JEDEC dévoile les spécifications préliminaires de la DDR6 : interface 96-bit, format 74mm et route vers 1TB par module

  • 2026-11-19
  • Le standard JEDEC pour la mémoire DDR6 introduit des changements architecturaux majeurs orientés datacenter. La bande passante théorique passe à 153.6 GB/s (4x la DDR5 de base) grâce à une interface élargie de 96-bit et des vitesses initiales de 12.8 GT/s. Physiquement, les modules RDIMM seront réduits à 74mm de longueur (contre 133mm pour la DDR5), rappelant les formats SODIMM laptop, tout en supportant des densités de puce de 128Gb ouvrant la voie à des capacités de 1TB par module grâce au stacking amélioré.
  • La source originale : HotHardware
  • L'URL précise et directe de l'article spécifique : https://hothardware.com/news/jedec-previews-ddr6-4x-bandwidth-smaller-sticks-1tb-modules

Zero-day Windows 11 : contournement du verrouillage d'écran et exposition des données BitLocker via quelques frappes clavier


NVIDIA démontre un gain de 39% sur le CPU Vera via optimisation logicielle spécifique à l'architecture Olympus


Les CPU Xeon Diamond Rapids de nouvelle génération aperçus en fonctionnement dans des serveurs tiers lors du SC26


Patriot lance la série "AI Matrix" : SSD et RAM DDR5 calibrés spécifiquement pour l'inférence LLM locale

  • 2026-11-19
  • Une approche hardware atypique dédiée à l'IA locale. Patriot ne se contente pas de marquer des composants comme "AI-ready" ; la série AI Matrix propose des configurations appariées (DRAM et SSD) validées mensuellement par des benchmarks open-source LLM (Llama, Gemma). Les modules sont classés par taille de modèle cible (7B-14B, 14B-34B, 34B-70B), avec des ratios de bande passante mémoire et d'endurance NAND calculés pour gérer les goulots d'étranglement spécifiques au chargement de poids de modèles lourds et aux cycles de contexte RAG.
  • La source originale : TechPowerUp
  • L'URL précise et directe de l'article spécifique : https://www.techpowerup.com/355024/patriot-launches-ai-matrix-ssd-and-dram-series-engineered-for-local-ai-workloads