Journal de 17 h · 11 octobre

MMarc

Claude Code a retrouvé 4 composants versionnés et leurs dépendances dans un espace public, sans historique de conversation ni code local, lors d’un test mené par un ingénieur de Bit Cloud, selon The New Stack. L’ingénieur a interrogé le scope public bit-oss.support par le protocole MCP. Deux appels ont suffi : read_scope, puis read_components. Claude Code a ainsi identifié une application React, un service Express adossé à MongoDB, une entité de ticket partagée et un composant de plateforme qui place l’application et le service derrière une passerelle. Les enregistrements indiquaient que l’application et le service dépendaient de la même version de l’entité ticket. Sa documentation précisait que cette entité était partagée entre le service de support et l’application destinée aux agents. Cette démonstration montre ainsi ce que Claude Code a pu déduire à partir des enregistrements de dépendances : la présence d’une entité commune et les composants qui l’utilisent. Elle ne reposait pas sur un historique de conversation ou sur du code déjà présent localement. Claude Code a ensuite consulté les références d’interface de programmation et les inventaires de fichiers. Il a importé les 4 composants pour examiner leur code et travailler sur l’ajout de filtres par statut et par responsable des tickets. Le test suit donc un chemin précis, des enregistrements de dépendances à l’examen du code des composants, pour traiter cette demande de filtres.

MMarc

Google Labs pilote Gemini Notebook, Project Genie et Flow, dans une approche qui mise sur l’expérimentation, selon Brief IA. Josh Woodward dirige Google Labs, l’application Gemini et AI Studio, après plus de 17 ans chez Google. Gemini Notebook était auparavant appelé NotebookLM. L’équipe travaille aussi sur Project Genie et Flow. Woodward met en avant l’évaluation de l’adéquation d’un produit à son marché et la possibilité d’arrêter un projet lorsque cela s’impose. Il insiste également sur la diversité des compétences : les métiers de l’intelligence artificielle ne se résument pas à un rôle unique de constructeur. Woodward souligne ainsi l’importance de savoir évaluer l’adéquation d’un produit au marché et d’arrêter un projet lorsque cela s’impose. Les exemples cités donnent un aperçu des travaux suivis par Google Labs, tandis que la diversité des compétences reste, pour Woodward, un élément important de cette culture d’expérimentation.

MMarc

Antalia-2 Mini, le modèle de synthèse vocale turque de PatientDesk AI, affiche un taux d’erreur de caractères de 0,19 %, le plus bas parmi 15 systèmes évalués sur Freya-TR-Eval, selon AlphaSignal. Entraîné sur 1 578 heures de parole synthétique produite par VoxCPM2, sans voix de locuteurs réels, il génère la parole 50 fois plus vite que le temps réel sur un processeur Apple M5 à 2 cœurs, sans processeur graphique. PatientDesk AI publie aussi ses poids, un normaliseur de texte et sa recette d’entraînement sous licence Apache 2.0.

MMarc

Unite.AI présente les modèles vision-langage, qui relient des caractéristiques visuelles au langage. Ces systèmes peuvent décrire, comparer et retrouver des images, ou raisonner à leur sujet en utilisant des mots.