Kimi K3 ouvre ses poids, Nvidia adosse OpenAI à hauteur de 250 milliards

Moonshot vient de publier les poids de Kimi K3 sur Hugging Face : 2 800 milliards de paramètres, ce qui en fait le plus gros modèle ouvert au monde, téléchargeable sous une licence MIT modifiée. C'est une architecture à experts (896 au total, 16 activés par jeton, soit environ 50 milliards de paramètres actifs), avec une fenêtre de contexte d'un million de jetons et la vision native.

Deux réserves. Techniquement, les poids pèsent encore près de 1,4 téraoctet en précision réduite : il faut une infrastructure sérieuse pour le faire rouler. Et des tests indépendants pointent un taux d'hallucination élevé. En toile de fond, Washington accuse Moonshot d'avoir distillé le Fable 5 d'Anthropic — la seule grande maison à refuser de signer la lettre pro-modèles-ouverts de l'industrie.

Pour une PME, le calcul change quand même : un modèle de frontière qu'on héberge chez soi, sans facture par jeton et sans envoyer ses données à l'extérieur.

Selon le Wall Street Journal, Nvidia est en discussion pour garantir environ 250 milliards $ US de financement afin qu'OpenAI puisse louer un projet de 10 gigawatts que la filiale énergie de SoftBank érige dans le sud de l'Ohio. Le campus complet pourrait dépasser 500 milliards $, la première tranche d'environ 800 mégawatts étant attendue vers 2028.

La garantie couvre le bail et la dette, pas les puces : Nvidia discuterait d'un financement séparé pouvant atteindre 350 milliards $ pour les GPU eux-mêmes. Pour OpenAI, c'est un premier pas pour contrôler son infrastructure au lieu de la louer à Microsoft, Amazon ou Oracle. Pour Nvidia, c'est verrouiller des années de demande.

Le hic saute aux yeux : quand le fournisseur de puces finance l'achat de ses propres puces, le risque tourne en rond. L'investisseur Michael Burry a résumé le montage d'un « on tourne, on tourne ».

Des pages de conversations partagées via le lien « Partager » de Claude ont été indexées par Google — et par Bing et Brave — faute d'une simple balise « noindex ». Un fil Reddit en fin de semaine a montré qu'on pouvait les repêcher avec une recherche du type site:claude.ai/share, sans jamais avoir reçu le lien d'origine.

Le contenu exposé allait de l'avis juridique au code, en passant par des CV, et parfois des clés d'API et des données de cryptomonnaie. Anthropic a réagi vite et les résultats ont disparu de Google, mais les liens déjà sauvegardés peuvent rester ouvrables tant que l'accès n'est pas coupé côté serveur. OpenAI avait commis exactement la même erreur l'an dernier.

La leçon pour une organisation : le bouton « partager » d'un assistant n'est pas privé par défaut. Un lien partagé, c'est une fuite potentielle.

Cursor a demandé à son nouvel « essaim » d'agents de réécrire SQLite en Rust à partir du seul manuel de 835 pages : ni code source, ni suite de tests, ni accès à internet. Le nouveau système sépare les rôles. Des agents planificateurs, sur des modèles de frontière, découpent l'objectif en sous-tâches; des agents exécutants, sur des modèles plus rapides et moins chers, les réalisent.

Résultat : toutes les configurations ont fini par réussir 100 % de la suite de tests, là où l'ancien essaim s'enlisait dans ses propres conflits de fusion (plus de 70 000 contre moins de 1 000). Surtout, la facture varie du simple au multiple selon le montage — d'environ 1 300 $ pour une équipe planificateur Opus, à plus de 10 000 $ pour un seul gros modèle qui fait tout.

Pour un développeur, la leçon est concrète : réserver le modèle cher à la planification et confier l'exécution au moins cher coûte beaucoup moins et casse beaucoup moins.

La jeune pousse Induction Labs dévoile Photon-1, ce qu'elle appelle un « modèle d'imagination » : plutôt que d'apprendre sur des données étiquetées, il a appris à utiliser un ordinateur en visionnant l'équivalent de 18 ans d'enregistrements d'écran, sans jamais voir une seule action annotée.

Le modèle prédit les images suivantes dans un espace de représentation compressé; à force d'anticiper ce qui va arriver à l'écran, il finit par savoir accomplir des tâches. Après une phase d'entraînement par renforcement, l'entreprise affirme dépasser le Gemini 3.1 Flash-Lite de Google sur ses propres tests d'usage d'ordinateur, avec 30 fois moins de calcul d'entraînement et un coût de service trois fois moindre.

Si le résultat tient hors des bancs d'essai maison, il ouvre une voie : entraîner des agents à partir de vidéo brute, abondante et gratuite, plutôt que de données patiemment annotées.