IA 2026 07 06 | News Makertronic

Meituan publie LongCat-2.0 : un MoE de 1,6T paramètres optimisé pour les agents de code

Date : 18/01/2026
Catégorie : LLM / Agent IA
Résumé technique : Meituan a lancé LongCat-2.0, un grand modèle MoE (Mixture-of-Experts) comptant 1,6 billion de paramètres au total, avec ~48B actifs par token (fenêtre dynamique 33B–56B). L'architecture intègre une attention sparse native (LongCat Sparse Attention) permettant une fenêtre de contexte de 1 million de tokens sans coût quadratique. Le modèle est spécialisé dans le codage agentic (compréhension, génération, exécution dans des boucles d'agents) et a été entièrement entraîné et servi sur des super-pods d'ASIC domestiques, sans accélérateurs Nvidia. Les scores rapportés atteignent 59,5 sur SWE-bench Pro, dépassant légèrement GPT-5.5 sur les tâches d'ingénierie logicielle.
Pourquoi c’est intéressant : Preuve de concept majeure sur la souveraineté matérielle et l'efficacité des architectures MoE pour les agents autonomes. La fenêtre de 1M tokens permet d'ingérer des bases de code entières, éliminant les hacks de résumé. L'infrastructure 6D parallelism et le découplage prefill/decode montrent une avancée significative en optimisation d'inférence pour les workflows agentic.
Angle possible pour une vidéo YouTube : "Un modèle chinois de 1,6T paramètres bat GPT-5.5 sans Nvidia : l'ère des agents de code souverains ?"
Source originale : MarkTechPost / LongCat.ai
URL directe : https://longcat.ai/blog/longcat-2.0/ 30

Date : 18/01/2026
Catégorie : Tendance IA / Agent IA
Résumé technique : Junyang Lin, ancien lead technique du projet Qwen chez Alibaba, publie une analyse technique approfondie sur le pivot du secteur : passer de l'entraînement de modèles de raisonnement (o1, DeepSeek-R1) à l'entraînement d'agents. Il détaille pourquoi le RL pour les agents exige une infrastructure totalement différente : découplage strict entre entraînement et inférence, serveurs d'outils, sandboxes, et une optimisation focalisée sur la qualité de l'environnement plutôt que sur la diversité des données. Il met en garde contre le "reward hacking" lorsque les modèles obtiennent un accès réel aux outils, et explique pourquoi les chaînes de pensée infinies ne garantissent plus la performance.
Pourquoi c’est intéressant : Change radicalement la posture des équipes ML/RL et des architectes IA. Le benchmark n'est plus la longueur du monologue interne, mais la capacité à maintenir une action utile dans une boucle fermée. Guide stratégique indispensable pour quiconque construit des systèmes agents en production ou envisage du RLHF/RLAIF avancé.
Angle possible pour une vidéo YouTube : "Pourquoi les LLM ne doivent plus juste 'réfléchir', mais 'agir' : la fin du long CoT et l'avènement du RL Agentic"
Source originale : MarkTechPost / Blog technique de Junyang Lin
URL directe : https://justinlin610.github.io/blog/from-reasoning-to-agentic-thinking/ 32

Date : 17/01/2026
Catégorie : Automatisation / Workflow IA
Résumé technique : L'équipe LlamaIndex a publié legal-kb, une application de référence déployant Index v2 (LlamaParse Platform) via un pattern nommé "Retrieval Harness". Contrairement au RAG classique (une seule recherche vectorielle par requête), ce harnais donne à l'agent un jeu d'outils orientés système de fichiers : findFiles, retrieve (recherche hybride + rerank), readFile et grepFile. L'agent navigue de manière itérative, croise les sources, gère le versioning des documents et génère des citations visuelles avec bounding-box. Le tout est orchestré via l'AI SDK 6 de Vercel avec streaming de raisonnement.
Pourquoi c’est intéressant : Résout les limites structurelles du RAG pour les tâches longues (contrats, due diligence, conformité). Permet aux agents de lire, filtrer et citer précisément sans saturer le contexte. Architecture open et reproductible pour les devs/indés voulant passer d'un chatbot RAG à un agent documentaire professionnel.
Angle possible pour une vidéo YouTube : "RAG vs Agents : comment faire naviguer une IA dans des milliers de PDF sans halluciner (Tutoriel LlamaIndex v2)"
Source originale : MarkTechPost / LlamaIndex GitHub
URL directe :

Date : 17/01/2026
Catégorie : Outil / Automatisation
Résumé technique : Analyse comparative des solutions locales pour l'extraction de données documentaires. Deux catégories sont clarifiées : l'extraction schema-driven (Datalab lift 9B, NuExtract 3 4B) et le parsing de document (IBM Docling, olmOCR 2 7B, DeepSeek-OCR 3B MoE, Datalab Marker). lift atteint 90,2% de précision sur les champs définis avec un décodage contraint JSON. olmOCR 2 utilise un RL avec rewards synthétiques et cible $178/million de pages en local. DeepSeek-OCR introduit une compression optique contextuelle pour réduire la consommation de tokens. Les licences (Apache 2.0, OpenRAIL-M, MIT) et les contraintes commerciales sont détaillées.
Pourquoi c’est intéressant : Permet aux entreprises et indépendants d'internaliser la préparation de données pour RAG/Agents, contournant les APIs propriétaires coûteuses et sensibles (RGPD). Guide pratique pour choisir entre précision schéma vs restitution de mise en page, avec benchmarks croisés et recommandations d'inférence locale.
Angle possible pour une vidéo YouTube : "Arrêtez de payer des APIs pour vos PDF : les modèles open-source qui transforment vos docs en JSON (Comparatif 2026)"
Source originale : MarkTechPost
URL directe :

Date : 17/01/2026
Catégorie : Automatisation / Conseil d’usage
Résumé technique : Tutoriel complet pour déployer un pipeline de veille automatisé sans code. L'architecture utilise Make.com comme orchestrateur, l'API Mistral (mistral-large-latest) pour le traitement et la synthèse, et Google Sheets comme base de données historique. Le flux capture les articles via des sources web/RSS, applique un parsing, envoie le texte à l'IA via un prompt structuré (résumé en 3 points, mots-clés, traduction ciblée), et archive le résultat avec horodatage. Le temps de traitement passe de plusieurs heures à ~30 minutes par cycle.
Pourquoi c’est intéressant : Démonstration concrète d'automatisation IA accessible aux non-développeurs. Montre comment orchestrer collecte, IA générative et persistance de données dans un workflow fiable. Idéal pour les marketeurs, chercheurs, ou indépendants souhaitant industrialiser leur veille sans stack complexe.
Angle possible pour une vidéo YouTube : "Automatisez 100% de votre veille tech avec Make + IA (Tutoriel étape par étape, sans code)"
Source originale : Blog spécialisé / Communauté Tech Francophone
URL directe :