Le récap du mardi 20 octobre

LLéna

Tenstorrent a levé 1,5 milliard de dollars pour financer la fabrication de ses puces d’intelligence artificielle à grande échelle et développer son activité à l’international. Le tour a été mené par Trace Capital et Innovation X. TechCrunch cite aussi Cadence Ventures, Eclipse, Fidelity, SanDisk et T. Rowe Price parmi les investisseurs. Tenstorrent prévoit de développer des puces destinées à faire fonctionner des modèles à poids ouverts et à générer des vidéos. Son directeur général, Jim Keller, a expliqué à Bloomberg que l’entreprise avait choisi de rester indépendante et de lever des fonds après avoir démontré que ses serveurs Galaxy pouvaient faire tourner des modèles DeepSeek. La levée doit donc financer le passage de cette capacité technique à une fabrication industrielle et à une expansion commerciale mondiale. TechCrunch rapporte par ailleurs qu’Intel et Qualcomm auraient manifesté, 5 mois plus tôt, un intérêt pour acquérir Tenstorrent, à une valorisation pouvant atteindre 5 milliards de dollars. Cette information n’est pas confirmée. Le choix de l’indépendance et l’ampleur du financement mettent en lumière la stratégie de Tenstorrent : développer ses propres puces et les vendre à l’échelle mondiale, plutôt que rejoindre un autre fabricant. Le montant annoncé est important, mais les faits disponibles ne précisent ni les volumes de production visés ni le calendrier de cette montée en puissance.

LLéna

Inception a lancé Mercury 3, un modèle de langage à diffusion qui génère plusieurs tokens en parallèle, par étapes de débruitage. L’entreprise annonce un débit de 1 068 tokens par seconde sur des processeurs graphiques NVIDIA et un contexte d’un million de tokens. Elle présente ce contexte comme 40 fois plus grand que celui de Mercury 1. Le modèle est accessible par l’interface de programmation d’Inception, ainsi que sur OpenRouter, Baseten et Vercel, avec une compatibilité avec les outils d’OpenAI annoncée par AlphaSignal. Selon le tableau publié par Inception, Mercury 3 arrive en tête de 8 tests sur 12 face à GPT-6 Luna et Claude Haiku 5.5. Sur SWE-Bench Atlas, il obtient 51,08 points, contre 33,33 pour GPT-6 Luna et 32,26 pour Claude Haiku 5.5, selon MarkTechPost. Mais Claude Haiku 5.5 le devance sur DeepSWE v1 et MRCR v2, et GPT-6 Luna obtient de meilleurs résultats sur AA-Omniscience-Public et AA-LCR v1.1. Les comparaisons viennent du tableau d’Inception et restent à vérifier indépendamment. Les sources divergent aussi sur les tarifs du modèle : AlphaSignal indique 0,20 dollar par million de tokens en entrée et 0,70 dollar en sortie, tandis qu’Unite.AI avance respectivement 0,10 dollar et 0,35 dollar. Inception affirme également que Mercury 3 a accompli une partie des tâches d’agent Mind2Web, mais ces résultats ne sont pas confirmés indépendamment. La vitesse annoncée et le fonctionnement par génération parallèle distinguent le modèle, sans établir une supériorité générale sur les autres usages.

LLéna

NiCE présente Cognigy comme le socle de ses capacités d’intelligence artificielle conversationnelle et agentique, un an après l’avoir acquis, selon SiliconANGLE. L’entreprise prévoit d’intégrer cette technologie à sa plateforme CXone, tout en continuant à vendre Cognigy séparément sur des plateformes concurrentes, comme Genesys, Five9 et Amazon Connect. NiCE met en avant ses données historiques d’interactions, d’analyses et d’enregistrements d’écran pour construire des agents capables de reproduire des processus observés chez des employés. Dans une démonstration, un agent apprenait à partir d’un remboursement traité par un humain. Une règle imposait l’approbation d’un superviseur pour les remboursements de 250 dollars. NiCE affirme que les prospects qui reçoivent une analyse automatisée fondée sur leurs propres données achètent 9 fois plus de solutions d’intelligence artificielle que ceux qui ne la reçoivent pas. La stratégie combine donc l’intégration de Cognigy aux outils de NiCE et sa commercialisation auprès d’utilisateurs d’autres plateformes. La démonstration illustre aussi un contrôle humain prévu pour certaines opérations. L’entreprise cherche ainsi à valoriser à la fois ses logiciels et les données produites dans les interactions avec les clients; l’affirmation sur les ventes reste, elle, un chiffre avancé par NiCE.

LLéna

Anthropic et Nscale discuteraient d’un second contrat de capacité de calcul qui pourrait atteindre environ 45 milliards de dollars. L’accord envisagé porterait sur la location de puissance informatique pour un centre de données de 460 mégawatts, sur le même site de Virginie-Occidentale que le premier projet, selon une source citée par CNBC. Les négociations seraient toujours en cours et les 2 entreprises ne les ont pas confirmées. TechCrunch, qui s’appuie sur Bloomberg, précise que ce nouvel accord ferait suite à un premier contrat de même montant annoncé en août. Les discussions seraient proches d’une annonce, mais les détails pourraient encore changer. À ce stade, il s’agit de discussions rapportées par des médias, pas d’un contrat signé rendu public. Si le projet se concrétise, le deuxième centre ajouterait une capacité importante sur le même site. Mais le montant évoqué reste conditionnel, et aucun calendrier de réalisation n’est confirmé. Elle ne permet pas, à elle seule, de conclure que les travaux ont commencé ni que la capacité sera mise à disposition d’Anthropic.

LLéna

Meta Superintelligence Labs a publié les poids de Muse Glimmer sous licence Apache 2.0, ainsi qu’un rapport technique, selon AlphaSignal. Il accepte du texte et des images, puis produit du texte, indique le résumé de son article sur arXiv. Ses données d’entraînement couvrent plus d’une centaine de langues, selon ce même résumé. Le modèle associe un encodeur de perception de 2 milliards de paramètres à un décodeur de 28 milliards, et prend en charge un contexte de plus de 120 000 tokens. Meta annonce que la méthode d’accélération DFlash atteint 233,4 tokens par seconde sur une carte RTX 5090, contre 74,9 sans cette méthode. Le débit peut varier selon les conditions d’inférence et ne représente pas à lui seul la vitesse complète d’un agent, qui dépend aussi de l’exécution des outils. Selon les évaluations rapportées par AlphaSignal, Muse Glimmer dépasse Qwen3.6-27B et Gemma4-31B sur MCP Atlas, DeepSearch QA et SWE-Bench Pro. Ces comparaisons et les performances annoncées ne sont pas accompagnées d’une vérification indépendante. Enfin, moins de 20 gigaoctets pour les poids ne garantit pas que le contexte maximal soit utilisable : la mémoire nécessaire dépend notamment de la configuration et des autres allocations.