IA 2026 07 28 | News Makertronic

NVIDIA Nemotron 3 Ultra & LangChain Deep Agents : Optimisation système > Fine-tuning 25

Date : 03/02/2026
Catégorie : Agent IA / Automatisation
Résumé technique : LangChain a publié un profil optimisé (tuned harness) pour le modèle open NVIDIA Nemotron 3 Ultra. Au lieu de fine-tuner le modèle, l'équipe a analysé les traces d'exécution des agents, puis ajusté les system prompts, les descriptions d'outils et le middleware. Le résultat : performance à la hauteur des meilleurs modèles fermés, débit multiplié, et coût d'inférence divisé par 10. Le blueprint open NemoClaw package ce harness avec le runtime sécurisé OpenShell.
Pourquoi c’est intéressant : Valide techniquement que l'optimisation du "système autour du modèle" (harness, routing, mémoire, évaluation) apporte plus de gains concrets que le pre-training/fine-tuning pour les agents. Offre une stack entièrement open, gouvernable et déployable on-prem/cloud avec un TCO radicalement réduit.
Angle possible pour une vidéo YouTube : "Fini le Fine-Tuning ? Pourquoi optimiser le Harness bat le modèle pour les Agents IA"
Source originale : NVIDIA AI Blog
URL directe :

Date : 03/02/2026
Catégorie : LLM / Infrastructure
Résumé technique : OpenAI a déployé GPT-5.2 (déc.) et GPT-5.3 Codex (fév.) intégralement sur l'architecture NVIDIA GB200 NVL72. GPT-5.3 fusionne les capacités de codage et de raisonnement, affiche 25% de performance supplémentaire et bat les records sur SWE-Bench Pro et Terminal-Bench. Les benchmarks MLPerf confirment un gain de 3x à 4x en vitesse de training vs Hopper, avec une efficacité dollar supérieure.
Pourquoi c’est intéressant : Illustre la convergence inévitable entre les frontier models et les infrastructures GPU/networking extrêmes. Pour les entreprises et devs, cela signifie que le choix du fournisseur cloud/on-prem impactera directement la vitesse de déploiement et le coût des agents autonomes.
Angle possible pour une vidéo YouTube : "GPT-5.3 & NVIDIA GB200 : L'infrastructure IA qui dicte désormais les records de performance"
Source originale : NVIDIA AI Blog
URL directe :

Date : 04/02/2026
Catégorie : Agent IA / Outil / Open Source
Résumé technique : Moonshot AI et kvcache-ai ont open-sourcé AgentENV sous licence MIT. La plateforme utilise des microVMs Firecracker pour offrir une isolation noyau complète tout en permettant des snapshots incrémentaux (<50ms boot/resume), des pauses (<100ms) et un forking (jusqu'à 16 enfants par sandbox). L'API est compatible E2B, permettant l'adoption sans réécriture de code.
Pourquoi c’est intéressant : Résout le goulot d'étranglement historique du Reinforcement Learning pour agents : l'arbitrage entre isolation (VMs lentes) et performance (containers fragiles). Indispensable pour les équipes qui veulent scaler l'entraînement d'agents en environnement Linux sans gérer la complexité infrastructurelle.
Angle possible pour une vidéo YouTube : "AgentENV : L'outil open qui fait scaler vos Agents IA (RL) sans isolation compromise"
Source originale : GitHub / MarkTechPost
URL directe :

Date : 04/02/2026
Catégorie : Outil / Automatisation / Agent IA
Résumé technique : Perplexity publie un CLI officiel retournant uniquement du JSON (hits avec URL, titre, snippet + extraction de texte nettoyé). Conçu explicitement pour agents et CI : exit code 0 + JSON stdout au succès, JSON erreur stderr en cas de fail. Intègre un budget token intelligent via --stdout-preview couplé à --output-dir, et vérifie les paywalls avant livraison.
Pourquoi c’est intéressant : Premier outil de recherche web "agent-native" par design. Évite le parsing fragile de HTML ou les réponses synthétisées non vérifiables. Idéal pour injecter une couche de recherche fiable et économique dans des workflows LangChain, AutoGen ou CrewAI.
Angle possible pour une vidéo YouTube : "Perplexity CLI : Le tool agent-ready pour une recherche web fiable dans tes workflows IA"
Source originale : GitHub / MarkTechPost
URL directe :

Date : 03/02/2026
Catégorie : Méthode / Recherche / LLM
Résumé technique : Photon-1 est un MoE 106B-A5B pré-entraîné sur 18 ans de captures d'écran sans aucune annotation d'action. Il prédit les frames futures dans un espace latent compressé (FSQ, ~2.2KB/frame, gain x100 vs OCR multimodal). Il apprend une "politique implicite" du comportement humain. Après un fine-tuning léger (<35k trajets) et du RL online, il bat Gemini 3.1 Flash-Lite en coût et performance interne.
Pourquoi c’est intéressant : Prouve qu'on peut former des capables de contrôle d'interface par compression vidéo et prédiction d'état, sans supervision explicite coûteuse. Ouvre la voie à des pipelines de data/entraînement radicalement moins chers et plus scalables pour les agents desktop.
Angle possible pour une vidéo YouTube : "Former des Agents IA sur des vidéos sans labels d'action ? La méthode Photon-1"
Source originale : MarkTechPost / Induction Labs
URL directe :

Date : 04/02/2026
Catégorie : Tendance / Hardware / Physical AI
Résumé technique : NVIDIA annonce la plateforme Rubin (premier codesign extrême 6-chips, 50 PFLOPS NVFP4, networking NVLink 6 + Spectrum-X) divisant le coût du token par 10. Couplé à l'open portfolio Alpamayo (VLA reasoning pour AV niveau 4) et Cosmos (simulation physique/video), NVIDIA pousse la stack complète de la simulation au déploiement edge/voiture.
Pourquoi c’est intéressant : Marque le tournant stratégique des grands acteurs vers l'IA physique/robotique et l'autonomie véhicule. L'openness poussée des modèles et simulateurs accélérera massivement l'adoption des agents incarnés par les start-up et labs de recherche.
Angle possible pour une vidéo YouTube : "CES 2026 & NVIDIA Rubin : L'IA sort des serveurs pour contrôler le monde physique"
Source originale : NVIDIA AI Blog
URL directe :