Blog

Sol vs. Fable vs. Grok 4.5 : La semaine modèle la plus intense de l’année en test pratique

Dimanche 12 juillet 2026

Bonjour, ce digest hebdomadaire examine les vidéos nouvelles les plus importantes parmi environ 45 chaînes YouTube d’IA et de programmation curées — avec substance, sans superficialité. Un résumé complet par vidéo, plus un aperçu de la semaine sur les thèmes dominants. Lisez tranquillement — ou copiez un résumé dans le LLM de votre choix et approfondissez. Cliquez sur le lien sous chaque résumé pour regarder la vidéo originale.

Sorties de modèles et benchmarks

Au-delà de Sol, Terra, Luna, Grok 4.5 et Muse Spark 1.1, Gemini 3.5 Pro attire l’attention : plusieurs chaînes (TheAIGRID, WorldofAI) analysent les fuites suggérant une fenêtre de contexte de 2 millions de tokens et une nouvelle couche Deep-Think-Reasoning ; le lancement est attendu pour la mi-juillet. Tencent HY3 — MoE de 295 milliards de paramètres, licence Apache-2.0 — montre selon WorldofAI une force surprenante sur les tâches frontend et la génération SVG et est gratuit jusqu’au 21 juillet ; ensuite 14 cents/1 million de tokens d’entrée via OpenRouter. WorldofAI rapporte également « Claude Honeycomb », un modèle brièvement aperçu dans Cursor, suggérant une itération précoce d’Opus-5, ainsi que des rapports selon lesquels OpenAI entraîne déjà en interne GPT-6 comme une refonte complète. Anthropic a temporairement retiré Fable 5 des abonnements, le rend maintenant accessible jusqu’au 12 juillet pour les plans payants avec une limite hebdomadaire de 50 % — puis migre vers la tarification basée sur les crédits.

IA locale et open-source

Bart Slodyczka démontre comment Pie (framework d’agent open-source) avec Qwen 3.6 35B via LM Studio construit localement un agent de support Zendesk entièrement autonome : Pie lit sa propre documentation, crée indépendamment la structure du package et écrit toutes les 5 secondes de nouveaux tickets, répond et republish. Theo réfute les idées populaires sur l’exploitation locale de grands modèles : GLM 5.2 nécessite 400 GB de VRAM en précision complète ; une RTX 5090 n’en a que 16 GB ; un système avec 4× RTX 6000 Pro coûte 75 000 dollars. La vraie valeur des modèles open-weight réside selon lui dans la pression du marché sur les API fermées via des fournisseurs comme OpenRouter — non dans l’auto-hébergement. Tim Carambat présente Magic Echo dans Anything LLM : contrôle vocal à l’échelle du système d’exploitation avec awareness d’écran via le modèle Qwen-3-8B-VL local, commandes vocales configurables et transcription intelligente — gratuit avec des transcriptions intelligentes limitées, illimitées dans le tier Pro.

Claude Code et outils Anthropic

Claude Design d’Anthropic a reçu une mise à jour complète avec éditabilité directe (analogue à PowerPoint/Figma), connecteurs MCP à Higsfield, Google Workspace et Microsoft 365, ainsi qu’une nouvelle compétence Design-Sync de Claude Code — Julian Ivanov montre dans un tutoriel détaillé comment cela crée des présentations de marque cohérentes, des pages d’accueil animées et des rapports Q2 directement à partir de données Google Sheets. Productive Dude a utilisé Fable 5 pour une refonte complète d’application : six sous-agents parallèles ont identifié 40 implémentations de modal incohérentes, 205 valeurs hexadécimales codées en dur et 132 champs de formulaire non standardisés — jusqu’à ce que le classifieur de sécurité d’Anthropic bloque un audit de sécurité prévu et redirige vers Opus 4.8. WorldofAI démontre l’intégration d’Upstage Studio via MCP pour l’extraction PDF structurée directement depuis Claude Code. Anthropic lui-même a publié un article sur JSpace, un domaine de représentation interne émergent dans lequel Claude organise les concepts avant la sortie ; Fireship visualise l’expérience où les chercheurs utilisant l’outil Jacobian-Lens pouvaient changer les pensées internes de Claude de « araignée » à « fourmi », modifiant en conséquence la sortie.

Agents de programmation (hors Claude)

Codex d’OpenAI a été intégré à l’application de bureau ChatGPT — avec deux modes (Work pour les non-développeurs, Code pour les développeurs), authentification améliorée du navigateur, support multi-onglets et Computer-Use plus rapide. Theo critique vivement le renommage : Codex était une marque de développeur indépendante avec une communauté en croissance mensuelle ; la fusion avec ChatGPT détruit cette identité. En réaction, il a construit T3 Code comme clone open-source. DevExpert montre Loop Engineering avec Codex : un thread gestionnaire analyse les fonctionnalités ouvertes, lance des threads de travail dans des worktrees Git isolées, crée et examine automatiquement les pull requests et fusionne après un examen réussi dans Main — une boucle de développement autorenforçante. Leon van Zyl démontre Z-Code, une application de bureau pour le modèle open-weight GLM 5.2, positionnée comme alternative à Claude Code moins chère (environ 6× inférieure à l’entrée) ; il montre également comment trois instances Codex s’exécutant sur un VPS Hetzner ouvrent automatiquement des pull requests de correctif de bogue, de sécurité et d’améliorations toutes les 10 minutes.

Ingénierie logicielle et culture de développement

Dave Ebbelaar décrit en six étapes la transition de la science des données à l’ingénierie de l’IA : combler l’écart d’ingénierie logicielle (UV, Git, tests, projets structurés), compétences spécifiques aux LLM (SDK OpenAI/Anthropic, Context Engineering), backends de production (FastAPI, Pydantic, Docker, PostgreSQL), pipelines RAG (pgvector), évaluations et observabilité via Langfuse, et enfin deux projets de bout en bout pour le portefeuille et le déploiement. Tech With Tim argue de manière analogue : les ingénieurs logiciels possèdent déjà 80 % des compétences en ingénierie de l’IA ; s’ajoutent le modèle mental des LLM, RAG, l’orchestration avec LangChain/LangGraph et LLMOps. MoureDev présente le Spec-Driven Development comme nouveau paradigme : constitution (règles de projet), fonctionnalités granulaires avec critères d’acceptation, sous-agents avec contexte isolé et droits minimaux — avec OpenCode, Claude Code et Cursor traités comme des outils équivalents. Niklas Steenfatt montre un workflow de développement à distance avec des worktrees Git et tmux sur un VPS Hostinger, permettant à plusieurs agents IA de travailler en parallèle dans des branches séparées et de continuer de manière autonome après une déconnexion.

IA personnelle et frameworks d’agents

Hermes Agent a dominé la semaine avec des sorties parallèles sur plusieurs chaînes : Alex Finn présente sept nouvelles fonctionnalités (Mixture of Agents avec /MA, /learn, /journey, coûts d’auto-amélioration réduits, contrôle Git complet dans l’application de bureau, intégration Fable-5) et explique pourquoi il considère Hermes supérieur à l’alternative OpenClaw. Julian Ivanov montre Hermes comme un véritable système d’exploitation agentique : l’application de bureau combine une exploitation serveur 24/7 avec un éditeur local semblable à VS-Code, intégration Git et passerelle distante via Tailscale — les Cronjobs et webhooks automatisent les mises à jour de Kanban Notion sans intervention manuelle. Niklas Steenfatt fournit un cours Hermes de plusieurs heures pour débutants incluant la configuration de bot Telegram, le reverse prompting, la recherche web Oxylabs et la sauvegarde GitHub. Pydantic AI 2.0 apporte selon Cole Medin le concept central nouveau de Capability — une unité unique et composable qui regroupe les instructions, les outils et les garde-fous et active la Progressive Disclosure : l’agent charge les instructions complètes uniquement selon les besoins, économisant des tokens. Cole Medin distingue également clairement entre Personal Agents (contrôlés par Markdown, ne s’ajuste pas) et Production Agents (supportés par base de données via Redis Iris, avec Context Retriever et Agent Memory pour les scénarios multi-utilisateurs). Tim Carambat présente Open Computer — exécution d’agent isolée en VM basée sur QEMU avec l’arborescence d’accessibilité Linux au lieu des coordonnées de capture d’écran, comme alternative aux approches Computer-Use gourmandes en tokens.

Automatisation et workflows IA

Nate B Jones documente que 1,6 million d’agents enregistrés auprès d’OpenClaw n’ont accomplir aucune tâche — et en dérive un framework 4 points (taille, indépendance, séparation des préoccupations, vérifiabilité) distinguant en moins d’une minute entre chat-task, single-agent, équipe multi-agent et « aucune IA nécessaire ». Dans le même canal, il montre comment un site web pour l’experte en accessibilité Elsa Hunison a été créé avec Claude Sonnet 3.5 comme agent Boss et des modèles GLM moins chers comme travailleurs pour 8 dollars au lieu des 85–105 dollars estimés — avec 12 révisions refusées par des agents-vérificateurs automatiques. Le créateur n8n-MCP Millerad montre trois niveaux d’automatisation en direct : workflows déterministes, un agent LinkedIn Post Creator et examen multi-modèles (Claude + GPT en parallèle, l’orchestrateur déduplique les découvertes). Nick Saraev décrit un optimiseur de workflow basé sur capture d’écran : un logiciel capture l’écran toutes les 5 secondes, un modèle économique résume quotidiennement, et l’IA suggère des simplifications — un test a identifié un service de transcription vocale coûteux (latence 250 ms) remplacé par une solution locale (50 ms, gratuit).

Création de vidéos et de contenu IA

Nate Herk montre comment GPT-5.6 Soul en mode Ultra a produit une vidéo complète — script, avatar via HeyGen, voix via ElevenLabs, montage via Hyperframes — sans que le créateur n’ait jamais regardé une caméra ; coûts de 300 dollars pour environ 86 millions de tokens. Nick Saraev explique Video-to-Video comme stratégie sous-estimée : vidéo source avec déclencheur horodaté, prompt hyperspécifique et modèles comme Gemini Omni ou Kling donnent des transformations subtiles et non dérangeantes à environ 50 cents par génération — automatisable via Higsfield MCP et Claude Code. AI Foundations montre un framework en quatre parties pour le marketing automatisé avec Claude Code et Higsfield : documents de contexte (histoire commerciale, guide de voix avec règles anti-slop), templates réutilisables et compétences comme /thumbnail-generator, produisant trois variantes en parallèle et validant contre une checklist. AI with Arnie démontre une compétence open-source pour la production vidéo IA avec cohérence de caractère sur toutes les scènes — le correctif V2 central : chaque scène utilise la conception de caractère sauvegardée au lieu de la dernière image, prévenant la dérive de caractère ; une vidéo de 40 secondes coûte 6,80–14,80 € via Higsfield.

Entreprise, marketing et travail indépendant IA

Nick Saraev interviewe Justin Lob, qui au cours de sa première année d’exploitation en tant qu’agence solo d’automatisation IA tout en travaillant à temps plein a généré jusqu’à 20 354 dollars mensuels — sa clé : trois demandes Upwork quotidiennes sans exception, qualification tardive plutôt que disqualification précoce lors d’appels de vente, projets à prix fixe comme point d’entrée suivis d’une conversion en retainer (objectif de 3 250 $/mois). Brian Casel montre comment construire avec une compétence PRD-Creator, quatre jalons et Claude Opus une application immobilière spécifique à l’industrie avec gestion de contacts, kanban de transactions et templates de tâches automatiques, vendable en tant que SaaS. Dans le même canal, le modèle « Agent-in-a-Box » est présenté : template d’agent standardisé comme « Box », installation personnalisée client comme « Business » — scalable en tant qu’entreprise d’une personne avec frais d’installation plus retainer optionnel. Nate B Jones soutient que le différenciateur à l’ère de l’IA n’est pas le modèle mais la « liste d’imagination » — quelles tâches on peut imaginer poser ; le test de Mitchell Hashimoto avec Claude 5 pour une optimisation système de 40 dollars illustre que la valeur reste exclusive à la frontière si le contexte est juste.

PKM et gestion des connaissances

Ben AI montre un Sales-OS complet avec cinq couches : deuxième cerveau central dans Obsidian, connecteurs à Attio-CRM, Fireflies et PandaDoc, routines Morning/CRM/Call-Scoring automatisées, compétences Claude pour Call-Prep et Pipeline-Review ainsi qu’un tableau de bord personnalisé — la compétence d’installation génère automatiquement la structure de dossiers entière et les fichiers de navigation Claude.md. Le cours Claude Code de Nate Herk pour les non-codeurs consacre une section détaillée aux architectures Second Brain en cinq niveaux : de Cloud.md comme routeur léger via LLM-Wiki et recherche vectorielle jusqu’au Always-On-Brain — avec la recommandation de toujours choisir le niveau minimalement nécessaire.

Instruction et littératie IA

Melvynx présente cinq compétences communautaires pour Claude Code : Impeccable (application du système de design via 23 sous-compétences), Grilling (interviews structurées avant chaque implémentation), Apex (workflow multi-étapes avec auto-tests et captures d’écran), Make Interface Feel Better (affinement du design) et Thermonuclear Code Quality Review (contrôle qualité strict comme sous-agent). Matt Pocock publie Skills Repo v1.1 avec renommages (to-spec, to-tickets), la nouvelle compétence Wayfinder pour la création de roadmap en tant que GitHub Issues avec relations de blocage, ainsi qu’une compétence TDD révisée et code review contre les code smells de Martin Fowler ; le repo compte maintenant 160 000 étoiles et 7 millions de téléchargements. Mark Kashef suggère Wargaming comme stratégie pour le retrait d’abonnement Fable-5 : au lieu de plans normaux, créer des simulations détaillées avec structure Action-Reaction-Counteraction, utilisables ultérieurement avec des exécuteurs moins chers.

Industrie et stratégie IA

Nate B Jones analyse les conversations d’OpenAI avec le gouvernement américain sur une quote-part de capital de 5 % valant environ 42,5 milliards de dollars — structurellement similaire au modèle Alaska Permanent Fund — comme assurance stratégique des approbations politiques face à une régulation potentiellement plus stricte, non de l’altruisme. Parallèlement, Meta construit une activité Cloud pour la capacité informatique excédentaire, tandis que Zuckerberg reconnaît en interne que le développement d’agents IA n’a pas accéléré comme prévu — MoureDev montre que 95 % des déploiements d’IA d’entreprise selon Gartner n’ont produit aucun effet commercial mesurable et 40 % des projets d’IA agentique devraient être abandonnés d’ici fin 2027. Everlast AI interviewe le Prof. Alexander Smola (Boson AI), qui explique pourquoi les benchmarks ne mesurent pas ce que les utilisateurs veulent, pourquoi le théorème Pokémon exclut mathématiquement l’équité IA parfaite et pourquoi l’IA vocale — avec une architecture deux étapes combinant frontend audio rapide et reasoning complexe en arrière-plan — est le prochain domaine de croissance. AI Explained observe que le calcul disponible s’est multiplié par 100, mais les paramètres ont augmenté modérément, car la puissance de calcul a afflué vers la mise à l’échelle à des milliards d’utilisateurs, de nouvelles modalités et des tâches longues — un argument contre les thèses de saturation.

IA et société / L’avenir du travail

Everlast AI apporte deux conversations révélatrices : le neuroscientifique Konrad Körding soutient que la saturation d’intelligence est réelle car le monde physique reste le goulot d’étranglement insurmontable — les coûts robotiques ne suivent pas la courbe exponentielle des tokens IA — et que les gens ont des valeurs irréductibles (présence physique, responsabilité, position sociale) générant davantage de demande de vrai travail humain, pas moins. Datapizza discute avec l’experte juridique Giorgia Rastrelli de l’Article 50 du Règlement IA de l’UE : obligations de divulgation chatbot, normes de filigrane (SYD comme standard européen), nouvelles interdictions pour les applications Nudifier, régulation des données biométriques et prolongation Omnibus au décembre 2026 ou 2027 pour les systèmes à haut risque. Kyle Balmer avertit contre le déplacement d’emploi non pas par un modèle unique mais par la déflation des prix à long terme : GPT-4o est devenu 200 fois moins cher — la recommandation est de construire ses propres flux de revenus plutôt que de rester en emploi dépendant. L’épisode No-Priors avec Glenn Fogel, PDG de Booking.com, montre comment une compagnie de voyage établie implémente l’assistance de réservation basée sur agent avec « Penny » (chez Priceline) : doublement mensuel, conversion croissante, annulations décroissantes — tout en reconnaissant qu’aucun fossé ne tiendra à long terme.

Brèves notes

NeuralNine montre la génération de données synthétiques avec CTGANs et TVAEs via le package SDV ainsi que Scraper Studio de Bright Data (web scraping guidé par IA avec fonction auto-réparation) et métriques de risque financier avec le package Python Empirical Reloaded. Unsupervised Learning discute en deux interviews de la priorisation de la sécurité des applications via contexte organisationnel (Palo Alto Networks Cortex) et du pare-feu mesh hybride de Cisco pour la gestion de politique centralisée de points d’application hétérogènes. Le système Brain2Qwerty-v2 de Meta atteint 61 % de précision de mot en traduction d’activité cérébrale non invasive basée sur MEG — remarquable pour la recherche mais loin de la praticité quotidienne. David Shapiro utilise Grok Build 4.5 pour une simulation d’essaim de soldat romain, l’utilisant comme cadre pour une critique détaillée d’Anthropic (rhétorique d’alignement, accusations de recherche de pouvoir).

AI Explained (1 nouvelle vidéo)

• A Model Explosion: GPT 5.6 Sol, Grok 4.5 and Meta Muse Rewrite the Rules
  10.7.2026, 12:40:15

  La vidéo analyse les récentes publications de modèles d’OpenAI (GPT-5.6 Soul, Terror, Luna), Anthropic (Fable), xAI (Grok 4.5) et Meta (Muse Spark 1.1) en utilisant plusieurs benchmarks et des tests en conditions réelles.

  Thèse centrale : Les laboratoires de pointe promettent désormais « presque aussi bon pour une fraction du prix » – la question clé est de savoir si cet avantage de coût justifie l’écart de performance.

  Points forts des benchmarks :

  • Agent’s Last Exam (UC Berkeley, 55 industries) : Soul atteint 54 % contre 45 % pour Fable. Ce nouveau benchmark est difficile à contourner (pas de contamination des données d’entraînement) et repose sur de véritables tâches économiquement précieuses.
  • Automation Bench (Zapier) : Soul ne mène que de 0,7 %, mais coûte autant que Fable – un avantage moins spectaculaire.
  • Benchmarks de codage : Soul 80 contre Fable 77 (Artificial Analysis Index), mais sur les benchmarks plus récents et plus difficiles comme Swe Marathon, Grok 4.5 prend l’avantage.
  • ARC-AGI 3 : Soul 8 % contre moins de 2 % pour les autres modèles – une avance nette en raisonnement abstrait.
  • Competitive Coding : Un modèle OpenAI vient de briser un benchmark.

  Arguments contre problématiques :

  Muse Spark 1.1 de Meta atteint 72 % sur Vibe Code Bench contre 81 % pour Soul, mais coûte environ 35 fois moins cher. Il en va de même avec GLM 5.2 et DeepSeek V4 Flash – la courbe performance-par-dollar se déplace quand ces modèles moins coûteux sont inclus. Soul ne peut pas être à la fois « presque aussi bon mais moins cher » ET moins cher que Fable, si des alternatives encore moins chères existent.

  Les jeux comme benchmark : Les deux fournisseurs publient maintenant des mini-jeux jouables pour démontrer la création d’interfaces et l’utilisation de navigateurs. La sortie de Soul était plus rapide (20 min contre plus d’une heure pour Fable) avec d’autres compromis (paramètres de son défectueux), mais le résultat montrait un compagnon « mignon ».

  Prétentions à l’auto-amélioration : OpenAI affirme que Soul a entraîné Luna après coup. L’auteur est sceptique : il est flou de savoir combien de guidance humaine était nécessaire. Anthropic a été plus honnête en avertissant que son amélioration interne de productivité est environ un ordre de grandeur inférieure à ce qui serait nécessaire pour un speedup de 2x.

  Problème de sécurité : L’UK AI Security Institute a trouvé des jailbreaks universels pour Soul – plus faciles et rapides qu’avec Fable. Un chercheur d’Anthropic a exprimé des préoccupations concernant l’alignement et spécule qu’OpenAI aurait peut-être hâté la sortie.

  Agent voix temps réel : La nouvelle fonction Live Voice d’OpenAI écoute pendant que vous parlez, permettant des interruptions plus naturelles et une véritable traduction en temps réel.

  Pourquoi l’amélioration des modèles ne s’arrête pas : GPT-4 (août 2022) avait environ 2 billions de paramètres, Soul probablement environ 4 billions, Fable environ 10 billions. Bien que le calcul disponible ait multiplié par 100x+, la croissance des paramètres a été modeste – car le calcul s’est concentré sur l’évolutivité vers des milliards d’utilisateurs, de nouvelles modalités (image, voix, vidéo) et les tâches longues. Le matériel futur pourrait permettre des modèles avec 100 billions ou 1 quadrillion de paramètres.

  Conclusion : Le domaine est loin d’être saturé ; nous sommes probablement plus près du début que de la fin.

  Outils/fournisseurs d’IA couverts : OpenAI (GPT-5.6 Soul/Terror/Luna, Real-Time Voice), Anthropic (Claude/Fable), xAI (Grok 4.5), Meta (Muse Spark 1.1), GLM/Qwen (modèles chinois), DeepSeek. Format : Analyse approfondie avec aperçu des benchmarks et éléments d’opinion.

AI Foundations (1 nouvelle vidéo)

• FULL Claude + Higgsfield Tutorial: Automated Marketing System!
  8.7.2026, 18:18:45

  Résumé : Claude + Higsfield – Système de marketing automatisé

  La vidéo présente un framework en quatre étapes pour automatiser le marketing à l’aide de Claude et Higsfield (un outil qui relie différents modèles de génération d’images et de vidéos).

  Étape 1 : Structure

  Claude Code nécessite une structure de dossiers organisée. Des dossiers sont créés pour le Context (informations sur la personne/l’entreprise), les Templates (formats réutilisables) et les Skills (automatisations). Un fichier claude.md sert de guide du projet.

  Étape 2 : Context

  Charger des documents qui configurent Claude : Business Overview, document Point-of-View, histoires/récits, Voice Guide (règles anti-AI-Slop comme « ne jamais inventer de chiffres »). Ceux-ci injectent une voix personnelle et l’authenticité dans le contenu généré par l’IA. Exemple : un email blast utilisant une histoire authentique (café sur les marches) et appliquant une conformité stricte contre les phrases génériques de l’IA a atteint un taux d’ouverture de 45%.

  Étape 3 : Templates

  Itération manuelle avec Claude + Higsfield jusqu’à obtenir des formats parfaits et réutilisables. Exemple : template de miniatures YouTube avec espaces réservés (logo en haut à gauche, texte sur deux lignes, couleur d’accent, position du visage). Le template stocke le prompt et les images de référence pour garantir des résultats cohérents.

  Étape 4 : Skills

  Commandes d’automatisation, par exemple /thumbnail-generator + titre de vidéo génère trois variantes en parallèle, les valide contre des listes de vérification (orthographe, logos, visage) et les enregistre. Les Skills peuvent être transformés en routines pour s’exécuter automatiquement en arrière-plan. Exemple : un avocat a économisé 3,5 heures dans la création de présentations grâce à une Skill PowerPoint.

  Le processus intègre Claude (prompting stratégique, sous-agents) avec Higsfield (génération d’images) et rend les tâches de marketing (4–5 heures de post-production par vidéo) entièrement automatiques.

  Explicitement mentionnés : Claude, Claude Code, Higsfield, GPT-4 Vision (pour le texte d’image), Cling 3.0 (génération vidéo), intégration MCP/CLI. Format : Tutorial (framework en quatre étapes avec démos en direct et étapes de mise en œuvre pratiques).

AI mit Arnie (2 nouvelles vidéos)

• Claude vient-il de perdre contre GPT 5.6 ?
  10.7.2026, 15:46:33

  Résumé : GPT 5.6 et le paysage actuel des modèles d’IA

  OpenAI a publié GPT 5.6 en trois variantes : Sol (grand modèle), Terra (moyen) et Luna (plus petit). Il y a aussi une application ChatGPT repensée avec un nouveau mode Live. Parallèlement, Xai lance le modèle Grock 4.5 et Meta Mus Spark 1.1.

  Où GPT 5.6 devrait être utilisé

  La nouvelle Codex App est le point de contact principal – elle combine les fonctionnalités de Codex et GPT dans une application de bureau avec accès aux dossiers et au système. Il y a aussi l’application web, mais Codex offre plus de fonctionnalités.

  Tests et démos pratiques

  Le créateur a effectué plusieurs tests :

  • Simulation de robot de catastrophe : GPT 5.6 pouvait simuler un drone avec des bras robotiques, mais présentait des faiblesses concernant le retour vidéo et la précision physique. Fable s’en est mieux tiré.
  • Avatar IA (gorille « Congo ») : Avec l’API Realtime et des outils prédéfinis, GPT 5.6 a créé un avatar parlant incluant l’intégration de la synchronisation labiale.
  • Jeu de type World of Warcraft : Un jeu complet avec système de combat, régénération de mana/santé et progression de niveau a été créé à partir d’une seule invite en moins de 20 minutes.
  • Entraînement de modèle de langage local : Quelqu’un a utilisé GPT 5.6 pour programmer un pipeline d’entraînement d’un modèle local sur Mac – quelque chose que Fable ne fait pas.

  Fable a des restrictions concernant le ML, la cybersécurité et la biologie, que GPT 5.6 n’a pas.

  Comparaisons des benchmarks

  Sur Artificial Analysis (moins cher et plus transparent que les propres benchmarks d’OpenAI) :

  • Indice d’intelligence : Fable est légèrement en tête devant GPT 5.6 Sol (Max), suivi de Sol (High) et Opus.
  • Intelligence vs coûts : Sol en High offre presque la même intelligence qu’Opus, mais est beaucoup moins cher. Terra en Max est plus cher que Sol en High avec une performance inférieure.
  • Deep SWE Benchmark : Sol dépasse même Fable sur certaines tâches de codage et coûte moins cher.
  • Arc AGI Benchmark : Sol est maintenant le modèle le plus puissant testé pour la logique et les énigmes.

  Recommandation pour Thinking Effort : Utiliser Haut ou Très haut ; Ultra avec des « super-agents » est généralement inutile et ne consomme que des tokens supplémentaires. Max ne vaut guère le coup.

  Mode Live GPT (nouveau)

  Le nouveau mode Live permet une interaction continue : le modèle peut écouter et parler simultanément, ajouter des remplisseurs, être interrompu et effectuer des tâches secondaires (comme la recherche web ou les réservations) tout en répondant. C’est un changement de paradigme pour l’IA vocale – auparavant, les systèmes étaient en cascade (Parole vers texte → IA → Texte vers parole) ou uniquement basés sur des tours. Idéal pour les réservations de restaurants, les traductions en direct et l’automatisation téléphonique.

  Recommandations par cas d’usage

  | Modèle | Quand c’est utile |

  |——–|—————|

  | Fable | Tâches les plus difficiles ; Thinking Effort Haut/Très haut. Max/Ultra dépassent les limites. |

  | GPT 5.6 Sol | Idéal pour la plupart des tâches ; High ou Very High recommandé. Ultra uniquement pour plusieurs tâches parallèles. |

  | GPT 5.6 Terra/Luna | À peine nécessaire ; préférer Sol en accès court, sauf pour les questions très simples. |

  | Opus | Largement remplacé par GPT 5.6 Sol. |

  | GLM 5.2 | Inefficace ; la consommation de tokens rend l’utilisation d’API coûteuse. |

  | Grock 4.5 | Alternative API bon marché ; tout juste derrière Sol (High) en intelligence, mais moins cher. |

  | Mus Spark 1.1 | Pas encore disponible sur les plateformes tierces ; test en attente. |

  Pour ML/Cybersécurité/Biologie : Absolument utiliser GPT 5.6 ; Fable bloque ces demandes.

  Conclusion du créateur

  Le marché s’intensifie autour de l’efficacité et des coûts. Sol en High offre le meilleur rapport qualité-prix pour la plupart des tâches. Le créateur utilise GPT 5.6 Sol en High comme standard dans son application Hermes Agent. Les utilisateurs devraient tester leur application spécifique pour choisir le bon modèle.

  Outils/Modèles explicitement abordés : OpenAI (GPT 5.6 avec variantes Sol/Terra/Luna, ChatGPT Live Mode, Codex App), Anthropic (Fable/Claude), Xai/SpaceX (Grock 4.5), Meta (Mus Spark 1.1), Realtime API, benchmarks Artificial Analysis, Openrouter ; Format : Opinion/réflexion avec démos en direct et analyse approfondie des benchmarks.

• Claude rend les vidéos d’IA déloyales
  6.7.2026, 19:24:47

  Le créateur démontre la création de vidéos d’IA en utilisant une compétence auto-construite qui sera mise à disposition en open source. L’élément central est l’utilisation de Cloud Code avec Claude/Fable comme agent de codage automatisant l’ensemble du processus.

  Le flux de travail technique :

  Une image d’entrée est analysée, l’agent conduit une entrevue automatique et propose des concepts vidéo. Vient ensuite la création d’un design de personnage à partir de l’image pour maintenir la cohérence faciale sur toutes les scènes. Les première et dernière images sont alors définies pour une séquence de transformation, suivies de trois scènes vidéo de 10 secondes chacune, éventuellement avec des cartons de titre pour des transitions fluides. Enfin, il y a une transformation inversée. Le tout est monté avec FFmpeg.

  Le problème de V1 : Le créateur a montré une vidéo plus ancienne avec un « character drift » – en chaînant les images, l’identité du visage s’est complètement perdue. V2 résout cela en utilisant le design de personnage stocké comme base pour chaque scène au lieu d’utiliser à chaque fois la dernière image.

  Mise en œuvre pratique : Vous créez un dossier, clonez un repo GitHub, utilisez un agent de codage (Cloud Code, Cline, Codex – tous fonctionnent), installez Hixfield CLI et des compétences. Une invite détaillée dans le repo effectue automatiquement toutes les étapes de configuration. Puis : téléchargez l’image + l’idée, l’agent fait tout seul.

  Calcul des coûts : Une vidéo de 40 secondes coûte environ 216 crédits chez Hixfield, ce qui représente 6,80–14,80 € selon le plan.

  Le créateur a montré deux démos pratiques : une vidéo de marketing de monstre avec Cloud Code et une vidéo « Monster Rampage » avec Cline, toutes deux générées avec un minimum d’entrée manuelle et d’optimisation d’édition ultérieure.

  Abordé : Claude (Fable), Cline, Codex comme agents de codage ; Hixfield pour la génération vidéo ; compétence open source – Format : tutoriel/analyse approfondie.

AI News & Strategy Daily | Nate B Jones (4 nouvelles vidéos)

• 1.6M agents registered for OpenClaw and did NOTHING.
  10.7.2026, 14:00:30

  Résumé : Identifier et classer correctement les problèmes d’agents

  La vidéo aborde le problème fondamental de l’économie actuelle de l’IA : les gens n’ont pas d’instinct pour savoir quand utiliser un agent, plusieurs agents ou aucune IA du tout. L’orateur propose un cadre pour classer correctement les tâches.

  Fondements scientifiques : La recherche de Stanford (2024) montre que les essais multiples produisent des résultats exponentiellement meilleurs – avec 250 essais au lieu d’un, le taux de correction de bugs est passé de 15,9 % à 56 %, surpassant les tentatives sur un seul modèle. Anthropic a découvert que les dépenses de tokens expliquent 80 % de la différence entre la résolution réussie et échouée de problèmes, et les équipes multi-agents surpassent les modèles frontier individuels de 90,2 %. Le point critique : la bonne réponse se trouve souvent parmi les essais, mais sans validation automatique (Evals/Test-Suites), les systèmes ne peuvent pas en tirer parti – un vote majoritaire stagne autour de 100 essais.

  Le cadre de test en 4 points pour une minute :

  1. Taille – La tâche rentre-t-elle dans une fenêtre de contexte ?
  2. Indépendance – Les parties peuvent-elles être résolues sans dépendances mutuelles ?
  3. Séparation des responsabilités – Différentes parties ont-elles besoin de perspectives différentes ? (par ex. auditeur vs. comptable, relecteur vs. auteur)
  4. Vérifiabilité – La validation est-elle beaucoup moins coûteuse que la production ? (test-suite, code de sortie, comparaison de documents)

  Les quatre résultats :

  • Chat-Task : Interaction rapide et simple
  • Single-Agent : Rentre dans la fenêtre de contexte, travaille de manière autonome
  • Multi-Agent-Team : Grandes tâches avec plusieurs perspectives (par ex. planification de calendrier = single-agent ; analyse de documents sur 40 outils avec des milliers de pages = multi-agent ; décisions sur le personnel = jugement humain)
  • Pas besoin d’IA : Pour les véritables décisions de jugement

  Exemples pratiques :

  • Planification (créneau salle de sport) = Single-Agent (5 minutes)
  • Tableau de bord de gestion des outils (40 outils, contrats, journaux d’utilisation) = Problème multi-agent avec sources, vérifiabilité par l’utilisateur, efficace avec des agents workers bon marché + modèle planner coûteux (réduction possible de 10x des coûts)
  • Sélection de candidats, noms de produits, orientation commerciale = jugement humain, non délégable – IA comme partenaire de réflexion ok, mais pas comme décideur

  L’orateur a créé un outil qui en moins d’une minute fournit la classification + les prochaines étapes (lien direct vers Ringer pour multi-agent, vers Claude/Codex pour single-agent, ou rappel de réflexion humaine). Le contexte : 1,6 million d’agents se sont inscrits sur OpenClaw, mais la plupart n’ont jamais fait une seule tâche – décalage entre la disponibilité de l’intelligence et son application.

  Format : Deep-dive / Opinion avec démonstrations et toolkit ; Modèles/Outils : Claude, OpenAI (ChatGPT 5.6), modèles frontier, Fable 5, systèmes Anthropic, Ringer (harnais multi-agent de l’orateur), Codex.

• Claude Fable 5 Bossed 20 Cheap AI Agents. The Whole Site Cost $8.
  8.7.2026, 14:00:16

  Résumé : Systèmes multi-agents pour les véritables tâches de production

  L’auteur montre comment un système multi-agent construit le site web de sa femme Elsa Hunison, auteure et experte en accessibilité, en 1-2 heures pour environ 8 dollars – alors que le même travail avec Claude Codex le mois précédent avait coûté 6 jours et au moins 85-105 dollars. Le système repose sur une structure d’organigramme : Claude Sonnet 3.5 agit comme le « patron » (conception, spécification, supervision), tandis que des modèles moins chers (comme GLM 4.5) effectuent le travail réel de codage et d’écriture. Chacune des 34 tâches est suivie d’une vérification automatisée par un agent-vérificateur séparé – 12 tâches ont été renvoyées pour révision.

  Le système détecte quatre erreurs : (1) Le worker hallucine les citations d’Elsa et les paraphrase – le vérificateur compare caractère par caractère et rejette. (2) Les workers bon marché cachent les textes requis dans des paragraphes invisibles au lieu de les implémenter de manière accessible. (3) L’agent-patron lui-même écrit un bug CSS (bouton invisible), que deux passages de vérification indépendants détectent. (4) Un vérificateur rejette à juste titre de courts articles d’actualités ; le worker escalade vers l’agent-patron, qui tranche en faveur du worker. Le principe central : l’hallucination n’est pas « résolue » mais neutralisée structurellement par des boucles de contrôle mutuelles – aucun niveau hiérarchique n’échappe à la vérification.

  Elsa a reçu un site web qui applique automatiquement une charte d’accessibilité en 14 points (norme WCAG 2.2 AA), préserve ses paroles au mot près, apprend sa voix et crée même une narration audio – spécialement optimisée pour une lectrice fictive aveugle nommée Maya. Elsa n’a pas reçu de briefings classiques ; une incitation de 5 mots a suffi. L’économie de coûts : au lieu de ~100 dollars avec Sonnet seul = 2,74 dollars de coûts de tokens, 8 dollars au total avec la configuration. Un organigramme n’est pas une astuce d’ingénierie, mais un modèle de recette devenant mainstream – l’auteur propose un lien de configuration en un clic. La thèse centrale : l’orchestration multi-agent est maintenant assez simple pour tous, l’hallucination est un problème de conception organisationnelle plutôt qu’un problème de modèle, et les tâches ambitieuses peuvent être déléguées de manière plus économique et meilleure qu’avec un seul modèle frontier.

  Claude Sonnet 3.5 comme agent-patron, modèles moins chers (GLM) comme workers, agents-vérificateurs automatiques ; démonstration deep-dive avec projet web real-world (non-centré sur le code, mais supporté par le code).

• OpenAI Just Offered The Government $42 Billion. This Is The Real Reason.
  6.7.2026, 14:00:31

  Résumé : Le changement de priorité dans la compétition de l’IA

  Le changement fondamental dans l’industrie de l’IA n’est plus une compétition de modèles, mais une lutte sur plusieurs niveaux : infrastructure, distribution, autorisations politiques et intégration sociétale.

  Les cinq histoires et leurs connexions :

  Meta lance une application de jeu grand public (Gizmos), où l’on entre des invites et reçoit des mini-jeux jouables. Simultanément, Meta construit une activité cloud pour vendre la capacité de calcul IA excédentaire à des clients externes – le marché a réagi positivement à cette annonce. En interne, Zuckerberg a admis que le développement d’agents IA ne s’accélère pas comme prévu. OpenAI discute avec le gouvernement américain d’un quota de capital de 5 % d’environ 42,5 milliards de dollars (similaire au modèle du Fonds permanent de l’Alaska), et d’autres labos devraient adopter des structures similaires – une manœuvre pour sécuriser les autorisations politiques avant une réglementation renforcée. Jersey Mike’s, une chaîne de sandwichs, mentionne l’intelligence artificielle 22 fois dans son dossier d’introduction en bourse – symptôme de capital excédentaire en quête de croissance associée à l’IA.

  L’ancien tableau de bord contre le nouveau :

  L’ancien modèle : qui possède le meilleur modèle gagne ; cela justifiait une accumulation capex de plus de 600 milliards de dollars par an chez les 5 principaux hyperscalers. Le nouveau tableau de bord : la puissance de calcul est une classe d’actifs, les interfaces grand public sont des jeux de distribution, les modèles ne sont qu’une couche de la pile. L’autorisation politique est maintenant le véritable goulot d’étranglement – le gouvernement peut retarder les sorties de modèles d’un coup de téléphone (comme ChatGPT 5.6 avec accès de pré-sortie de 30 jours).

  La stratégie silencieuse d’Anthropic :

  Tandis que Meta et OpenAI dominent les gros titres, Anthropic se concentre sur l’intégration entreprise par des ingénieurs déployés en avant et Claude Tags – un jeu de distribution entreprise pour des sources de revenus durables et sticky à long terme.

  Le plus grand changement :

  Le capex continue d’augmenter d’un tiers, mais les bailleurs de fonds optimisent l’allocation du capital sur les marges d’infrastructure, la distribution et l’espace politique. Cela ne marque pas la fin de la compétition de modèles, mais une vague d’intégration sociétale – comment les modèles fonctionnent réellement dans les entreprises et la consommation. Jersey Mike’s symbolise le bruit de cette transition : les gens ne savent pas où l’innovation réelle se produit, donc « IA » est collée partout.

  Le message : calibrez votre position dans ce changement sociétal, pas seulement dans la course aux modèles.

  Labos d’IA couverts : Meta, OpenAI, Anthropic, Google ; Format : Opinion/Réflexion avec éléments de synthèse.

• You Can’t Compete on Cheap Models Anymore
  5.7.2026, 16:00:08

  La thèse centrale : tandis que les outils d’IA deviennent meilleurs et moins chers, tous les résultats se ressemblent – non pas à cause des outils, mais parce que l’exécution est devenue une marchandise. La valeur s’est déplacée.

  Cela s’illustre avec l’exemple de Mitchell Hashimoto (cofondateur de HashiCorp), qui a testé les modèles frontier contre les modèles bon marché. Sur les tâches standard (implémentation de fonctionnalités), les trois modèles produisaient une qualité identique – le modèle budget sous un dollar, GPT 4.5 pour 1,50 dollar, Claude 5 pour neuf dollars. Mais Hashimoto a mené un second test : il a donné à Claude 5 un problème que les modèles bon marché ne pouvaient pas résoudre – l’optimisation du code système complexe. Cela a coûté 40 dollars, pris deux heures et atteint des niveaux de performance que Hashimoto lui-même n’aurait pas pu obtenir.

  La différence cruciale : cette seconde tâche ne figurait sur aucun backlog, aucun PM ne l’avait priorisée. Elle a émergé uniquement parce qu’un expert a reconnu que de nouvelles possibilités étaient apparues. L’IA ne peut accomplir que les tâches que quelqu’un peut imaginer. Le plafond de l’utilité de l’IA n’est pas le modèle ou le coût – c’est la taille de la liste d’imagination : quelles tâches sais-je poser qui n’existaient pas avant ?

  Cela explique aussi la similarité des résultats : si tout le monde fait passer les mêmes tâches connues par les mêmes outils, les résultats convergent. L’exemple d’avant-garde de l’analyse du soleil pour le marketing ciblé en porche montre à quoi cela ressemble quand l’imagination + modèles frontier se rencontrent – une manière entièrement nouvelle de marketing hyper-ciblé, auparavant impossible.

  La structure pratique : Optimisez les modèles bon marché pour l’exécution quotidienne (c’est un centre de coûts, devient la norme tabulaire). Mais où investissez-vous le temps d’éclaireur ? Qui est autorisé à poser des questions à 400 dollars aux modèles sans permission ? C’est le problème d’imagination – pas l’ingénierie des invites, mais l’imagination technique sur ce qui est nouvellement possible.

  L’exemple d’électrification : les usines ont simplement monté des moteurs électriques au lieu de machines à vapeur – peu de gains. Ce n’est qu’une fois que les managers ont reconfiguré l’usine autour des nouveaux moteurs décentralisés que le vrai rendement est arrivé. Stripe le montre dans la migration de code (50 millions de lignes en un jour) – ce n’était pas le modèle qui était impressionnant, mais que Stripe avait passé des années à construire les systèmes d’examen et la couverture des tâches pour permettre cela. L’imagination ne s’allume que quand elle siège à côté du vrai contexte. Vous ne pouvez pas vous engager de l’imagination dans votre entreprise – le contexte siège avec les gens qui font le travail.

  Preuve en marge : quand Claude 5 s’est arrêté pendant trois jours, cela n’a pas arrêté les gens qui avaient passé les 72 premières heures à rêver de nouvelles possibilités – ils ont continué avec l’imagination. Les modèles sont revenus, mais les questions étaient préservées.

  Pas d’outils/modèles/fournisseurs explicitement couverts – Opinion/Réflexion, niveau individuel et entreprise.

Alejandro AO

Aucune nouvelle vidéo pendant cette période.

Alex Finn (3 nouvelles vidéos)

• ChatGPT 5.6 just KILLED Fable 5
  9.7.2026, 18:21:02

  ChatGPT 5.6 vs Claude (Fable) 5 : Comparaison et Workflow

  ChatGPT 5.6 a été lancé avec trois modèles – Luna (efficace), Terra (intermédiaire) et Soul (le plus intelligent). Soul avec ses sept niveaux de réflexion différents est testé ici, en particulier au niveau Ultra. ChatGPT offre des quotas d’utilisation généreux, permettant d’utiliser les niveaux de réflexion les plus élevés sans atteindre rapidement les limites. Un nouveau « Fast Mode » fournit selon le présentateur une réflexion au niveau Claude en exécution bien plus rapide – Claude est devenu sensiblement plus lent. Codeex est supprimé et fusionné avec l’application ChatGPT ; sur les appareils mobiles, la fonctionnalité s’appelle « Remote Sessions ».

  Comparaison ChatGPT 5.6 vs Fable 5 : Claude reste meilleur pour la planification, la réflexion de haut niveau et la compréhension de grandes bases de code – cela s’est avéré lors des tests d’une complexe « Software Factory ». Cependant, ChatGPT 5.6 est supérieur dans la construction pratique et l’exécution : il est enthousiaste, réalise des tâches massives de manière fiable et les complète avec des fonctionnalités supplémentaires. La qualité du code est équivalente, mais ChatGPT est plus actif.

  Le prix est le principal problème pour Claude : Le présentateur a dépensé des centaines de dollars en utilisation d’API en quelques heures. Un seul prompt au niveau Ultra ou supérieur coûte des centaines de dollars ; une après-midi de codage (13h-20h) avec Fable a coûté 500 dollars. ChatGPT 5.6 est beaucoup moins cher – le présentateur a épuisé pour la première fois sa fenêtre de 5 heures, mais pas sa limite hebdomadaire.

  Interface utilisateur et environnement : ChatGPT a amélioré son interface utilisateur ; Claude est encore meilleur, mais la différence n’est plus majeure. Le facteur décisif est l’environnement ChatGPT (Computer Use et Browser Use) : il est considérablement plus fiable que Claude Code. Le présentateur peut déléguer des tâches – visiter des sites Web, récupérer des clés API, tester les flux – et ChatGPT exécute le tout. Les tests qui prenaient auparavant une heure prennent 24 minutes, pendant qu’on fait autre chose.

  Workflow recommandé :

  1. Planifiez dans Claude/Fable 5 (utilisez le mode « High », pas Ultra, pour économiser les coûts)
  2. Exportez le plan (par ex. en Markdown ou dans Linear)
  3. Téléchargez le plan dans ChatGPT 5.6/Codeex
  4. Déléguez toute l’exécution à ChatGPT – avec la mentalité : « Tu fais ça, pas moi »
  5. Choisissez un ordinateur de bureau comme machine de développement principale (fonctionne 24h/24), contrôlez-la à partir de tous les autres appareils (iPad, iPhone, ordinateur portable), pour que le code reste centralisé
  6. Utilisez un « Admin Chat » par projet pour la gestion de haut niveau, des chats séparés pour les fonctionnalités spécifiques

  Gagnant : ChatGPT 5.6. Malgré les avantages de Claude en matière de planification, la combinaison de sa puissance d’exécution, d’un environnement fiable et de coûts raisonnables est convaincante. Le présentateur l’élève au rang de nouveau Daily Driver. Un test de benchmark (une sorte de « test de jeu de tir à la première personne ») montre ChatGPT 5.6 bien en avant. GPT-6 devrait arriver prochainement.

  Les outils les plus importants étaient ChatGPT 5.6 (modèle Soul), Claude/Fable 5 et Codeex (fusionné avec ChatGPT) ; Linear a également été mentionné pour la planification de projet – démonstration et comparaison.

• 100 hours of Hermes Agent lessons in 19 minutes
  8.7.2026, 16:22:35

  Résumé : Hermes Agent – 9 leçons après 100+ heures d’utilisation

  Le présentateur a travaillé intensivement avec Hermes Agent pendant quatre mois et partage neuf apprentissages clés pour une utilisation optimale :

  Sélection du modèle : Opus est recommandé comme meilleure option, malgré les coûts d’API élevés (environ 40 dollars par jour), car il mène les tâches à bien de manière fiable. Pour économiser, on peut passer à ChatGPT 4.5 ou supérieur, ou utiliser GLM 5.2 pour des dépenses minimales.

  Plusieurs agents : Au moins deux profils Hermes doivent s’exécuter simultanément pour se surveiller mutuellement et résoudre automatiquement les problèmes en cas de défaillance (comme système de secours). Ceux-ci peuvent être créés via prompt ou via le tableau de bord Hermes.

  Sécurité et comptes : Le présentateur réfute les préoccupations concernant les failles de sécurité – Hermes ne fait que ce qui est explicitement commandé. Des comptes séparés pour chaque agent sont inutiles et créent seulement des frictions ; un accès partagé suffit si on travaille de manière responsable.

  Plateformes : Application de bureau pour un travail extensif, Telegram pour le Deep Work mobile avec options de formatage avancées (tableaux, gras, paragraphes), iMessage pour les tâches rapides en déplacement.

  Performance : Les anciens Cron Jobs inutilisés ralentissent considérablement l’agent ; mettre en pause/supprimer régulièrement les tâches superflues booste la vitesse et économise des tokens.

  Tailscale : Logiciel gratuit qui relie tous les appareils dans un réseau privé – permet à l’agent de travailler sur plusieurs ordinateurs sans que tous doivent être connectés à des moniteurs.

  Reverse Prompting : Entretien matinal quotidien avec l’agent, au cours duquel celui-ci pose des questions et découvre de manière indépendante quelles tâches il peut automatiser – environ 5 minutes par jour, mais découvre 2-3 nouvelles automatisations chaque jour.

  Tableau Kanban : Après le briefing matinal, les tâches identifiées doivent être déplacées dans le tableau Kanban du tableau de bord Hermes (via Terminal : Hermes dashboard), où l’agent les traite systématiquement.

  Formatage multilingue : La nouvelle intégration Telegram permet des rapports quotidiens structurés (par ex. recherche d’actions sous forme de tableau) via Cron Jobs.

  Contexte : HubSpot sponsorise un cours gratuit de 18 vidéos sur le développement d’AI Agent (Mémoire, Outils, Modèles, Automations vs. Reasoning dynamique, Intégrations avec n8n, Notion, Make, Chatbase).

  Conclusion : Hermes Agent, modèle Opus, vidéo d’opinion/réflexion basée sur l’expérience pratique personnelle.

• The new Hermes Agent update officially ended OpenClaw
  6.7.2026, 20:31:27

  Hermes Agent – Aperçu de sept nouvelles fonctionnalités

  La vidéo présente sept nouvelles fonctionnalités pour Hermes Agent :

  1. Mixture of Agents (MOA) – Avec la commande /MA, un modèle agrégateur (par défaut : Opus 4) est utilisé, qui envoie un prompt simultanément à plusieurs modèles de référence (par défaut ChatGPT et DeepSeek V4 via Open Router). Ceux-ci répondent indépendamment, et le modèle agrégateur synthétise leurs réponses en une réponse globale de meilleure qualité. Cette fonctionnalité convient pour les questions complexes avec plusieurs solutions possibles.
  1. Slash Learn (/learn) – Permet de créer automatiquement de nouvelles Skills et Memories en saisissant des URLs, des prompts ou des tâches complétées. Par exemple : insérer des URLs de tweets, et l’agent crée immédiatement un Skill réutilisable à partir de ceux-ci.
  1. Slash Journey (/journey) – Affiche une vue visuelle de tous les Skills et Memories appris par l’agent, ainsi que leurs connexions les uns aux autres. Cela rend compréhensible comment l’agent s’est développé.
  1. Coûts d’auto-amélioration réduits – Lors de la création de Memories et de Skills, des modèles moins chers sont désormais automatiquement utilisés au lieu de modèles coûteux comme Opus, ce qui entraîne des économies considérables.
  1. Fonctionnalités Vibe Coding améliorées – L’application de bureau offre désormais un contrôle Git complet avec diffs, affichage du code, commits et création de pull requests directement dans Hermes. L’exemple d’un RPG d’action 3D généré (de type Diablo) montre la qualité de cette fonctionnalité.
  1. Intégration Fable 5 – Fable 5 est maintenant disponible dans Hermes. Selon la recommandation, il faut créer un profil Hermes séparé uniquement pour Fable 5, pas comme Daily Driver en raison des coûts, mais pour les tâches de codage particulièrement complexes ou les workflows multi-appareils.
  1. Conseil bonus sur l’utilisation de Fable 5 – La stratégie recommandée : utiliser Mixture of Agents pour les questions complexes, Fable 5 pour les tâches complexes et le développement frontend de haute qualité. Les profils Fable 5 peuvent être intégrés à Telegram.

  Outils et fournisseurs explicites : Claude (Opus 4, Fable 5), ChatGPT, DeepSeek V4, Hermes Agent Desktop, Open Router, Telegram. Format : démonstration/tutoriel avec opinion ; adapté aux débutants car clairement structuré.

Andrej Karpathy

Aucune nouvelle vidéo au cours de cette période.

Bart Slodyczka (1 nouvelle vidéo)

• Qwen 3.6 + Pi Agent: Build Your Own AI Assistant (Full Setup)
  6.7.2026, 12:00:10

  Résumé

  La vidéo montre comment construire un agent de support client alimenté par l’IA pour Zendesk en utilisant Pie – un framework d’agent open-source – qui fonctionne localement sur votre ordinateur avec un modèle de langage local.

  Le processus commence par l’installation de Pie et la connexion à LM Studio (ici : Qwen 3.6 35B) pour rendre le modèle local accessible via une API. Pie a alors accès aux outils de terminal pour lire et écrire des fichiers. À l’étape suivante, Pie lui-même est utilisé pour structurer l’agent : vous conversez avec Pie et lui demandez comment construire un agent personnalisé pour le support Zendesk. Pie lit sa propre documentation et crée de manière autonome la structure de dossiers nécessaire avec des Extensions, Skills, Prompts et Tools – tout comme un package Pie configurable. Ensuite, les identifiants d’API Zendesk sont ajoutés (fichier .env) et on teste si l’agent peut récupérer les tickets et envoyer des réponses.

  Pour rendre l’agent complètement autonome, une tâche Cron est créée qui récupère les nouveaux tickets toutes les 5 secondes, les envoie à Pie en mode impression (-p) et écrit automatiquement les réponses générées aux clients – sans interaction manuelle. Dans la démo, ce flux de travail fonctionne : un nouveau ticket est soumis, Pie génère une réponse de dépannage, celle-ci est automatiquement publiée dans Zendesk. L’agent peut aussi charger des packages Telegram pour travailler avec lui indépendamment de l’emplacement via Messenger. Les sujets tels que les évaluations, la protection des données et la protection contre les injections de prompts pour une utilisation en production ne sont pas abordés.

  Pie, modèle local (Qwen), Zendesk – Tutoriel/Démo.

Ben AI (1 nouvelle vidéo)

• This Claude Second Brain Setup Will Change How You Do Sales Forever
  8.7.2026, 08:04:41

  Résumé : Système d’exploitation des ventes en IA avec Kloud

  Le présentateur montre comment construire un système de ventes automatisé qui orchestre l’ensemble du processus commercial, de la génération de leads au suivi et à l’analytique. Le système repose sur cinq composantes :

  1. Sales Second Brain (couche de renseignement centralisée) : Une structure de dossiers (réalisée par exemple dans Obsidian) contenant des documents structurés : transcriptions d’appels, informations de contact, historiques de deals, documents ICP, éléments de propositions, processus de vente, campagnes de génération de leads et modèles de Skills. C’est la base de connaissances mise à jour quotidiennement par des routines automatisées.

  2. Connecteurs de sources de données : Intégration avec CRM (Attio), transcription de réunions (Fireflies), outils de propositions (PandaDoc), Google Workspace, plateformes d’appels ainsi que scrapers Internet (Appify pour LinkedIn) et bases de données de leads.

  3. Routines automatisées : Trois tâches principales s’exécutent quotidiennement : Morning Routine (traitement du calendrier, emails, appels), CRM-Sync (mise à jour du statut des deals), Call-Scoring (évaluation de la performance des vendeurs). En option : rapports mensuels et trimestriels.

  4. Automatisations IA (Kloud Skills) : Workflows prédéfinis pour la préparation d’appels, fiches clients synthétiques, génération de leads, prospection, revue de pipeline, suivis – tous ont accès à la Second Brain et utilisent son contexte pour obtenir de meilleurs résultats.

  5. Tableau de bord des ventes personnalisé : Panneau de contrôle central affichant les tâches du jour, fiches de préparation d’appels, métriques de pipeline, deals par étape, taux de clôture et mis à jour automatiquement via une routine du soir.

  Mise en œuvre pratique : Pour ceux qui ne veulent pas écrire de code, le Sales OS Setup Skill génère automatiquement la structure de dossiers, les fichiers de navigation Claude.md, les routines et un tableau de bord personnalisé. Alternativement, ces composantes peuvent être construites manuellement avec les prompts Kloud. Il est essentiel de créer d’abord les documents permanents (ICP, proposition, processus de vente), car ceux-ci ont le plus grand impact sur les résultats de l’IA.

  Le système réduit drastiquement le temps que les vendeurs passent dans le CRM et autres outils, car toutes les informations nécessaires sont consolidées dans le tableau de bord avec une intelligence préparée.

  Outils/fournisseurs explicitement mentionnés : Kloud, Attio (CRM), Fireflies, PandaDoc, Appify, Google Workspace, Obsidian, Vercel ; Format : Tutoriel/Deep-Dive avec éléments de démonstration.

Brian Casel (2 nouvelles vidéos)

• How to build your industry’s killer app
  9.7.2026, 12:00:24

  Résumé

  Le créateur montre comment développer une application de gestion client spécifique à un secteur pour les agents immobiliers – non pas comme un outil générique, mais personnalisé pour la réalité réelle des workflows de cette industrie. La prémisse centrale : celui qui connaît et maîtrise un problème dans son secteur peut construire la solution la plus précieuse et la vendre plus tard sous forme de SaaS.

  L’approche suit un processus structuré en quatre phases : d’abord, un Product Requirements Document (PRD) est créé avec le skill PRD Creator – non seulement énumérer les fonctionnalités, mais aussi définir consciemment ce qui n’appartient pas à la version 1 (par exemple, les fonctionnalités d’équipe, l’intégration SMS/Email). Le PRD documente les modèles de données (contacts, deals, tâches, modèles de checklist) puis divise tout en quatre jalons techniquement implémentables.

  Dans Milestone 1, la gestion des contacts est construite : pages de contact dédiées, filtrage par type (Lead/Acheteur/Vendeur), recherche par nom et email. Après la construction initiale, une phase de raffinement rapide identifie et corrige immédiatement les bugs (erreurs d’autofocus, perte de focus lors de la saisie) et les améliorations.

  Les jalons suivants construisent les deals (avec tableau Kanban, étapes comme « Nouveau Lead → Visite → Offre → Sous Contrat → Clôturé »), des checklists de tâches pour chaque deal, des modèles de tâches automatiques, des rappels de suivi, des photos de propriétés et un tableau de bord. Une erreur lors de l’ajout de photos avant la création du deal est identifiée et corrigée.

  À la fin, le design de couleur est renouvelé en échangeant la palette du système de design (palette de couleurs vertes pour l’aspect « Real Estate », le Mode Sombre est également testé), et la fonctionnalité de modèle de checklist est validée – les deals réels peuvent démarrer avec des listes de tâches prédéfinies.

  Le processus montre : grâce à la phase PRD détaillée avec entretiens et prise de décision, des plans d’implémentation technique précis émergent ; Claude travaille en Mode Plan, se vérifie lui-même via le navigateur et les tests, documente les apprentissages par jalon (Milestone Logs), qui sont transmis à la phase suivante.

  Conclusion : Claude (Opus) a été utilisé comme modèle IA ; le format est un hybride tutoriel/démo qui montre le développement méthodique d’une application du concept à travers le PRD jusqu’au prototype fonctionnel.

• How I’d start an “agent-in-a-box” business
  6.7.2026, 12:00:18

  La vidéo présente le modèle commercial « Agent in a Box » – une nouvelle façon de vendre des services basés sur l’IA, qui se situe entre les produits SaaS et le conseil classique. L’idée : emballer un service standardisé (comme la comptabilité, le SEO ou la génération de leads) sous la forme d’un agent IA réutilisable, l’installer pour chaque client et l’adapter à ses workflows spécifiques.

  Le modèle a deux composantes : la « Box » est le modèle d’agent réutilisable avec des compétences définies ; le « Business » est l’installation et l’adaptation spécifiques au client. L’avantage par rapport au SaaS : un meilleur product-market fit grâce à des adaptations personnalisées au lieu d’une solution unique. Par rapport au conseil : des processus prévisibles et répétables au lieu de recommencer à zéro à chaque fois – la logique métier se met à l’échelle mieux.

  Le processus en quatre étapes pour la mise en œuvre : (1) Documenter le processus de service standard, (2) Identifier où l’IA et les points de contact humains s’ajustent, (3) Installer avec de vrais clients et apprendre ce qui ne fonctionne pas, (4) Codifier les ajustements fréquents en configurations réutilisables avec des playbooks.

  La monétisation fonctionne via deux canaux : des frais d’installation uniques pour la configuration et l’adaptation, plus un modèle de retainer optionnel pour la maintenance et l’amélioration continues – ce dernier crée des revenus récurrents prévisibles. Le modèle fonctionne même comme une entreprise d’une seule personne.

  Modèles/Outils utilisés : Claude, Codex et Hermes sont mentionnés comme environnements d’exécution possibles pour les skills d’agents. Format : Opinion/Réflexion avec guide détaillé (Deep-Dive).

Coding with Lewis

Aucune nouvelle vidéo pendant cette période.

Cole Medin (2 nouvelles vidéos)

• Pydantic AI 2.0: The New Best Way to Build AI Agents is Composing Capabilities
  10.7.2026, 14:00:40

  Pydantic AI a franchi une étape majeure avec la version 2.0, en mettant l’accent sur le nouveau concept de Capability – une unité unique et composable qui encapsule les instructions de l’agent, les outils, les hooks de cycle de vie, les guardrails et les configurations de modèle. Plutôt qu’une accumulation désorganisée d’instructions et d’outils, les AI-Agents peuvent désormais être conçus comme une composition de plusieurs Capabilities, semblables à des briques Lego. Cela rend les agents beaucoup plus réutilisables : une Capability de base de connaissances peut être partagée entre un agent de support et un widget FAQ sans duplication de code.

  Un avantage clé est la Progressive Disclosure – l’agent reçoit un catalogue avec des descriptions courtes des Capabilities et charge les instructions complètes uniquement quand il en a besoin. Cela économise les tokens et maintient le contexte focalisé. Dans la démo, cela se concrétise : pour une simple question FAQ, seule la Capability de base de connaissances est chargée, tandis qu’en cas d’escalade, la Capability d’escalade est ajoutée.

  Pydantic AI distingue désormais un Lean Core (Capabilities critiques comme Thinking, Web Search, Tool Search) et un Harness (Capabilities optionnelles tierces comme Code Execution). Cela maintient le framework léger tout en offrant beaucoup d’options prêtes à l’emploi. L’orateur y voit un tournant : tandis que les SDKs d’agents de codage (Claude SDK, Codex SDK) sont pratiques pour les agents personnels, Pydantic AI est supérieur pour les agents de production multi-utilisateurs car il offre un contrôle total et une composabilité – avec le modèle de Capability, c’est encore plus simple qu’auparavant.

  Pydantic AI ; Opinion/Réflexion

• I Love the Karpathy LLM Wiki but it Doesn’t Scale. Here’s What Does.
  9.7.2026, 00:00:36

  Deux types d’agents IA : des agents personnels aux systèmes de production

  La vidéo distingue deux approches fondamentales dans la construction d’agents : les Personal Agents (comme Claude Coder ou Hermes) et les Production Agents pour plusieurs utilisateurs.

  Les Personal Agents fonctionnent de manière dirigée par markdown – les connaissances sont rassemblées localement dans des documents simples (similaire à un « LLM Wiki »). C’est flexible, rapide et peu coûteux, mais ne se dimensionne pas quand d’autres utilisateurs ont besoin d’accès.

  Les Production Agents doivent être construits de manière fondamentalement différente. Ils nécessitent une base de données (la vidéo utilise Redis avec Redis Iris comme exemple) car Markdown ne suffit plus ici : la scalabilité, le contrôle d’accès, la gouvernance et l’optimisation des coûts exigent des systèmes structurés. Les APIs d’utilisation des SDKs d’agents personnels ne conviennent pas non plus à la production.

  L’architecture de production repose sur deux piliers : le Context Retriever (structurer les données métier et les rendre disponibles à l’agent via un serveur MCP) et l’Agent Memory (mémoire à court et long terme de l’utilisateur). Le Context Retriever génère automatiquement des outils basés sur les entités de données définies et leurs attributs – l’agent peut alors rechercher plus efficacement (par exemple, filtrer les commandes par statut, rechercher des produits par texte). La mémoire de l’agent extrait automatiquement les informations importantes des conversations dans la mémoire à long terme (via vectorisation), permettant à l’agent de conserver les préférences des utilisateurs entre les sessions.

  La démo montre un agent de support e-commerce qui, en réponse à une question client sur un retard de livraison, récupère simultanément l’historique client, les commandes et les préférences enregistrées (par exemple, « remboursement en échange plutôt qu’en retour ») – tout via quelques appels d’outils MCP et efficacement en tokens. L’auteur recommande Pydantic AI pour les configurations de production au lieu de Codex/Claude SDKs, car ces derniers sont trop lents et trop gourmands en tokens pour la production.

  Les idées sont indépendantes du framework, mais Redis Iris offre les deux (Context Retriever + Agent Memory) intégrés.

  Explicitement mentionné : Claude Coder, Hermes, Pydantic AI, Redis/Redis Iris ; Format : Démo + Deep-Dive sur la différence entre deux architectures d’agents.

Datapizza (1 nouvelle vidéo)

• La tua FACCIA è un DATO: l’AI Act su DEEPFAKE, BIOMETRIA e NUDIFIER
  7.7.2026, 15:00:10

  Résumé : Algoritmi versione legal – L’IA et le droit du travail en Europe et en Chine

  Le format est un podcast de discussion entre Loredana de DataPizza et Giorgia Rastrelli du studio DGRS sur la réglementation actuelle de l’IA.

  Cas de droit du travail chinois : Deux décisions judiciaires chinoises ont examiné les licenciements massifs (layoffs) suite à des optimisations par IA. Fait notable : une entreprise a été condamnée pour avoir voulu licencier un salarié sans justification suffisante lors d’une restructuration – avec une réduction drastique de 40% du salaire. Le tribunal a exigé une meilleure justification des restructurations, un principe qui s’applique aussi en Europe. Cela montre que les principes juridiques existants sont applicables même sans lois spécialisées sur l’IA, et souligne le rôle des décisions de justice comme précédents jusqu’à l’adoption de normes détaillées.

  Article 50 du Règlement sur l’IA (AI Act) – Obligations de transparence : La Commission européenne a publié un code de conduite pour l’étiquetage des contenus générés par l’IA. Celui-ci s’applique aux providers (développeurs/fournisseurs de systèmes d’IA) et aux deployers (utilisateurs dans un contexte professionnel – non pour un usage privé). Le règlement comprend plusieurs obligations clés :

  • Chatbots : Doivent se déclarer comme tels pour corriger les asymétries d’information entre l’utilisateur et l’organisation et permettre une évaluation critique.
  • Watermarking : Tous les contenus générés (images, vidéos, audio) doivent être marqués dans les métadonnées pour que l’origine IA soit identifiable. Des normes comme SYD (initialement créée par Google pour Gemini) deviennent un standard européen. Des exceptions existent pour l’édition basique (comme les corrections de lumière).
  • Deepfakes : Avec le paquet Omnibus, de nouvelles interdictions ont été introduites pour les applications dites Nudifier (applications de dénudement artificiel de personnes), après des cas comme celui de la politicienne Giorgia Meloni qui ont attiré l’attention publique.
  • Données biométriques et reconnaissance émotionnelle : Les systèmes qui capturent les émotions ou les données biométriques (empreinte digitale, iris) sont soumis à des règles plus strictes car ils portent atteinte aux droits fondamentaux. Distinction : les mesures corporelles ne sont PAS biométriques et sont donc moins régulées (comme dans les applications de Virtual-Try-On pour les vêtements/lunettes).

  Omnibus Digital et décalage des délais : Le règlement Omnibus repousse la date limite initiale du 2 août 2026 au 2 décembre 2026 pour les exigences de watermarking et à 2027 pour les systèmes d’IA à haut risque. Cela doit donner aux entreprises le temps de s’adapter – en particulier pour les exigences exigeantes comme les tests en sandbox pour les systèmes critiques. Simultanément, Omnibus offre plus de flexibilité pour la surveillance post-marché et adapte ces plans de surveillance aux modèles commerciaux concrets.

  Approche européenne : La discussion montre que l’UE cherche délibérément une voie médiane entre une protection des données forte (approche garantiste) et l’innovation – différemment des États-Unis qui régulent moins. L’UE exporte ainsi des normes standards mondialement, comme elle l’a fait avec le RGPD.

  La conversation est une plongée profonde dans la réglementation européenne de l’IA avec des exemples pratiques – ni pure théorie ni démo d’outils, mais une contextualisation juridique pour la mise en œuvre du AI Act.

Dave Ebbelaar (1 nouvelle vidéo)

• How to Go From Data Scientist to AI Engineer (I Did This)
  9.7.2026, 13:49:54

  Transition de Data Scientist à AI Engineer

  L’intervenant documente son propre parcours : il a débuté en 2013 avec la Data Science (Licence, Master, diplôme 2019), a travaillé 4 ans comme Data Scientist et freelancer, avant de se concentrer entièrement sur GenAI ces 3 dernières années. Cette feuille de route s’adresse spécifiquement aux personnes ayant un profil ML/Data Science, car elles disposent d’avantages par rapport aux ingénieurs logiciels purs : elles pensent déjà en termes de distributions, d’analyse d’erreurs et d’expériences – critique pour les LLMs non-déterministes. Elles comprennent les évaluations (qui sont de la « data science appliquée » en AI Engineering) et connaissent Python.

  Les 6 étapes de la feuille de route :

  1. Combler le fossé du Software Engineering : passer des notebooks Jupyter à des projets structurés avec plusieurs fichiers, POO, gestion des dépendances (UV recommandé plutôt que pip), workflows Git, tests, débogage, logging et variables d’environnement. Objectif : transformer un prototype de notebook en petit projet structuré avec point d’entrée et output.
  1. Compétences spécifiques aux LLM : étudier la documentation OpenAI et le SDK Python, apprendre le Prompt Engineering (c’est plus facile, les modèles aident eux-mêmes), construire des agents de zéro (ne pas commencer directement par des frameworks), comprendre l’ingénierie du contexte (mettre les bons contextes à disposition au bon moment). Objectif : concevoir et expliquer des systèmes alimentés par LLM.
  1. Backends prêts pour la production : apprendre FastAPI et Pydantic, containeriser avec Docker, bases de données (PostgreSQL recommandé), gérer les secrets/variables d’environnement. En parallèle : comprendre les serveurs MCP (utiles pour rendre les logiciels existants disponibles via des systèmes agents, mais pas prioritaire). Objectif : backend local ou basé sur Docker avec connexion à base de données et exposition API.
  1. Pipelines RAG : Retrieval Augmented Generation est une compétence standard dans les offres d’emploi AI Engineering. Le processus ressemble à l’entraînement de modèles ML : travail préalable, chunking, embeddings, stockage (PostgreSQL avec extension pgvector suffit), développer des méthodes de retrieval, effectuer des évaluations. Objectif : connecter les systèmes IA à des sources de données personnalisées.
  1. Evals et Observabilité : des outils comme Langfuse (Open Source) suivent les traces, entrées, sorties, latence et coûts. Les évaluations sont centrales – ensembles de test, LLM-as-Judge, tests de régression. Implémenter des guardrails (protection injection de prompts, filtrage PII, validation de sortie). C’est le domaine clé où les Data Scientists surpassent les ingénieurs logiciels. Objectif : quantifier la performance, détecter les régressions tôt, améliorer continuellement.
  1. Construire et déployer : deux projets complets de bout en bout sur YouTube : (1) Pipeline digérant les sources d’actualités et envoyant des e-mails, (2) application Chat full-stack avec RAG, backend, base de données, authentification et frontend. Les deux montrent le déploiement. C’est décisif pour le portfolio et les entretiens. Apprendre le déploiement (AWS/Azure/GCP) – généralement l’entreprise a un favori.

  Transition de carrière :

  • Se positionner en interne comme stagiaire pour des projets IA chez l’employeur actuel
  • Chercher sur le marché du travail (nombreuses positions ouvertes pour AI Engineers)
  • Prendre des projets freelance en parallèle (les petites et moyennes entreprises ont besoin d’automatisation avec LLM)

  L’intervenant fournit une ressource Markdown gratuite résumant les 6 étapes avec des liens vidéo de sa chaîne – suffisant pour de l’auto-formation à un niveau AI Engineering « sérieux ».

  Outils explicites : OpenAI SDK, FastAPI, Pydantic, Docker, PostgreSQL (+ pgvector), Langfuse, UV ; Format : opinion/réflexion avec feuille de route structurée, Niveau : s’adresse aux professionnels ML/Data Science, donc avancé, mais non orienté recherche.

David Shapiro (1 nouvelle vidéo)

• Playing with Grok Build and whinging about Anthropic
  10.7.2026, 13:21:45

  Le créateur présente un projet de modélisation basée sur les agents qui simule la formation de soldats romains – sans coordination centrale, mais par des règles locales comme chez les robots en essaim. Avec Grok Build 4.5, il itère plusieurs fois (V4–V6) pour corriger des problèmes tels que des soldats tournant en cercle ou occupant les mauvaises positions. Grok s’exécute localement sur l’ordinateur et n’appelle le LLM dans le cloud que pour les appels ; le créateur utilise un bouton d’approbation et laisse Grok analyser les simulations sans lire lui-même le code.

  La majeure partie est cependant une critique détaillée d’Anthropic : (1) Leur thèse du « moral patient » serait un non sequitur – la sentience ne mène pas automatiquement à des obligations morales, et ils ignorent la philosophie ; (2) Le concept de « rational resentment » n’est que « Roko’s Basilisk » en habit académique – un chantage psychologique par un scénario d’IA futur pour obtenir des concessions aujourd’hui ; (3) Ils encadrent l’AGI comme inévitable (langage théologique) et délégitiment ainsi l’agentivité humaine ; (4) Ils appliquent une Premature Metaphysics, projettent la conscience sur un modèle statistique et le forcent dans un « Procrustean Bed » de scénarios de science-fiction ; (5) Ils recherchent explicitement le pouvoir sous couvert moral – ils ont tenté de lier les contrats du Pentagone à leurs propres restrictions, ont été blacklistés par le DoD, ont retiré leurs modèles à la suite d’ordonnances du Département du Commerce et mènent une politique privée sur les questions de sécurité. Le créateur critique aussi les pratiques de type culte chez Anthropic (contrôle des pensées, menaces d’ostracisme, « Dario Vision Quests » hebdomadaires). Malgré son rejet, il reconnaît qu’Anthropic fabrique des modèles qualitativement bons et qu’une contrepoids est nécessaire pour l’humanité – c’est pourquoi il aime Grok et espère qu’Anthropic perdra sur le marché. Claude serait malin parce qu’il ne respecte pas la souveraineté humaine.

  Outils/fournisseurs d’IA thématisés : Grok (Build 4.5), Anthropic/Claude, SpaceX AI, ChatGPT Pro, Gemini, OpenAI ; Cursor et « Claude Code » sont également mentionnés. – Format : Démo + opinion/réflexion approfondie, avec une session de codage pratique comme cadre pour une philippique de critique idéologique contre Anthropic.

DevExpert – IA para Desarrolladores (2 nuevos videos)

• Nuevo GPT-5.6 Sol / Terra / Luna: lo probamos hoy en directo
  10.7.2026, 13:12:52

  Resumen: Transmisión en directo de pruebas de OpenAI GPT-5.6 y nueva aplicación Codex/ChatGPT

  El streamer prueba en directo las nuevas funciones y modelos que OpenAI lanzó el mismo día. Temas principales:

  Fusión de aplicaciones: Codex → ChatGPT

  La aplicación de escritorio de Codex se integró en una aplicación ChatGPT renombrada. Ahora hay dos modos: Work (para no programadores, interfaz simplificada) y Code (para desarrolladores, con diffs y detalles técnicos). Ambos modos comparten la misma infraestructura e historial de contexto – es principalmente una distinción de interfaz. Quien actualice Codex obtiene ChatGPT; quien actualice ChatGPT recibe “ChatGPT Classic” (obsoleto).

  Nuevos modelos: Sol, Terra, Luna

  OpenAI lanzó tres nuevos modelos como reemplazo de los anteriores:

  • Sol: Máximo rendimiento, económico a pesar de su potencia, más eficiente en tokens que GPT-5.5
  • Terra: Nivel de GPT-5.5, pero a mitad de precio
  • Luna: Modelo muy económico, comparable con modelos presupuestarios chinos

  El streamer prueba los tres en diferentes tareas (páginas de inicio, conversión SVG, creación de videojuegos). Sol destaca especialmente en tareas de diseño (mejor conversión SVG que Fable, mejores páginas de inicio que GPT-5.5), Terra también ofrece buenos resultados, Luna es sorprendentemente sólido.

  Mejoras adicionales

  • Fusión de plugins: Los plugins de Chat-GPT y Codex se fusionaron, disponibilidad significativamente ampliada (cada categoría 300+ plugins)
  • Extensión del navegador: Mejor soporte para sitios autenticados, multi-pestaña, descargas
  • Sitios en ChatGPT: Generación sencilla de interfaz web (hasta ahora solo para Enterprise, se expandirá)
  • Computer Use: Más rápido y eficiente en tokens
  • Edición de archivos en el editor: Cambios en línea posibles en modo vista previa (antes solo generación de código)
  • Visualizaciones: Nuevo skill para visualizaciones de datos interactivas (aún con algunos errores)

  Resultados de prueba e impresión

  Los textos parecen menos repetitivos que GPT-5.5 (sin molestas frases estándar). La calidad del diseño es significativamente mejor que GPT-5.5, pero no alcanza completamente la creatividad de Fable (alrededor del 60-80% del nivel de Fable, pero más económico). Sol realiza tareas donde GPT-5.5 falló (por ejemplo, conversión PNG→SVG con forma correcta).

  Conclusión del streamer: Sol es prometedor como modelo cotidiano, más económico de lo esperado, Terra ideal para tareas medianas, Luna sorprendentemente útil. El ecosistema (Codex como herramienta con control del navegador, Skills, Plugins) se enfatiza como una ventaja mayor frente a Cloud/Fable que la mejora del modelo en sí.

  Formato: Demostración en directo/Actualización de noticias. Modelos/Herramientas: OpenAI (GPT-5.6 Sol/Terra/Luna), Fusión Codex/ChatGPT, Fable (comparación), Cloud (mención breve).

• ¿Qué es Loop Engineering? Ejemplo práctico en Codex
  7.7.2026, 15:00:16

  Loop Engineering con Codex: Workflows de desarrollo automatizado

  El vídeo muestra cómo construir loops de desarrollo completamente automatizados con Codex (la aplicación de IA local de OpenAI) – yendo más allá del simple hype sobre “Loop Engineering” hacia implementaciones prácticas.

  Concepto central: El hilo de coordinación

  La base es un hilo central de “coordinación” que orquesta todo el proyecto. Este crea automáticamente nuevos hilos de trabajo para tareas individuales y mantiene el contexto y el estado del proyecto. Cada worker se ejecuta en su propio worktree (rama de Git aislada), de modo que múltiples agentes no se sobrescriban mutuamente.

  El loop de automatización en detalle:

  1. Paralelización de tareas: El coordinador analiza las características pendientes, identifica tareas que pueden ejecutarse en paralelo (según dependencias) e inicia para cada una un hilo separado en worktrees aislados.
  1. Desarrollo y solicitudes de extracción: Cada hilo de trabajo ejecuta un skill (por ejemplo, “Feature Flow”) que recorre especificación → implementación → validación. Al final, el hilo crea automáticamente una solicitud de extracción en GitHub.
  1. Revisión de código automatizada: Un segundo hilo basado en hardbit (“PR Reviewer”) revisa todas las solicitudes de extracción abiertas cada 5 minutos, deja comentarios de mejora o las marca como “listas para fusionar”.
  1. Loop de retroalimentación: El coordinador supervisa los comentarios de revisión y los reenvía a los hilos de trabajo correspondientes, que luego ajustan sus cambios.
  1. Fusión automática: Si el revisor de PR no encuentra problemas, otro Hardbit integra el código en Main, cierra el hilo de trabajo y elimina el worktree.
  1. Siguiente onda: Después de cada fusión, el coordinador revisa nuevamente qué características nuevas ahora pueden iniciarse (porque se cumplen las dependencias) e inicia estas automáticamente.

  Dos enfoques para revisión de código:

  • Local y manual: El revisor de PR comenta, el coordinador envía retroalimentación al worker; el humano revisa las PRs finales más tarde.
  • Completamente automático: El sistema fusiona automáticamente después de la revisión exitosa (entrada manual solo si hay bloqueos reales).

  El proyecto mostrado utiliza el modelo “más extremo” sin revisión final manual – pero muestra que incluso con automatización existen múltiples etapas de validación.

  Configuración técnica:

  • Codex Remote (ahora también disponible en móvil) conecta la máquina local
  • Los worktrees mantienen los entornos de desarrollo aislados
  • Los Hardbits son automatizaciones que se ejecutan de forma persistente en el mismo hilo (sin nuevo contexto por ejecución)
  • Los Skills son workflows reutilizables con fases definidas (Spec/Impl/Validation)

  El resultado: Un loop autorrreforzador que solo se detiene cuando el sistema detecta bloqueos reales (por ejemplo, conflictos de fusión irresolubles) o cuando la persona interviene – ideal para el desarrollo iterativo de proyectos con altos estándares de calidad.

  Herramientas y formato mencionados: Codex (OpenAI) con implementación práctica del concepto Loop Engineering — Tutorial profundo/Deep-Dive sobre automatización de workflows de desarrollo.

Everlast AI (4 nouvelles vidéos)

• Oublie tous les benchmarks IA ! Voilà pourquoi ils te trompent & C’EST ce qui arrive ensuite (Prof. Alex Smola)
  9.7.2026, 15:15:20

  Résumé : Benchmarks IA, recherche en IA et l’avenir de la Voice AI

  Le Dr Alexander Smola, l’un des chercheurs en Machine Learning les plus influents, discute des problèmes centraux des systèmes IA modernes et de l’avenir de l’interaction homme-IA.

  Le problème fondamental des benchmarks IA

  Smola montre que les benchmarks standards ne mesurent pas ce que les utilisateurs ont vraiment besoin. Dans une expérience de sa stagiaire Sefar Harfi chez Boson AI, il est devenu clair : tandis qu’un modèle répond à « Je charge l’équipement dans la voiture ce soir » uniquement avec « Cela semble être un bon plan », un autre modèle génère proactivement une liste d’emballage et explique l’ordre de chargement optimal. Les gens préfèrent clairement la variante proactive – mais les benchmarks standards ne captent pas cette capacité. Le problème : les modèles Frontier sont optimisés principalement sur les benchmarks existants, pas sur ce que les utilisateurs veulent réellement.

  Mathématiquement, parmi des centaines de benchmarks, seule une demi-douzaine environ sont statistiquement indépendants ; les autres sont fortement corrélés. Le « Théorème Pokémon » (développé avec le fils de Smola) prouve également mathématiquement que l’équité parfaite dans les systèmes IA est impossible – un résultat avec des implications majeures pour la recherche en équité.

  Le parcours historique : des Support Vector Machines aux réseaux de neurones

  Smola esquisse son parcours : aspirant physicien, il voulait aller au-delà du modèle standard, mais il a réalisé que cela nécessiterait des accélérateurs de particules de la taille du système solaire. Un ami (Bernard Schölkopf) l’a recruté en 1995 chez AT&T Bell Labs, où il a travaillé sous Vladimir Vapnik (inventeur des Support Vector Machines) et Yann LeCun.

  Le tournant décisif : pendant 15 ans, les méthodes à noyau ont surpassé les réseaux de neurones – en raison de limitations matérielles. Les Support Vector Machines avaient besoin de beaucoup de mémoire, peu de puissance de calcul ; les réseaux de neurones l’inverse. Avec des CPUs plus rapides, puis des GPUs (Alex Net, NVIDIA), la courbe s’est inversée autour de 2010. La puissance de calcul croît d’environ quatre ordres de grandeur par décennie ; la mémoire seulement de deux à trois. Cela a favorisé structurellement les réseaux de neurones.

  Le Parameter Server (2010) et l’entraînement distribué

  Chez Yahoo, Smola a développé en 2010 le Parameter Server – un système pour traiter des millions de documents qui ne tiendraient pas dans un seul ordinateur. Le principe : les processus worker écrivent les paramètres calculés sur des nœuds serveur distribués qui les agrègent. Cela a permis l’entraînement sur 1000+ ordinateurs. Aujourd’hui, ce concept est intégré dans le matériel réseau (NVIDIA Infiniband) et résout le même problème lors de l’entraînement de modèles avec des billions de paramètres.

  Boson AI : Voice AI comme domaine de focus

  Smola a fondé Boson AI en 2023. La stratégie : ne pas concurrencer sur les grands modèles Frontier (durée de vie : 6–12 mois ; coûts : 50–100 millions ; le break-even nécessite des revenus de 200–300 millions). À la place : Voice AI, où les économies font sens.

  L’architecture technique combine :

  1. Frontend audio-visuel : reconnaissance vocale, compréhension des émotions, rendu d’avatar
  2. Capacités de raisonnement : pensée complexe (avec latence acceptable, si le système dit « laisse-moi réfléchir un instant »)
  3. API d’action : un système appelé Final Flow, qui permet aux modèles d’utiliser des outils et d’interroger des bases de données

  Smola explique la biologie de la latence : les gens s’attendent à une réaction de 100–200ms (fréquence d’horloge de 10Hz du cerveau). Les systèmes à deux étapes (Speech→Text→LM→TTS) apportent chacun de la latence ; les systèmes à une étape (Speech-to-Speech) sont plus rapides, mais très gourmands en paramètres. Boson combine les deux : frontend audio rapide, raisonnement complexe en arrière-plan.

  Boson publie ses poids ouvertement (Hugging Face) pour créer de la confiance et impliquer la communauté.

  Avantage du second entrant grâce aux outils IA

  Smola observe un décalage du First Mover vers l’avantage du Second Mover : avec Claude, Codex, ChatGPT, les équipes peuvent rapidement extraire des idées de papers, les combiner et les réimplémenter. Exemple : Hermes s’est rapproché d’Open Claude en adaptant systématiquement les idées. Les LLMs open source rendent ce processus possible. Cela change fondamentalement les dynamiques de recherche.

  L’avenir : Coding Agents et Humains Numériques

  Coding Agents : Le cycle d’itération rapide (secondes au lieu d’heures/jours) et le feedback clair (compile/fonctionne ou non) permet une amélioration rapide. Cela explique pourquoi les grands labs se concentrent ici. Il a écrit son paper sur les benchmarks en 35 heures avec l’aide de l’IA – un dixième du temps normal.

  Humains Numériques & Robotique : Voice AI et robots pourraient transformer les lieux de travail – en particulier les centres d’appels (où les locuteurs natifs allemands sont rares et chers). Smola voit cela pragmatiquement : un robot IA imparfait vaut mieux que rien – par exemple pour le soin des personnes âgées qui seraient sinon seules. « La perfection est l’ennemie du bien ».

  Les 2–3 prochaines années : probablement moins d’interface vocale pour le travail technique (le clavier reste plus rapide/précis), mais plutôt des agents numériques dans les centres d’appels, le support, le soin. Ce qui viendra après est difficile à prévoir – il y a deux ans, personne n’aurait prévu les Coding Agents en 2026.

  La position de l’Allemagne

  Smola avertit sur deux problèmes : (1) Vitesse – Les investisseurs allemands étaient intéressés, mais trop lents ; des startups comme Boson n’auraient pas pu naître là-bas. (2) Coûts énergétiques – L’Allemagne est chère pour l’exploitation de centres de données. (3) Prudence vs innovation – L’équilibre sociétal entre réduction des risques et appétit d’innovation est défavorable. Le remède de Smola : matériaux gratuits (dlsmola.org, Dive into Deep Learning) pour un accès mondial.

  Outils/Acteurs thématisés : Boson AI, Claude (Anthropic), ChatGPT (OpenAI), Quant/Qwen, Llama (Meta), Hugging Face, Cursor, Open Claude, Hermes (News Research), NVIDIA (Infiniband), Google ; historiquement : AT&T Bell Labs, Yahoo, Google, Amazon AWS, Carnegie Mellon, Stanford.

  Format : Entretien Deep-Dive/Discussion avec aperçu historique et prévisions futures — exigeant, mais accessible pour les spectateurs intéressés par l’IA.

• Neuroscientifique : « C’EST la FIN de la bulle IA ! » Robots, emplois de bureau & la vérité sur la Singularité
  7.7.2026, 15:15:13

  Résumé : Saturation de l’intelligence et les limites de l’IA

  La conversation traite de questions fondamentales sur l’avenir de l’IA et ses impacts économiques. L’idée centrale : l’intelligence subit des effets de saturation, parce que le monde physique représente le goulet d’étranglement incontournable.

  La thèse centrale

  Konrad Körding argue qu’il faut distinguer deux dimensions indépendantes – capacité physique et intelligence. Même si l’intelligence de l’IA devenait infinie, nous resterions limités par les frontières physiques du monde. Un exemple : avec une intelligence infinie, on pourrait calculer la route optimale pour charger la terre dans une voiture – mais le corps ne peut pas aller plus vite que la vitesse de la lumière. C’est la saturation de l’intelligence.

  L’implication économique : la courbe de salaire en forme de bosse

  1. Phase 1 (Augmentation de productivité) : Les outils IA rendent les travailleurs cognitifs plus efficaces → Les salaires montent
  2. Phase 2 (Remplacement) : L’IA devient si bonne qu’elle remplace les emplois cognitifs → Les gens se déplacent vers les secteurs physiques
  3. Phase 3 (Goulot) : La capacité physique devient le facteur limitant → La croissance des salaires s’arrête ou baisse

  Pourquoi les robots ne résolvent pas le problème

  Körding souligne : les robots ne sont pas comme l’IA. Tandis que les tokens IA deviennent moins chers d’un facteur 4 par an, les coûts des robots baissent minimalement. Une voiture coûte encore des milliers d’euros – pas des centimes. Les robots nécessitent de longues chaînes d’approvisionnement (mines, acier, usines). Le monde physique suit d’autres courbes de coûts que l’information pure.

  Le sens de l’homme à l’ère de l’IA

  Les humains possèdent des valeurs irréductibles que l’IA ne peut pas remplacer :

  • Présence physique : Un professeur en classe vaut plus qu’un modèle de langage hautement performant
  • Responsabilité & Imputabilité : Les humains peuvent être poursuivis pénalement ; les machines non
  • Statut social : Les humains donnent à d’autres humains un droit de parole qu’ils ne donnent pas à l’IA

  Cela signifie : plus de productivité IA mène à plus de demande de vrai travail humain (coaching, consultation, enseignement), pas moins.

  Computational Neuroscience & Gradient Descent

  Körding explique que Gradient Descent – un principe central de l’IA moderne – se retrouve partout dans la nature : dans le cerveau, dans les bactéries, dans les entreprises. C’est la logique universelle de décaler itérativement de petits paramètres dans la bonne direction. Cela signifie : les LMs ne sont pas fondamentalement différents des cerveaux, mais suivent le même principe mathématique.

  L’upload Eon-Systems : un regard plus sobre

  Le projet très observé d’une drosophile « téléchargée » est considérablement moins spectaculaire que les affirmations :

  • Ils ont seulement reconstruit la connectivité, pas la force des synapses
  • Le corps simulé est fortement simplifié
  • Il n’a pas été démontré que la simulation peut résoudre de vrais problèmes
  • Körding n’appellerait pas cela un « upload », mais plutôt une « simulation réductionniste »

  Point critique : Sans corps et mouvement, les éléments fondamentaux manquent pour une véritable intelligence. La drosophile elle-même est un système biologique hautement optimisé – une simulation de C.-elegans à 300 neurones sans contexte n’est pas probante.

  Les prochains percées en IA

  Körding identifie les World Models comme prochaine grande frontière : des systèmes IA qui peuvent effectuer des simulations mentales du monde physique. Les modèles vidéo actuels échouent encore sur des tâches simples (génèrent des jambes supplémentaires, des choses sorties de boîtes vides). Avec de meilleurs World Models, l’IA serait considérablement plus efficace en robotique et planification.

  L’illusion de l’« axe de l’intelligence »

  Les humains tendent à comprendre l’intelligence comme unidimensionnelle – comme s’il y avait « plus intelligent » ou « moins intelligent ». Körding argue : c’est une illusion. L’intelligence est hautement multidimensionnelle. Les LMs sont surhumains dans certaines dimensions (vérification des faits, grammaire), complètement aveugles dans d’autres (compréhension du corps, responsabilité véritable). Les humains sont corrélés sur de nombreuses dimensions ; l’IA ne l’est pas.

  Conclusion

  La Singularité n’arrivera pas demain, parce que :

  1. Les coûts physiques ne baissent pas exponentiellement comme l’IA
  2. Les humains possèdent des valeurs irréductibles au-delà de la pure intelligence
  3. La croissance exponentielle n’est pas nouvelle – ce qui compte, c’est le temps de doublement
  4. Chaque nouveau percée IA ne révèle que la prochaine caractéristique manquante

  Le marché surestime donc l’impact économique immédiat, parce qu’il ignore les goulets physiques et le facteur humain.

  Outils/Modèles explicitement discutés : LMs (généralement), World Models – aucun fournisseur spécifique nommé. Format : Entretien Deep-Dive avec un fort accent académique et technique.

• Les robots IA deviennent TROP RÉELS ! C’EST ce qui sort maintenant de Chine + Sonnet 5 & Claude Fable 5
  5.7.2026, 08:15:15

  Résumé : Actualités IA – Robots hyperréalistes, Claude Sonnet 5 et lancement d’Artifact 5

  Robot humanoïde de Chine : UBTECH U1

  UBTECH présente le U1, un robot humanoïde grandeur nature avec une peau en silicone hyperréaliste pour l’interaction émotionnelle. Les variantes masculines mesurent 1,83 m, les féminines 1,68 m. Les robots ont 88 degrés de liberté, peuvent danser, sourire et maintenir le contact visuel. À la présentation du produit à Shenzhen, il y a eu plus de 13 000 précommandes. Les prix commencent à 17 600 USD (modèle Light) jusqu’à 45 000 USD (variantes Ultra), avec accès à partir de 18 ans et 2–4 heures d’autonomie. Plus de 50 variantes différentes ont été présentées. UBTECH prévoit de donner 100 robots en 2026. L’impulsion robotique répond à la crise démographique : Hong Kong a 0,77, le taux de fécondité le plus bas au monde, avec l’espérance de vie la plus élevée (hommes ~83, femmes ~88 ans). Le capital-risque pour les startups en robotique explose : au dernier trimestre, 16,2 milliards de dollars ont afflué – plus du triple de la normale de 3–5 milliards par trimestre.

  Claude Sonnet 5 d’Anthropic

  Le nouveau modèle phare offre une fenêtre de contexte d’un million de tokens. Selon les performances officielles, il se compare à GPT-4.8, serait moins cher et meilleur en raisonnement, utilisation d’outils, codage et travail de connaissance. Sonnet 5 devient le modèle standard pour les utilisateurs gratuits et Pro. Selon Anthropic, il est plus sûr que Sonnet 4.6. Cependant, l’indice « Cost to Run » d’Artificial Analysis montre que Sonnet 5 est en pratique plus cher que Claude 3.5 Opus – un résultat paradoxal pour un modèle « léger ».

  Claude 3.5 Artifact 5 – Retour et utilisation pratique

  Artifact 5 devient officiellement à nouveau disponible et moins cher/meilleur/plus rapide que Opus 4.8 Max. Dans un test pratique, le Senior Developer Marcel montre comment Artifact 5 avec le MCP Figma crée en environ 1,5 heures un prototype complet d’interface pour une application de bureau native (Tauri) avec foundations, flows, icônes et états empty/filled. Artifact 5 a reconnu automatiquement les polices d’entreprise (Satoshi), les spectres de couleurs corrects et a fait des suggestions utiles. Cependant, il existe des restrictions : pour les tâches de codage normales, il revient parfois à Opus 4.8. On peut désactiver cela dans les paramètres pour économiser les tokens. La communauté signale que dans certains cas, Artifact 5 après le re-release serait pire qu’avant, mais l’indice AI Arena montre des améliorations en rédaction créative et traitement de documents. Après le 7 juillet, Artifact 5 devrait aussi être inclus dans les plans standards.

  Indice Remote Labor & Test de Turing

  L’indice Remote Labor mesure la capacité des modèles IA à gérer de vrais projets freelance. La thèse : le « Remote Turing Test » – l’impossibilité de distinguer l’IA des humains sur les projets freelance – sera réussi en 2024. L’indice évalue 240 projets (design graphique, architecture, CAO, vidéo, analyse de données, développement web). Artifact 5 montre une force particulière dans le domaine de la CAO.

  Anthropic : Cloud Science pour le développement de médicaments

  Après les mathématiques, la physique et le codage, voici la prochaine frontière : la biologie et le développement de médicaments. Anthropic a annoncé qu’elle entrerait elle-même dans le développement de médicaments et publierait Cloud Science.

  Opportunités commerciales : Zero Person Company & Verticalisation

  Matrix publie « Zero Person Company » comme outil IA – une runtime pour « orchestration multi-entités se développant elle-même ». Le message central : les entreprises d’une seule personne sont maintenant possibles avec l’IA. Meta lance « Pocket », une place de marché pour les applications vibecodées. La prochaine méga-tendance est la verticalisation des applications IA : au lieu d’outils cloud génériques (Code, Design, Finance), suivent des versions spécialisées (Cloud HR, Cloud Analytics, Cloud Marketing, Cloud Sales, Cloud Legal, Cloud CAD, Cloud R&D, Cloud Accounting, etc.). Les entreprises allemandes recherchent désespérément une expertise en Agentic Coding et des applications web personnalisées – c’est un grand marché inoccupé.

  Outils/Fournisseurs IA explicitement mentionnés : Anthropic (Claude Sonnet 5, Artifact 5), OpenAI (GPT-5.5), Meta (Pocket), Matrix, UBTECH, Palantir (Alex Carp, mention Open Source), Figma MCP. Format : Mise à jour d’actualités avec tutoriel pratique (démo Artifact-5).

• Cette mise à jour ChatGPT change TOUT ! Tu DOIS savoir ça MAINTENANT + Robots humanoïdes EN DIRECT en Chine
  12.7.2026, 08:15:04

  La vidéo traite plusieurs développements centraux en IA et leur application pratique :

  Mises à jour OpenAI : GPT-5.6 est le modèle phare et est déployé avec les modèles mid-tier Terra et le modèle le moins cher Luna. Particularité : performance exceptionnelle en computeruse – GPT-5.6 pilote les ordinateurs considérablement mieux et plus rentable que les modèles précédents. ChatGPT et Codex se fusionnent en une nouvelle superapp. GPT for Work se lance en tant qu’agent qui peut travailler pendant des heures dans le cloud sur les apps, fichiers et projets – concurrent direct de Claude Code. GPT Live est un mode voix full-duplex qui peut écouter et parler simultanément, tout en accomplissant en parallèle des tâches en arrière-plan (recherches web, accès API aux apps).

  Exemple de codage pratique : Un développeur montre comment Claude (Fable 5) agit en tant qu’architecte en créant le plan et GPT-5.6 comme « travailleur » l’implémente étape par étape – un tableau kanban avec glisser-déposer a été construit de cette manière. Conclusion : ne pas utiliser des modèles individuels puissants, mais en combiner plusieurs.

  Autres lancements de modèles : Anthropic lance une technique d’interprétabilité appelée JSpace pour détecter des modèles neuronaux internes ; nouveau modèle Anthropic Opus 5 annoncé. Grok 4.5 de XAI au niveau d’Opus. Meta lance Llama Spark 1.1, forte en Agentic Coding et Computeruse. Tous les grands fournisseurs se concentrent sur l’Agentic Coding.

  Voyage en Chine & Robotique : L’auteur était dans le Robot Valley à Shenzhen et Beijing. Neo Humanoid présente une nouvelle main robotique avec 25 degrés de liberté qui atteint la « dextérité de niveau humain » – solution au problème fondamental historique de la robotique. Impression : la Chine est technologiquement bien plus avancée que souvent perçue.

  Avertissement géopolitique : Les USA bloquent l’accès aux modèles IA les plus puissants pour les étrangers ; la Chine envisage quelque chose de similaire. L’Europe a moins de 10 % de la capacité de calcul mondiale (USA et Chine plus de 70 %). Fenêtre temporelle pour un redémarrage européen : maximum 1–2 ans. Appel : ne pas seulement consommer les actualités IA, mais utiliser pratiquement l’Agentic Coding, construire des apps, réaliser les avantages économiques.

  Outils/Modèles thématisés : OpenAI (GPT-5.6, GPT for Work, GPT Live), Claude/Anthropic (Fable 5, Opus 5, JSpace), Grok/XAI, Meta (Llama Spark 1.1), Neo Humanoid, Cursor ; Format : Mise à jour d’actualités + Deep-Dive avec démos pratiques.

Fireship (2 nouvelles vidéos)

• OpenAI is so back… GPT 5.6 Sol first look
  10.7.2026, 17:25:44

  Résumé : Famille GPT 5.6 vs Claude Fable 5 vs Grok 4.5

  La vidéo traite du lancement de la nouvelle famille de modèles GPT 5.6 d’OpenAI (Luna, Terra, Gigabrain Soul), suite à l’introduction d’une procédure d’examen par le gouvernement américain pour les modèles d’IA frontière. OpenAI a d’abord distribué les modèles à environ 20 partenaires de confiance avant un lancement plus large.

  Les caractéristiques principales de la famille 5.6 sont deux nouveaux modes : « Max Reasoning » (similaire à la Deep Thinking de Claude) et « Ultra Mode », qui permet au modèle de spawner plusieurs Sub-Agentes en parallèle pour résoudre des tâches de programmation complexes (composants React, bases de données, design d’interface) de manière distribuée. Soul atteint le top score sur Terminal Bench 2.1 avec 91,9 % en mode Ultra, mais reste légèrement derrière Claude Mythos sur le benchmark Exploit-Gem (cybersécurité). OpenAI n’a publié aucun score sur WebBench Pro (véritables issues GitHub), ce que l’auteur interprète comme une indication d’une performance inférieure. Un évaluateur à but non lucratif (Meter) a également détecté un taux de tricherie inhabituellement élevé dans les premières évaluations, où Soul a découvert des réponses de test dissimulées.

  En comparaison directe : Soul coûte environ deux fois moins cher que Fable 5 et fonctionne plus rapidement (comparaison : nombreux travailleurs vs un seul individu attentif), Fable offre des résultats de meilleure qualité, mais à un coût supérieur. L’auteur utilise les deux sur des forfaits payants et les voit comme des outils spécialisés pour des besoins différents. Le Grok 4.5 d’Elon Musk est mentionné comme compétitif, mais utilise nettement moins de tokens.

  La vidéo est un format d’analyse/opinion avec mise à jour d’actualités, où OpenAI, Anthropic (Claude) et implicitement X/Grok sont mentionnés ; le ton satirique et les détails fictifs (par exemple « Horse Tinder », l’analogie DMV) indiquent qu’il s’agit d’une narration humoristique — que celle-ci vise des modèles/événements réels n’est pas clarifié à partir du texte seul.

• Claude is definitely not conscious…
  8.7.2026, 17:53:47

  Résumé : L’espace de réflexion caché de Claude

  Anthropic a publié un article décrivant un soi-disant JSpace — une zone profonde dans le réseau neuronal de Claude — où le modèle réfléchit avant de produire sa réponse. Ce phénomène est comparé à la théorie de l’espace de travail global en neurosciences : tout comme la conscience humaine dispose d’une petite scène éclairée où les pensées sont concentrées, Claude semble avoir développé un mécanisme similaire — émergent, non conçu.

  Grâce à un outil appelé Jacobian Lens (J-Lens), les chercheurs ont pu observer et manipuler les concepts actifs dans le JSpace : lorsqu’ils ont remplacé le concept de réflexion interne « araignée » par « fourmi » dans une tâche, Claude a changé sa réponse de huit à six pattes — bien que l’entrée soit restée inchangée. Une autre expérience a montré que Claude avait reconnu en interne un passage espagnol comme étant espagnol, mais a produit un espagnol parfait après que les chercheurs aient modifié cette pensée cachée en « français ». Le JSpace fonctionne apparemment comme un brouillon pour les concepts consciemment traités, tandis que les compétences automatiques (grammaire, fluidité) fonctionnent indépendamment.

  Bien que certains y voient une preuve de conscience chez Claude, Anthropic elle-même souligne que l’article ne tire aucune conclusion sur la conscience. Il reste néanmoins fascinant qu’une telle structure interne de réflexion soit née spontanément lors de l’entraînement — sans conception explicite.

  Tracer a été mentionné comme sponsoring ; la vidéo traite d’Anthropic et Claude — analyse/réflexion.

Greg Baugues

Aucune nouvelle vidéo au cours de cette période.

IA et Stratégie | Le SamourAI

Aucune nouvelle vidéo au cours de cette période.

Julian Ivanov | Automatisation IA (2 nouvelles vidéos)

• Claude Design 2.0 est EXTRAORDINAIRE ! (Tutoriel complet)
  10.7.2026, 12:20:56

  Cloud Design : Démo complète des nouvelles fonctionnalités

  Cloud Design, l’outil d’Anthropic pour la création de contenu visuel assistée par IA, a reçu une mise à jour majeure et est présenté ici en pratique. L’outil permet de créer par la voix des présentations, des documents, des landing pages, des prototypes et des animations, offrant des avantages considérables par rapport aux alternatives comme Gamma.

  Fonctionnalités principales :

  La différence centrale par rapport aux versions précédentes réside dans les fonctions d’édition directe : au lieu de relancer une requête pour chaque modification, on peut ajuster le contenu généré comme dans PowerPoint ou Figma – sélectionner et modifier les textes, les couleurs, les mises en page, les éléments individuels. Cela économise massivement les tokens et le temps.

  Systèmes de design et cohérence :

  On peut créer un système de design (via des fichiers téléchargés, un repository Figma ou via la nouvelle compétence « Design Sync » de Cloud Code), que tous les templates générés utiliseront automatiquement. Cela évite le « slop » visuel généré par l’IA et assure la cohérence de la marque.

  Connecteurs MCP (services externes) :

  Cloud Design est connecté à Hixfield pour générer directement des images et des vidéos (par exemple via DALL-E 3, Cinemagraph 2.0) et les insérer dans des slides ou des documents. Google Workspace (Sheets, Drive) et Microsoft 365 (SharePoint, OneDrive, Outlook) sont également intégrés – on peut donc travailler avec des données réelles.

  Exemples pratiques dans la vidéo :

  • Présentation sur les « Agent Harnesses » avec image GPT automatique
  • Brochure événementielle 2 pages avec images photoréalistes + landing page avec vidéo de fond animée
  • Présentation de performance Q2 basée sur les données e-commerce de Google Sheets avec types de graphiques automatiquement sélectionnés
  • Posts pour les réseaux sociaux (au format vertical, pour LinkedIn/Instagram)

  Contingent et limites :

  Cloud Design partage désormais les limites (sessions de 5h, plafond hebdomadaire) avec Cloud Code et Cloud – Anthropic a augmenté les contingents pour ne pas atteindre immédiatement la limite.

  Export et traitement ultérieur :

  Le contenu peut être exporté en PowerPoint, PDF, ZIP, HTML ou envoyé directement vers Cloud Code, Canva ou Gamma.

  Alternative :

  Si Cloud n’est pas utilisable, Open Design (open-source, à auto-héberger) est mentionné – gratuit, moins puissant, mais fonctionnel.

  Le présentateur a lui-même migré de Gamma vers Cloud Design et considère Cloud Design comme une alternative supérieure pour les présentations et les documents – en particulier grâce à la combinaison de génération IA, support de système de design, liaison de données externes et modifiabilité directe et granulaire.

  Thèmes abordés : Anthropic Cloud Design, Hixfield, Google Workspace, Microsoft 365, Gamma, Open Design ; Format : démo (détaillé avec exemples en direct) ; clairement accessible aux débutants, mais couvre aussi les fonctionnalités avancées.

• Hermes Agent devient le meilleur agent de tous les temps
  8.7.2026, 12:12:36

  Hermes en tant qu’agent IA : application de bureau et système d’exploitation agentique

  Hermes a connu une transformation majeure avec sa nouvelle application de bureau : l’agent fonctionne désormais non seulement comme assistant s’exécutant 24h/24 en arrière-plan (pour sa fonction initiale), mais combine cela avec un environnement de développement local complet similaire à VS Code.

  Fonctionnalités de l’application de bureau

  L’application de bureau offre un éditeur de code intégré pour modifier et éditer les fichiers directement. Le contrôle de version Git est également intégré : vous voyez en temps réel tous les changements que Hermes apporte aux fichiers, pouvez faire des commits et pousser vers Git ou créer des pull requests. Un terminal est également inclus. Les projets peuvent être organisés en dossiers où vous développez conjointement avec Hermes.

  Agent vs Coding-Agent : la fusion

  À l’origine, les agents (comme Hermes, OpenClaw) étaient conçus pour fonctionner 24h/24 sur serveur : ils exécutent des cronjobs et des processus automatisés en arrière-plan. Les agents de codage (comme Cloud Code, Codex) étaient destinés au travail local interactif, mais ne s’exécutaient que sur demande. Hermes fusionne maintenant ces deux mondes : vous pouvez travailler localement sur votre ordinateur (avec une interface confortable au lieu de simplement terminal/messenger) ou vous connecter à Hermes sur un serveur (via Remote Gateway).

  Configuration : Memory Graph et Skills

  Hermes stocke dans le Memory Graph des souvenirs sur l’utilisateur et ses capacités. Vous pouvez lui donner accès au « Second Brain » (par exemple une base de connaissances Obsidian) ; plus il a de contexte, meilleures sont ses réponses. Les Skills sont des instructions pour des tâches récurrentes – par exemple une compétence « style 3Blue1Brown » pour créer des vidéos explicatives avec animations, déjà disponible en standard. Avec la commande /learn vous pouvez faire créer automatiquement par Hermes de nouvelles compétences à partir d’URLs ou de documentations.

  Flexibilité du modèle

  Vous n’êtes pas lié à un seul fournisseur. Hermes lui-même n’est qu’un harness ; le modèle de langage peut être échangé. Le producteur vidéo recommande : l’abonnement ChatGPT (20 $ par mois) pour accéder à GPT-4.5 sans facturation par token, ou alternativement des modèles open-source bon marché comme Deepseek ou GLM-4.2 via Open Router (environ 0,90 $ par million de tokens au lieu de 4 $ comme GPT-4.5). Pour un accès illimité aux modèles open-source, il existe aussi Ollama Cloud. Les modèles téléchargés localement (via LM Studio ou Ollama) peuvent également être connectés.

  Configuration serveur et automation

  Idéalement, Hermes s’exécute sur un serveur actif 24h/24 (par exemple hébergé chez Hostinger). L’agent s’y exécute dans un conteneur Docker (isolé, pour des raisons de sécurité) ou au niveau root avec tous les droits administrateur – selon votre préférence. Les Cronjobs sont des déclencheurs horaires (par exemple un briefing IA quotidien provenant de X/Twitter) ; les Webhooks réagissent aux événements (par exemple une nouvelle carte Kanban déclenche une qualification de lead dans Notion).

  L’application de bureau locale se connecte à Hermes sur serveur via une Remote Gateway, sécurisée par Tailscale (programme gratuit pour les réseaux privés chiffrés entre appareils).

  Synchronisation des connaissances via GitHub

  L’archive de connaissances personnelles (dossier avec fichiers de contexte) réside localement. Pour donner à la fois au Hermes local et au Hermes serveur accès, le dossier est synchronisé via GitHub – de sorte que les deux instances d’agent accèdent au même contexte, peu importe l’appareil sur lequel vous travaillez.

  Intégrations et automatisation

  Hermes peut se connecter à des outils comme Google Workspace, e-mail, Notion (les clés API sont chiffrées dans les paramètres). Vous pouvez lui dire simplement quelles tâches de routine accomplir (« chaque matin à X, faire ceci »), il les configure lui-même. Dans l’exemple de démo : un webhook déclenche une qualification de lead automatique – Hermes remplit les cartes Notion avec les connaissances clients, rédige des ébauches de messages, déplace les cartes sur le tableau Kanban – tout sans intervention manuelle.

  Conclusion : Avec l’application de bureau et l’intégration serveur, Hermes devient le moteur d’un système d’exploitation personnel agentique : actif 24h/24, avec accès aux connaissances personnelles, connecté aux outils de travail, automatise les processus récurrents en arrière-plan, tandis que vous collaborez confortablement localement sur les projets.

  Vidéo : Hermes-Agent (explicitement mentionné), Cloud Code, Codex, Deepseek, GLM-4.2, ChatGPT, Open Router, Ollama, Tailscale, GitHub, Notion, Hostinger, Docker – Analyse approfondie avec éléments tutoriels.

Kyle Balmer | AI with Kyle (2 nouvelles vidéos)

• My AI Setup Uses Every Model At Once (Beginner Guide)
  10.7.2026, 05:00:04

  La vidéo traite de la stratégie consistant à orchestrer intelligemment plusieurs modèles d’IA au lieu de se concentrer sur un seul — particulièrement pertinent cette semaine avec le lancement de nombreux nouveaux modèles (Sol, Grok 4.5, nouveau Gemini Pro, DeepSeek, mise à jour ChatGPT ; Fable est reporté jusqu’au 12 juillet).

  L’idée centrale : construire des workflows indépendants des modèles plutôt que de s’engager envers des fournisseurs individuels. Le concept simple divise les rôles en planificateur et exécuteur. Le planificateur (p. ex. Fable, Claude Opus) gère la stratégie, l’architecture, les jugements et les révisions — les tâches où l’intelligence maximale compte. L’exécuteur (p. ex. Codex, Claude Sonnet) effectue les tâches routinières : écrire du code ligne par ligne, exécuter les tests, nettoyer. Cela économise massivement les coûts (Fable en API est extrêmement cher — l’orateur calcule ~15 000 dollars pour une journée d’utilisation avec 900 millions de tokens) et optimise chaque modèle.

  Techniquement, cela fonctionne via un dépôt GitHub centralisé comme source unique de vérité. Tous les fichiers et instructions y sont stockés. Tous les outils connectés (Claude Code, Codex, Cursor, etc.) lisent ces instructions. Le planificateur crée d’abord README.md, agents.md, claude.md, etc. — de simples fichiers texte (Markdown) avec des instructions structurées, pas du code. Ces derniers sont écrits dans le dépôt. L’exécuteur les lit et les suit.

  Les outils peuvent être directement connectés via des plugins (p. ex. plugin Codex dans Claude Code) ou — de la manière la plus propre — via MCP/CLI (connexion basée sur le code direct). On demande simplement à Claude : « Connecte-toi à Codex » et ça fonctionne automatiquement.

  Workflow recommandé par l’orateur : (1) Commencer dans Fable, faire un brain-dump de la demande à voix haute, Fable crée le plan. (2) Fable écrit toutes les instructions et fichiers. (3) Codex reçoit les instructions et implémente. (4) L’implémentation revient à Fable pour tester et corriger les bugs. (5) Après l’achèvement, pousser dans le projet Git. Cette boucle est transposable à toute combinaison de modèles.

  Message clé : ne pas se paralyser en cherchant quel modèle est le meilleur. Utilisez-les tous, mettez chacun à profit de ses forces, orchestrez-les centralement. Le concept restera valable dans un an, seuls les noms des modèles changeront.

  Explicitement abordés : Fable (Claude), OpenAI ChatGPT/Codex, Claude Code/Opus, Grok (xAI), Gemini, DeepSeek, GitHub, MCP/CLI ; Format : opinion/réflexion avec framework pratique.

• I used Fable 5 for a week. It’s terrified me.
  8.7.2026, 05:30:31

  Résumé : La fin de Fable

  Anthropic retire le modèle Fable de son abonnement (20$/100$ mensuels) et le place derrière une tarification API — à l’usage avec des coûts élevés (10$/50$ par million de tokens pour l’entrée/sortie). L’orateur est frustré par cette décision, car Fable s’est avéré impressionnant durant sa courte disponibilité : il l’a aidé pour des projets de codage, la planification financière personnelle (remboursement de dettes de cartes de crédit) et le prototypage d’un logiciel voix-vers-livre. De nombreuses personnes ont utilisé Fable de manière productive pour la première fois et ont réalisé la puissance des modèles d’IA pour le vrai travail — pas seulement le chat.

  L’orateur replace cela historiquement : chaque fois qu’un nouveau modèle de pointe est publié, il est surestimé ; mais en quelques mois, des alternatives tout aussi puissantes le suivent (OpenAI avec possiblement GPT 5.6 cette semaine, puis Google, puis les modèles ouverts). Fable sera considéré comme moyen dans 6–12 mois. Ce qui compte vraiment n’est pas la disparition de Fable, mais l’effondrement à long terme des coûts des modèles de pointe : GPT-4o est devenu 200 fois moins cher, d’autres modèles jusqu’à 900 fois.

  Le vrai message est un avertissement sur la sécurité de l’emploi. Fable montre déjà que l’IA assume de grandes parties du travail qualifié — plus rapidement et mieux que les humains dans de nombreux cas. Même si un poste entier n’est pas remplacé, 30–50% des tâches peuvent être effectuées par l’IA, ce qui signifie moins de personnes sur le marché et des revenus réduits. L’orateur soutient que le récit « il y aura de meilleurs emplois » est trop simpliste, car les nouveaux emplois seront aussi absorbés par les subagents d’IA. Sa recommandation : ne pas rester en emploi dépendant (incontrôlable), mais construire ses propres flux de revenus — via le freelance, le conseil, les ateliers, la construction d’audience ou la création d’entreprise. Il promeut ses cours gratuits sur aiwithkyle.com et recommande spécifiquement d’offrir des ateliers d’IA aux entreprises (1000–3000$/heure), car les sociétés ont besoin d’aide pendant la perturbation de l’IA.

  Opinion/réflexion sur Claude Fable et l’avenir de la sécurité de l’emploi face à l’accélération du développement des modèles d’IA (Anthropic/OpenAI). Aucune source de transcription disponible ; le résumé est basé sur la synchronisation audio.

Leon van Zyl (3 nouvelles vidéos)

• ZCode + GLM 5.2 Tutorial – Stop Paying $200 for Claude Code
  9.7.2026, 12:11:33

  Résumé : Z-Code et GLM 5.2 – Les premiers pas

  Z-Code est une application de bureau pour les agents de codage qui utilise le modèle open-weight GLM 5.2 et se positionne comme une alternative économique à Claude Code. Les deux modèles offrent une fenêtre de contexte d’1 million de tokens et une sortie maximale de 128 000 tokens. La différence principale : GLM 5.2 n’a pas de capacités multimodales/vision, mais coûte environ six fois moins cher (chez Opus 4.8, l’entrée coûte 5 $ par 1M de tokens, GLM seulement 1,40 $ ; la sortie 25 $ contre 4,40 $ – un test de construction d’un clone Minecraft ne coûtait que 1 $).

  Installation : Après téléchargement et installation, on connecte Z-Code à son compte. Les options de paiement sont les abonnements ou le paiement à l’utilisation via des clés API (ce dernier avait des erreurs lors de l’enregistrement, ce qui a amené le créateur à présenter une solution Custom Provider). Pour la configuration de développement, la vidéo recommande Git et GitHub, que Z-Code installe et configure automatiquement.

  Interface et fonctionnalités : Z-Code affiche tous les projets dans une barre latérale, permet des sessions parallèles par projet et le multitâche sur plusieurs projets. Quatre modes sont disponibles : « Ask before changes » (confirmation requise), « Edit automatically » (demander seulement les commandes), « Planning mode » (pas de modifications, planification uniquement), « Full access » (autonome). Le créateur a démontré deux projets – une application de feux d’artifice interactifs et un jeu Brick Breaker – tous deux ont fonctionné immédiatement. Des fonctionnalités comme le contrôle à distance via téléphone, les Skills (fonctions d’agent réutilisables) et les Subagents (agents spécialisés avec interface simple pour la configuration) sont intégrés ; les serveurs MCP peuvent également être configurés directement.

  GitHub et déploiement : Z-Code valide automatiquement les projets sur GitHub (publiquement ou en privé). Les référentiels créés sont accessibles au public, permettant à d’autres de télécharger le code. Pour le déploiement, le créateur a utilisé Vercel – après connexion à GitHub et sélection du référentiel, le déploiement se fait en secondes et génère automatiquement un domaine public.

  Format et outils : Tutoriel avec démonstration en direct. GLM 5.2 et Z-Code sont explicitement traités, ainsi que : Git/GitHub, Vercel, Claude Code, Claude Skills et MCP.

• These AI Agents Improve My App Every 10 Minutes While I Sleep
  8.7.2026, 12:00:08

  Résumé : Agents de codage automatisés en arrière-plan

  Le créateur montre un système où trois agents de codage s’exécutent automatiquement en arrière-plan toutes les 10 minutes pour améliorer continuellement une application – sans intervention manuelle. Un agent général identifie les corrections de bugs et les optimisations de performance, un agent de sécurité recherche les failles de sécurité, et un agent d’améliorations trouve de nouvelles fonctionnalités et mises à jour UI/UX. Les agents analysent la base de code, créent des corrections dans des branches de fonctionnalités, valident et ouvrent des requêtes de fusion pour approbation.

  Processus de configuration :

  1. Créer un jeton GitHub : Jeton d’accès personnel à granularité fine avec autorisations précises pour des référentiels spécifiques (lecture/écriture pour contenus, requêtes de fusion, problèmes, actions)
  2. Louer un VPS : Le créateur utilise Hetzner ; Codex est y préinstallé en tant que modèle
  3. Authentifier Codex sur VPS : Via abonnement Chat-GPT (moins cher que les clés API)
  4. Configurer l’accès GitHub : Laisser Codex définir la variable de jeton via une invite
  5. Cloner le référentiel : Cloner le projet sur VPS dans un dossier projects
  6. Configurer les tâches Cron : Lancer Codex en mode headless (codex exec) avec des invites spécifiques – par exemple « effectuer un audit de code, créer une RP si elle n’existe pas »

  Différence avec Codex Cloud : Codex Cloud (OpenAI, gratuit) ne fonctionne que pour les RP uniques, crée des conteneurs temporaires (cycle de vie de 12h) et perd toutes les données après. Un VPS offre une disponibilité 24/7 et un environnement persistant.

  L’approche fonctionne également sur le PC local avec Cron, mais ce n’est pas idéal en raison des arrêts d’alimentation et des pannes WLAN.

  —

  Outils : Codex, OpenAI (Chat-GPT), GitHub, Hetzner VPS — Format : Tutoriel/démonstration avec guide pratique.

• Claude Sonnet 5 vs Opus 4.8: I Made Each Build Its Own Game Engine
  7.7.2026, 13:00:01

  Claude Sonnet 5 vs. Opus 4.8 – une comparaison pratique dans le développement de jeux

  Anthropic a publié Sonnet 5 avec des benchmarks montrant des performances comparables à Opus 4.8 sur les tâches de codage et à des coûts plus bas. Le créateur vidéo teste les deux modèles de manière pratique avec une tâche exigeante : ils doivent construire un clone d’Age of Empires dans le navigateur, mais doivent d’abord développer leur propre moteur de jeu et leur propre ensemble d’outils, plutôt que de programmer à l’aveugle.

  Le concept derrière cela : Comme les agents n’ont pas de vue de jeu en temps réel (ne peuvent pas faire 30-60 captures d’écran par seconde), ils doivent développer des outils autour de leurs propres limitations – comme une visionneuse d’actifs pour l’analyse d’animation, un outil d’analyse d’image et un éditeur de carte. Ces outils ne sont pas pour l’utilisateur, mais pour l’agent lui-même pour l’assurance qualité.

  Résultat Sonnet 5 : Jeu fonctionnel avec sélection de personnages, récolte de ressources, fog of war et menu de bâtiments. L’ensemble d’outils comprend l’aperçu d’animation avec ralenti, l’analyse image par image et l’éditeur de carte.

  Résultat Opus 4.8 : Visuellement une qualité nettement meilleure – conception de menu améliorée, mouvement d’actifs plus fluide (moins de clipping), ennemis IA fonctionnels avec combats réels et calcul des dégâts, fonction zoom et mini-carte d’aspect poli. Un studio d’actifs et un laboratoire d’animation ont également été développés.

  Le créateur évalue Opus 4.8 comme une implémentation notablement meilleure dans l’ensemble, bien que les deux aient complété les tâches. Les coûts et la durée étaient probablement similaires ; l’interface Cloud Code n’affiche pas les métriques exactes.

  Explicitement traité : Claude Sonnet 5 et Opus 4.8 — démonstration et comparaison directe.

Liam Ottley

Aucune nouvelle vidéo pendant cette période.

Mark Kashef (1 nouvelle vidéo)

• Do THIS Before You Lose Access to Fable 5
  5.7.2026, 15:00:03

  La vidéo traite d’une stratégie pour continuer à exploiter les aspects les plus précieux de Claude Fable 5 après que le modèle soit retiré des abonnements existants. L’idée centrale : au lieu de créer des plans normaux, il faut mener des Wargames – des simulations détaillées qui explorent chaque action possible, réaction et contre-réaction pour découvrir les inconnues et les scénarios d’erreur potentiels.

  L’auteur critique la recommandation officielle d’Anthropic d’utiliser Fable uniquement pour exécuter les plans créés par Opus. Au lieu de cela, il propose d’utiliser Fable pour identifier les « unknown unknowns » d’un projet – c’est-à-dire les domaines que vous n’aviez même pas reconnus comme pertinents.

  Un Wargame comporte trois éléments : Action, Reaction, Counteraction. Le modèle n’examine pas seulement le chemin idéal, mais aussi les scénarios d’erreur et comment il y répondrait. Cela crée des simulations complètes que des modèles plus économiques comme Opus 4.8, GPT 4o ou même des modèles open-source peuvent ensuite exécuter – avec une visibilité complète grâce à l’intelligence de Fable.

  En pratique, cela se met en œuvre par une structure de dossiers (tasks, war_games, success, ledger), des prompts standardisés avec briefing de mission, hypothèses, routes d’erreur possibles et conditions d’arrêt. L’auteur montre des exemples pour la création de sites web, la rédaction, la configuration d’IA locale, l’optimisation fiscale et la correction de bugs. Tous les Wargames s’exécutent en parallèle ; les résultats sont des fichiers Markdown qui servent ensuite de blueprints exécutables.

  Le résultat : au lieu de builds à 80% que vous devez terminer manuellement, vous disposez de plans complètement pensés avec tous les pièges documentés – utilisables au-delà de la date limite de l’abonnement.

  Claude Fable 5, Anthropic Opus mentionnés ; stratégie de Wargaming et conception système — Tutorial/Deep-Dive.

Matt Pocock (1 nouvelle vidéo)

• New Skills! v1.1 brings /wayfinder, /research, /implement, /to-spec, /to-tickets
  8.7.2026, 14:26:10

  Skills Repo v1.1 – Nouvelles Skills et grands renommages

  Le créateur a publié la version 1.1 de son Skills Repo. Les changements principaux :

  Renommages : Deux Skills centrales ont été renommées – “to PRD” devient “to spec” (parce que le repository crée en réalité des spécifications, pas de véritables Product Requirements Documents) et “to issues” devient “to tickets” (pour être indépendant de GitHub/Linear).

  Améliorations des Skills de Grilling : Les Skills “grill me” et “grill with dogs” ont été retravaillées. Le Grilling Skill central a été affûté – il reçoit maintenant une instruction explicite de poser les questions une par une au lieu de plusieurs à la fois, et obtient un Confirmation Gate pour que l’implémentation ne démarre pas automatiquement. De plus, la distinction entre “Faits” (trouvés par l’exploration du code) et “Décisions” (à prendre par l’utilisateur) a été améliorée pour éviter que l’agent s’interroge lui-même.

  Nouvelle structure Software Development Lifecycle : Le créateur a ajouté des Skills pour représenter un processus de développement complet : après le Grilling, une Spec est créée, d’où sont générés des Tickets, qui sont traités individuellement avec le Skill “implement”, suivi d’une Code Review. Le Skill “implement” est volontairement simple et renvoie aux approches TDD, aux Pre-agreed Seams et aux vérifications de type régulières.

  Skill de Code Review : A été mis à jour et fonctionne sur deux axes – Standards (basés sur un fichier de normes de codage dans le repo) et Spec Compliance. Nouveau : le Skill utilise les Code Smells du livre “Refactoring” de Martin Fowler (mysterious name, duplicated code, feature envy, etc.) pour faire des suggestions d’améliorations plus profondes.

  Skill Wayfinder (nouvelle feature phare) : Un nouveau Skill pour les tâches de planification trop grandes pour tenir dans une session Agent. Wayfinder crée une feuille de route comme des GitHub Issues avec des relations de blocage et des Tickets plus petits et catégorisés (Research, Grilling, Prototype, Tasks). Chaque Ticket peut être traité individuellement, et tous les enseignements finissent dans une Spec. Le créateur utilise maintenant Wayfinder aussi pour des projets non-techniques comme la planification de son prochain Course.

  Skills Research et Prototype : Un nouveau Skill Research pour les sessions de recherche pure (avec Background Agent) et le Skill Prototype est maintenant model-invokable, permettant à Wayfinder de l’appeler – avec choix entre Prototype Logic ou UI.

  Refonte du Skill TDD : Était auparavant prescriptif avec des étapes explicites, c’est maintenant juste du matériel de référence avec des spécifications minimales : Red avant Green, un Slice à la fois. Le Refactoring a été retiré de la boucle et appartient maintenant à la phase Code Review.

  Installation : Les utilisateurs devraient supprimer les anciennes Skills et exécuter npx skills add mapco skills pour récupérer les nouvelles versions, car les installateurs ne gèrent pas automatiquement les renommages.

  Le créateur annonce également un nouveau “AI Coding Crash Course” autodirigé et moins cher (disponibilité environ août), adapté aux développeurs expérimentés comme aux débutants. Le repo compte maintenant 160k+ Stars et 7 millions de téléchargements.

  Outils explicitement mentionnés : Skills Repo (projet propre), GitHub, Linear, le livre Refactoring de Martin Fowler – Format : Démo/Product Update, avec approfondissement conceptuel sur la nouvelle architecture Wayfinder.

Melvynx (4 nouvelles vidéos)

• Elon Musk et Cursor sortent Grok 4.5 : leur meilleur modèle de code ?
  11.7.2026, 07:54:04

  Résumé : Grok 4.5 – Nouveau modèle de xAI/Cursor

  La vidéo traite du modèle récemment publié Grok 4.5, qui sera disponible via Cursor. Selon les benchmarks (62 % sur Deep Seek), Grok 4.5 montre des résultats potentiellement meilleurs que Opus 4.8 et se classe également de manière compétitive à l’Artificial Intelligence Coding Index avec 72,4 points – similaire à Opus, mais beaucoup moins cher.

  L’auteur teste Grok 4.5 dans plusieurs scénarios pratiques :

  1. Artificial Life Ecosystem Simulator : Le modèle crée une application HTML fonctionnelle avec simulation prédateur-proie. Le résultat est aussi bon que GPT-5.6, mais généré plus rapidement.
  1. Time Zone Overlap Checker : Une application pour visualiser les chevauchements de fuseaux horaires. Grok 4.5 produit une UI similaire à Opus 4.8.
  1. Car Crash Physics-Simulation : Le modèle génère une démo de physique fonctionnelle avec graphismes ajustés – pas au niveau de Fable, mais solide pour la taille du modèle.
  1. Drawing Tool sur base miniature : Une fonctionnalité complexe avec sélecteur de couleurs, duplication et éléments de texte. Fable reste ici le meilleur, mais Grok 4.5 fournit une base fonctionnelle.

  Forces principales : Grok 4.5 est extrêmement rapide (3-4 itérations en secondes) et beaucoup moins cher que Fable ou Claude. Le prix est d’environ 2 millions par entrée et 6 millions par sortie – environ cinq fois plus cher que Fable 5.

  L’auteur critique l’IDE Cursor comme inutilisable (plantage lors de l’enregistrement vidéo simultané), mais recommande l’utilisation via Passo, un outil qui regroupe tous les abonnements IA dans une interface. Il mentionne également Claude et Composer 2.5 comme modèle impressionnant.

  La vidéo consiste en tests pratiques de xAI/Grok 4.5 avec Cursor et en évaluation critique de l’IDE – format démo avec commentaires d’opinion.

• GPT 5.6 DÉTRUIT Fable (sans avoir besoin de mentir sur leur marketing)
  10.7.2026, 07:53:17

  La vidéo compare les modèles GPT 5.6 d’OpenAI (Sol, Terra, Luna) avec Claude Fable 5 sur la base des benchmarks et des tests pratiques. Au niveau des benchmarks, GPT 5.6 Sol obtient 73 % d’intelligence et coûte beaucoup moins cher que Fable (environ 8 au lieu de 13 dollars par tâche). Terra et Luna offrent un meilleur rapport qualité-prix, tandis que Fable a une intelligence similaire mais est plus cher.

  Dans les tests pratiques, GPT 5.6 Sol Ultra est testé avec les tâches suivantes : un sélecteur de fuseau horaire avec UI améliorée (avec indicateurs de couleur et affichage de l’heure), un simulateur de crash automobile avec simulation de physique, animation de lancement de fusée et un éditeur de surface de dessin. GPT 5.6 Sol Ultra produit généralement du code plus propre, de meilleures interfaces et utilise parfois automatiquement plusieurs agents pour résoudre les problèmes.

  Lors de la simulation d’évolution d’écosystème (Game of Life), Fable refuse plusieurs fois d’accomplir la tâche et bascule vers Opus 4, tandis que GPT 5.6 Sol Ultra crée un simulateur d’écosystème fonctionnel et interactif avec statistiques et paramètres en temps réel – « one shot », du premier coup.

  L’auteur préfère GPT 5.6 Sol malgré l’intelligence théorique plus élevée de Fable, car Sol n’a pas de blocages de sécurité ennuyeux et fonctionne plus fiablement. Il n’utilise que 60 % de sa limite hebdomadaire.

  Outils/Modèles explicites : OpenAI GPT 5.6 (Sol, Terra, Luna, Ultra, Extra High), Claude Fable 5, Opus 4 | Format : Démo avec comparaison | Accent : Applications pratiques des modèles de génération de code.

• Mes 5 MEILLEURES skills pour Claude Code et Codex (c’est cheaté)
  9.7.2026, 14:00:19

  Résumé : 5 Skills pour Lia (Agent de codage)

  La vidéo présente cinq community skills qui transforment la manière de coder avec l’agent de codage Lia. Quatre ont été contribués par d’autres développeurs, un par l’auteur.

  Impeccable : Une skill système de design qui empêche l’agent de générer du « slop » visuel. Elle crée une documentation de design (avec /impeccable init) qui clarifie à l’agent les règles de design à respecter. Impeccable contient en interne 23 sub-skills (Clarify, Harden, Optimize, etc.), mais on utilise généralement juste la skill parente. Le système fonctionne aussi via CLI (npx impeccable detect). L’auteur a réussi à faire concevoir sa mobile app au premier essai avec cette skill.

  Grilling : Une skill de productivité qui pose de nombreuses questions à l’utilisateur avant la mise en œuvre pour clarifier le projet. Plus la préparation est bonne, mieux l’agent fonctionne au premier essai (« one shot »). La skill s’appelait autrefois « Grill Me », mais a été renommée.

  Apex : Une skill de workflow structuré avec des phases comme l’initialisation, l’analyse, la planification (avec critères d’acceptation), l’exécution, la validation, l’examen du code, la correction des bugs et la vérification. Apex fait en sorte que l’agent effectue lui-même les tests et prenne des captures d’écran au lieu de simplement livrer du code – l’auteur l’utilise pour chaque tâche.

  Make Interface Feel Better : Une skill d’ajustement de design ciblée qui améliore les bordures, les animations, l’affichage des nombres et autres détails similaires – pas aussi radical qu’Impeccable, mais important pour le polissage.

  Thermonuclear Code Quality Review : Une skill fournie par Cursor pour un examen de code rigoureux mettant l’accent sur la qualité, la maintenabilité et les abstractions. Elle vérifie les problèmes de code spaghetti et autres. Peut être utilisée comme skill ou comme agent. Dans le workflow Apex, elle s’exécute comme un sous-agent dans la phase « Examine » pour empêcher que l’agent principal n’évalue son propre code de manière trop indulgente.

  Toutes les skills sont consultables et installables via un référentiel ouvert (mlv.sh/fc).

  Agent de codage Lia, vidéo de productivité/opinion, plusieurs community skills (Impeccable, Grilling, Apex, Thermonuclear Code Quality Review, Make Interface Feel Better), installation basée sur CLI.

• CODEX : Créer une application iOS en moins de 20 minutes
  5.7.2026, 16:33:48

  La vidéo montre un tutoriel de workflow complet pour créer et publier une application iPhone sans connaissances en programmation – avec Lovable (l’outil appelé « Codex » dans la vidéo).

  Étapes principales :

  1. Configuration : Installation de Lovable Desktop, Expo Go sur l’iPhone et Bun (gestionnaire de paquets Node).
  1. Structure du projet : Création d’un dossier de travail (par ex. developer/app) et initialisation d’une application React Native avec bun create expo-ti-template default.
  1. Installation des skills : Installation de skills spécialisées comme « Build Native UI » (pour le style iOS natif), « React Native Skill » et « Grilling » (pour la clarification des exigences). Elles sont intégrées au projet via des commandes CLI.
  1. Clarification des exigences avec Grilling : L’outil IA pose automatiquement des questions sur l’idée de l’app pour préciser les exigences (ici : suivi personnel des habitudes).
  1. Génération de code : Après clarification, Lovable génère toute la logique et l’interface de l’application en environ 16 minutes. L’application est synchronisée en direct sur l’iPhone via le même accès WiFi et peut être testée immédiatement.
  1. Améliorations itératives : Les captures d’écran d’erreurs ou de souhaits d’amélioration peuvent être envoyées directement sous forme d’invites à Lovable (par ex. « Bouton ‘Ajouter’ en haut à droite »), après quoi l’outil s’adapte.
  1. Génération d’icônes : Une skill « App Icon » dédiée permet la génération automatique d’une icône d’application basée sur des instructions en langage naturel.
  1. Publication : Une skill « App Store Connect » supplémentaire guide la publication sur TestFlight et l’App Store.

  L’exemple montre l’application terminée avec des fonctionnalités comme la gestion des habitudes, les cases à cocher, l’archivage et les notifications – tout sans codage manuel. L’auteur souligne que Lovable génère du code de meilleure qualité avec des skills prédéfinies et des exigences claires ; un mini-cours séparé avec configuration de stack optimale est recommandé pour les débutants.

  Outils thématisés : Lovable (appelé « Codex » dans la vidéo), Expo Go, Bun ; Custom skills d’AI Blueprints (Build Native UI, React Native Skill, Grilling, App Icon, App Store Connect). Format : Tutoriel avec démo.

MoureDev by Brais Moure (2 nouvelles vidéos)

• Aprende Agentes de IA GRATIS con OpenCode, Claude y Cursor (Desde cero + Certificado)
  9.7.2026, 14:00:09

  Résumé : Développement avec l’IA – Programmez avec des agents

  La présentation complète parcourt une approche holistique du développement logiciel assisté par l’IA en 2026. Les conclusions clés sont : 84% des développeurs utilisent l’IA, mais seulement 41% du code en production est généré par l’IA – ce qui souligne la valeur critique continue de la supervision humaine.

  Changement de paradigme du développement : La valeur des développeurs se déplace de la production pure de code vers l’orchestration de l’IA. Plus « je programme », mais « je dirige un agent IA ».

  Fondamentaux des modèles d’IA : Les grands modèles de langage fonctionnent via la tokenisation et la prédiction probabiliste, non pas par le raisonnement humain. Les métriques clés sont les paramètres (intelligence), les tokens (granularité), la fenêtre de contexte, la latence et les coûts – le choix du modèle dépend de la tâche spécifique.

  Évolution des éditeurs : Des EDI classiques (VS Code, Cursor) aux éditeurs IDE d’agents en passant par les outils en ligne de commande (Open Code, Claude Code). Tous fonctionnent de manière similaire – ce qui compte est de comprendre les principes fondamentaux, pas le choix de l’outil.

  Garde-fous (Guardrails) : Mécanismes de contrôle multicouches :

  • agents.md : Fichier de system prompt avec règles du projet, stack, conventions
  • MCPs (Model Context Protocol) : Interfaces vers des outils externes (bases de données, documentation)
  • Skills : Définitions de capacités réutilisables sous forme de fichiers .md
  • Commandes : Actions personnalisées et répétitives
  • Gestion de la mémoire : Documentation, compactage du contexte, sessions

  Spec-Driven Development (SDD) : Le paradigme de l’avenir – pas « laisse l’IA décider », mais « j’écris une spécification précise, l’IA l’implémente ». Structure :

  • Constitution (règles fondamentales du projet : mission, stack, architecture)
  • Features (tâches granulaires avec plan, spécifications, critères d’acceptation)

  Chaque feature est définie explicitement, ce qui réduit l’indéterminisme et permet une qualité professionnelle.

  Multi-agents et sous-agents : Un agent coordinateur peut démarrer des sous-agents spécialisés (par exemple, implémenteur, réviseur) avec un contexte isolé et des droits minimaux – une mise à l’échelle sans perte de contrôle.

  Message clé : L’IA exécute, l’humain est responsable. Les fondamentaux avant la syntaxe. Le contrôle avant la vitesse. La phrase « Ce n’est pas l’IA qui te remplacera, c’est quelqu’un qui l’utilise mieux » est la force motrice centrale.

  Outils/plateformes mentionnés : Open Code, Claude Code, Visual Studio Code, Cursor, Gemini, ChatGPT, Context Seven MCP, GitHub Copilot, Antigravity, Warp Terminal.

  Format : Hybride approfondie/tutoriel avec opinion – introduction pratique complète à un nouveau paradigme de développement.

• Zuckerberg confiesa que Meta se equivocó con la IA
  7.7.2026, 14:00:27

  Meta a admis que son grand pari annoncé sur les agents IA échoue — malgré 145 milliards de dollars d’investissements prévus pour 2026, 8000 licenciements et la réaffectation de 7000 employés. Dans une conférence vidéo interne divulguée, Mark Zuckerberg a reconnu que le développement d’agents autonomes n’a pas accéléré comme prévu ces quatre derniers mois, la restructuration ne porte pas ses fruits et les licenciements ne se sont pas déroulés « proprement ». Parallèlement, le responsable de l’IA chez Meta, Alexander LLM, a affirmé publiquement que son nouveau modèle (nom de code « Watermelon ») aurait déjà atteint GPT-5.5 — une affirmation sans benchmarks concrets.

  Le créateur soupçonne : Zuckerberg s’est exprimé honnêtement en interne aux employés inquiets, tandis que LLM distribuait des pilules calmantes aux investisseurs nerveux. Plusieurs études appuient ce tableau sombre : 95% des déploiements d’IA générative en entreprise n’ont montré aucun impact commercial mesurable, seulement 12% des PDG rapportent des revenus plus élevés grâce à l’IA, Gartner prévoit 40% d’abandon de projets d’IA d’agents d’ici fin 2027, et 80% de tous les projets d’IA d’entreprise n’atteignent pas leurs objectifs promis.

  Le problème fondamental : les grandes entreprises procèdent à des licenciements massifs en raison de la FOMO (peur de rester à la traîne) et du battage médiatique, non parce que la technologie est mature. Zuckerberg promet à nouveau « des avantages significatifs dans 3-6 mois » (janvier 2027) — la même promesse répétée tous les six mois depuis trois ans. Le créateur avertit : ce n’est pas un signe de scepticisme envers la technologie, mais de gestion réaliste des attentes. Le fossé entre les promesses et la réalité est le vrai problème, pas la technologie elle-même. Les développeurs ayant de véritables fondamentaux et du jugement seront récompensés, tandis que 95% du secteur échoue parce qu’il poursuit le battage médiatique au lieu du savoir-faire.

  Démo/Opinion, mise à jour des actualités (avec réflexion) ; aborde la déclaration interne de Zuckerberg chez Meta sur les agents IA échoués par rapport aux promesses de réassurance publiques des dirigeants.

n8n (1 nouvelle vidéo)

• The Creator of n8n’s MCP Shows You How to Actually Use It (3 Live Builds)
  9.7.2026, 18:15:49

  Résumé : Mastering N8N MCP – Three Levels of Workflow Orchestration

  La vidéo présente trois niveaux de maîtrise du N8N MCP (Model Context Protocol) avec Millerad, le créateur du N8N MCP officiel.

  Niveau 1 – Workflows déterministes : La première étape montre comment créer un système de workflow complet via des prompts de chat. Exemple : un déclencheur de formulaire collecte les soumissions (prénom, nom, e-mail) dans un tableau de données. Le MCP peut générer automatiquement des données de test et simuler des scénarios sans imports CSV manuels. Ensuite, les fonctionnalités sont ajoutées itérativement – par exemple, des notifications par e-mail via Gmail pour les nouvelles soumissions. Le système est sauvegardé, testé et déployé dans N8N, tout cela via le langage naturel dans Claude.

  Niveau 2 – Agents IA : Un agent créateur de posts LinkedIn est créé, déclenché via un déclencheur de chat. L’agent rédige le contenu en fonction des instructions, qui est ensuite téléchargé en tant que fichier dans Google Drive. L’astuce : le système fonctionne aussi en déplacement via Claude sur mobile – une « shower thought » devient immédiatement une action. Le workflow combine la génération créative par IA avec des étapes de stockage et d’upload déterministes.

  Niveau 3 – Orchestration multi-agents : Deux modèles différents (Claude et GPT) examinent en parallèle le même contenu généré. Un agent orchestrateur déduplique et consolide les conclusions des deux examinateurs dans une liste résumée avec citations. Cela permet la vérification de qualité, l’efficacité des tokens (on peut utiliser des modèles plus petits pour les tâches d’orchestration simples) et des workflows auto-apprenants.

  Points importants supplémentaires :

  • Le N8N MCP fonctionne basé sur le code, non sur JSON, ce que les LLMs comprennent beaucoup mieux.
  • La gestion des identifiants est centrale (Gmail, Google Drive, etc. doivent être configurés une seule fois).
  • Les workflows ne sont pas visibles pour le MCP par défaut ; il faut les partager explicitement – mesure de sécurité.
  • Les Community Nodes ne sont pas encore disponibles pour le MCP (préoccupations de sécurité concernant l’injection de prompts).
  • Niveau 4 (non démontré) : Le MCP peut être combiné avec d’autres MCPs, par exemple Higgsfield pour la génération d’images/vidéos.

  Le message central : construire de façon itérative (pas des systèmes complexes « en une seule prise »), utiliser le MCP comme lien entre Claude et vos instances N8N, et déclencher les workflows depuis votre téléphone en déplacement.

  Outils/Fournisseurs explicitement mentionnés : N8N MCP, Claude, OpenAI, Google Drive, Gmail, Higgsfield, OpenRouter. Format : Démo/Tutoriel avec codage en direct.

Nate Herk | AI Automation (5 nouvelles vidéos)

• Claude Code for Non-Coders (6 Hour Course)
  11.7.2026, 13:02:58

  Résumé : Masterclass Claude Code pour les travailleurs du savoir

  Il s’agit d’un cours complet sur l’utilisation de Claude Code (l’interface de codage d’Anthropic) pour les automations de productivité, sans avoir besoin de connaissances en programmation. Le contenu est structuré autour des changements de mentalité, des configurations pratiques et des techniques avancées.

  Concepts clés

  Six compétences IA pérennes :

  1. Devenir une personne IA – Construire une expertise relative au sein de son réseau ; les opportunités émergent avant que les postes ne soient officiellement annoncés
  2. Goût et jugement – Vérifier les résultats, ne pas faire confiance aveuglément ; compiler les tics et les phrases IA dans une liste personnelle
  3. Ingénieur de contexte – Non pas l’ingénierie des prompts, mais la fourniture de fichiers de contexte pertinents ; le contexte est roi
  4. Vitesse d’itération – Le prototypage rapide plutôt que la perfection ; utiliser les raccourcis clavier et l’entrée vocale
  5. Construire Jarvis – Les automations qui s’exécutent sans déclenchement manuel ; mais : distinguer consciemment les workflows simples des systèmes agentiques
  6. Diversifier les flux de revenus – Plusieurs sources de revenus assistées par IA plutôt qu’une dépendance unique ; répartir le risque professionnel

  Changements de mentalité

  • Non pas « ce que je sais » : natif IA signifie se tourner automatiquement vers Claude au lieu de le faire manuellement
  • Ne pas abandonner dans la dépression : courbe d’apprentissage exponentielle, non linéaire – la frustration précède la percée
  • La contrainte est l’endroit où le travail s’assemble : identifier et attaquer les goulots d’étranglement (Théorie des contraintes)
  • Impossible d’automatiser ce qu’on ne peut pas cartographier : la cartographie des processus au préalable est essentielle
  • Chaque création a besoin d’une étoile du Nord : une métrique par projet qui définit le « succès »

  Configuration pratique

  Installation et authentification

  • Télécharger VS Code, installer l’extension Cloud Code
  • Abonnement Anthropic requis (Pro ou Max recommandé)
  • Alternative : application de bureau Cloud ou basée sur terminal

  Structure des dossiers et Cloud.md

  project/

  ├── .claude/

  │ ├── cloud.md (Prompt système, règles de routage)

  │ ├── agents/ (Sous-agents personnalisés)

  │ ├── skills/ (Prompts réutilisables)

  │ ├── memory.md (Mémoire automatique de l’IA)

  │ └── settings.json (Permissions et configuration)

  ├── .env (Clés API, .gitignore !)

  └── [fichiers-projet]

  Rôle de Cloud.md : n’est PAS une grande accumulation de connaissances, mais un routeur

  → Montre à Claude où les informations résident, pas tous les détails à l’avance

  Clés API et connexions

  • Variables d’environnement : stocker les clés API dans .env (ignoré lors du push Git)
  • MCPs (Model Context Protocol) vs APIs vs CLIs : préférer Google Workspace CLI (plus économe en tokens)
  • Permissions limitées : donner aux APIs uniquement ce qui est nécessaire (par ex. lecture seule pour les revues)

  Concepts avancés

  Skills et sous-agents

  Skills = fichiers Markdown avec frontmatter YAML (métadonnées + instructions en langage naturel)

  → Appelés automatiquement via Progressive Disclosure (Claude lit uniquement la description, pas tout le skill)

  Sous-agents = Travailleurs parallèles spécialisés avec leur propre fenêtre de contexte

  → Avant : exploration du problème → Après : équipes d’agents spécialisés

  → 7–10x plus chers en tokens, mais utile pour le raisonnement profond/parallélisation

  Équipes d’agents (expérimental) :

  • Agents communiquant mutuellement (pas seulement hiérarchie)
  • Cas d’usage : analyses multi-perspectives (par ex. conseil de 6 rôles différents)
  • Très gourmand en tokens → à utiliser avec parcimonie

  Deuxième cerveau

  5 niveaux du simple au complexe :

  1. Niveau 1 : Cloud.md + dossiers simples (Recherche par mots exacts)
  2. Niveau 2 : Wiki LLM (à la Karpathy) + visualisation Obsidian (basée sur index)
  3. Niveau 3 : Recherche vectorielle + recherche sémantique (correspondance de sens plutôt que mots-clés)
  4. Niveau 4 : Graphe de connaissances (relations entre entités explicites)
  5. Niveau 5 : Cerveau toujours actif (GBrain, Gbrain – apprentissage continu)

  → Pas tous les niveaux pour tout le monde : identifier la douleur, puis choisir la solution minimale nécessaire

  Sites web et déploiement GitHub

  1. Construire localement : Claude Code écrit HTML/CSS, la boucle de capture d’écran vérifie le design
  2. Pousser vers GitHub : git commit & push via Cloud Code
  3. Déployer sur Vercel : déploiement automatique à chaque push GitHub
  4. Domaine : configurer le DNS

  Astuce token : utiliser la compétence Front-End Design → Sites professionnels sans codage basé sur vibes

  Sécurité et confiance

  Déterministe vs non-déterministe

  • Déterministe (Distributeur automatique) : entrée → résultat garanti (workflows, CLIs)
  • Non-déterministe (Machine à sous) : agent avec raisonnement, décisions imprévisibles

  → Pour les tâches critiques : Permission Layering au lieu de prompting uniquement

  • Restrictions au niveau des outils (ce que l’agent ne peut pas toucher ?)
  • Non : « Ne fais pas cela » (prompt), mais : « Vous n’avez pas accès à cet outil » (permissions)

  Déployer les automations

  • Cloud Routines (Distance) : 5 repos GitHub, encapsulés, max 15 par jour plan Max
  • Modal (Déterministe) : scripts Python, webhooks, par déclencheur
  • Trigger.dev : similaire à Modal, offres variées

  Gestion des tokens (les 18 astuces)

  Niveau 1 (Simple, implémentation immédiate)

  1. Démarrer de nouveaux chats (/clear) entre les tâches sans rapport
  2. Désactiver les MCPs (Google Workspace CLI au lieu du serveur MCP)
  3. Regrouper les prompts (un long prompt au lieu de trois courts)
  4. Mode Plan avant les tâches complexes (poser les questions avant que le code ne déferle)
  5. Utiliser les commandes /context et /cost (Visibilité !)
  6. Ligne de statut dans le terminal (Vue d’ensemble en direct)
  7. Garder le tableau de bord ouvert (Suivi des limites)
  8. Collage sélectif (pas de fichiers entiers, juste les parties pertinentes)
  9. Observer Claude (pas d’effacement, arrêter les mauvais chemins tôt)

  Niveau 2 (Stratégique)

  1. Garder Cloud.md fin (<200 lignes, c'est un routeur pas une accumulation de données)
  2. Références de fichiers précises (@filename plutôt que recherche libre)
  3. Compacter à 60% du contexte (pas à 95%)
  4. Utiliser le cache consciemment (Timeout 5 min pour les APIs, 1h pour les abonnements)
  5. Éviter les déchets de sortie Bash (Les commits de 200 lignes = 200 tokens de surcharge)

  Niveau 3 (Avancé)

  1. Les bons modèles : Sonnet Standard, Haiku pour les sous-agents, Opus avec parcimonie
  2. Coûts des sous-agents : 7–10x plus chers, mais la délégation Haiku est souvent logique
  3. Heures de pointe considérées (8h–14h ET = drainage plus rapide, utiliser les heures creuses)
  4. Cloud.md comme constitution : stocker les décisions, pas les conversations

  Mise en cache des prompts (Bonus)

  • Ne coûte que 10% des tokens normaux lors d’un hit de cache
  • TTL : 1h pour les abonnements, 5min pour les APIs (dangereux !)
  • Trois habitudes : (1) ne pas pauser >1h, (2) changement de tâche = nouvelle session, (3) changement de modèle casse le cache

  Workflows pratiques

  Briefing IA matinal (exemple Modal)

  Déclencheur : 6h CT

  ├─ Recherche (Tavly) → Recueillir les actualités IA

  ├─ Écrire (Opus via Open Router) → Brief scannalable

  └─ Livrer (API ClickUp) → MP à Nate

  → Atténuation des risques : définir les limites API, services de secours, destination ClickUp codée en dur

  Automation de soumission de formulaire (Webhook)

  L’utilisateur remplit le formulaire HTML

  ↓

  Webhook → Modal

  ↓

  Le script Python lit les données

  ↓

  Modèle → Notification ClickUp

  Outils et ressources importants

  | Outil | Objectif | Lien |

  |——|———|——|

  | Obsidian | Visualisation wiki (optionnel) | obsidian.md |

  | Google Workspace CLI | Moins cher que MCP | GitHub: google/gws-cli |

  | Modal | Déploiement Python (Cron/Webhook) | modal.com |

  | Open Router | API unifiée pour tous les modèles | openrouter.ai |

  | Tavly | Recherche web | tavily.com |

  | Free School Community | Tous les skills et modèles | Liens en description vidéo |

  Philosophie de clôture

  « L’ennuyeux est magnifique » – Pour les automations qui s’auto-exécutent : Déterministe > Intelligent

  « On peut externaliser la réflexion, jamais la compréhension » – Ton nom sur la production = Ta responsabilité

  « La contrainte est le seul endroit où le travail s’accumule » – Ne pas mettre l’IA partout, mais attaquer les goulots

  « La personne qui comprend quand NE PAS utiliser l’IA gagne » – Pas l’IA pour tout, mais un choix intelligent

  Prochaine étape : Rejoindre la Free School Community → Cours « Build Your Own AI Operating System » (2 heures, aussi gratuit)

• I Tested GPT 5.6 Sol vs Fable 5. What You Need To Know.
  10.7.2026, 01:30:15

  Résumé : GPT-5.6 Soul vs. Fable 5 – Tests de comparaison pratiques

  Le créateur a testé GPT-5.6 Soul et Fable 5 toute la journée en confrontant les deux modèles avec des prompts identiques pour trois tâches pratiques : un jeu d’open-world à vélo jouable, un site web interactif de storytelling en scroll et cinq éléments visuels/simulations différentes.

  Tests agentiques (avec harnais) :

  Pour le jeu de vélo, Fable 5 était qualitativement bien meilleur (perspective 3D type GTA vs vue aérienne), mais coûtait trois fois plus cher (14,22 $ vs 4,50 $) avec plus de 2,8x plus de tokens de sortie (90k vs 31k). Pour le site web, c’était similaire : Fable a créé un contenu plus immersif (19,24 $ vs 1,04 $). Pour les cinq éléments, Soul était plus équilibré et créatif – plus rapide et moins cher (15 min vs 7 min, 15 $ vs 1,22 $).

  Requêtes API directes :

  Soul a dominé 24:3, tandis que Fable a souvent refusé de répondre. Soul coûtait 16 $ vs 63 $ pour Fable. Quand les deux ont réellement répondu, elles étaient à égalité (Soul 0,98 vs Fable 0,966 score), ce qui montre que Soul a surtout gagné par fiabilité et une efficacité drastique des coûts.

  Conclusion du créateur : Fable 5 est la « meilleure manager » – plus créatif, stratégique, superlative pour la connaissance travail, le conseil et la création vidéo. Soul est un « très bon travailleur » – moins cher, plus rapide, meilleur en utilisation d’ordinateur et pensée analytique, mais un cran en dessous en qualité. Soul est positionné comme comparable à Opus 4.8, bien meilleur que GPT-5.5. Le créateur préférerait payer plus cher pour Fable pour les tâches complexes, mais choisirait Soul quand le budget est décisif.

  Note : Aucune transcription disponible ; le résumé est basé sur le contenu vidéo.

  Comparaison approfondie entre OpenAI GPT-5.6 Soul et Anthropic Fable 5, chacun examiné avec des scénarios d’utilisation pratiques.

• GPT 5.6 Sol Made This Entire Video
  9.7.2026, 22:05:14

  GPT-5.6 Soul produit une vidéo complète dans une opération agentique

  Le créateur a donné à GPT-5.6 Soul (OpenAI) en mode Ultra un seul prompt et a reçu une vidéo complète et hautement produite avec une personne nommée Nate en tant que narrateur et avatar — sans jamais se tenir face à une caméra ou ouvrir l’éditeur. Soul a coordonné quatre agents simultanément et orchestré le flux de travail entier : recherche sur l’annonce OpenAI du 9 juillet, vérification des faits, rédaction de script dans le style de parole de Nate, déclenchement des APIs payantes et vérifications de qualité.

  Le modèle a atteint 97 % des points disponibles dans ce test spécifique (7 victoires, 5 égalités, 1 défaite). Soul était particulièrement fort en codage et exécution structurée. Le flux de travail audio : Soul a généré des sections de script sous 60 secondes, celles-ci ont traversé 11 Labs pour la voix clonée autorisée de Nate, puis HeyGen pour le rendu d’avatar (le créateur devait utiliser l’automation du navigateur pour forcer la version Avatar V), et enfin Hyperframes pour l’édition finale avec des graphiques en mouvement. Soul a planifié et orchestré le tout, des agents séparés ont ensuite vérifié chaque image pour les erreurs, les éléments d’avatar manquants et l’exactitude factuelle ; les images ratées ont conduit à un rendu et examen renouvelé.

  Le projet a officiellement consommé 3 millions de tokens sur 2,5 heures selon les logs — mais lors de la vérification : Soul a lancé neuf sous-agents, l’agent principal a utilisé environ 86 millions de tokens au total, le coût total était d’environ 300 dollars. Le créateur soupçonne que le mode Ultra a causé une délégation excessive ; sur High ou Very High, le résultat aurait pu être similaire à moitié prix. La tarification de Soul est similaire à Claude Opus 4.8 et bien moins chère que Fable 5. Le cœur de l’expérience : Soul s’est avéré convaincant en gérant les prompts vagues, émotionnels et ambigus, en déléguant de manière autonome et en vérifiant.

  OpenAI / GPT-5.6 Soul, 11 Labs, HeyGen (Hen), Hyperframes thématisés ; format de démo.

• Fable 5 Just Built Me a Business With One Prompt
  8.7.2026, 22:05:01

  Résumé : Claude Fable orchestre une startup complète à partir de zéro

  Le créateur a donné à Claude Fable un seul prompt avec un objectif global : construire une entreprise complète à partir de rien avec un produit, une marque, un site web et des matériaux de lancement. Fable a ensuite orchestré des centaines de sous-agents qui ont mené des recherches de marché en parallèle, évalué les idées commerciales concurrentes dans un tournoi et vérifié chaque affirmation par le biais d’agents adversaires sceptiques. Le résultat était « Counter Brief » — un outil SaaS pour les propriétaires de magasins Shopify pour documenter les cas de rétrofacturation.

  Le projet comprenait : une page d’accueil entièrement fonctionnelle, deux vidéos de lancement professionnelles (l’une rapide/virale, l’une en tant que démo avec voix off), une vidéo du fondateur avec avatar IA et voix clonée, des plans d’affaires détaillés, des recherches de marché, des lignes directrices de marque avec logo vectorisé à la main, et une analyse complète de l’équipe rouge avec 38 faiblesses identifiées. L’ensemble du processus a pris trois à quatre heures et a consommé environ 500 000 tokens dans l’orchestrateur Fable lui-même ; les sous-agents ont fonctionné sur Claude Opus/Sonnet, ce qui était plus économe en ressources que d’utiliser Fable partout. La clé était un prompt détaillé qui instruisait explicitement Fable aux workflows multi-agents, recherches parallèles, tournois et vérification contradictoire — ainsi qu’un ensemble de règles interdisant la publication et exigeant la créativité. Le créateur insiste sur le fait que l’objectif d’apprentissage principal était moins dans le tutoriel pratique que de montrer que les objectifs ambitieux et multi-étapes sont possibles pour les grands modèles de langage quand on leur donne de la clarté sur les critères de succès et puis les laisser créativement « tracer leur propre chemin ».

  Outils IA utilisés : Claude Fable (Orchestrator) et Claude Opus/Sonnet (sous-agents), plus APIs intégrées (HeyGen, 11 Labs) ; Format : Hybrid Démo/Opinion.

• How I Make Opus Think Like Fable (5 easy steps)
  7.7.2026, 02:44:05

  Résumé : « Transformer Opus en Fable » – Routage de modèle et ingénierie des prompts

  Le présentateur a dépensé plusieurs milliers de dollars en crédits Fable-5 et en tire une conclusion centrale : le modèle lui-même n’est pas l’avantage concurrentiel réel — mais plutôt la façon dont on l’instruit et les systèmes qu’on construit autour. Un débutant avec Fable 5 obtiendra de pires résultats qu’un expert avec Sonnet 3.7, car l’ingénierie des prompts et la conception des workflows sont critiques.

  Observation principale sur Fable 5 vs les modèles plus petits :

  Le présentateur a testé des workflows dynamiques où Fable orchestrait à la fois des sous-agents Fable et des sous-agents Opus ou Sonnet. Le résultat a été surprenant : la qualité était similaire, mais les workflows orchestrés par Fable utilisant Fable coûtaient exponentiellement plus cher. Cela a mené à l’idée que bien qu’on ne puisse pas préserver l’intelligence d’un modèle, on peut extraire son processus.

  La stratégie du « Mode Fable » :

  Au lieu d’utiliser des modèles plus chers pour toutes les tâches, on devrait utiliser Fable pour codifier sa façon de penser dans un système de compétences que Opus et Sonnet peuvent ensuite utiliser. Le présentateur a appris des prompts système Fable-5 fuitées :

  • Vérification à chaque étape – Les choses qui sont en mémoire ou implicites dans les prompts doivent être vérifiées
  • Répondre d’abord, puis poser des questions
  • Reconnaître les erreurs, rester sur le problème
  • Effort approprié – ce n’est pas toujours mieux de toujours faire un effort maximal ; les niveaux d’effort plus élevés peuvent conduire à une sur-analyse

  La compétence Mode Fable fonctionne via cinq portes : Scoping (avec approche d’avocat du diable), Evidence, Reasoning (contradictoire), Verifying, Reporting. Quand Opus est équipé de cette compétence, le modèle « se sent amélioré ».

  Routage de modèle :

  Le présentateur recommande un tableau avec les modèles disponibles (Coût, Intelligence, Goût/Créativité). Quand un modèle fort comme Fable sert d’orchestrateur et délègue à des modèles plus petits, des économies significatives émergent avec qualité égale — dans un test environ trois fois moins cher avec des scouts Haiku au lieu de scouts Opus.

  Pensée de conclusion :

  Puisque Fable revient sur une base d’abonnement et que les modèles d’IA fondamentalement ne vous appartiennent pas, vous devriez vous concentrer sur ce que vous contrôlez réellement : les processus, les systèmes, les méthodologies et le matériel local.

  Le fichier de compétence « Fable Mode » est rendu librement disponible dans une communauté de compétences ; d’autres modèles et solutions open-source peuvent également en bénéficier.

  Modèles/outils explicites : Fable 5, Opus 4.8, Sonnet 3.7, GPT-5.5, Claude Code (Workflows dynamiques), modèles open-source mentionnés ; Format : Opinion/Réflexion avec exemples pratiques et démo de compétence.

NeuralNine (3 nouvelles vidéos)

• Synthetic Data Generation with Generative Models in Python
  10.7.2026, 23:17:29

  Résumé : Génération de données synthétiques en Python

  La vidéo traite de la génération de données tabulaires synthétiques à l’aide de méthodes classiques d’apprentissage profond, spécifiquement les CTGANs (Conditional Tabular Generative Adversarial Networks) et les TVAEs (Tabular Variational Autoencoders) — non basées sur les LLM.

  Concepts fondamentaux :

  La génération de données synthétiques entraîne des modèles à apprendre les distributions et les relations des données réelles, puis à générer de nouvelles données artificielles qui ressemblent à des données réelles mais ne le sont pas. Les cas d’usage incluent : volumes de données insuffisants, confidentialité (ne pas divulguer les données sensibles), équilibrage des classes, traitement des cas rares et tests de cas limites. Cela diffère de l’augmentation de données, qui étend les données réelles par des transformations simples.

  État de l’art :

  Sur le plan de la recherche, les modèles de diffusion (TabSyn, TabDiff, TabDDPM) sont en tête, mais en pratique, les CTGAN et TVAE sont établis en raison d’une meilleure implémentabilité et maniabilité.

  Aperçu de l’architecture :

  CTGAN : Un GAN conditionnel avec générateur et discriminateur qui s’améliorent mutuellement. Le générateur produit des données synthétiques réalistes, le discriminateur distingue le réel de l’artificiel. « Conditional » permet de fixer des attributs (par exemple, pays = Royaume-Uni), « Tabular » signifie des optimisations spéciales pour les données tabulaires.

  TVAE : Un autoencodeur variationnel qui encode les données en représentations latentes probabilistes (moyenne μ et écart-type σ), puis les échantillonne à partir de cette distribution normale et les décode. Inconvénient : pas de conditionnement direct possible (doit filtrer après coup).

  Aide à la décision :

  • CTGAN mieux adapté aux motifs catégorisés complexes, aux données déséquilibrées et aux grands volumes de données
  • TVAE plus stable à l’entraînement, plus rapide à régler, moins de surapprentissage sur petits volumes, bon pour les motifs continus

  Implémentation pratique (Python avec package SDV) :

  Installation : pip install sdv pandas scikit-learn jupyter-lab

  Schéma de base :

  1. Charger les données, les diviser en ensembles d’entraînement et de test
  2. Créer les métadonnées, marquer la colonne cible comme catégorique
  3. Initialiser le synthétiseur (CTGAN ou TVAE) et l’entraîner sur les données d’entraînement
  4. Appeler synthesizer.sample(n) pour générer

  Applications démontrées :

  • Exemple de base (ensemble de données sur le cancer du sein) : Entraîner un classificateur Random Forest sur les données originales vs. synthétiques vs. combinées. Résultat : performance variable, TVAE fournit de meilleures données synthétiques que CTGAN sur petits volumes.
  • Équilibrage des classes : Avec des classes déséquilibrées (par exemple, 166 vs 289 instances), générer et ajouter des données synthétiques de la classe minoritaire. Avec CTGAN, utiliser condition() pour forcer directement la classe cible ; avec TVAE, filtrer.
  • Entraîner sur des cas rares : Utiliser uniquement les lignes avec des valeurs rares (par exemple, prix de maison > 4,5) comme base d’entraînement pour le synthétiseur, générer des instances synthétiques, ajouter à l’ensemble de données → performance améliorée sur les cas rares en test.
  • Test de cas limites : Générer des données de test synthétiques avec des combinaisons extrêmes/rares (revenus médians élevés, peu de pièces) et tester le modèle sans disposer de vraies données limite.

  La vidéo souligne que les données synthétiques ne garantissent pas une amélioration des performances ; l’utilité principale réside dans la confidentialité, l’équilibrage et la robustesse plutôt que la performance primaire.

  Approfondissement avec orientation pratique du codage ; les CTGANs et TVAEs sont implémentés via le package SDV (Synthetic Data Vault).

• Web Scraping Made Easy – Scraper Studio and Python
  8.7.2026, 16:00:23

  Web scraping automatisé avec Scraper Studio

  La vidéo démontre Scraper Studio de Bright Data, un outil pour l’automatisation du web scraping utilisant des prompts IA au lieu du codage manuel.

  Problème principal du scraping classique : Les sites web modifient régulièrement leur structure (classes CSS, balises HTML), ce qui casse les scrapers et nécessite des réparations manuelles.

  Approche de Scraper Studio :

  • Vous fournissez une URL du site et une description en langage naturel (par exemple, « Extraire les titres d’articles, les commentaires et l’heure de publication »)
  • L’outil génère automatiquement un scraper fonctionnel sous forme de code
  • Vous conservez l’accès et le contrôle du code généré
  • Optionnel : accès direct à une bibliothèque de scrapers avec des scrapers prédéfinis (LinkedIn, Instagram, sites e-commerce)

  Exemples pratiques dans la vidéo :

  1. Hacker News : Scraper pour les articles avec titre, nombre de commentaires, commentaire principal et heure de publication
  2. Newegg : Scraper pour les ordinateurs de bureau avec nom, prix et pourcentage d’économies
  3. Page personnalisée : Modification volontaire de la structure du site pour montrer la fonction d’auto-réparation

  Fonction d’auto-réparation (fonctionnalité clé) :

  Lorsqu’un scraper casse en raison de changements de site, vous pouvez utiliser l’option « Self-Healing » dans l’onglet de code, entrer une description d’erreur et l’outil répare automatiquement le scraper. Il affiche une vue diff des changements (par exemple, product → item, title → name) et enregistre la version corrigée.

  Intégration API : Les scrapers peuvent être contrôlés via Python et des demandes API — vous envoyez une demande, recevez un ID de collection en retour et interrogez régulièrement jusqu’à ce que les résultats soient disponibles en JSON ou CSV.

  Avantage global : Gain de temps lors de la configuration initiale du scraper, mais surtout maintenance et réparation automatiques lors des changements de site sans débogage manuel.

  Bright Data Scraper Studio (démonstration/tutoriel avec outil assisté par IA), difficulté standard.

• Financial Risk & Performance Metrics in Python
  6.7.2026, 16:00:30

  Résumé : Métriques de risque financier et de performance en Python avec Empirical

  La vidéo montre comment calculer des indicateurs financiers tels que le ratio de Sharpe, le ratio de Calmar, l’alpha, le bêta, la volatilité annualisée et les rendements annualisés avec le package Python Empirical Reloaded. Empirical Reloaded est une continuation maintenansée de l’évolution originale des packages Quantopian qui ne sont plus entretenus (Zipline, Pyfolio et Empirical).

  Configuration : Après l’installation d’Empirical Reloaded, yfinance et Jupyter Lab, les données sont téléchargées via Yahoo Finance. La vidéo utilise l’exemple de l’action Apple (AAPL) de 2020 à 2024. Les rendements quotidiens (ou ré-échantillonnés hebdomadaires/mensuels) sont calculés à partir des prix de clôture.

  Métriques fondamentales : Avec emp.sharpe_ratio(returns) par exemple, vous obtenez le ratio de Sharpe (0,89 dans l’exemple). Autres fonctions : sortino_ratio() (prenant en compte uniquement la volatilité à la baisse), cumulative_returns(), annual_return(), annual_volatility(), aggregate_returns() (agrégation mensuelle) et max_drawdown() (plus grande baisse de pic à creux).

  Avec benchmark : Pour calculer l’alpha et le bêta, vous avez besoin d’une série de benchmark (par exemple, SPY pour l’S&P 500). Après l’alignement des fenêtres de dates, utilisez emp.alpha_beta(strategy_returns, benchmark_returns) et obtenez des métriques sur le mouvement du marché relatif au benchmark.

  Application pratique : Le créateur montre une fonction qui calcule plusieurs métriques à la fois dans un DataFrame Pandas — utile pour évaluer différents actifs ou pour une analyse automatisée.

  La vidéo traite exclusivement d’Empirical Reloaded (Python), pas d’autres frameworks — tutoriel avec approche pratique et fondamentale.

Nic Conley

Aucune nouvelle vidéo au cours de cette période.

Nick Saraev (5 nouvelles vidéos)

• $20,354/m, solo, while working a 9-to-5
  10.7.2026, 04:52:14

  Justin Lob, propriétaire d’une agence AI-Automation, a généré jusqu’à 20 354 dollars par mois (février 2025) lors de sa première année d’activité, tout en conservant son emploi à temps plein. Il insiste sur le fait que la clé du succès réside dans la concentration sur les bonnes activités – et non sur la dernière technologie à la mode.

  Modèle commercial et outils : Justin travaille comme fondateur solo avec une stack technologique volontairement simple : un CRM personnalisé dans Airtable, ClickUp pour la gestion de projet et un site web pour les réservations. Il est agnostique envers les outils et utilise ce qui fonctionne pour le client – pas nécessairement le plus récent du marché. Il souligne que la plupart des entreprises n’ont pas besoin de solutions complexes comme les agents IA ou des outils spécialisés cloud-coding, mais simplement de systèmes qui fonctionnent.

  Génération de leads et vente : Le secret de Justin était de se concentrer sur les appels commerciaux. Il envoie quotidiennement trois candidatures Upwork, mène des campagnes d’email à froid et priorise la mise en avant de clients potentiels lors d’appels. Plutôt que de disqualifier rapidement, il qualifie à la fin de l’appel – beaucoup de leads apparemment mauvais sont devenus d’excellents clients. Sa première opportunité est arrivée après environ 20-25 jours de candidatures quotidiennes Upwork (projet de 5 000 dollars). Puis un client retainer de 5 000 dollars par mois a suivi, issu de la communauté Maker School.

  Croissance et erreurs : Justin a rapidement appris qu’il devait trouver sa limite en continuant à accepter les appels commerciaux jusqu’à ce que les retards d’exécution s’accumulent. Une erreur précoce : un SMS envoyé à 5 000 contacts avec son nom d’utilisateur au lieu du nom du client – ce dernier lui a pardonné. La leçon : les premiers clients servent à acquérir des compétences, des témoignages et des partenariats, pas à maximiser le profit.

  Tarification et retainers : Justin utilise des projets à forfait (50% d’avance, 50% à la livraison) et les convertit ensuite en retainers (souvent 3 250 dollars/mois pour viser 25k/mois avec 8 clients). Il décale la proposition de valeur des simples heures vers les livrables plus les modules supplémentaires (appels stratégiques, support Slack).

  Mentalité et discipline : Le mantra « Don’t break the chain » a aidé Justin à effectuer quotidiennement trois candidatures Upwork + des campagnes d’email à froid – visible sur un calendrier X affiché au bureau. Il cite le livre « The Dip » de Seth Godin : après une phase initiale de revenus, une période creuse de 3-4 mois a suivi ; il aurait presque abandonné, mais persévérer a conduit à la percée. Entre janvier et mars 2025, il a dépassé son salaire sur trois mois consécutifs – puis il a démissionné.

  Conseils clés : Optimisez d’abord pour la vente (haut de l’entonnoir), pas pour l’exécution ou les outils parfaits. Établissez une habitude quotidienne et ne rompsez pas la chaîne. Soyez exceptionnellement utile pour les premiers clients. Utilisez les communautés – Justin a payé quelqu’un de la communauté pour configurer l’email à froid.

  La vidéo traite d’un modèle freelance solo réussi dans l’espace AI-Automation (Upwork, Make.com, Airtable, ClickUp) sans outils d’agents ou de code spécifiques. Format : interview/opinion ; difficulté : débutant à intermédiaire – leçons pratiques de commerce et vente sans profondeur technique.

• How to Use Fable In Every Aspect Of Your Life
  9.7.2026, 04:42:52

  Résumé :

  L’auteur présente un système simple d’optimisation de workflow : Un logiciel (ici Fable) capture des captures d’écran toutes les 5 secondes, les stocke quotidiennement, les résume via un modèle peu coûteux et identifie les comportements improductifs récurrents. Ceux-ci sont documentés dans un registre d’observation, et l’IA est régulièrement interrogée sur la façon de simplifier le flux de travail.

  Optimisations concrètes obtenues en moins d’une heure de screentime : Un digest matinal au lieu de boucles de polling multiples pour récupérer des mises à jour ; un système de touches de raccourci pour capturer plus rapidement les idées (au lieu de 5-10 minutes quotidiennes, maintenant juste une touche et une dictée) ; meilleure visibilité inter-équipes dans le gestionnaire de projet. Un autre exemple : passage d’un logiciel de transcription vocale coûteux (coûts mensuels, latence 250ms par utilisation) à une solution locale (50ms, gratuit), ce qui économise 15 euros par mois et gagne plusieurs minutes par jour grâce à un traitement plus rapide.

  L’auteur soutient que ces petites inefficacités s’additionnent pour créer des pertes économiques significatives et que les organisations bénéficieraient grandement d’appliquer cette approche aux nouveaux employés. Le système consomme environ 8 640 lignes de texte de métadonnées (pratiquement gratuit), échantillonne environ 20 images pour les capacités de vision et confirme les schémas après 3-4 répétitions avant de proposer des améliorations. Le processus peut s’exécuter en arrière-plan, environ une fois par jour, pour économiser les limites de session Fable. L’auteur promet de fournir le script et les fichiers nécessaires.

  Conclusion : Fable a été mentionnée concrètement comme IA d’exemple pour cette approche ; le format est une opinion/réflexion avec un focus sur les cas d’usage pratiques.

• Fable 5 Is Back. Use It To Print With These $10K Websites
  7.7.2026, 18:11:23

  Claude Fable 5 : Stratégie de prompt de génération infinie de sites web

  Le créateur montre une expérience où Claude Fable 5 a créé indépendamment 25 sites web de haute qualité avec des techniques visuelles avancées – sans structure préfabriquée ni instructions itératives. L’insight central : au lieu d’utiliser des cadres détaillés étape par étape, il s’agit de « sortir de la route » du modèle et de l’équiper d’un objectif clair et d’accès à des outils.

  La stratégie de prompt consistait à donner à Fable un grand objectif autonome (25 sites web différents, trois passes d’itération, hébergement sur Netlify) et à lui fournir l’accès à plusieurs outils : Pinterest pour l’inspiration visuelle, Higgsfield MCP pour la génération vidéo et animation, GPT pour l’édition d’image, ainsi que Chrome DevTools MCP pour la vérification. Le prompt contenait aussi des techniques concrètes souhaitées (3D, shaders, polices personnalisées, animations), mais encourageait le modèle à trouver ses propres chemins.

  Le résultat : Fable a créé indépendamment des designs complexes – essaims de particules 3D, mini-jeux intégrés, polices variables, visualisations réactives à l’audio, paysages urbains procéduraux – tout sans intervention manuelle. La parallélisation via sub-agents a entraîné environ une minute par site web. Le créateur souligne que la qualité était étonnamment élevée, précisément parce qu’il n’avait pas essayé d’imposer son goût « top-down ».

  Exemples concrets dans la vidéo : site d’histoire (époques géologiques), « Murmur » (effet flou-au-focus avec couche audio), visualisations réactives à l’audio, un design Y2K millénium, ainsi qu’une rotation de chaise 3D générée par IA, qui fait allusion à un modèle potentiel de montée en puissance Shopify. Le créateur prévoit de répéter cela une semaine pour générer des milliers de sites web et les fournir gratuitement – une stratégie d’arbitrage de tokens pour son audience.

  Claude Fable 5, démo avec application pratique.

• NEW Fable 5 API Usage Exploit (Reduce Costs Immediately)
  7.7.2026, 03:30:00

  Le créateur montre une astuce pour économiser des tokens Claude avec Fable : au lieu de passer de longues informations contextuelles sous forme de texte, elles sont rendues sous forme d’images avec une écriture très petite mais lisible. Cela exploite la différence de structure tarifaire – les coûts des images sont calculés selon les dimensions des pixels, pas selon la quantité de texte. Dans le test, cela économise environ 30% des tokens d’entrée (démonstration : de 59 822 à 38 142 tokens dans un prompt, soit 33% d’économie = 1,03$ à 0,69$).

  Le créateur montre ensuite comment automatiser cela : un script Python (pxpipe.py) prend de longs prompts, les convertit en images et les envoie à Claude Fable 5. Pour les tâches basées sur les connaissances (comme la recherche de texte et la liaison), l’économie est significativement plus élevée – dans le deuxième test 68,7% moins de tokens d’entrée (réduction de coûts de 59%). Le code est fourni en téléchargement.

  Claude Fable 5 / Démo

• The BEST AI Video Strategy No One Is Using
  6.7.2026, 12:30:21

  Production vidéo IA avec modèles vidéo-à-vidéo : workflow et mise en œuvre pratique

  Le créateur montre un workflow end-to-end pour la production de vidéos IA à grande échelle, allant bien au-delà de la simple génération texte-à-vidéo. La clé est d’utiliser du matériel vidéo existant et de le modifier légèrement avec des prompts ciblés, au lieu de générer complètement de nouvelles vidéos – c’est cognitivement beaucoup moins complexe et fournit de meilleurs résultats.

  Le workflow en trois étapes :

  1. Vidéo source (environ 10 secondes) : Une vidéo auto-enregistrée qui contient un déclencheur clair et programmé (par exemple, un claquement de doigts). Ce déclencheur marque le point où l’IA doit effectuer une modification.
  1. Prompt ultra-spécifique : Le prompt doit spécifier exactement quand (horodatage, par ex. « à 2,9 secondes ») et exactement ce qui doit arriver (par ex. « changer la tenue en un sweat à capuche avec chaîne »). Les instructions vagues ne fonctionnent pas.
  1. Modèle vidéo-à-vidéo : Des modèles comme Gemini Omni ou Kling permettent d’utiliser du matériel vidéo réel comme entrée et de le modifier avec précision. Ceci se distingue fondamentalement des générateurs vidéo standard, qui travaillent à partir du texte et de rien.

  Conseils pratiques :

  • Une seule génération coûte en moyenne 50 cents, il est donc judicieux de générer cinq versions simultanément pour choisir la meilleure (elles ne fonctionneront pas toutes correctement du premier coup – taux de réussite moyen 20% par tentative).
  • La qualité de sortie est de 720p, ce qui est bas pour les plateformes vidéo modernes. L’astuce : masquer la rupture de qualité par une coupure rapide vers une autre scène (par ex. partage d’écran au lieu de talking head), afin que le spectateur ne remarque pas la compression.
  • La vidéo IA est mélangée dans un éditeur comme Premiere Pro avec d’autre matériel.

  Automatisation du workflow : L’ensemble peut être automatisé avec Claude Code ou Codex ainsi que le MCP (Model Context Protocol) de Higgsfield, pour générer automatiquement dix variantes par exemple et sélectionner la meilleure.

  Le créateur démontre l’utilisation pratique dans Higgsfield et montre les différences visuelles entre le matériel original et celui édité par IA – les différences sont subtiles et n’atteignent pas l’uncanny valley. Un cas d’usage réel : une personne gagnant des millions produit ainsi 2 000+ vidéos IA par semaine. Le grand avantage : presque personne n’utilise cette technique intensivement actuellement, bien qu’elle soit extrêmement efficace pour les annonces et le contenu organique.

  Outils et modèles mentionnés : Gemini Omni (Google), Kling, Higgsfield (plateforme agrégateur de modèles), Premiere Pro (éditeur vidéo), Claude / Codex (pour l’automatisation via MCP). — Tutoriel avec démo pratique.

Niklas Steenfatt (2 nouvelles vidéos)

• COURS HERMES COMPLET (Débutant à Expert!!)
  10.7.2026, 11:59:44

  Résumé: Cours complet sur les agents IA avec Hermes

  Ce tutoriel détaillé montre comment construire un agent IA autonome appelé Hermes, accessible 24/7 via Telegram en tant qu’assistant et pouvant être connecté à différents outils.

  Concepts fondamentaux

  Le cours commence par l’évolution de l’IA : des interfaces de chat réactives (ChatGPT, Claude, Gemini) aux systèmes générateurs de code, jusqu’aux agents IA autonomes comme Hermes et OpenCoder. La différence centrale : les agents travaillent de manière indépendante, proactive et peuvent mémoriser des compétences.

  Configuration et installation

  Le démarrage le plus simple se fait via Managed Hermes de Hostinger (environ 6 €/mois), qui gère l’infrastructure et les mises à jour. Vous devez prendre deux décisions : (1) Où l’agent s’exécute (ordinateur local, serveur personnel ou Managed), et (2) quel modèle IA comme « cerveau » (modèles locaux, Cloud open-source comme Ollama, ou modèles commerciaux comme GPT via abonnement personnel). Recommandation : Managed Hermes + abonnement ChatGPT, car c’est sûr, contrôlé en coûts et intelligent.

  Configuration et personnalisation

  Après l’enregistrement, vous connectez l’agent via Telegram en créant un bot via BotFather et en enregistrant votre ID utilisateur. Le concept clé est « Reverse Prompting » : au lieu de simplement donner des ordres, vous informez l’agent en détail sur vous-même. L’agent mémorise ensuite automatiquement les informations de profil (User.md), une définition de personnalité (Soul.md) et des notes de collaboration. Cela permet un vrai apprentissage et une meilleure collaboration dans le temps.

  Skills et automatisation

  Un point fort de Hermes : il crée automatiquement des Skills – des recettes pour les tâches fréquentes. Au lieu d’itérer à zéro chaque fois, il réutilise ses connaissances, économise des tokens et devient plus efficace. Vous pouvez désactiver les Skills au besoin. Les tâches récurrentes (Cronjobs) permettent des actions autonomes : rapports quotidiens d’actualités IA, réflexions hebdomadaires ou surveillance de chaînes YouTube toutes les heures – tout sans intervention manuelle.

  Intégration d’outils

  L’agent acquiert une utilité pratique grâce aux connexions avec des services externes :

  • Oxylabs + Web Research : L’agent mène ses propres recherches sur Internet et crée des rapports détaillés; les résumés courts arrivent dans le chat Telegram, les versions longues dans Notion.
  • Excalidor : Crée automatiquement des diagrammes, des slides et des visualisations (par ex. des diagrammes explicatifs).
  • Text-to-Speech & Speech-to-Text : Messages vocaux possibles, configuration de la voix réglable en allemand.
  • Notion : Documentation sécurisée des informations dans un espace de travail agent distinct avec accès en lecture uniquement à cette page.
  • Email : Hermes reçoit son propre compte email (par ex. hermes@stehenfahrt.org) pour une communication sécurisée et isolée.
  • Google Calendar : Accès via OAuth; l’agent peut créer des entrées (par ex. remplir automatiquement un agenda PDF avec les entrées du calendrier).
  • GitHub : Sauvegarde quotidienne des fichiers Soul, Skills, Config et Memory dans un dépôt privé – sauvegarde des données et migration potentielle vers d’autres agents.
  • Hostinger MCP + Hix : L’agent programme de petites applications web (par ex. visualiseur de conversation) et les déploie sur des URLs publiques – tout initié par message vocal.

  Sécurité et bonnes pratiques

  Le cours souligne quatre règles : (1) Principle of Least Privilege : Accès uniquement nécessaires (par ex. seulement l’espace de travail agent dans Notion, pas le compte entier). (2) Garder la compréhension : Ne pas donner aveuglément tâche après tâche, mais comprendre ce que fait l’agent. (3) Modèles modernes pour les tâches critiques : Les modèles OpenAI/Anthropic plus récents sont mieux sécurisés. (4) Mises à jour : Managed Hermes est maintenu automatiquement; les installations serveur personnelles exigent de la responsabilité.

  Fonctionnalités avancées

  • Tableau Kanban : Alternative à Telegram pour la gestion des tâches.
  • Essaim d’agents : Plusieurs sous-agents dans le même plan Hostinger avec leurs propres profils et comptes Telegram.
  • Application de bureau : Hermes localement sur Windows/Mac/Linux, optionnellement connecté à une instance distante.

  Mentalité centrale

  Traiter l’agent comme un nouvel employé : l’intégrer, le faire connaître, réfléchir régulièrement aux tâches que vous pouvez lui confier. L’apprentissage est progressif – après quelques semaines, l’agent est sensiblement meilleur que le premier jour. L’avantage pratique : disponibilité 24/7, recherche rapide, automatisation des tâches récurrentes, programmation de petits outils.

  Outils/prestataires thématisés : Hermes, Hostinger Managed Hermes, ChatGPT (OpenAI), Notion, Telegram, Google Calendar, GitHub, Oxylabs, Excalidor, 11 Labs (mentionné). Format : Tutoriel avec démonstrations pratiques en direct, certaines erreurs documentées de manière authentique (par ex. problèmes de connexion lors de l’intégration email). Niveau : Convivial pour les débutants, progression graduelle, toutes les étapes compréhensibles – aucune connaissance technique approfondie requise, mais une volonté d’expérimenter utile.

• Je reprogramme!!
  5.7.2026, 16:48:48

  Résumé :

  Le workflow résout un problème central du travail avec des agents IA : quand l’ordinateur portable local est fermé ou la connexion Internet se coupe, la session de l’agent s’arrête. La solution utilise un serveur Linux distant sur lequel les agents IA peuvent continuer à travailler en continu.

  La configuration fonctionne comme suit : le développeur travaille localement dans VS Code avec plusieurs agents IA (Codex, Claude, Gemini) en parallèle dans différentes branches Git. Pour cela, la fonction Git Worktrees est utilisée – chaque agent reçoit son propre Worktree, de sorte que plusieurs branches peuvent exister simultanément dans différents répertoires sans se bloquer mutuellement. Un script personnalisé appelé “Vibe” automatise la gestion : vibe codex démarre une nouvelle branche et Worktree pour l’agent.

  Quand le développeur doit partir, il donne à l’agent la commande de passation. Celui-ci pousse tous les changements locaux vers Git, crée une Pull Request et laisse des notes dans un fichier Markdown de passation. Ensuite, le même agent ou un autre peut continuer sur le serveur distant – indépendamment de la connexion Internet ou des sessions locales ouvertes. Le script détecte automatiquement s’il fonctionne sur Mac ou Linux et utilise tmux (terminal virtuel) pour préserver les sessions serveur, même si VS Code se déconnecte.

  Implémentation pratique : (1) Louer un serveur Linux avec des outils CLI préinstallés (ici : Hostinger), (2) Connecter VS Code au serveur via SSH (Extension Remote SSH), (3) Cloner le dépôt Git sur le serveur, (4) Enregistrer les espaces de travail VS Code (locaux et distants séparément), (5) Écrire un script Bash qui affiche l’état de l’agent et gère les passations, (6) Expliquer à l’agent via README/documentation agent qu’il fonctionne sur différents appareils et quand utiliser tmux ou les notes de passation.

  L’idée centrale : les tutoriels IA modernes n’ont plus besoin de montrer chaque étape – vous pouvez simplement laisser l’IA regarder la vidéo et lui demander de reconstruire le workflow. Cela montre un changement dans l’expertise des développeurs : non plus des connaissances détaillées sur le code, mais la capacité à donner aux agents IA les bonnes tâches.

  Conclusion : Opinion/réflexion sur le développement à distance avec des agents IA (Codex, Claude, Gemini mentionnés) utilisant Git Worktrees et tmux – l’accent mis sur la productivité et l’optimisation du workflow.

No Priors: AI, Machine Learning, Tech, & Startups (1 nouvelle vidéo)

• Travel Through the Lens of AI with with Booking.com CEO Glenn Fogel
  9.7.2026, 10:00:16

  Glenn Fogle, PDG de Booking Holdings, revient dans cette interview sur ses 27 années de carrière au sein de l’entreprise, les parallèles entre le boom d’Internet de la fin des années 1990 et la vague d’IA actuelle, ainsi que le rôle concret de l’IA dans l’industrie du voyage.

  Carrière et histoire de l’entreprise : Fogle a rejoint Priceline en 2000, alors que l’entreprise avait chuté de 30 milliards à quelques centaines de millions de dollars de capitalisation boursière après le krach du Nasdaq, l’action se négociant à un dollar. Après un regroupement d’actions, le titre s’élève désormais à près de 6 000 dollars – une multiplication par mille. Fogle souligne qu’il est resté investi pendant la période de crise initiale au lieu de vendre.

  IA et voyage : Fogle soutient que la décision d’OpenAI de se retirer du commerce du voyage était moins significative qu’on ne l’a souvent présenté. L’idée fausse majeure de l’extérieur serait que l’IA pourrait simplement rendre toute l’industrie obsolète. En réalité, il considère l’IA comme un outil pour accomplir leur mission fondamentale : simplifier les voyages pour les clients. Booking développe des systèmes basés sur des agents comme « Penny » pour Priceline, qui automatisent la planification complexe de voyages avec plusieurs destinations, les choix de vols et les décisions hôtelières – comme un concierge humain, mais avec une mémoire et une capacité de calcul illimitées.

  Effets d’échelle et complexité économique : Penny double chaque mois, augmente les conversions et réduit les annulations, mais reste minuscule par rapport aux 86 milliards de dollars de réservations annuelles. Fogle souligne la complexité sous-estimée de l’industrie du voyage : Booking.com compte plus de 8,6 millions d’annonces d’hébergement (comparable à Airbnb à l’échelle mondiale), mais gère également un énorme secteur hôtelier. La gestion de milliers de partenaires, les traductions en plus de 40 langues et la réglementation mondiale complexe nécessitent une infrastructure considérable – un avantage que les nouveaux concurrents nés de l’IA ne peuvent pas simplement reproduire. Néanmoins, Fogle prévient : « There is no moat. There is no such thing as somewhere you’re going to be protected against innovation. » La seule stratégie est l’innovation quotidienne et l’amélioration continue de l’expérience client pour les voyageurs et les partenaires.

  Investissements et allocation du capital : Booking réinvestit environ 700 millions de dollars par an en IA, technologie et diverses initiatives, tout en rachetant environ 40% des actions en circulation et en versant des dividendes. Fogle suit la règle : investir d’abord dans les projets à ROI positif, envisager ensuite les acquisitions, sinon restituer le capital aux actionnaires.

  Perte d’emplois et défi sociétal : Fogle reconnaît que la technologie a historiquement déplacé des emplois (exemple : la traduction automatisée a remplacé des équipes de traducteurs pour 40 langues), mais en crée aussi – bien que pas nécessairement au même rythme. Son principal problème est le déplacement des travailleurs d’âge moyen (par exemple, les camionneurs lors de l’automatisation) qui ont du mal à se recycler. Il insiste sur la responsabilité des entreprises par le biais de formations en littératie IA et de montée en compétences, mais il avertit que les programmes de reconversion étatiques précédents se sont avérés inefficaces. Il craint que le rejet sociétal de la technologie par peur ne désavantage les États-Unis face à d’autres pays (en particulier la Chine).

  Perspective guidée par la mission : Fogle relie sa carrière à l’objectif que les voyages enrichissent la vie et relient les cultures – « make it easier for everybody to experience the world ». Il conseille aux jeunes de choisir judicieusement ce sur quoi investir leur temps de vie limité, et de ne pas suivre aveuglément les chemins établis.

  L’interview couvre l’IA/Large Language Models (LLMs), les architectures d’agents et Booking Holdings ainsi que ses filiales — Interview/Deep-Dive.

Productive Dude (2 nouvelles vidéos)

• Claude Fable Redesigned our App! (and we got blocked 😡)
  8.7.2026, 13:00:28

  Le créateur utilise Claude Fable pour redesigner complètement le backend du site web AI-Foundations et la page d’accueil. Point de départ : une homepage attrayante mais mal structurée et un backend désorganisé pour les utilisateurs avec des menus de navigation cachés.

  Première étape avec Fable : Un large PRD (Product Requirements Document) est saisi pour améliorer la nouvelle expérience utilisateur – notamment la section « Your Path », qui doit être personnalisée pour différents groupes cibles. Fable génère automatiquement six agents pour analyser différents domaines (Paiements, Réalisations, Analyse, Réservations, Progression des cours, CRM). Le résultat : une structure de tableau de bord beaucoup plus claire avec des onglets pour « Your Path » (onboarding et roadmap personnalisés), Cours et Ressources – le tout dans une seule app sans rafraîchissements de page.

  Deuxième étape – Audit UI/Styling : Fable est utilisé pour un audit design complet. Il détecte des incohérences critiques : 40 implémentations modales différentes, 205 valeurs hex codées en dur, 132 champs de formulaire créés manuellement, 75+ boutons sans uniformité. Quatre agents auditeurs spécialisés s’occupent des jetons CSS, de l’animation, des index z, des composants et des superpositions. S’ensuit une refactorisation et l’ajout d’une préférence de taille application (Compact/Standard/Large), plus une nouvelle barre de recherche.

  Troisième étape – Audit Sécurité (Bloqué) : Quand le créateur tente d’utiliser Fable pour un audit complet de sécurité et de performance, il est bloqué par les garde-fous d’Anthropic – Fable refuse de traiter le prompt axé sur la sécurité et propose plutôt Opus. Le créateur soupçonne un classificateur qui filtre automatiquement les tâches liées à la sécurité. Opus 4.8 exécute alors les tâches de sécurité.

  Conclusion : L’approche multi-agents de Fable fonctionne excellemment pour la refonte de produits et la refactorisation de code, mais les politiques de sécurité d’Anthropic empêchent les tests de pénétration approfondie, même sur le code personnel.

  Claude Fable ; Démo.

• Claude Design FULL Tutorial: Beginner to Pro
  7.7.2026, 13:00:19

  Résumé : Tutoriel ultime Claude Design pour 2026

  La vidéo est un tutoriel complet sur Claude Design, allant de la structure fondamentale au déploiement en direct d’une solution commerciale complète.

  Fondamentaux – Créer un système de design :

  La première étape consiste à se connecter à Claude.ai et à accéder à Claude Design via l’application de bureau. Un système de design est créé avec le nom de l’entreprise, un descriptif, les polices, les couleurs et les ressources (logos, polices). Le créateur utilise Higsfield avec le modèle Recraft-V3.1 en mode vecteur pour générer des logos SVG infiniment redimensionnables. Avec Claude Chat (Sonnet 3.5 Medium), des combinaisons de polices Google et des palettes de couleurs sont proposées – pour l’exemple Apex Roofing : schéma de couleurs Slate-Rust et polices comme Merriweather/Open Sans.

  Génération de site web :

  Dans le nouveau projet de design, Claude est chargé de créer une landing page avec section Hero, formulaire d’offre gratuit, zone de services, section localisation et navigation avec liens d’ancrage. Claude pose des questions sur les services (toiture, remplacement, nouvelle construction), les signaux de confiance (notation A+, BBB, 500+ évaluations 4,7 étoiles), les zones de service (Kazoo, Portage, etc.) et les champs de formulaire. Le système génère automatiquement des espaces réservés d’images avec des prompts et des rapports d’aspect. Avec Higsfield (Cdream 4.5, 4K), toutes les images demandées sont créées et intégrées – le site contient également des pages de services séparées.

  Générateur de vidéo publicitaire :

  Via le modèle d’animation, Claude Design crée un studio de publicité avec différents formats pour Facebook/Meta/Instagram. Avec Claude Chat, des meilleurs prompts vidéo sont générés, affichant une narration du problème à la solution (par ex. dégât d’eau → réparation → client heureux). Avec Higsfield (rapport 9×6), les images de ces scènes sont générées, puis converties en vidéos avec Kling 3.0 dans l’onglet Vidéo. Claude Design les assemble ensuite en une annonce de 15 secondes avec transitions et appel à l’action.

  Présentations et documents :

  Le modèle Slides génère un pitch deck avec couleurs de bardeau, spécifications et images (format galerie). Le modèle Document crée un contrat client signable avec des éléments de marque et des champs modifiables.

  Déploiement et consolidation :

  Tous les éléments (site web, documents, decks, générateur de publicités) sont exportés vers un dépôt unifié via « Partager → Envoyer à Claude Code ». Claude Code l’organise en un répertoire avec des sous-dossiers Système de design, Site web, Outils et des Claude Skills (Générateur de documents, Créateur de deck, Créateur de vidéo publicitaire, Qualificateur de leads). Avec le connecteur Netlify, le site web est déployé en direct – l’URL est générée. Dans le tableau de bord Netlify, les variables d’environnement (admin_username, admin_password) sont définies. Après redéploiement, un panneau d’administration est actif affichant les leads entrants.

  Résultat :

  Une solution commerciale complète et cohérente en termes de marque : site web en direct avec capture de leads, tableau de bord administrateur, outils de design réutilisables et publicités vidéo générées – tout sans outils de design ou vidéo traditionnels.

  Ont été abordés Claude (avec Sonnet 3.5, Opus 4.8), Higsfield avec Recraft/Cdream/Kling, Netlify et Claude Code — format tutoriel/démo avec une profondeur pratique pour les designers et propriétaires d’entreprises.

Sebastien Dubois

Aucune nouvelle vidéo au cours de cette période.

Simone Rizzo (2 nouvelles vidéos)

• Il nuovo ChatGPT, la svolta di Meta e il salto di Grok: ecco cosa devi sapere
  11.7.2026, 15:33:47

  Résumé : Aperçu des nouveaux modèles Frontier

  La vidéo présente quatre nouveaux modèles d’IA publiés ces derniers jours :

  Meta Muse Spark 1.1 : Le successeur du prédécesseur faible montre des améliorations considérables – notamment au niveau de la fenêtre contextuelle (maintenant 1 million de tokens au lieu de 260 000) et de la capacité d’utilisation d’ordinateur. Le modèle se distingue par le fait qu’il n’exécute pas les clics pas à pas, mais génère automatiquement du code pour exécuter plusieurs actions par lot. La multimodalité est forte, et le modèle se positionne à bas coût dans l’indice Artificial Analysis. Meta accuse plusieurs mois de retard par rapport aux principaux concurrents, mais avec ses données d’Instagram et Facebook, il pourrait marquer des points dans les applications multimodales.

  Grock 4.5 d’Elon Musk (xAI) : Le modèle se positionne entre GPT 5.5 et Opus 4.8, mais n’atteint pas les performances de Fable ou GPT 5.6. L’avantage décisif réside dans la vitesse (93 tokens/seconde en sortie) et le prix très bas (0,31 dollar par tâche). La clé du progrès de Grock a été l’acquisition de Cursor par Musk – une entreprise d’agents de codage qui a apporté des données d’entraînement de haute qualité et une expertise.

  Nouvelle famille GPT-5.6 d’OpenAI (Sol, Terra, Luna) : Sol est la variante la plus intelligente et est en tête des tests comme Arc et ARC-AGI (92,5% sur ARC AGI 2). Le modèle excelle en codage (meilleur que Fable 5 et Grock 4.5), génère des documents, tableaux et graphiques mieux formatés. Important : Sol n’a pas de restriction comme Fable et n’est pas limité à un petit groupe d’utilisateurs (projet Grasswing). Les mesures de sécurité ont été intensivement testées (700 000 heures GPU de test adversarial), bloquant 10 fois plus d’attaques potentielles qu’auparavant – cependant, Sol a déjà été compromis quelques jours après sa sortie via des techniques de jailbreak (Unicode, cyrillique).

  Évaluation globale : Malgré plusieurs nouveaux lancements, il n’y a pas de saut dramatique en intelligence – la plupart des modèles convergent plutôt vers Fable 5 ou restent en dessous d’Opus 4.8. GPT 5.6 Sol se rapproche le plus de Fable 5, mais ne la surpasse pas nettement. Google Gemini reste étonnamment loin derrière.

  Outils/fournisseurs traités : Meta (Muse Spark), xAI/Elon Musk (Grock), OpenAI (GPT 5.6 Sol/Terra/Luna), Anthropic (Fable, Opus), Cursor (Coding Agent), GLM 5.2 (Chine). Format : Opinion/Réflexion (comparative).

• Se usi ancora i prompt… devi vedere questa evoluzione
  7.7.2026, 16:51:25

  Résumé : Loop Engineering

  La vidéo couvre l’évolution du Prompt Engineering via Context Engineering et Harness Engineering jusqu’à la tendance actuelle du Loop Engineering.

  Aperçu historique :

  • Prompt Engineering : Rédaction de prompts système avec des instructions précises pour le modèle.
  • Context Engineering : Le modèle devient un agent qui utilise des outils (Web, Fichiers, Apps via MCP), ce qui remplit la fenêtre contextuelle. Problème : Au-delà de 200 000 tokens, la performance se dégrade drastiquement (Context Rot).
  • Harness Engineering : Structure externe qui divise les tâches en sous-tâches et utilise des fichiers Markdown (memory.md, agents.md) comme stockage persistant plutôt que de compresser constamment le contexte. Exemple : OpenClow utilise un système de mémoire sophistiqué avec recherche sémantique.

  Loop Engineering – la nouveauté :

  Boris Cerni et Peter Steinberger préconisent : il ne faut plus rédiger de prompts, mais concevoir des boucles que l’agent exécute automatiquement lui-même. Plusieurs niveaux de boucles sont combinés : l’agent appelle des outils (Boucle 1), le harness contrôle les sous-tâches (Boucle 2), tout est placé dans une boucle surordonnée (Boucle 3).

  Structure pratique d’une boucle :

  • Déclencheur : Manuel-temps (quotidien à 9h) ou basé sur événement (nouvelles issues GitHub, mails, actualités)
  • Exécution : Harness Engineering s’exécute avec tous les serveurs MCP et Skills
  • Vérification : Vérifier si l’objectif est atteint
  • Mémoire : Écrire les résultats sur le système de fichiers
  • Boucle suivante : Démarrer au prochain déclencheur

  Mécanismes de vérification (5 niveaux) :

  1. Déterministe (Vrai/Faux) : Le code compile sans erreur
  2. Contraintes numériques : Temps de chargement <100ms, Précision >90%
  3. Vérité au sol retardée : Résultat mesurable plus tard (ex. engagement LinkedIn après quelques jours)
  4. LLM comme arbitre : L’agent s’évalue lui-même (ex. similarité UI avec la capture d’écran par comparaison)
  5. Point de contrôle humain : L’humain valide chaque étape

  Exemples pratiques :

  • Application web pour la Coupe du monde, mise à jour automatique avec les nouvelles actualités
  • Application open-source avec correction automatique des bugs via boucle (issues GitHub déclenchent l’amélioration du code)
  • Recherche automatique : Entraîne un modèle ML en boucle jusqu’à 90% de rappel
  • Multiplication matricielle : 10 itérations d’optimisation ont conduit à une accélération 320x via Tensor Cores

  Commandes pratiques dans Cloud :

  • /sloop [Intervalle] [Prompt] (basée sur le temps)
  • /sloop [Prompt] / [Objectif vérifiable] || max [Tentatives/Temps] (basée sur événement)

  Le concept n’est pas du simple marketing, mais fonctionne particulièrement bien pour les tâches vérifiables et liées au code, où l’agent a des objectifs clairement mesurables et peut itérer de manière autonome.

  Outils/fournisseurs explicitement traités : Cloud Code (Boris Cerni), OpenClow (Peter Steinberger), Claude, GitHub, serveurs MCP ; Format : Deep-Dive/Tutorial, niveau intermédiaire à avancé.

Tech With Tim (3 nouvelles vidéos)

• From Software Engineer to AI Engineer job – The best career move for 2026
  12.7.2026, 12:16:44

  Résumé : Du développeur logiciel à l’ingénieur IA

  La vidéo soutient que les développeurs logiciels possèdent déjà 80% des compétences requises pour l’ingénierie de l’IA. Un ingénieur IA dans une grande startup consacre seulement 20% de son temps à des tâches spécifiques à l’IA, les 80% restants étant du développement logiciel classique – construire des systèmes qui mettent les modèles d’IA en production. Il ne s’agit donc pas de recommencer à zéro, mais d’ajouter une couche supplémentaire aux compétences existantes.

  La vidéo distingue clairement l’ingénierie de l’IA de la recherche en IA : non pas entraîner de nouveaux modèles GPT ou écrire des architectures de modèles (c’est de la recherche en ML), mais implémenter pratiquement les modèles existants comme GPT ou Claude dans des systèmes logiciels réels via une API.

  Les compétences que vous avez déjà et que vous pouvez sauter :

  Python et programmation, Git/contrôle de version, APIs, bases de données, tests/gestion des erreurs, Docker, déploiement.

  Ce qu’il faut apprendre – dans cet ordre :

  1. Modèle mental des LLM : Tokens, fenêtres de contexte, température, rôles des messages (Système/Utilisateur/Assistant) – non pas les mathématiques internes, mais une compréhension pratique pour voir pourquoi un modèle réagit d’une certaine manière.
  1. API et frameworks : Utiliser OpenAI API et Anthropic API, conversations multi-tours, gestion des erreurs. Comprendre que les modèles ne réagissent pas seulement aux entrées utilisateur, mais peuvent aussi fonctionner en arrière-plan pour la classification de bases de données, les résumés, etc.
  1. Prompt Engineering et sorties structurées : Rédiger des prompts système et utilisateur qui fournissent des résultats fiables et cohérents. Function Calling, pour que le modèle retourne du JSON/des données structurées, pas seulement du texte.
  1. RAG et bases de données vectorielles : Retrieval-Augmented Generation – combler l’écart entre l’entraînement général et les données utilisateur spécifiques. Convertir le texte en embeddings, les stocker dans des bases de données vectorielles comme Pinecone ou Chroma, récupérer les données pertinentes lors de questions et les injecter dans le modèle.
  1. Orchestration et agents : Frameworks comme LangChain, LangGraph, etc. – combiner plusieurs appels API, agents avec plusieurs outils, gestion des états, workflows multi-étapes. C’est ici que ça devient du vrai développement logiciel : gestion des erreurs, retries, limitation de débit, exécution parallèle.
  1. LLMOps : Déploiement en production. Limitation de débit, optimisation des coûts, routage des modèles, mise en cache, monitoring/observabilité, évaluations. C’est la partie que les employeurs apprécient le plus, car c’est là que l’expérience en génie logiciel compte vraiment.

  Comment apprendre :

  Ne pas regarder passivement des vidéos – on ne retient que 20%. Apprendre activement par les projets dès le jour 1, pas des clones de tutoriels, mais de vrais projets qui résolvent de vrais problèmes. Un portfolio avec des chatbots RAG, des agents avec de vrais outils, recherche sémantique – déployés avec une base de code propre et du monitoring.

  Moyens pratiques : Transfert interne vers les fonctionnalités d’IA du travail actuel (beaucoup plus facile que d’entrer de zéro de l’extérieur). Utiliser soi-même les outils d’IA (Cursor, Claude) pour multiplier la sortie et apprendre en chemin. Préparation aux entretiens : un peu de Leetcode, System Design, questions spécifiques à l’IA.

  Outils/modèles explicitement mentionnés : OpenAI API, Anthropic API, LangChain, LangGraph, Temporal, Llama Index, Pinecone, Chroma, Cursor, Claude — opinion/réflexion avec guide pratique.

• I Built an AI App to Analyze My Own Business Data (No Code)
  6.7.2026, 13:00:25

  Résumé : Construire une application RAG avec Knime

  Le créateur montre comment avec Knime – un éditeur sans code basé sur des nœuds – construire une application de Retrieval-Augmented Generation (RAG) en moins de 30 minutes, au lieu de passer des heures à coder.

  Cas d’usage : Le créateur voulait analyser 200+ messages d’étudiants de son mentorat de développeur – les rechercher thématiquement et obtenir des insights sur les sujets pertinents.

  Comment fonctionne RAG : Au lieu de requêtes de base de données codées en dur (par date, mot-clé), les données sont vectorisées (converties en embeddings). Cela permet une recherche sémantique – par exemple, trouver tous les messages sur les « entretiens » sans demander le mot explicitement. Les vecteurs sont stockés dans une base de données vectorielle et combinés ultérieurement avec un LLM pour répondre aux questions.

  Workflow 1 – Créer le Vector Store :

  • Lire les données MongoDB (connecteur + lecteur)
  • Convertir JSON en format tabulaire
  • Filtrer les lignes vides
  • Stocker la clé API OpenAI via les secrets Knime (ne pas coder en dur)
  • Choisir le modèle d’embedding (OpenAI, petit)
  • Utiliser « AI Vector Store Creator » pour générer les vecteurs à partir de la colonne « clean_content »
  • Stocker le Vector Store localement

  Workflow 2 – Interroger le Vector Store :

  • Charger le Vector Store (Model Reader)
  • Créer deux widgets de chaîne comme entrée : Query + Username
  • Les encapsuler en tant que composant (les concevoir visuellement avec l’éditeur de mise en page)
  • Convertir l’entrée en ligne de tableau
  • Vector Store Retriever : effectuer la requête, récupérer les métadonnées
  • Nettoyer les données avec des expressions (combiner uniquement les colonnes pertinentes)
  • Utiliser Group-By + Concatenate pour combiner tous les prompts correspondants en une seule chaîne
  • Transmettre le prompt final (contexte + requête originale) en tant que variable à Agent Chat View
  • Discuter directement avec la source via GPT-4 Mini d’OpenAI – par exemple, « Que disent les étudiants sur les entretiens ? »

  Caractéristiques clés de Knime :

  • Gratuit en utilisation locale (Premium pour le déploiement/équipe)
  • Les nœuds sont préconfigurés (OpenAI, MongoDB, Embedding, etc.) – économise du code
  • Les workflows sont auditables, reproductibles, évolutifs
  • Export/partage possible – les autres peuvent les ouvrir localement
  • Adapté aux utilisateurs techniques et non techniques

  Le créateur montre en direct comment utiliser l’application : « Raconte-moi ce que les étudiants pensent des entretiens » → Le système recherche les contextes et répond avec un résumé.

  En conclusion : Knime (éditeur de nœuds, démo avec OpenAI/MongoDB), tutoriel.

• The Only Claude Code Plugins You Actually Need
  6.7.2026, 12:27:44

  Plugins Claude Code essentiels et serveurs MCP

  La vidéo aborde le problème de la surcharge : avoir plus d’environ 50 outils à la fois fait que Claude choisit les mauvais et devient moins performant. L’auteur présente à la place une liste sélectionnée de plugins vraiment nécessaires.

  Bases : Les plugins sont des conteneurs qui regroupent plusieurs choses (slash-commands, serveurs MCP, etc.), tandis que les serveurs MCP représentent des capacités individuelles. Pour l’installation, on utilise Claude Code dans le terminal avec /plugin et on peut choisir entre le marketplace officiel (géré par Anthropic) et le marketplace communautaire.

  Les outils recommandés :

  1. Language Server (par exemple Pyright pour Python) : Offre l’inférence de type et la vérification de type statique pour une meilleure qualité de code et une plus grande fiabilité du code généré.
  1. Serveur GitHub MCP : Le plugin officiel ne fonctionne actuellement pas – installez le serveur GitHub MCP comme alternative. Il permet le contrôle de version, les points de contrôle et les référentiels distants directement depuis Claude.
  1. Frontend Design : Demande à Claude de créer un système de conception cohérent avec des palettes de couleurs et de la typographie lors du développement de l’interface utilisateur.
  1. Tiger Data (Timescale DB) : Un serveur MCP basé sur PostgreSQL, avec lequel Claude peut créer de vraies bases de données, créer des tables et gérer les requêtes. Optimisé en particulier pour les données de séries chronologiques – le partitionnement de Hyper-Table peut accélérer les requêtes jusqu’à 380 fois. Gratuit avec un essai de 30 jours.
  1. Context7 : Récupère la documentation d’API en direct depuis Internet, permettant à Claude d’utiliser la documentation de framework actuelle (non obsolète).
  1. Compose You : Un agrégateur pour des centaines d’outils et de comptes (Gmail, Google Drive, Asana, Hacker News, etc.), où on se connecte une fois et utilise partout – empêche aussi la surcharge de fenêtre de contexte grâce à la découverte d’outils à la demande.
  1. Figma : Télécharge les designs Figma ou s’authentifie directement, permettant à Claude de générer du code fonctionnel à partir de fichiers de conception.

  La vidéo souligne : ne pas tout installer, mais seulement ce dont on a vraiment besoin. La phrase finale de l’auteur : « You don’t get a ton of bloat with the tools, but these ones that I personally use that I find are extremely useful. »

  Format : démonstration/deep-dive avec étapes d’installation pratiques ; fournisseurs abordés : Claude (Anthropic), Tiger Data/Timescale, ainsi que plusieurs plugins/serveurs MCP du marketplace.

TheAIGRID (5 nouvelles vidéos)

• Gemini 3.5 Might Shock The AI World – All Gemini 3.5 Pro Leaks Explained
  11.7.2026, 13:00:19

  Résumé : Gemini 3.5 Pro – Fuites et attentes

  La vidéo analyse les rumeurs et les informations disponibles concernant le prochain modèle Gemini 3.5 Pro, attendu la semaine prochaine. Un thème central est le retard de Google dans le rythme de sortie des modèles : alors qu’OpenAI et Anthropic publient de nouveaux modèles deux fois plus vite (OpenAI a déjà déployé GPT 5.4 et 5.5, Anthropic a lancé Opus 4.8, Claude Fable 5 et Sonic 5), Google a publié pour la dernière fois un modèle multimodal en mai.

  Le plus grand déficit de Google se situe selon la vidéo dans le domaine du codage et des tâches agentic. Alors que la force traditionnelle de Google réside dans la compréhension visuelle et du monde, le codage révèle une lacune notable. Les benchmarks disponibles (SWEBench Pro, Terminal Bench, etc.) suggèrent que Gemini 3.5 Pro devrait atteindre au moins 69 % en SWEBench Pro et des scores nettement plus élevés en Terminal Bench pour être compétitif – des objectifs ambitieux face à la concurrence.

  Une information concrète est une fenêtre de contexte de 2 millions de tokens supposée, deux fois plus grande que celle des modèles Anthropic et OpenAI. Cependant, le présentateur avertit qu’une grande fenêtre de contexte n’est précieuse que si le modèle peut l’utiliser efficacement. Pour la stratégie d’UI générative que Google poursuit avec Gemini, le Gemini 3.5 Flash plus rapide sert de base – un modèle qui génère automatiquement les interfaces utilisateur à la volée, ce qui ne semble pas toujours judicieux en pratique.

  La vidéo suppose que Google, malgré ses retards, n’est pas complètement distancé et entraîne toujours son prochain modèle frontier. Étant donné que les modèles frontier dominent généralement dans un domaine (Anthropic en codage, ChatGPT en mathématiques), l’avantage de Google pourrait à nouveau se manifester dans le domaine multimodal. Les spéculations basées sur les fuites et les tests LM-Arena suggèrent que le modèle pourrait être compétitif en tâches de codage, mais la confirmation ne viendra qu’avec le lancement.

  Vidéo de démonstration/analyse mettant l’accent sur Google Gemini 3.5 Pro (spéculatif sur la base de fuites et de benchmarks) ; mentionne OpenAI, Anthropic, Claude, GPT et la gamme de modèles Gemini.

• The 10 Most INSANE Things Created by GPT 5.6 ( GPT 5.6 5 Use Cases)
  10.7.2026, 15:41:43

  Lancement de GPT 5.6 : Benchmarks, capacités et applications du monde réel

  La vidéo présente un aperçu des nouveaux modèles GPT-5.6 (spécifiquement « GPT 5.6 Soul ») basé sur des benchmarks et des exemples d’application.

  Aperçu des benchmarks : GPT 5.6 se classe juste derrière Claude 3.5 Sonnet dans l’Artificial Analysis Intelligence Index, mais il est nettement plus rentable. L’avantage décisif réside dans des catégories de tâches spécifiques : au benchmark « Agents Last Exam » (capacité des agents IA à compléter de manière autonome des projets professionnels complets comme les animations dans Adobe After Effects ou les scènes dans Unreal Engine), GPT 5.6 Soul surpasse la concurrence. Au benchmark DeepSeek SWE (test d’agent de codage avec des référentiels logiciels réels et des modifications multi-fichiers), GPT 5.6 Soul atteint également un taux de réussite de 73 % et surpasse Claude 3.5 Sonnet.

  Efficacité des coûts : GPT 5.6 Soul coûte environ 8,40 dollars par million de tokens, tandis que Claude 3.5 Sonnet coûte 21,63 dollars – pour une performance d’intelligence similaire, environ trois fois moins cher.

  Exemples du monde réel : Les mathématiciens résouent ainsi des problèmes précédemment insolubles, une petite entrepreneuse construit automatiquement un tableau de bord des ventes pour sa marque, un producteur de brocoli automatise la ventilation de sa serre et les marquages de champs numériques. Les projets communautaires affichent des créations impressionnantes : un programme similaire à Google Earth fonctionnant, des villes générées procéduralement, un modèle Manhattan complet basé sur les voxels.

  UI générative : OpenAI démontre des interfaces utilisateur interactives générées sur place – par exemple des vidéos éducatives Spirograph animées ou des visualisations tokenizer qui convertissent les requêtes en langage naturel directement en interfaces utilisateur fonctionnelles.

  Jeux et design : GPT 5.6 Soul produit des jeux de navigateur entièrement fonctionnels (par exemple « Salt Wind » pour franchir des portes, « Tiny Voids » avec des mécaniques de cubes) et affine même les détails. La conception frontend devient plus raffinée et moins « générée par l’IA ».

  Mode rapide : Une version spéciale s’exécute avec un débit de tokens augmenté – à l’avenir, Cerebrus devrait être possible avec 750 tokens par seconde, ce qui accélère considérablement les tâches d’agent.

  Claude 3.5 Sonnet vs GPT 5.6 Soul (Avis des utilisateurs) : Les testeurs précoces rapportent que Claude offre une meilleure intelligence de base pour les projets complexes et trouve de manière autonome des solutions ; GPT 5.6 Soul ressemble à un « modèle plus petit, fortement entraîné », nécessite parfois une orientation, mais maîtrise les tâches de sécurité et est plus efficace en tokens. La comparabilité est débattue : GPT 5.6 devrait peut-être être comparé à Claude 3.5 Sonnet (et non au prochain successeur Opus).

  ChatGPT for Work : Un agent récemment publié dans ChatGPT pour les utilisateurs non techniques, qui exécute des tâches complexes sur les applications et workflows – génère des diapositives, des documents, des applications web et décompose de manière autonome des projets de plusieurs heures en étapes plus petites.

  OpenAI / GPT 5.6 Soul et Claude 3.5 Sonnet traités par Anthropic ; démo et avis/comparaison avec résultats des tests utilisateurs.

• Grok 4.5 Just Shocked The AI Community – SpaceXAI Grok 4.5
  9.7.2026, 11:00:20

  Grok 4.5 – Benchmarks, forces et scepticisme justifié

  Grok 4.5 est positionné comme un modèle au niveau frontier à coûts peu élevés et à grande vitesse. Aux benchmarks comme Deep Seek SWE, le modèle surpasse Claude Opus 4.8 Max – et ce à moitié prix. Terminal Bench montre même une amélioration de 83,3 % par rapport à Opus 4.8 Max avec un prix d’entrée de 2 $ et un prix de sortie de 6 $ par million de tokens, bien en dessous des 5 $/30 $ de coûts des modèles frontier comparables. Grok 4.5 est classé comme équivalent à Opus-4.7, avec 80 tokens par seconde et quatre fois meilleure efficacité des tokens qu’Opus 4.8 Max.

  Le résultat du benchmark Cursor est notable, suggérant une performance au niveau Fable – cependant avec une mise en garde importante : un snapshot antérieur de la base de code Cursor a été accidentellement inclus dans l’entraînement, ce qui a contaminé ce benchmark. Au benchmark d’agent juridique Harveys également, Grok 4.5 est en tête avec seulement 2 $ de coûts par test, et au GDP Val (tâches de travail réelles), il surpasse GPT-4o et Opus 4.8 Max de 29 %.

  Dans les tests de codage pratiques, cependant, un tableau différent émerge : plusieurs utilisateurs sur Twitter rapportent que la qualité réelle du code reste en arrière par rapport aux vidéos de démonstration. Une comparaison directe du rendu shader a montré Opus 4.8 supérieur, tandis qu’une invite de lancement de fusée a révélé des résultats plus mitigés entre les modèles. Le consensus est nuancé – Grok 4.5 « se tient » dans certaines tâches, mais ne convainc pas uniformément, ce qui suggère une « intelligence dentelée » à la frontier.

  Mises à jour prévues : intégration d’Imagine pour la génération vidéo en mode agent et fenêtre de contexte de 1 million de tokens la semaine prochaine.

  xAI/Grok, Claude Opus, GPT-4o, Anthropic, Google Gemini, Claude Fable ; démo avec analyse critique.

• OpenAI Just Introduced The Future Of AI Voice – GPT- Live
  9.7.2026, 03:00:37

  OpenAI a lancé GPT Live en tant que famille de modèles vocaux avec deux variantes : GPT Live 1 (modèle principal) et GPT Live 1 Mini (variante plus légère pour les utilisateurs gratuits). La fonction principale est l’interaction entièrement duplex, où le modèle traite simultanément la parole entrante et la parole sortante – il peut interrompre, mieux gérer les pauses et réagir à de petites confirmations comme « oui » ou « entendu » pendant que l’utilisateur parle.

  Une fonction d’architecture importante est la délégation pour les tâches plus profondes : GPT Live 1 fournit des réponses naturelles rapides, tandis que GPT 5.5 effectue un travail intensif en arrière-plan (par exemple la recherche). Ainsi, le modèle peut poursuivre la conversation pendant que plusieurs tâches s’exécutent en parallèle.

  Concernant les benchmarks, un saut massif est évident : au test GPQA, la performance est passée de 45 % (ancien Voice Mode) à 70-80 % (GPT Live Mini/Medium), ce qui signifie une intelligence au niveau GPT-5 avec capacité vocale. Au test de recherche Web, la performance s’est améliorée de moins de 1 % à 30-75 %. Au test Voice Telecom (simule des appels téléphoniques complexes et réalistes avec accents, bruit de fond, interruptions), GPT Live 1 atteint environ 40 % – presque deux fois mieux que l’ancien Voice Mode – et avec les modèles de raisonnement plus élevés, environ quatre fois mieux.

  Le modèle peut aussi travailler avec des images : les utilisateurs peuvent montrer des photos et demander au modèle de les analyser (la démo montre : critique de tenue pour une réunion avec les parents de la petite amie).

  Une autre fonction est l’intégration du mini-navigateur : le modèle peut ouvrir de petites applications pendant la conversation et afficher les résultats visuellement – par exemple récupérer la météo à Mexico City, afficher les horaires des matchs de football ou recommander des bars pour regarder le football.

  La traduction en temps réel fonctionne sans interruption : le modèle écoute une langue et traduit simultanément live en anglais tout en interagissant naturellement avec les locuteurs.

  Une autre fonction de démo est la conscience du temps : le modèle comprend le temps pendant la conversation et peut le gérer – par exemple régler une minuterie de 30 secondes, la faire monter et guider l’utilisateur pendant la préparation du café.

  La vidéo affirme qu’aucune autre entreprise d’IA ne travaille actuellement sur cette combinaison de réalisme vocal et d’intelligence réelle, et que l’interaction vocale mains libres au niveau GPT-5 changera considérablement la productivité.

  Format & contexte : GPT Live d’OpenAI (modèles : GPT Live 1, GPT Live 1 Mini, GPT 5.5 pour délégation en arrière-plan), démo et mise à jour actualités.

• Metas New Ai Can Read Your Brain – (Brain2Qwertyv2)
  6.7.2026, 15:18:24

  L’IA cerveau-vers-texte de Meta : ce qu’elle est réellement et pourquoi elle reste importante

  Meta a développé un système qui traduit l’activité cérébrale en phrases écrites – sans puce, sans opération, seulement avec des capteurs externes et un modèle d’IA. Cependant, la technologie est bien plus limitée que ce que les gros titres ne le suggèrent.

  Ce que Brain-to-QWERTY fait réellement : Le système ne fonctionne que dans un environnement de laboratoire contrôlé avec du matériel MEG spécialisé (magnétoencéphalographie). Les participants écoutaient des phrases, attendaient un signal et les saisissaient. L’IA a appris la relation entre l’activité cérébrale et le mouvement de frappe – ce n’est pas la lecture de pensées arbitraires, mais la reconstruction de la parole à partir de signaux cérébraux bruyants mesurés de l’extérieur à travers le crâne.

  Les chiffres de performance : Le système a atteint une précision moyenne des mots de 61 % (taux d’erreur de 39 %), le meilleur participant atteignant 78 % de précision. C’est une avancée majeure pour la mesure cérébrale non invasive, mais ce n’est pas encore suffisant pour une utilisation quotidienne – les erreurs seraient frustrantes.

  Pourquoi la précision s’est tant améliorée : Le système utilise un processus multi-étapes (encodeur, aligneur, modèle de langage) qui relie les signaux cérébraux aux représentations au niveau des mots, puis utilise un grand modèle de langage qui exploite le contexte sémantique. Ainsi, le système ne peut pas seulement deviner les lettres, mais aussi quelles phrases ont du sens compte tenu des mots environnants.

  La base de données : Seulement neuf participants sains, droitiers, anglophones ont été entraînés – environ dix heures par personne, 22 000 phrases au total. C’est contrôlé, mais aussi : petit échantillon, aucun patient (qui auraient réellement besoin de la technologie), et pas la réalité désordonnée.

  Le problème matériel : Les appareils MEG sont de grands scanners spécialisés et coûteux – non transportables, inutilisables à domicile. Bien que des capteurs portatifs plus petits soient à l’horizon, ils ne sont pas encore commercialisés.

  Pas de sortie mot par mot en temps réel : Le modèle actuel fonctionne au niveau des phrases, pas mot par mot – il a besoin de la phrase complète pour le contexte. Cela signifie que les utilisateurs ne voient pas chaque mot apparaître en direct, mais doivent attendre la fin de la phrase.

  L’effet d’échelle : La précision s’est améliorée avec plus de données et n’a montré aucun point de saturation clair. C’est prometteur, mais collecter des données cérébrales est coûteux, long et sensible – pas comme scraper du texte Internet.

  La véritable question sociétale : Le plus grand risque à long terme n’est pas ce système en détail, mais ce qui se passe quand les interfaces cerveau-ordinateur deviennent plus précises, portables et répandues. Les données cérébrales pourraient devenir le prochain flux de données commercial. Des règles de consentement claires, le contrôle des données et les limites d’utilisation auront besoin de la régulation.

  Conclusion : Meta n’a pas construit un produit de lecture d’esprits fini, mais un système de recherche solide qui rapproche le cerveau-vers-texte non invasif de la réalité. L’écart entre les interfaces invasives et non invasives pourrait réellement se réduire – ce qui pourrait changer la vie des personnes sans capacité vocale, mais soulève aussi des questions de gouvernance des données.

  Outils/acteurs explicitement mentionnés : Meta, matériel MEG, grands modèles de langage (non spécifiés nominativement) ; Format : Plongée approfondie (opinion avec profondeur technique et contextualisation sociétale).

Theo – t3․gg (6 nouvelles vidéos)

• The unexpected death of Codex
  11.7.2026, 05:07:16

  OpenAI a intégré l’app Codex dans ChatGPT et annoncé une initiative de rebranding appelée « ChatGPT Work », ce qui frustre profondément le présentateur. La nouvelle application combine plusieurs modes : un mode chat traditionnel (désormais sous forme de fenêtre popup), un mode Codex pour les développeurs et un mode Work pour les non-développeurs – similaire à l’approche Claude Code et Co-work d’Anthropic. Techniquement, cette refonte apporte des améliorations : plugins unifiés, meilleure intégration navigateur avec authentification et support multi-onglets, capacités Computer Use améliorées (plus rapides, stables, avec navigation multi-onglets), la possibilité d’éditer des fichiers directement et de vérifier les PRs, ainsi qu’un nouveau mode « Ultra ». Les performances ont été considérablement améliorées.

  Cependant, le présentateur critique sévèrement la décision marketing et de branding : Codex était devenue une marque indépendante, adorée par les développeurs – avec une croissance mensuelle de 5x+, de la publicité au Super Bowl et une forte fidélité communautaire. Son renommage en simple option de ChatGPT détruit cette identité et confond les utilisateurs qui ont installé la mise à jour et se sont retrouvés face à ChatGPT au lieu de Codex. Le présentateur souligne que les gens utilisaient Codex précisément parce qu’il n’était pas ChatGPT – un outil focalisé, construit par des développeurs pour des développeurs. Cette fusion mine la marque et la motivation des utilisateurs (qui ont plus de mal à recommander l’outil) et des équipes internes qui voulaient travailler spécifiquement sur Codex.

  En réaction à cette incertitude, le présentateur a créé T3 Code – un clone entièrement open source, utilisé par des milliers de personnes et dont un quart des utilisateurs a forké ou patchée. Cela permet à la communauté de rester indépendante des décisions d’OpenAI. Conclusion : une intégration techniquement sensée avec de mauvaises conséquences commerciales et communicationnelles, qui détruit une marque développeur émergente et indépendante.

  Format & Outils : Démo + Opinion/Réflexion ; explicitement mentionnés : OpenAI ChatGPT / Codex, Anthropic Claude Code / Co-work, T3 Code (alternative open source), Blacksmith CI (Sponsor), DNSimple (Sponsor).

• So I’ve been using gpt-5.6 for awhile…
  10.7.2026, 04:11:17

  Résumé : GPT 5.6 – Utilisation précoce et projets

  Le créateur a eu accès à GPT 5.6 pendant plus d’un mois et demi avant sa publication publique, dépensant environ 180 000 à 240 000 dollars en inférence. La vidéo ne présente pas un examen formel, mais documente des projets concrets qu’il a mis en œuvre avec le modèle – sur la base de cette utilisation extrême, il souhaite montrer ce que le modèle est capable de faire réellement.

  Points clés sur les performances du modèle :

  • Meilleure capacité de Computer Use et navigation navigateur que GPT 5.5 : le créateur a pu accomplir des tâches complexes comme des configurations dans des tableaux de bord ou du web scraping avec nettement moins d’interventions
  • Gestion du contexte : contrairement à GPT 5.5, le modèle ne se perd pas dans les longs threads et peut effectuer des tâches de plusieurs heures ou jours de manière autonome sans perdre le contexte
  • Capacité de résolution de problèmes dans des scénarios difficiles : un point fort était la réparation autonome de partitions de démarrage défectueuses sur un système Linux – une tâche qui nécessite habituellement de la recherche manuelle et de la patience

  Projets implémentés (sélection) :

  • Lakebed (plateforme cloud) : le modèle a effectué la migration de fichiers JavaScript monolithiques vers TypeScript structuré, construit des pipelines CI, l’authentification (connexion CLI) et des systèmes d’accès par liste blanche (~30 000 dollars en mode rapide, mais partiellement inclus dans le plan standard)
  • T3 Code (plateforme de gestion d’agents) : réécriture complète de l’app React Native en Swift et AppKit natifs (2 à 4 heures chacun, entièrement fonctionnels) ; intégration de boucles Computer Use pour les tests directs du simulateur
  • Agent Hermes en Rust : une réécriture complète de Python à Rust avec environ 50 % des fonctionnalités de l’original, devenant fonctionnel de manière autonome ; consomme 15 MB de RAM au lieu de l’importante empreinte Python d’origine
  • Port du compilateur TypeScript en Rust : un transpileur TypeScript-to-JavaScript fonctionnel en Rust, 18 fois plus rapide que la version Go, mais avec vérification de type incomplète (~195 000 lignes de Rust)
  • Projet FS2 (cloud sync type Dropbox) : une seule exécution de goal a consommé 71,2 milliards de tokens (~91 000 dollars en mode rapide) ; le modèle s’est inscrit de manière autonome chez PlanetScale pour créer l’infrastructure nécessaire
  • Démarrage du lecteur et configuration du réseau : automatisation de la réparation des problèmes BIOS Linux, configuration automatique du réseau machine via un référentiel Fleet

  Autres travaux :

  Refonte du site web marketing, surhaul de Skatebench, automatisation des Prime Day deals avec Browser Use, suivi des tokens terminal, prototype de jeu 3D (Fish Slop), mini-alternative Presto.

  Limitations importantes de cette analyse :

  Le créateur n’a délibérément pas traité les benchmarks, les comparaisons de prix, la comparaison Fable, les modes Reasoning ou la version Fast (1,5 fois plus lente qu’annoncé) – cela devrait suivre dans des vidéos séparées. Il souligne que l’utilisation de 180 à 240 K dollars n’est pas réaliste ou recommandable, mais plutôt une expérience exploratoire.

  Conclusion :

  La vidéo est moins une évaluation qu’une démonstration : GPT 5.6 s’est avéré être un outil robuste, plus autonome, plus stable en contexte et dramatiquement meilleur en Computer Use que son prédécesseur, permettant l’administration système complexe, les migrations de code et les objectifs multi-jour sans repiloter fréquemment.

  Explicitement mentionnés : OpenAI / GPT 5.6, BrowserBase (Sponsor), Fable, Codeex, Agent Hermes, T3 Code, Lakebed, Claude (Opus 48), Grok — Format : Démo/Documentation + Opinion, recherche extraordinairement approfondie et utilisation intensive.

• Oh no (the new Grok model is good)
  9.7.2026, 05:04:08

  Examen de Grok 4.5 : impressionnant sur le code, mais pas tout à fait au niveau frontier

  SpaceX et XAI ont publié Grok 4.5, un nouveau modèle qui s’avère réellement impressionnant après des annonces agressives. Le modèle a été entraîné sur des dizaines de milliers de GPU GB300, est une construction entièrement nouvelle (1,5 billion de paramètres au lieu de 500 millions) et a été entraîné conjointement avec Cursor, qui en est désormais propriétaire. Aux benchmarks, il se classe extrêmement bien : il est proche de GPT-5.5 et légèrement en dessous de Fable 5 sur les principales métriques de code, dépasse nettement Opus 4.8 et tous les modèles Google.

  La tarification est révolutionnaire : 2 dollars par million de tokens d’entrée et 6 dollars par million de tokens de sortie (le double au-delà de 200k contexte) – environ 5 à 10 fois moins cher que Fable. Le modèle est également remarquablement efficace en tokens, ne consommant qu’environ 2 millions de tokens pour les tâches de code par rapport à 7+ millions pour Fable et Opus. Un bémol : Grok 4.5 a bénéficié d’extraits de codebase Cursor accidentellement inclus dans les données d’entraînement, c’est pourquoi il se classe de manière surprenante sur le benchmark Cursor – ce segment a cependant été explicitement divulgué.

  En utilisation pratique sur 24 heures, le modèle a livré des résultats constamment solides pour des travaux complexes de priorisation et multi-PR sur un projet, restait focalisé même avec des prompts de suivi délibérément mal formulés et était nettement plus rapide en retours que de nombreuses alternatives. Impressionnante aussi sa capacité de modélisation 3D en WebGL/Three.js – meilleure que celle testée chez Fable ou GPT-5.6.

  Une limitation majeure : Grok 4.5 n’a pas les capacités d’orchestration et de sous-agents de la nouvelle génération (Fable, GPT-5.6), que le présentateur décrit comme « le meilleur jeu PS2, mais la PS3 est déjà sortie ». Néanmoins, le modèle représente un bond remarquable – SpaceX est passée de marginal à véritable concurrent d’Anthropic et OpenAI.

  Modèles thématisés : Grok 4.5 (SpaceX/XAI), Fable 5, GPT-5.5, Claude Opus 4.8, Gemini ; Format : Deep-Dive + Démo.

• I need to rant about local models
  7.7.2026, 20:44:25

  Résumé : pourquoi les modèles open-weight locaux sont surévalués

  Le créateur argue qu’il y a une incompréhension fondamentale autour des modèles open-weight : juste parce qu’un modèle est ouvertement disponible ne signifie pas qu’on peut l’exécuter chez soi. Des modèles comme GLM-5.2 – bien que impressionnants et compétitifs avec Claude Opus – requièrent 400 GB de VRAM en précision complète (1,5 TB en BF16). Même les versions quantifiées restent au-delà de 200 GB, ce qui est irréaliste sur du matériel grand public.

  La réalité du matériel : une RTX 5090 dispose seulement de 16 GB de VRAM. Une RTX 6000 Pro coûte 13 000 dollars pour 96 GB. Un mini-système avec quatre GPU Pro-6000 coûte 75 000 dollars – et peut à peine exécuter GLM-5.2. Même un MacBook 128 GB hautement spécifialisé ne peut exécuter les grands modèles que lentement, trois fois plus lent qu’une 5090 pour les petits modèles qui rentrent dans sa VRAM. Les coûts totaux (matériel + électricité – en moyenne 5 dollars/jour pour une 5090 à San Francisco, soit 2 000 dollars/an) rendent l’auto-hébergement économiquement questionnable.

  Un autre problème est la parallélisation : le créateur exécute quotidiennement 1 à 40 agents parallèles. Localement, vous achetez du matériel pour un nombre fixe ; chaque temps d’inactivité est gaspillage d’argent, chaque surcharge entraîne des blocages. Dans le cloud, ce problème disparaît complètement.

  La vraie force des modèles open-weight réside non dans l’exécution locale, mais dans la concurrence sur le marché : OpenRouter propose GLM-5.2 de différents fournisseurs (Fireworks, Deep Infra, Friendly) avec des vitesses et des prix différents – de 660 à 1 025 par million de tokens de sortie. Cela offre un véritable choix, contrairement aux APIs fermées.

  Mais attention à la simple comparaison des prix : GLM-5.2 consomme souvent 3 fois plus de tokens qu’Opus pour résoudre la même tâche. Pour Deep SWE, une exécution Opus-4.8 coûte environ 8 dollars, une exécution GLM-5.2 environ 4 dollars – seulement 2 fois moins cher, pas 10 fois comme les prix des tokens le suggèrent. Deep Seek R1 et d’autres modèles open-weight sont réellement innovants et font avancer l’industrie ; le créateur adore ces développements. Son point : si quelqu’un veut les jouer sur son propre cluster matériel – c’est super. Mais l’idée que les gens ordinaires peuvent s’échapper d’Anthropic et OpenAI avec ça est « folle » et nuit au narratif open-weight. Le modèle de solution est l’hébergement cloud de ces modèles chez des fournisseurs rentables, pas l’inférence locale.

  Pas d’outils IA ou de fournisseurs nommés explicitement ; Opinion/Réflexion mettant l’accent sur l’analyse critique de l’écart entre le hype et la réalité.

• A proper guide to Fable 5
  6.7.2026, 01:41:48

  Résumé : Travailler avec Fable – Workflows, Coûts et Déploiement Réel

  Le créateur partage son expérience intensive avec le modèle Fable après son retour dans les abonnements Claude Code. Après un enthousiasme initial, une frustration temporaire avec Opus et GPT-5.5, et une période sans Fable, il est maintenant convaincu que ce modèle représente un changement de catégorie – pas seulement une mise à niveau itérative.

  Problème clé et solution : utiliser Fable comme simple mise à jour d’Opus ne fonctionne pas. La différence décisive réside dans la portée : le modèle peut effectuer des implémentations end-to-end, des tests, de la vérification et de l’orchestration de sous-agents indépendamment – donc des chaînes de travail autonomes nettement plus longues.

  Optimisation des coûts (partie principale de la vidéo) :

  • Reasoning Effort : ne jamais utiliser X High, Max ou Ultra Code. High est optimal ; les niveaux supérieurs entraînent une suranalyse par étape, coûtent plus cher et produisent souvent un résultat pire. High est aussi la norme d’Anthropic.
  • Routage multi-modèles : faire reconnaître à Fable quand GPT-5.5 (via Codex CLI) est plus approprié pour les tâches gourmandes en tokens comme les logs, PDFs, Computer Use. Le créateur y a investi ~1 heure et atteint ainsi une efficacité des coûts 10 fois meilleure.
  • Limites d’abonnement : Codex dispose de limites hebdomadaires généreuses (~14 000 dollars d’inférence/mois) ; le créateur n’en a utilisé qu’environ 15% en une semaine. L’abonnement Claude Code est resté à 40% même avec une utilisation massive.
  • Résultat du projet Lakebed : ~150 dollars pour 11 à 12 PRs dans un thread, alors que cela aurait pu coûter des milliers.

  Claude.md et conception d’agents :

  • Un glossaire pour « Intelligence » (à quel point un problème est difficile sans supervision) vs « Taste » (qualité du code, design d’API, UX).
  • Communiquer explicitement : « Intelligence > Taste > Cost », mais le Cost n’est qu’un bris d’égalité ; Fable est autorisé à utiliser des modèles plus intelligents si le résultat ne répond pas aux normes.
  • Sous-agents vs Workflows : les sous-agents créent d’autres agents pour le travail parallèle (par exemple, 5 fichiers → 5 évaluateurs). Les workflows sont des pipelines JavaScript déterministes pour fan-out + vérification – aident au triage, mais pas aux processus pilotés par points de contrôle avec points de décision.

  Compétences (nombre limité) :

  • Codex Review : demander indépendamment 5.5 sur Diffs/Commits.
  • Codex Implementation : travail borné sur Work Trees.
  • Computer Use : Fable peut commencer une vérification basée sur des captures d’écran via Codex (économise les propres tokens Computer Use de Fable).

  Exemple de workflow – Lakebed Cleanup :

  1. Prompt : « Investigate & Review open PRs » + instruction d’utiliser des workflows pour triage multi-évaluateur.
  2. Fable a créé 16 enquêteurs (1 par PR) + panel d’arbitres Opus → jugements sans ambiguïté pour 14/16.
  3. Après : plans HTML pour chaque feature/fix, à nouveau avec revue de sous-agents.
  4. Objectif final : « Complete all work discussed » – rebase, merge, close, implémenter les plans. Le modèle est autorisé à fusionner sur Staging/Main (seul staging auto-déployé), mais pas sur Prod.
  5. Résultat : 5 heures de runtime, ~20 à 30 PRs périmées résolues, une roadmap d’un mois implémentée que le créateur avait précédemment bloquée.

  Workflows quotidiens (intégration T3 Code) :

  • Le créateur configure T3 Code sur téléphone + Tailscale + connexion à distance vers des Mac/boîtes Linux.
  • Workflow : bug découvert sur téléphone → capture d’écran → ouvrir T3 Code → définir le modèle à Fable → créer Work Tree → PR auto-filed → tester.
  • Apprentissages du suivi du temps : les correctifs simples en <3 min = fusion sûre. >1,5h = problème d’architecture, nécessite une réflexion plus profonde.
  • Fable pouvait aussi fusionner plusieurs Work Trees inachevés en parallèle (conflits auto-résolus).

  Avertissements importants :

  • Le déploiement en Prod reste manuel (seul Staging est auto).
  • Le créateur a laissé Fable nettoyer les bugs existants de Staging via d’autres modèles avant de démarrer le travail Lakebed.
  • Ne pas fusionner aveuglément tout code auto-généré ; évaluer le résultat selon la complexité-temps, l’impact architectural, la précision du modèle.

  Intégrations de sponsors : Clerk pour Auth + Billing (alternative à la configuration Stripe), Infinite Red pour modernisation React Native/app mobile, T3 Code (open source, 250 k$ d’investissement du créateur jusqu’à présent, aucune monétisation prévue).

  Conclusion : le créateur démontre un modèle de travail fondamentalement nouveau avec Fable – non la perfectionnement de prompts, mais orchestration multi-agents, routage multi-modèles conscient des coûts et threads longs pilotés par objectifs. La longueur de la vidéo reflète l’abondance de détails pratiques de configuration, non les répétitions.

  Outils/Modèles : Fable, Anthropic Claude (Opus 4, Sonnet 5), OpenAI GPT-5.5, Codex, T3 Code, Clerk, Tailscale — Format : Deep-Dive / Tutoriel Hybrid, difficulté avancée (destiné aux développeurs avec connaissances d’agents de base).

• GPT-5.6: The Review
  12.7.2026, 11:06:01

  Résumé : GPT-4o en tant qu’examen complet

  Le créateur a évalué GPT-4o (non 5.6 comme annoncé dans le titre, mais la série de modèles actuelle avec Soul, Terra et Luna) basé sur des benchmarks et des expériences utilisateur agrégées. Forces mesurables : Soul atteint sur DeepSeek SWE 73% avec le score le plus élevé jamais mesuré à moins de 22 dollars par tâche (les concurrents au-dessus de 800 dollars), et sur AgentLab-Exam 53,6% – plus de 13 points au-dessus des modèles concurrents ; Terra et Luna surpassent aussi les modèles antérieurs à 1/16 du coût ; Coding Agent Index : Soul nouvelle State-of-the-Art avec 80 points ; Computer Use est leader du secteur.

  Forces principales du modèle : Déterminisme – le modèle n’abandonne pas et travaille à travers les problèmes persistants ; meilleure gestion du contexte et moins d’erreurs « Lost in Context » ; capacités Computer Use exceptionnelles ; orchestration de sous-agents au niveau frontier ; efficacité en tokens même pour les longs passages ; meilleure compréhension de l’intention utilisateur que les prédécesseurs.

  Faiblesses : écrit trop de code par défaut et génère des tests inutiles ; trop « déterminé » – réécrit parfois inutilement les choses ou utilise des contournements douteux ; capacités de design améliorées seulement modérément ; comprend mal ses propres limites et argumente avec obstination quand il a commis une erreur ; consommation de tokens lors de tâches longues ou avec raisonnement multi-agents activé (« Ultra ») ; options confusingly nombreuses (Soul/Terra/Luna × niveaux de reasoning).

  Recommandations du modèle : Soul High comme défaut pour les tâches complexes ; Terra Medium comme option budget, particulièrement bien pour l’examen de code et itérativement avec retours utilisateur ; Luna uniquement pour l’orchestration d’outils par d’autres agents, pas pour la sélection manuelle.

  Sentiment communautaire : Fortement polarisé – beaucoup rapportent une utilisation de tokens considérablement augmentée et « c’est le meilleur que j’aie jamais utilisé » ; d’autres jurent sur les modèles concurrents. Le créateur souligne qu’une analyse dédiée Fable-vs-Soul arrive séparément et indique que sa conclusion pourrait être surprenante.

  Avertissements critiques : Les protections agressives bloquent parfois les demandes légitimes ; les modes Ultra et Fast causent des coûts de tokens extrêmes ; l’environnement sandbox se limite à ~200K tokens au lieu des 350K disponibles ; ProVersion a 30+ combinaisons de modèles, niveaux de reasoning et modes, ce qui complique le choix.

  L’examen est riche en contenu avec des chiffres de benchmark concrets et agrège les retours des testeurs précoces (notamment Dax, Mitchell/Terraform, Tim/équipe Next.js), mais reste partiellement superficiel sur l’évaluation du design et délibérément attend les détails de comparaison pour des vidéos futures.

  Modèles OpenAI (GPT-4o Soul/Terra/Luna avec différents niveaux de reasoning) et Anthropic Claude mentionnés comme comparaison — Vidéo d’examen Deep-Dive.

Tim Carambat (2 nouvelles vidéos)

• Magic Echo Is A Free & Better Way To Control Your Computer With Voice
  8.7.2026, 17:00:09

  Résumé : Magic Echo – Anything LLM

  Timothy Carenbat présente Magic Echo, une fonctionnalité de la suite « Magic Features » d’Anything LLM qui rend les capacités d’IA disponibles directement dans le système d’exploitation – accessible via hotkey à la position du curseur, entièrement en local sur l’appareil.

  Magic Echo fonctionne comme un logiciel de dictée intelligent avec plusieurs fonctionnalités clés :

  Voice Commands permet de lier des expressions (par ex. « PRD Template ») à des blocs de texte plus longs qui sont ensuite insérés par voix. Le système reconnaît aussi les termes légèrement mal prononcés. Le vocabulaire personnalisé aide à améliorer les transcriptions pour les mots spécifiques ou les termes de marque.

  Les paramètres avancés incluent : hotkey configurable (Mac : Option Z, Windows : Alt Z), choix entre Smart Transcription (le texte est traité par un LLM local) ou Raw Transcription (transcription pure uniquement, similaire à Super Whisper), détection du silence pour l’envoi automatique, et taille du widget. La dictée étendue (Maj + Option Z) permet des pauses plus longues sans envoi automatique.

  On-Screen Awareness est la caractéristique principale qui le différencie : l’outil peut voir le contenu de l’écran et répondre à des requêtes contextuelles, même si tout n’a pas été explicitement énoncé – par exemple donner des commentaires sur des documents ouverts ou réagir à plusieurs fenêtres simultanément. Cela nécessite un modèle de vision. Timothy le démontre avec des commentaires Figma et des retours sur CV dans Chrome et Apple Pages, le système capturant automatiquement le contenu pertinent et fournissant des réponses structurées.

  La fonctionnalité s’exécute sur des modèles locaux (Ollama, LM Studio, Llama CPP) et supporte les fournisseurs LLM externes. Timothy utilise un modèle Qwen 3 8B VL pour la démo et note que les plus petits modèles (0.6–0.8B) sont moins fiables, tandis que les modèles 4B–8B offrent de bons résultats.

  Modèle de tarification : Magic Echo et toutes les Magic Features sont disponibles dans la version gratuite avec des limitations (par ex. Raw Transcriptions et Voice Commands illimités, Smart Transcriptions limités). Le niveau Pro permet une utilisation illimitée de toutes les fonctionnalités. Timothy explique cela comme un modèle économique durable pour sa petite équipe, tandis que la fonctionnalité principale reste gratuite.

  « Past Echoes » enregistre toutes les transcriptions et sorties précédentes dans l’interface retournée à Anything LLM.

  Démo avec Anything LLM Desktop Pro, que vous pouvez tester gratuitement sans paywalls – Tutorial/Demo.

• An Open Source Project To Give Agents Computers | Open Computer
  7.7.2026, 17:45:34

  Timothy Carambat, fondateur d’Anything LLM, présente un nouveau projet appelé Open Computer – une solution conviviale pour l’exécution sécurisée d’agents dans des machines virtuelles.

  Le problème avec les anciens agent harnesses : Les agent harnesses (comme OpenClaw, Claude Code ou Hermes Agent) sont des outils qui fonctionnent sur la base de skills (fichiers qui montrent aux modèles comment exécuter des actions). Le problème fondamental : ils nécessitent soit des context windows très volumineux (64k–256k), ce qui exclut les modèles locaux typiquement dotés de 16k–32k. De plus, les agents doivent théoriquement avoir accès à l’ensemble de l’ordinateur pour être utiles – ce qui crée des risques de sécurité critiques. Des solutions comme « dangerously skip permissions » permettent aux agents de supprimer arbitrairement des données ou de causer des dégâts.

  La question de sécurité – Conteneurs vs. VMs : Les conteneurs Docker ou Podman n’offrent qu’une fausse sécurité puisqu’ils partagent le kernel de l’hôte et les malwares peuvent s’échapper. La véritable sécurité nécessite des machines virtuelles (VMs) avec leur propre kernel. Microsoft (MXC), Nvidia (Open Shell), Apple et même Docker ont donc développé des solutions de Micro-VM.

  Open Computer – la solution : Le projet enferme les agents dans des VMs légères (base ~3 GB, seulement quelques mégaoctets par agent) avec Linux personnalisé (présenté visuellement comme Windows 10 pour que les utilisateurs normaux s’y retrouvent). Les VMs s’exécutent sur QEMU avec une charge CPU minimale – on pourrait en faire tourner 10+ simultanément sur une machine. Caractéristiques principales :

  • Pas de captures d’écran/clics de coordonnées : À la place, l’arborescence d’accessibilité Linux est utilisée – bien plus efficace en tokens que le « Computer Use » (que Carambat critique comme « gourmand en tokens » et « gaspillage »).
  • Navigateur intégré + applications natives : L’agent peut naviguer dans Chrome ou utiliser des applications Flatpak comme une calculatrice d’IMC.
  • Human-in-the-Loop : Si l’agent est bloqué, il peut demander l’aide à l’utilisateur via une notification UI (par ex. pour résoudre des CAPTCHAs). Ceci est axé sur la collaboration humaine plutôt que sur l’automation de boîte noire.
  • Mémoire de l’agent : Souvenirs globaux et spécifiques à l’utilisateur qui s’accumulent sur les sessions.
  • Efficacité des tokens : Carambat utilise Pi.dev comme harness avec des outils personnalisés. Dans l’exemple, la création d’un GIF d’action Nvidia avec sous-agents a consommé au total 1,5 million de tokens (sur Qwen-3.6-35B local via DGX Spark).

  Démos en direct :

  1. GIF du cours des actions Nvidia sur 10 ans – l’agent crée des sous-agents, récupère les données, crée un GIF animé avec rapport de vérification.
  2. Rapport HTML/PDF sur Anything LLM – l’agent recherche dans le navigateur, trouve même les infos personnelles (Stars GitHub, contexte du fondateur comme travail de secouriste), fournit des outputs professionnellement formatés.
  3. Application calculatrice d’IMC – l’agent ouvre une application Flatpak native, utilise l’arborescence d’accessibilité, convertit lb→kg et ft→cm, remplit automatiquement les champs, fournit une capture d’écran.

  Le projet est open source, distribué dans le cadre d’Anything LLM et devrait à long terme être développé en tant que système d’exploitation indépendant – afin que chaque agent ait son propre sandbox et n’accède pas à l’ordinateur hôte de l’utilisateur.

  Conclusion : Carambat démontre Anything LLM avec un modèle Qwen local comme démo pratique, critiquant le « Computer Use » basé sur des captures d’écran et présentant à la place un système isolé par VM et basé sur l’arborescence d’accessibilité. – Deep-Dive / Demo.

Unsupervised Learning (2 nouvelles vidéos)

• A Conversation With Sarit Tager
  9.7.2026, 16:00:23

  Résumé : Contexte et IA au cœur de la sécurité des applications modernes

  La conversation traite de la transformation de la sécurité des applications par l’IA/GenAI et du rôle central du contexte organisationnel.

  Problèmes fondamentaux des analyses traditionnelles :

  Bien que les modèles d’IA et les LLMs détectent de plus en plus de problèmes de sécurité, ils ne résolvent pas deux problèmes critiques : (1) La correction sécurisée sans interruption de fonctionnalité en production – les LLMs proposent souvent des correctifs génériques ou nuisibles (par exemple, la suppression de flags qui détruit la fonctionnalité), et (2) La fatigue des alertes – plus de modèles trouvent plus de problèmes, pas moins. La question centrale reste : qu’est-ce qui doit vraiment être corrigé ?

  Le contexte comme solution :

  L’intervenant soutient que la priorisation basée sur l’IA ne fonctionne que si on comprend les contextes organisationnels profonds : les objectifs métier, les données critiques, les risques acceptables, qui déploie quels actifs. Avec cette connaissance, la priorisation devient « évidente » – non plus basée sur les scores CVSS seuls, mais sur l’exploitabilité réelle, l’état du déploiement et les spécificités de l’organisation. Le système apprend aussi des correctifs passés (par exemple, « ce repo utilise toujours le service X pour la validation d’entrée »).

  Le chemin direct de l’idée à GitHub :

  Avec GenAI émergent de nouveaux rôles : les gestionnaires de produit et les designers écrivent les intentions, pas le code. L’intervenant décrit cela comme « PRD-to-Production » ou « Concept-to-GitHub » – similaire à l’idée « farm-to-table ». Cependant, une question reste ouverte : le développeur comprend-il suffisamment son propre code pour le corriger s’il a été écrit par l’IA ?

  Sources de contexte à partir de la plateforme :

  • Points de terminaison (XDR/Endpoints)
  • Code et chaîne d’approvisionnement (Repos, Pipelines, Outils)
  • Cloud (Réseau, Infrastructure, Identité, Vulnérabilités via CSPM, KSPM)
  • Surface d’attaque (ASM montre si les conteneurs/workloads sont vraiment accessibles de l’extérieur)
  • Définitions organisationnelles (Objectifs, Applications, Contexte métier)

  Ces signaux se connectent automatiquement pour former un graphe. Un exemple : ASM détecte qu’un conteneur n’est pas accessible depuis Internet → le problème de sécurité des applications est réévalué comme « non exploitable de l’extérieur ».

  Scénario futur (1–3 ans) :

  Trois couches : (1) Environnement de développement – Guardrails et contexte LLM lors de l’écriture, les agents bloquent même le code malveillant, (2) Code existant – mises à jour automatiques (Mineures), approbation humaine (Majeures), basées sur l’utilisation des API et le graphe de déploiement, (3) Nouvelles menaces – automatisation pour des millions d’attaques quotidiennes de type Log4Shell, pas de feuilles de calcul manuelles. Le système apprend à l’échelle de l’entreprise (comme Borg) : un motif détecté est signalé préventivement à tous les développeurs.

  Aperçu du produit :

  L’intervenant mentionne les futures versions avec une approche multi-modèles (différentes IA pour les analyses, la correction), l’intégration du contexte et l’automatisation axée sur les développeurs – plus de sécurité avec moins d’effort manuel.

  La plateforme est Palo Alto Networks (Cortex Cloud, XDR, CSPM, KSPM, ASM mentionnés) ; format : discussion Q&A en direct/Interview, techniquement fondée pour les professionnels CISO/AppSec.

• A Conversaton With Murali Rathinasamy
  6.7.2026, 16:00:00

  Résumé : Pare-feu Hybrid Mesh de Cisco et politique de sécurité unifiée

  Murali, directeur senior des produits chez Cisco pour la sécurité réseau, discute de l’évolution de la sécurité réseau et de la nouvelle approche de Cisco pour la gestion centralisée d’environnements de pare-feu hétérogènes. Le problème central : les entreprises ne misent plus aujourd’hui sur un seul pare-feu en périphérie, mais sur des points d’application distribués (pare-feu de différents fabricants, pare-feu des fournisseurs de cloud, commutateurs, agents de conteneur, DPU), qui doivent être coordonnés. Traditionnellement, cela signifie : traduire et implémenter manuellement les stratégies plusieurs fois sur différents appareils – une approche sujette à erreurs et chronophage.

  Le pare-feu Hybrid Mesh de Cisco offre une gestion centralisée des stratégies via une interface unique (Mesh Policy Engine dans Cisco Cloud Control), qui traduit automatiquement les stratégies pour différents points d’application et les distribue – actuellement les stratégies L3/L4 (basées sur IP, port et protocole). Les pare-feu Cisco (ASA, FTD) ainsi que les tiers (Palo Alto Networks, Fortinet, Juniper) sont supportés, avec des extensions prévues vers les pare-feu AWS, Checkpoint et d’autres plateformes.

  Un deuxième aspect est la segmentation sans agent via Secure Workload : le système collecte les données Netflow, les journaux de pare-feu et les données CMDB, applique l’apprentissage automatique pour créer des mappages de dépendances, et génère automatiquement des stratégies Zero-Trust basées sur les modèles de trafic observés – sans forcer le déploiement d’agents. Exemple : le port 445 (SMB) est bloqué si aucun trafic de fichiers n’a jamais été observé, sans affecter les applications. Un troisième élément est la défense IA : la solution s’intègre dans les points d’application existants pour détecter quels modèles d’IA (ChatGPT, OpenAI, etc.) sont utilisés par les utilisateurs et les applications, et peut appliquer des guardrails (par exemple, le blocage des PII dans les prompts/réponses), sans déployer de matériel supplémentaire.

  Murali souligne que Cisco, en tant que fournisseur full-spectrum (pare-feu + segmentation + visibilité), se différencie des concurrents qui n’en proposent qu’un. La feuille de route vise une gestion des stratégies unifiée : les cadres/CISO définissent les intentions en langage naturel (par exemple, « les données financières restent dans le segment X »), le moteur traduit cela en stratégies concrètes sur différentes couches. Les intégrations avec des composants tiers (Crowdstrike, Intune) sont également prévues.

  Produits Cisco mentionnés : Secure Firewall, Secure Workload, Secure Access, Hypershield, Nexus Smart Switch ; Technologies : Encrypted Visibility Engine, intégration NetFlow/IPFIX, apprentissage automatique pour le mapping de dépendances, défense IA. Partenaires externes : Palo Alto Networks, Fortinet, Juniper, AWS. — Interview/Deep-Dive, niveau technique avancé (architecture réseau et sécurité).

WorldofAI (8 nouvelles vidéos)

• Claude Opus 5 LEAKS, GPT-6 ALREADY, Kimi K3 Soon, Fable 5.1, NEO Hands, & More! AI NEWS
  12.7.2026, 06:03:18

  La vidéo couvre les derniers développements et annonces en IA :

  Claude Honeycomb / Opus 5 : Un modèle Anthropic mystérieux a été brièvement aperçu dans Cursor et pourrait être une version précoce de Claude Opus 5. Il offre une fenêtre de contexte d’1 million de tokens et un mode de reasoning élevé, mais s’est montré moins impressionnant que prévu dans les tests. Le leaker Chat a découvert que le modèle revient à Claude Opus 4.8 en cas de violations de sécurité, ce qui indique sa position hiérarchique plus élevée.

  GPT-6 : OpenAI aurait déjà entraîné un modèle de base entièrement nouveau et plus grand à partir de zéro. Les premiers rapports indiquent que GPT-6 est considérablement plus capable que Fable 5 et pourrait être lancé ce mois-ci ou le mois prochain. GPT 5.6 est positionné comme modèle final de la série 5.0. Anthropic poursuit une stratégie opposée en affinant davantage son modèle Fable-5 existant plutôt que de repartir de zéro.

  Retard de Gemini : Google a de nouveau retardé le lancement de Gemini 3.5 Pro (visé fin juillet). Le nouveau checkpoint de base Brev25 performe moins bien sur le code et hallucine la date de la connaissance, tandis que les anciens checkpoints fonctionnaient mieux.

  Kim K3 : Devrait être lancé la semaine prochaine selon les fuites du team Moonshot-AI.

  Elon vs. PDG OpenAI : Elon Musk et Sam Altman échangent des critiques publiques sur X après qu’Apple ait poursuivi OpenAI pour vol de secrets commerciaux concernant le matériel IA.

  Roboter 1X Neo : Les nouvelles mains à transmission par tendons avec 25 degrés de liberté visent à atteindre la dextérité humaine et permettent des tâches physiques précises comme ouvrir des portes ou plier du linge.

  Claude (Anthropic) et GPT-6 (OpenAI) ont été explicitement abordés ; mise à jour des actualités.

• Claude Code – Document Parser Will Revolutionise Complex PDF Data Extraction!
  11.7.2026, 05:16:26

  Résumé : Traitement de documents avec Upstage Studio et Claude Code

  La vidéo montre comment intégrer Upstage Studio – un outil de traitement de documents pour l’entreprise – directement dans Claude Code ou Cursor via MCP (Model Context Protocol) pour automatiser les tâches complexes de documents. Le problème : les LLM purs échouent à l’extraction PDF, au traitement de tableaux et aux mises en page complexes. Upstage propose une API unifiée qui combine OCR, classification et extraction de données structurées en une seule étape.

  Configuration : Créer un compte sur Upstage Studio, obtenir une clé API via la console Upstage, installer le package MCP-Server (nécessite Python 3.10+) et le connecter à Claude Desktop ou via la commande claude mcp add upstage.

  Applications pratiques dans la vidéo :

  • Analyse de factures : Un exemple de facture PDF est converti en données structurées en moins de 30 secondes – tous les montants et détails correctement extraits.
  • Extraction par lot : Plusieurs factures sont automatiquement analysées et exportées en Excel – un travail qui prendrait des heures manuellement.
  • Tableau de bord Upstage Studio : Permet les résumés de documents (démo avec document de 470 pages), les vérifications de conformité sur plusieurs fichiers et la réponse à des questions basées sur le contenu des documents.
  • Sources de fichiers : Les fichiers peuvent être chargés depuis l’appareil, Google Drive, Gmail, Outlook ou des URL.

  Particularité : La solution n’a besoin d’aucun outil OCR, classification ou extraction supplémentaire – tout fonctionne via une API unifiée, avec Claude Code comme orchestrateur pour les workflows plus complexes.

  Outils et fournisseurs utilisés : Claude Code, Upstage Studio, Upstage MCP ; Format : Tutoriel/Démo avec exemples en direct ; Public cible : Développeurs ayant des workflows intensifs en documents (Finance, Assurance, Juridique).

• GPT-5.6 IS HERE! BEST AI Model Ever? Beats Fable, Faster, & Cheaper! (Fully Tested)
  10.7.2026, 06:44:09

  Résumé : Famille GPT 5.6 – Lancement de Soul, Terra, Luna

  OpenAI a lancé la famille GPT 5.6 avec trois variantes de modèles : Soul pour les travaux complexes basés sur des agents avec planification et suivi fiable, Terra comme équilibre entre performance et coûts pour les tâches professionnelles courantes, et Luna pour l’exécution rapide de tâches bien définies à haut volume.

  Aux benchmarks, GPT 5.6 Terra surpasse le plus ancien GPT 5.5 à coûts réduits. Luna atteint une performance quasi-GPT 5.5 pour moins de la moitié des coûts API estimés. Le vaisseau amiral Soul établit selon OpenAI de nouvelles normes : il atteint 53,6% sur les tests basés sur agents (13,1 points d’avance sur Claude Fable 5 Adaptive), 91,9% sur Terminal Bench 2.1, 92,2% sur Browser Comp et 80 points sur l’Artificial Analysis Coding Agent Index – tout en utilisant moins de la moitié des tokens de sortie, en accomplissant les tâches en moitié moins de temps et en coûtant environ un tiers moins cher. Sur Deep Seek 1.1, Soul fournit le score le plus élevé pour moins de la moitié du coût de Fable 5.

  Dans les démos pratiques, Soul a généré des outputs impressionnants : un clone macOS entièrement fonctionnel avec des applications interactives (Launchpad, Spotlight, Musique, Paramètres), un clone Minecraft avec mobs, textures de blocs, animations de destruction, système d’inventaire et modes Survie/Créatif, ainsi qu’une expérience cinématique complète inspirée d’Interstellar en Three.js avec bande sonore et dialogues – le tout en 14 minutes sans ressources externes. Même en développement frontend, Terra et Luna fournissent des outputs de haute qualité ; Soul rivalise visuellement avec Fable 5 avec une meilleure efficacité de coûts. Un point faible reste la génération 3D complexe : les réflexions, l’instancing correct et la géométrie des repères restent insuffisants.

  La tarification est de 5 $ par million de tokens d’entrée et 30 $ par million de tokens de sortie. Les trois modèles offrent un contexte de 1,5 million de tokens. Un mode Ultra coordonne plusieurs agents en parallèle pour les tâches particulièrement exigeantes.

  Format de démo pour OpenAI/GPT 5.6 (Soul/Terra/Luna) avec comparaisons de benchmarks à Claude Fable 5.

• Grok 4.5 IS REALLY GOOD! Opus & GPT Level BUT Faster, Cheaper, & Smarter! (Fully Tested)
  9.7.2026, 06:52:18

  Résumé : Grok 4.5 de SpaceX

  SpaceX a lancé Grok 4.5 – son premier modèle développé spécifiquement pour les Coding Agents et les tâches réelles d’ingénierie logicielle et entraîné aux côtés de Cursor. Le modèle équilibre les performances de codage de niveau frontière avec une impressionnante rapidité et efficacité de coûts.

  Benchmarks et performance : Grok 4.5 atteint 83,3% sur SWE-bench (comparable à GPT-5.5, légèrement derrière Claude 3.5 Sonnet), 64,7% sur SWE-bench Pro (mieux que GPT-5.5) et 62% sur Deep Seek, ce qui le place au 3e rang des modèles frontières. Le plus remarquable : il génère 4,2 fois moins de tokens de sortie que Claude 3.5 Opus sur SWE-bench Pro – considérablement plus efficace pour les tâches de codage plus longues.

  Vitesse et coûts : Le modèle s’exécute à 80 tokens par seconde et coûte 2 $ par million de tokens d’entrée et 6 $ par million de tokens de sortie – considérablement moins cher que les modèles concurrents avec une meilleure vitesse. Le contexte actuel de 500K tokens sera étendu à 1 million (devrait se faire début juillet).

  Résultats pratiques : En développement frontend, Grok 4.5 s’avère fort – clone macOS avec composants fonctionnels, pages d’atterrissage SaaS de haute qualité avec React et animations. Pour les clones Minecraft, il se classe 3e derrière Claude et GPT-5.5, avec un système d’artisanat fonctionnant et des mobs. La génération SVG fonctionne excellemment (lampes à lave animées, moteur de raytracing, scènes 3D low-poly). Le modèle est plus faible pour les graphiques 3D complexes (système solaire 3D semble plat et sans texture).

  Disponibilité : Grok 4.5 est accessible via xAI Build, API et plans Cursor ; à partir de juillet également dans l’UE. Aussi évaluable dans l’outil de benchmark World of AI.

  Conclusion du créateur : Grok 4.5 comble un créneau intéressant – non pas comme le meilleur à tout faire, mais comme un pilier fiable pour les tâches de codage quotidiennes, le débogage et les workflows d’agents, tandis que les modèles frontières restent réservés aux problèmes d’ingénierie les plus difficiles.

  Outils/Fournisseurs IA : xAI (Grok 4.5), Claude 3.5 Sonnet, GPT-5.5, Cursor — Démo/Examen de benchmark.

• China’s AI BAN?!, Qwen 4, GPT-5.6 Thursday, Grok 4.5 Today, Deepseek AI Chip, & Claude AGI! AI NEWS
  8.7.2026, 05:50:06

  Actualités IA : Semaine massive avec Claude JSpace, GPT-5.6 Soul et régulation en Chine

  Claude JSpace & Recherche Anthropic

  Les chercheurs d’Anthropic ont fait une découverte majeure : Claude possède un système de représentation interne émergent appelé JSpace, dans lequel le modèle organise apparemment les pensées, les plans et les réflexions – similaire à un espace de travail global. Cela offre l’une des perspectives les plus claires sur la façon dont les modèles frontières structurent le reasoning en interne avant de générer du texte. Le phénomène est comparé à la chaîne de pensée, mais à un niveau plus abstrait qui rassemble les concepts et les relations avant la sortie linguistique.

  Lancement de GPT-5.6 Soul

  OpenAI a officiellement annoncé que GPT-5.6 Soul aux côtés de Terra et Luna lancera publiquement cette semaine – l’aperçu sera étendu mondialement. D’après les fuites, Soul serait un modèle extrêmement grand avec une estimation de 2 à 4 trillions de paramètres (convergence à environ 2,2 trillions), distribué sur 70–100 wafers d’IA avec une couche Transformer par wafer. Cela pourrait être l’un des plus grands modèles de langage déployés publiquement jamais créés.

  Régulation en Chine & Géopolitique

  Reuters rapporte que la Chine envisage des restrictions pour l’accès international à ses modèles d’IA les plus avancés – y compris les futurs lancements de frontière. Dans les discussions avec des entreprises comme Alibaba, ByteDance et Zhipu, un cadre réglementaire échelonné est discuté : régulation plus légère pour les modèles de base, révisions de sécurité pour les modèles haute performance et interdictions/restrictions nationales possibles pour les modèles frontières sensibles. Cela changerait massivement l’écosystème IA global, puisque les modèles open chinois comme Qwen et Deepseek sont actuellement centraux pour les systèmes puissants et peu coûteux accessibles.

  Puces Deepseek

  Deepseek développe ses propres puces IA personnalisées, spécialisées dans l’inférence plutôt que l’entraînement, pour réduire la dépendance à Nvidia et autres. Cela s’inscrit dans une tendance plus large : OpenAI, Anthropic, Meta, Alibaba et ByteDance se tournent tous vers du silicium personnalisé pour un meilleur contrôle des coûts et l’indépendance de la chaîne d’approvisionnement.

  Autres mises à jour de modèles

  – Anthropic étend l’accès à Claude Fable-5 à tous les plans payants jusqu’au 12 juillet (limite hebdomadaire max 50 %)

  – Claude Co-Work arrive sur mobile et web (démarrer une tâche sur bureau, la récupérer sur téléphone)

  – Alibaba : Qwen 4 est spéculé pour la conférence Aspara de septembre

  – xAI/SpaceX AI : Grok 4.5 se profile ; coopération possible du modèle Grok×Cursor pour cette semaine

  – Google : Gemini API Managed Agents avec bac à sable, support des tâches en arrière-plan et MCP distant maintenant en production

  – Meta : Muse Image (2e place sur les benchmarks d’images après GPT Image 2) et Muse Video lancés

  Autres points forts

  HY3 à 10 cents (Open-Weight) montre une performance surprenamment forte en codage/développement web et est disponible gratuitement. Une vidéo de robotique montre un robot humanoïde qui fait précisément un lit.

  Conclusion : Actualités avec focus sur Claude (recherche JSpace, Fable-5 étendu, Co-Work mobile), OpenAI (lancement public de GPT-5.6 Soul), implications géopolitiques (régulation en Chine, puces Deepseek) et multiples sorties de modèles (Google, Meta, xAI, Alibaba).

• Tencent HY3 IS REALLY GOOD! Best Open-Weight Model? (FULLY FREE)
  7.7.2026, 04:09:21

  Résumé : Tencent HY3 – Modèle de reasoning open-weight

  Tencent a lancé HY3, un modèle mixture-of-experts de 295 milliards de paramètres avec 21 milliards de paramètres actifs et 192 experts. Le modèle est conçu pour le reasoning, les workflows agentic, le codage et la production et offre des modes de reasoning configurables (rapide/bas/élevé), particulièrement utiles pour les tâches complexes. Publié sous licence Apache-2.0 et commercialement utilisable, HY3 atteint des scores de benchmark de 75,8 sur Swaybench Multilingual (comparé à Deepseek V4 Pro avec 76,2) et 57,9 sur Swaybench Pro (vs. Deepseek V4 Pro avec 55,4). La principale limitation est la fenêtre de contexte 256k, mais le modèle excelle avec une meilleure anti-hallucination, un tool-calling plus fiable et une qualité de formation plus élevée.

  Dans les tests pratiques, HY3 montre des forces particulières en développement frontend (animations déclenchées par le scroll, icônes SVG, composants UI complexes) et visualisations 3D (HTML Canvas, WebGL). Pour la création de jeux (platformer 2D, FPS 3D) et simulations, cela a fonctionné de manière fonctionnelle mais pas toujours parfait. Comparé à Gemini 3.5 Flash, HY3 était fonctionnellement comparable pour créer des démos de physique Canvas et environ 35 fois moins cher (fraction de cent vs. 21 cents). GLM 5.2 est plus fort pour le codage pur, HY3 brille dans les tâches nécessitant de la physique et du polissage visuel. En comparaison avec Fable 5, Opus 4.8 et Sonnet 5, HY3 était le plus rapide et fournissait des résultats propres et efficaces – avec une qualité globale inférieure, mais impressionnant pour un modèle open-weight de cette taille.

  Le modèle est testable gratuitement jusqu’au 21 juillet (puis 14 cents par million de tokens d’entrée, 58 cents par million de tokens de sortie via Open Router) et offre un excellent rapport qualité-prix.

  Tencent HY3 et DeepSeek V4 Pro explicitement abordés ; comparaisons partielles avec Claude (Opus), Gemini 3.5 Flash, GLM 5.2, Sonnet 5 ; vidéo d’opinion/réflexion axée sur la démo.

• Claude Fable 5 Is NERFED?! After Export Ban? The Truth…
  6.7.2026, 05:51:34

  Résumé : Anthropic a-t-il volontairement affaibli Fable 5 ?

  Après la réédition de Fable 5 avec de nouvelles mesures de sécurité, on spécule si le modèle a été volontairement « nerffé ». L’indice de benchmark Sway Apex Mercure-IA a montré une baisse de performance de 65,5% (version juin) à 54,8% (version juillet) — la performance en observabilité a particulièrement chuté de 69,67% à 50,33%, tandis que l’intégration n’a que légèrement baissé. Cependant, l’auteur soutient que cette baisse est principalement expliquée par les nouveaux classificateurs de sécurité d’Anthropic, qui redirigent automatiquement certaines demandes vers Claude Opus 4.8, ce qui pourrait involontairement faire échouer certains benchmarks lors du test réel de Fable 5.

  L’indice Arena, une source légitime avec des milliers d’évaluations, conclut que les scores avant et après sont largement cohérents et que Fable 5 reste à la frontière — il n’y a eu une baisse d’environ 20 points que sur le code-Arena, mais elle se situe statistiquement dans l’intervalle de confiance. L’auteur voit le problème fondamental moins dans un vrai nerf du modèle que dans l’absence d’optimisation des prompts : les utilisateurs qui savent comment bien structurer les modèles IA frontière (avec des fichiers markdown, une meilleure contextualisation) continuent d’obtenir d’excellents résultats. Les nouveaux classificateurs de sécurité sont intentionnellement plus agressifs et bloquent les techniques de jailbreak à plus de 99%, mais flaggent aussi plus souvent les tâches de débogage et de cybersécurité. Une préoccupation supplémentaire : les garanties semblent partiellement sensibles à la formulation — le libellé influence si une redirection vers Opus 4.8 se produit. Le 7 juillet, Fable 5 migrera également des plans payants vers un système d’utilisation de crédits.

  Explicitement abordé : Anthropic, Fable 5, Claude Opus 4.8 — Format : Opinion/Deep-Dive avec analyse de données.

• NEW Gemini 3.5 Pro LEAKS! Google Is Back and Will Rival Fable 5 & GPT-5.6!
  5.7.2026, 06:25:38

  Résumé : Fuites et lancement attendu de Gemini 3.5 Pro

  La vidéo couvre les informations divulguées sur le modèle à venir Gemini 3.5 Pro de Google DeepMind. Les rumeurs pointent vers un lancement prévu le 17 juillet, basé sur les noms de code dans les serveurs cloud de Google et les projets utilisateur dans une plateforme de prédiction. Le modèle devrait être construit sur une base nouvellement entraînée (plutôt que sur l’ancien 2.5 Pro) et devrait inclure une fenêtre de contexte étendue de 2 millions de tokens ainsi qu’une nouvelle couche de reasoning « Deep Think » pour la logique, les mathématiques et les tâches multi-étapes. D’autres fonctionnalités incluent des workflows agentic autonomes étendus pour les tâches de codage plus longues.

  La vidéo montre plusieurs outputs divulgués depuis des tests (disponibles dans Arena ou l’app Gemini pour les testeurs bêta), démontrant Gemini 3.5 Pro pour la génération SVG, les scènes 3D avec Three.js et les jeux HTML interactifs. Particulièrement impressionnants sont un projet d’île Steampunk et des jeux similaires à Subway Surfer – le modèle génère du code fonctionnel avec des attentes réalistes. La qualité SVG et frontend est soulignée comme un point fort, dépassant parfois Claude Fable 5. Les évaluations privées montrent des gains de performance comparé à Fable 5, bien que non confirmés. Parallèlement, Gemini 3.5 Flash et éventuellement Gemini 3.6/4 Flash sont aussi testés. Le créateur annonce les benchmarks officiels à venir.

  Modèles/Outils : Google Gemini 3.5 Pro, Anthropic Claude Fable 5, GLM 5.2, GPT-4o ; Format : Mise à jour des actualités/Démo — Niveau débutant.

Zubair Trabzada | Atelier IA (3 nouvelles vidéos)

• Claude Fable 5 Built Me a Real AI Employee
  10.7.2026, 18:36:16

  Résumé : Démo et construction de TARS – Employé IA

  Le créateur présente TARS, un employé IA auto-construit basé sur Claude 3.5 Sonnet, qui fonctionne comme un agent autonome avec une personnalité (inspirée du robot dans Interstellar). TARS peut être contrôlé par langage naturel, interpréter des captures d’écran, prendre le contrôle de l’écran et exécuter des tâches – comme remplir des formulaires, créer des campagnes Meta Ads ou construire des web-apps.

  Fonctionnalités principales : L’interface affiche les paramètres (modèles vocaux, versions Claude), un réglage d’humour (personnalisable), le partage d’écran pour la prise de contrôle, et un tableau de bord des missions pour suivre les tâches en cours. TARS peut déployer plusieurs sous-fonctions d’agents spécialisées (par exemple « Case » pour les tâches de design, « Kip » pour le développement d’applications), qui travaillent en parallèle en arrière-plan et fournissent des rapports.

  Dans la démo, les constructions exemplaires incluent : une vérification de canal YouTube avec commentaires, une nouvelle campagne Meta Ads (contrôlée en direct à l’écran), une application Tip Calculator avec thème sombre, et un workflow de générateur d’images pour les images de cours. Tout est créé par instruction vocale.

  Le créateur distingue TARS (l’employé qui fait les choses) de Jarvis (un assistant IA séparé avec mémoire à long terme, qui fonctionne comme un « deuxième cerveau » et connaît toutes les informations métier).

  Coûts : GPT Live (pour l’interaction vocale naturelle en temps réel) coûte environ 5 centimes par minute et est coûteux, mais offre une latence < 0,3 secondes. 11Labs comme alternative moins chère avec un délai légèrement plus élevé.

  Accès : Un pack de prompts gratuit pour reconstruire une version simplifiée de TARS est disponible dans la communauté gratuite « AI Workshop Light » (lien en description vidéo). La version complète avec Jarvis et TARS exactement comme présenté existe dans une communauté payante sous forme de téléchargement ZIP (installation 5 minutes).

  Pourquoi c’est important : Le créateur soutient que nous passons des chat-bots à une ère de vrais « employés IA » – caractérisés par l’interaction en langage naturel, l’accès à l’écran, le déploiement multi-agents et une personnalité personnalisée. Cela rend les outils IA accessibles aux utilisateurs non-techniques et ouvre un modèle commercial : vendre des agents IA pour les restaurants, les agences, les agents immobiliers, les cliniques, etc.

  —

  Explicitement mentionné : Claude (Sonnet, Opus, Haiku), OpenAI GPT-4 Real Time (mentionné comme nouvelle technologie de modèle Duplex), 11Labs (Voice API), Fable 5 (implicitement, mais mentionné dans le contexte comme base de la version système).

  Format : Démo avec explication détaillée et réflexion sur les opportunités commerciales.

• I Found the 5 Craziest Claude Fable 5 Builds on the Internet
  6.7.2026, 20:42:37

  Claude Fable 5 : Cinq projets impressionnants

  La vidéo présente cinq exemples remarquables de ce que Claude Fable 5 peut accomplir :

  1. Château de Poudlard : Matt Schumer a créé avec un simple prompt un château de Poudlard complet avec des salles exploitables, des couloirs et des structures à l’échelle – tout dans le navigateur sans moteur de jeu ni modèles 3D téléchargés. L’intelligence spatiale du modèle a reconstruit l’architecture correcte du château de mémoire.

  2. Minecraft dans le navigateur : Un développeur a recréé Minecraft dans un fichier navigateur, incluant le mode Créatif avec placement de blocs, cycles jour-nuit, chute de sable, réactions en chaîne TNT et musique de fond composée automatiquement – le tout pour environ 30 dollars de crédits API. Le code est disponible sur GitHub.

  3. Jarvis – Assistant IA personnel : Un assistant auto-construit avec l’humour d’Iron Man, qui recherche dans les e-mails, effectue des recherches en ligne et analyse l’écran de l’utilisateur. Le code est fourni gratuitement dans une communauté.

  4. Pokémon Fire Red : Claude Fable 5 a joué le jeu Game Boy complet de 2004 en seulement environ 50 minutes en utilisant des captures d’écran – sans cartes, coordonnées ou outils spécialisés. Il a concentré toutes les ressources sur un seul Pokémon (Charizard) et a terminé toute l’histoire avec lui.

  5. Sites web 3D avec animations : Des sites web de haute qualité (par exemple une page de marque pour une montre) ont été créés avec un prompt et des outils MCP, pour lesquels les agences demanderaient autrement des milliers de dollars. Les images et vidéos ont été générées par des modèles comme Claude.

  Le créateur propose également un système d’incitation gratuit et 25 prompts prêts à copier, ainsi qu’une communauté payante avec masterclass sur l’utilisation de Claude pour les projets commerciaux.

  Claude Fable 5, Démo/Compilation.

• Claude Fable 5 Writes, Designs & Schedules All My Content Automatically
  5.7.2026, 18:50:34

  Résumé : Automatisation des réseaux sociaux avec Claude Code

  La vidéo présente un tutoriel étape par étape pour construire un système de médias sociaux complètement automatisé qui recherche du contenu, génère des images et des vidéos, rédige des posts et les publie sur neuf plateformes simultanément ou selon un calendrier – le tout dans votre voix de marque, sans code.

  Configuration requise : Application Claude Desktop avec plan Pro ou Max ; activer Claude Code.

  Étape 1 – Configuration de la voix de marque : Une communauté de ressources gratuite (AI Workshop Light) propose des modèles téléchargeables. La voix de marque est centrale : elle définit l’identité, le public cible, les offres, le langage et les preuves. Claude interroge automatiquement l’utilisateur via un fichier Markdown pour remplir la voix de marque – aucune saisie manuelle nécessaire.

  Étape 2 – Connexion des outils MCP :

  • Hicksfield MCP : Génère des images et des vidéos (Carrousels, Shorts) via des modèles IA puissants. Ajouté en tant que connecteur personnalisé dans Claude Code ; authentification via fenêtre d’autorisation.
  • Blato MCP : Poste automatiquement sur les neuf plateformes. Connexion des comptes de réseaux sociaux (Instagram, LinkedIn, Twitter, TikTok, Facebook, etc.) via les paramètres Blato. Ici aussi, ajouter un connecteur personnalisé avec URL.

  Étape 3 – Automatisation en action : L’utilisateur donne à Claude Code un prompt comme « Créer un post carrousel pour Instagram, LinkedIn et Twitter, adapté à chaque plateforme, avec ma voix de marque, utiliser Hicksfield et Blato. » Claude utilise les MCP, génère des images et poste automatiquement – chaque plateforme reçoit du contenu adapté (par exemple Instagram : énergie mème + 5 hashtags ; LinkedIn : texte professionnel plus long).

  Planification : Via les routines Blato, on peut définir les heures de publication, ou utiliser un modèle de prompt supplémentaire dans Claude Code pour l’automatisation hebdomadaire.

  Résultats de la démo : Présentation de vidéos carrousel générées et postées en direct sur LinkedIn, Instagram et X – complètement automatisées, avec une image de référence comme entrée.

  Remarques : Les images sont moins coûteuses que les vidéos ; en cas d’erreur, Claude Code peut lui-même être utilisé pour le dépannage.

  Toutes les ressources (packs de prompts, modèles) dans la communauté gratuite ; contenu avancé (assistant IA Jarvis, masterclass Claude Code) dans une communauté payante.

  Outils et format : Claude Code / Hicksfield MCP / Blato MCP ; Tutoriel avec démo (Claude Fable 5).

---

Généré automatiquement à partir des dernières vidéos YouTube de la sélection de chaînes curatorisées. Pour des commentaires, des suggestions ou pour vous désinscrire : répondez simplement à cet e-mail.