LLMgram | AI NEWS 📡

« Rétablissons la vérité », écrit Laure Darcos dans sa lettre ouverte à Arthur Mensch. Je crois rêver. Rétablissons-la, oui. Sa lettre accuse Mistral de « se désengager de l'IA générative pour recentrer son business sur le cloud et les data centers ». Or l’article X auquel elle répond s'ouvre sur l'annonce de Mistral Large 4, entièrement entraîné à Bruyères-le-Châtel, dans l'Essonne, le département dont elle est sénatrice. Difficile de passer à côté. Sur le fond, l'objection de Mensch reste entière. Avec ce texte, un simple indice qui rend l'utilisation vraisemblable suffit à déclencher la présomption, et c'est au fournisseur de la renverser. Comment montrer qu'une œuvre précise n'a pas servi dans un corpus de milliards de mots, sans ouvrir ses secrets industriels ? La lettre répond que « les juges sauront organiser la confidentialité ». Protéger une preuve devant un juge ne la rend pas plus facile à produire : le texte déplace la difficulté vers le contentieux sans la résoudre. Pour illustrer le chaos américain, elle cite plus de 160 procès en cours. Pourtant, sans loi spécifique, le droit d'auteur existant a déjà fait le tri. En juin 2025, Anthropic et Meta ont obtenu gain de cause sur l'entraînement de leurs modèles. Le piratage, lui, a été jugé à part : Anthropic a accepté de verser 1,5 milliard de dollars aux auteurs pour clore ce volet. Sans présomption ni renversement de la charge de la preuve. Et l'Europe ne part pas de zéro. Depuis août 2025, l'AI Act impose aux fournisseurs de nouveaux modèles d'IA à usage général deux obligations : respecter les refus des ayants droit (opt-out) et publier un résumé des contenus d'entraînement. Ce cadre ne permet pas encore à chaque auteur de vérifier si son œuvre figure dans un corpus, et c'est un vrai sujet. La réponse logique serait de renforcer ces moyens de vérification. La proposition fait l'inverse : elle mise sur une présomption que l'auteur déclenche et que le fournisseur doit renverser. Les députés examinent le texte le 19 novembre. Ils méritent un débat sur ce qu'il fait, pas sur un Mistral imaginaire qui aurait quitté l'IA générative, alors qu'il entraîne ses modèles en Essonne.

Crouton Alpha, nouveau modèle gratuit sur OpenCode pour la semaine à venir. 1M de contexte, multimodal et ZDR. Let's go, testons l'engin et à vos pronos pour qui se cache derrière.

Le labo de Mira Murati, ex-CTO d'OpenAI, vient de sortir un modèle de 594 milliards de paramètres. Il s'appelle Inkling 2 Small. Le « Small » se comprend quand on regarde comment il fonctionne. C'est un mixture-of-experts (MoE) : le modèle contient de nombreux sous-réseaux spécialisés et, pour chaque mot, il n'en réveille qu'une partie, soit 17 milliards de paramètres. Il a les connaissances d'un gros modèle, mais coûte à faire tourner à peu près comme un modèle moyen. Côté niveau, il obtient 30,6 sur l'indice d'Artificial Analysis, une note indépendante qui agrège plusieurs benchmarks. C'est mieux que GLM 5.3 Flash (27,8), un modèle chinois de taille comparable, et presque au niveau de DeepSeek V4.1 Flash (32,6), la référence de sa catégorie. Il dépasse surtout Mistral Large 4 (26,1), le grand modèle ouvert européen, alors qu'il active presque trois fois moins de paramètres. Pour Nathan Lambert, chercheur américain spécialiste des modèles ouverts, c'est le meilleur modèle ouvert occidental. Le modèle lit le texte et les images, et vise surtout le code, les agents qui travaillent longtemps seuls et la finance. En cybersécurité, il est au niveau des meilleurs modèles ouverts pour repérer et corriger des failles : 79,6 % sur PatchEval, contre 80,4 % pour DeepSeek V4.1 Flash et 76,1 % pour Mistral Large 4. Pour attaquer des systèmes, il reste en revanche derrière eux. Pour montrer ce qu'il voit, le labo l'a opposé à ses chercheurs dans une dégustation à l'aveugle. Sur une simple photo de trois verres, il devait retrouver lequel contenait un cabernet de 1999, un cabernet de 2019 ou un nebbiolo de 2023, rien qu'à leur couleur. Il a vu juste 19 fois sur 20, mieux que des chercheurs de l'équipe. Ce qui a le plus fait parler les chercheurs sur X, c'est la vitesse de fabrication. Un modèle se fabrique en deux grandes étapes. D'abord, il lit une quantité énorme de textes, de code et d'images pour apprendre comment le monde s'écrit : c'est le pré-entraînement. Ensuite, il s'exerce sur des tâches et il est récompensé quand il réussit : c'est l'apprentissage par renforcement. Chez Thinking Machines, la phase principale de lecture a pris 68 heures, et l'entraînement par la pratique 9 jours. Leur astuce : faire tous les calculs avec des nombres arrondis, sur 4 bits au lieu de 8 ou 16 d'habitude. C'est comme compter en euros ronds plutôt qu'au centime près : moins précis, mais beaucoup plus rapide et moins cher. Et le modèle obtenu reste au niveau de ses concurrents. Quand les étapes principales se comptent en jours plutôt qu'en mois, un labo peut essayer beaucoup plus de recettes dans l'année. Pour un labo de deux ans face à OpenAI ou Google, c'est le meilleur moyen de rattraper son retard. Détail révélateur : pour apprendre à travailler en agent, Inkling a d'abord étudié des exemples générés par d'autres modèles, dont le chinois Kimi K3, à côté de leurs propres modèles. C'est devenu la norme, car les modèles fermés comme GPT ou Claude interdisent qu'on entraîne un concurrent avec leurs réponses. Résultat : même le meilleur modèle ouvert occidental s'appuie en partie sur l'open source chinois. On peut déjà l'utiliser et le fine-tuner sur ses propres données via Tinker, leur plateforme. Les poids devraient sortir la semaine prochaine sous licence Apache 2.0, donc utilisables commercialement, une fois terminés les tests de sécurité menés par des équipes externes. Et si vous l'entraînez sur vos données dès maintenant, vous pourrez ensuite récupérer votre version personnalisée et la faire tourner chez vous. Attention quand même : 17 milliards actifs ne veut pas dire que ça tourne sur un laptop. Il faut charger les 594 milliards, soit plus de 300 Go même en 4 bits, donc un serveur avec plusieurs gros GPU.

Ce matin au réveil, je découvre que le CMO de Mistral demande à ses followers s'il devrait séparer la tech du reste sur son compte. Brian, j'ai deux ou trois choses à te dire 30 ans dans la tech, ex-VP chez Google Cloud, aujourd'hui CMO de Mistral. Quand tu es arrivé, certains t'ont accueilli comme le messie qu'attendait la com de Mistral. C'est justement pour ça que ta question m'a surpris : on attend énormément de toi sur ce terrain-là. Je défends Mistral depuis longtemps et je continuerai. Mais depuis l'été, les annonces s'enchaînent à une vitesse folle : GLM 5.3, DeepSeek V4, et chez vous Mistral Large 4 en open weights. À ce rythme, le meilleur modèle ne gagne pas forcément. Celui que les développeurs comprennent, adoptent et recommandent part avec une sacrée avance. Or l'offre de Mistral reste difficile à décrypter, et on se pose toujours les mêmes questions : 1) Est-ce qu'on peut brancher vos modèles sur Hermes, sur T3 Code, sur le reste de nos outils ? 2) Combien de crédits sont réellement disponibles ? 3) Quelle est la direction pour la suite ? Un peu de teasing ferait du bien. Et derrière, il y a tout ce qu'on aimerait comprendre : ce qui est fort dans vos modèles et ce qui vous différencie vraiment. Ces USP, les grands comptes les comprennent sûrement dans vos calls. Ici, beaucoup moins. Pourquoi du local plutôt qu'une API ? Et quand on prend votre API, qu'est-ce que le ZDR change concrètement ? Vous avez plus de 40 cas clients sur votre site, Airbus, ASML, AXA, BMW, il en faut plus ici. Pour une boîte comme Mistral, la com fait partie de la distribution. Un employé montre un usage, un dev le reproduit, une entreprise le découvre, et les utilisateurs finissent par en parler eux-mêmes. Sur X, Tibo, Thariq, Theo ou Karpathy partagent leur stack, ce qu'ils testent, ce qui tourne dans leur lab, et ils sont loin d'être les seuls. Chez Mistral, Sophia Yang a montré que ça marche : elle partageait énormément, et beaucoup de devs suivaient Mistral à travers elle. Il y a de la place pour dix voix comme la sienne. Ton rôle, c'est aussi de leur donner envie d'y aller : montrer l'exemple, leur donner le feu vert, amener une énergie hors du commun pour que tes équipes racontent ce qu'elles construisent. Je ne te demande pas de transformer ton compte perso en canal corporate. Avec ton parcours, ton réseau et ton poste, tu peux rendre visible ce que Mistral construit. On a envie de tes histoires de terrain, de comprendre qui tu es, et surtout de comprendre l'IA à travers tes yeux : où elle va, ce qui marche vraiment, ce que tu as vu passer chez Microsoft, Amazon et Google. Tu le dis toi-même, les Français ne s'intéressent pas à Seattle. L'IA, si. C'est là-dessus que j'aimerais surtout te lire, avec ce qui se construit chez Mistral. Seattle et le reste ont leur place, mais ce n'est pas pour ça que je te suis. Mistral est une startup générationnelle. Elle a les talents, la technologie et l'ambition pour jouer dans la cour des plus grands. Maintenant, il faut aussi gagner la bataille de l'adoption. C'est une mission de ouf que tu as là, mon ami. LFG