GLM-5.3 et modèles ouverts & OpenAI, Cerebras et réorganisation - Actualités IA (18 août 2026)

[0:30] GLM-5.3 et modèles ouverts

On commence avec les modèles ouverts, et la sortie qui a retenu l’attention aujourd’hui, c’est GLM-5.3 de Z.ai. Ce qui frappe ici, c’est que l’entreprise explique avoir obtenu un gros bond en performances sans changer le modèle de base, uniquement grâce au post-training. Résultat annoncé : de nets progrès en code, en tâches agentiques longues, et, de façon plus inquiétante, en capacités cyber offensives. Z.ai dit avoir déjà aidé à repérer des milliers de vulnérabilités dans des projets réels. C’est utile, mais cela rappelle aussi qu’un très bon agent de code peut devenir un très bon outil de sécurité offensive.

Dans le même esprit, Google a acheté pour 10 millions de dollars un énorme lot de données dépersonnalisées provenant de la liquidation de Spirit Airways. On parle de courriels, de fichiers internes, d’échanges clients et de données opérationnelles à très grande échelle. Google dit vouloir s’en servir pour améliorer ses services IA. Même avec désidentification, l’opération rappelle à quel point les données du monde réel valent désormais cher, surtout quand elles décrivent des processus concrets, des opérations, des incidents et des interactions humaines. C’est bon pour les modèles spécialisés, mais cela ravive aussitôt les questions de vie privée et de consentement.

Sur la cybersécurité, Wiz affirme que son agent autonome a trouvé une faille critique dans un dépôt public de Snowflake seulement cinq jours après sa mise en ligne. Le problème venait d’un workflow GitHub Actions manipulant mal le titre d’une issue, ce qui pouvait mener à de l’exécution de code. Selon Wiz, l’agent a pu démontrer l’accès à un jeton Jira interne avant que Snowflake ne corrige rapidement. Ce qui compte ici, ce n’est pas seulement la faille elle-même, assez classique, mais la vitesse. Les agents de sécurité deviennent capables de repérer, tester et valider des régressions très vite. Cela réduit potentiellement le temps d’exposition, mais cela réduit aussi le temps dont disposent les équipes pour réagir.

Côté recherche, plusieurs signaux montrent que l’IA change à la fois les architectures et la manière de faire de la science. Un article sur le 'full-bandwidth transformer' propose de réinjecter davantage d’état latent d’une étape à l’autre pour améliorer l’efficacité en raisonnement et en code, sans bouleverser l’architecture standard. En parallèle, le projet LittleLearner suggère qu’un modèle entraîné sur un corpus volontairement limité n’acquiert pas magiquement des compétences au-delà de ce qu’il a réellement vu, même avec l’échelle ou le post-training. Et dans la recherche en langages de programmation, certains auteurs disent que les outils IA réduisent déjà drastiquement le temps nécessaire pour formaliser et prouver des résultats dans Lean. En clair, l’IA ne change pas seulement les produits : elle change aussi le rythme de la recherche.

Enfin, un mot sur le facteur humain. Andrew Ng a publié une cartographie des compétences IA qui insiste sur quatre blocs : construire et déployer des applications IA, garder de solides bases en génie logiciel, savoir travailler avec des agents de code, et participer davantage au cadrage de ce qu’il faut vraiment construire. En arrière-plan, le débat lancé par Zvi Mowshowitz sur l’accélération possible de la recherche IA, et les propos de Dario Amodei sur une régulation capable de limiter les grands acteurs plutôt que de les protéger, montrent que la grande question n’est plus de savoir si l’IA va transformer le travail technique. La question, c’est à quelle vitesse, avec quelles garde-fous, et qui contrôlera les leviers les plus importants.