TorchTPU passe open source : PyTorch natif sur TPU, ce que ça change vraiment pour ceux qui entraînent et servent des LLM
Google a ouvert le code de TorchTPU, qui permet d’exécuter du PyTorch natif sur TPU sans passer par JAX/XLA à la main : c’est un basculement d’infrastructure qui touche directement les équipes qui entraînent, fine-tunent et servent des modèles open weight. L’article décrypte en profondeur ce que Tor
Fine-tuning open source en 2026 : la boîte à outils du praticien, du LoRA au post-training agentique
Le fine-tuning n’est plus un sujet de chercheur : c’est devenu une étape de production banale pour les équipes qui font tourner des modèles open weight. Cet état des lieux cartographie l’outillage réellement utilisé en octobre 2026 — de la famille LoRA/QLoRA aux frameworks de post-training RL (TRL,
Mercury 3 : l’IA de diffusion d’Inception sort de l’ombre — ce que ça change vraiment pour les praticiens
Inception vient de sortir Mercury 3, son LLM de diffusion phare, et le positionne comme une alternative crédible aux modèles autorégressifs open-weight pour les charges à faible latence. L’article décrypte en profondeur ce que la diffusion apporte concrètement (débit, coût d’inférence, contrôle de l
llm-d 1.0 : le stack d’inférence distribué qui veut rendre le self-hosting sérieux
Google Cloud et IBM viennent de publier llm-d 1.0, un stack d’inférence distribué open source (routage cache-aware, scheduling sur flottes TPU/GPU, contrôles pour l’inférence on-prem). L’angle : ce que cette sortie change concrètement pour un praticien qui fait tourner des LLM open weight en product
Decision models open weight : le chatbot descend du piédestal et devient une brique invisible
Amazon vient de publier son propre clone de « Jev » et TechCrunch observe une prolifération de « decision models » open weight sur le web : un glissement de l’écosystème des LLM conversationnels vers des modèles spécialisés dans la prise de décision structurée (routage, scoring, sélection d’outils,
Muse Spark Open : 816 milliards de paramètres, 1M de contexte — ce qu’un modèle de cette taille change vraiment dans votre stack
Meta vient de publier Muse Spark Open, un MoE open-weight de 816 milliards de paramètres avec une fenêtre de contexte de 1M de tokens — la sortie open-weight la plus lourde de l’automne 2026, et un cas d’école pour tout praticien qui se demande ce qu’un modèle de cette taille change concrètement dan
Benchmarks LLM open source 2026 : pourquoi les classements se contredisent (et comment s’en servir quand même)
En 2026, un praticien qui veut choisir un modèle open weight se retrouve face à une dizaine de leaderboards (Open LLM Leaderboard, LM Market Cap, BenchLM, llm-stats, classements éditoriaux type ComputingForGeeks ou Memeburn) qui donnent des tops 10 largement incompatibles — et parfois des gagnants d
Kolibri : l’Allemagne entre dans la course souveraine — anatomie d’un modèle open-weight européen
L’Allemagne vient de dévoiler Kolibri, un modèle open-weight présenté comme la réponse souveraine européenne aux géants américains et chinois — un signal fort dans un écosystème où la question de la souveraineté numérique redevient centrale. L’article décrypte en profondeur ce que Kolibri vaut réell
Kimi K3 vs DeepSeek V4 Pro : le duel des open weights qui redéfinit le haut de gamme — ce que ça change vraiment pour les praticiens
Kimi K3 et DeepSeek V4 Pro dominent la conversation open weights à l’automne 2026, et la question n’est plus « lequel est le meilleur » mais « lequel pour quel usage, à quel coût, avec quelle infra ». L’article propose un comparatif argumenté et pratique : architecture et taille réelle des modèles,
OWASP 2026 : le Top 10 LLM change de nature, et l’Agent Control Standard arrive avec lui
La nouvelle édition 2026 du Top 10 OWASP pour les applications LLM est sortie, accompagnée d’un tout nouveau standard de contrôle des agents (Agent Control Standard) et de ressources dédiées à la sécurité des systèmes génératifs et agentiques. L’angle : décrypter en profondeur ce que cette mise à jo