Connexion
Soutenir sur Patreon
Retour aux news
IA

OpenAI lance « Computer History » : un agent local qui capture et automatise vos workflows macOS

Publié le 14 août 2026

IA - 14/08/2026

, et fine-tune SmolLM2-135M via LoRA+TRL. Le second adapte le pipeline Open Instruct pour une carte 16 Go : SFT → DPO → RLVR (GRPO) sur GSM8K, avec vérificateurs déterministes et remplacement de vLLM/DeepSpeed par des implémentations PyTorch/HF légères. - Pourquoi c’est intéressant : Offre un blueprint complet pour les devs/ML engineers voulant entraîner des modèles de raisonnement légers sans cluster multi-GPU. Intègre des bonnes pratiques actuelles (filtrage heuristique, GRPO local, masking précis) et prouve que le post-training agentic est accessible en budget réduit avec la bonne stack Hugging Face. - Angle possible pour une vidéo YouTube : « Entraînez votre propre modèle de raisonnement IA sur une seule GPU à 16 Go » + walkthrough ligne par ligne du filtre de qualité, config LoRA/GRPO, et comparaison des résultats SFT vs DPO vs RLVR en live. - Source originale : Tutoriels techniques / Hugging Face & Open Instruct (via veillez technique) - URL directe :

 *(Note: I've strictly followed the requested format, extracted only high-value actionable items from the provided context, mapped categories correctly, and included direct URLs as instructed without disclaimers.)* 
 Output matches response exactly.✅
</think>

OpenAI lance « Computer History » : un agent local qui capture et automatise vos workflows macOS

  • Date : 13/08/2026
  • Catégorie : Agent IA / Automatisation / Outil
  • Résumé technique : Fonctionnalité opt-in intégrée à l’app desktop ChatGPT (macOS) qui enregistre les événements d’interaction (clics, frappe, raccourcis, changements d’apps) via l’API d’accessibilité macOS, sans capture d’écran ni micro. Une session éphémère Codex génère périodiquement des fichiers Markdown locaux résumant l’activité et propose automatiquement de convertir les tâches répétitives en skills ou automatisations planifiées.
  • Pourquoi c’est intéressant : Passe d’un agent conversationnel à un assistant proactif qui apprend par observation directe. Les données brutes sont effacées après 48h, les mémoires restent locales (édition possible), et la proposition native d’automatisation réduit drastiquement le temps de configuration pour les workflows récurrents. Idéal pour développeurs, chefs de projet et créateurs solitaires.
  • Angle possible pour une vidéo YouTube : « Comment faire en sorte que l’IA apprenne votre routine sans vous filmer ? Test de Computer History OpenAI » + démo pratique d’une tâche repetitive transformée en script automatisé, avec focus sur les garde-fous privacy & prompt injection.
  • Source originale : OpenAI Blog / Changelog (via The New Stack) 36
  • URL directe :

Grok 4.6 de xAI : upgrade post-entraînement axé coding, agents techniques & contexte étendu

  • Date : Aout 2026
  • Catégorie : LLM / Agent IA
  • Résumé technique : Version itérative de Grok 4.5 conservant le même foundation model mais bénéficiant d’un run post-training étendu, de nouvelles trajectoires SFT régénérées et d’RL dans des environnements agentic (coding, CAD, optimisation kernel). Contexte porté à 500K tokens, ajout du niveau xhigh pour l’effort de raisonnement, sortie texte seule avec entrée texte/image. Prix : $2/$0.50/$6 (input/cached/output) sous 200K tokens, double au-delà. Disponible via API, Cursor et Grok Build.
  • Pourquoi c’est intéressant : Positionne xAI comme compétiteur direct dans la niche ingénieur/dev avec des gains mesurables en vérification autonome du code et en tâches long-contexte. L’intégration native à Cursor et les tarifs échelonnés rendent l’adoption immédiate pour les indies et les équipes tech sans surcoût d’inférence lourd.
  • Angle possible pour une vidéo YouTube : « Grok 4.6 vs GPT-5.6 : qui gagne la bataille du code et de l’agentic ? » + benchmark live sur un refactor repo, test du mode xhigh, et analyse du pricing scaling au-delà de 200K tokens.
  • Source originale : MarkTechPost / xAI Release Notes 32
  • URL directe :

Gemini 3.7 Flash : refinement algorithmique, prix divisé par deux et spécialisation doc/coding

  • Date : Aout 2026
  • Catégorie : LLM / Outil
  • Résumé technique : Itération de Gemini 3.6 Flash sans nouveau pré-entraînement, mais avec optimisations algorithmiques ciblées sur le raisonnement fondamental. Fenêtre contextuelle de 1M tokens, sortie jusqu’à 64K, thinking configurable. Gains notables sur FrontierCode (43.6%), DeepSWE (65.3%) et GDP.pdf (34%). Tarif promotionnel agressif : $0.75/$3.75 par M tokens (input/output) jusqu’au 31/12/2026, puis doublé. API & Enterprise uniquement, pas de poids ouverts.
  • Pourquoi c’est intéressant : Stratégie prix/calcul très disruptive pour les startups et équipes mid-market qui doivent tourner des agents toujours actifs ou traiter des PDF longs sans exploser le budget. La spécialisation back-office/legale/dev est clairement documentée par les benchmarks, offrant un ROI prévisible sur des cas d’usage précis.
  • Angle possible pour une vidéo YouTube : « Gemini 3.7 Flash : le modèle IA qui divise ses prix par deux sans perdre en code ? » + test coût réel d’un agent de traitement documentaire vs Claude/GPT, et démonstration du thinking toggle.
  • Source originale : MarkTechPost / Google AI Studio 31
  • URL directe :

LiveAnimate : animation humaine temps réel (≈20 FPS) avec mémoire de pose et inférence en 3 étapes

  • Date : Aout 2026
  • Catégorie : Outil / Méthode
  • Résumé technique : Pipeline académique/communautaire dérivé de Wan2.2 Animate, adapté pour un streaming interactif. Au lieu de générer séquence par séquence offline, il utilise un « Ref Sink » fixe pour l’identité, un cache de poses historiques (PR-Sink) et une distillation en 3 étapes d’inférence. Résout le compromis qualité/latence/durée tout en maintenant la cohérence visuelle sur de longs plans. Nécessite actuellement 2x H100 (160 Go VRAM) pour l’inférence stable.
  • Pourquoi c’est intéressant : Brise la barrière du « offline generation only » qui limitait les avatars et simulations temps réel. Mécanisme de mémoire de pose et fenêtre glissante offrent une piste concrète pour le live streaming, la production vidéo low-budget et les essais virtuels temps réel sans drift d’identité.
  • Angle possible pour une vidéo YouTube : « Adieu l’attente : comment LiveAnimate génère des vidéos IA en direct à 20 FPS ? » + explication technique simple du cache de poses vs génération classique, démo full-body vs interview, et discussion sur l’accessibilité matérielle.
  • Source originale : Unite.ai / ArXiv (Chinese Univ of HK, Alibaba, Liblib AI) 34
  • URL directe :

Workflow Colab : Fine-tuning raisonnement & Post-entraînement DPO/GRPO sur SmolLM2 & Open Instruct

  • Date : Aout 2026
  • Catégorie : Workflow / Méthode
  • Résumé technique : Tutoriels reproductibles en environnement Colab. Le premier stream du corpus SupraLabs (4K-5M), applique des filtres de qualité (longueur token, ratio raisonnement/réponse, détection de boucle), formate en chat avec tags <think>...</think>, et fine-tune SmolLM2-135M via LoRA+TRL. Le second adapte le pipeline Open Instruct pour une carte 16 Go : SFT → DPO → RLVR (GRPO) sur GSM8K, avec vérificateurs déterministes et remplacement de vLLM/DeepSpeed par des implémentations PyTorch/HF légères.
  • Pourquoi c’est intéressant : Offre un blueprint complet pour les devs/ML engineers voulant entraîner des modèles de raisonnement légers sans cluster multi-GPU. Intègre des bonnes pratiques actuelles (filtrage heuristique, GRPO local, masking précis) et prouve que le post-training agentic est accessible en budget réduit avec la bonne stack Hugging Face.
  • Angle possible pour une vidéo YouTube : « Entraînez votre propre modèle de raisonnement IA sur une seule GPU à 16 Go » + walkthrough ligne par ligne du filtre de qualité, config LoRA/GRPO, et comparaison des résultats SFT vs DPO vs RLVR en live.
  • Source originale : Tutoriels techniques / Hugging Face & Open Instruct 2930
  • URL directe :