Articles
Analyses techniques, retours d'expérience et réflexions de nos 850+ experts.
Kimi K3 de Moonshot AI : quand le frontier open-weights rattrape le propriétaire
Le 16 juillet 2026, Moonshot AI a lancé Kimi K3 : un modèle open-weights de classe frontier, 2,8 trillions de paramètres et un million de tokens de contexte annoncés, poids ouverts avant le 27 juillet. Lecture d'ingénieurs SFEIR de ce que l'open-weights chinois change vraiment pour une DSI.
Frontier open-weights : ce que Kimi K3 change pour la souveraineté et la réversibilité d'une DSI
Un frontier open-weights change moins votre score de benchmark que votre rapport de force avec votre fournisseur. Kimi K3 rend la réversibilité possible pour de vrai : Design to Exit, self-host, BATNA. Ce que ça implique concrètement pour une direction technique, et ce que ça coûte.
GPT-5.6 Sol, Terra, Luna : comment OpenAI rebat les cartes du coding agentique et du pricing
Le 9 juillet 2026, OpenAI a rendu GPT-5.6 généralement disponible, non pas un modèle mais trois : Sol, Terra, Luna. Lecture d'ingénieurs, chiffrée et sans parti pris : ce que la famille change pour le coût d'inférence, le routing entre modèles et l'équilibre concurrentiel avec Claude.
Sol, Terra, Luna : comment choisir et optimiser les coûts dans la famille GPT-5.6
Avec GPT-5.6, OpenAI ne vend plus un modèle mais une échelle de prix-performance : un facteur 5× entre Luna et Sol. Bien exploitée, elle divise votre facture ; mal exploitée, elle la multiplie. Le guide de décision SFEIR pour choisir le bon tier et optimiser le prompt caching.
Terminal-Bench et Coding Agent Index : pourquoi GPT-5.6 prend l'avantage sur les agents de coding en production
En production, un agent de coding ne se juge pas à un score mais à sa capacité à terminer le travail : en un minimum d'étapes, d'appels d'outils et de tokens. Sur ce terrain, Terminal-Bench 2.1 et Coding Agent Index, GPT-5.6 prend l'avantage. Voici pourquoi, et où passe la limite.
Pourquoi le sommet du leaderboard ne vous dit pas quel modèle choisir
À défaut du prix, on arbitre sur les benchmarks. Mauvais réflexe : un classement mesure des capacités moyennes sur des tests standardisés, pas la performance sur votre legacy. La précision plafonne, la variance explose, et l'écart au sommet compte moins que le harnais. Que mesurer à la place.
Le prix par token est une illusion : mesurer le coût par résultat
Comparer les grilles tarifaires ne dit presque rien de la facture réelle. Sur un cycle agentique, la dépense suit l'ingestion, pas la génération : 153 pour 1. Un modèle « moins cher au token » qui relit plus n'économise rien. Le seul indicateur qui compte est le coût par résultat.
Comment choisir son modèle LLM en 2026 : la carte, pas le classement
Cinq laboratoires, des capacités qui convergent, des prix qui s'effondrent : en 2026, « quel est le meilleur modèle ? » devient la mauvaise question. Voici le cadre de décision qui remplace le classement : router par tâche, mesurer le coût par résultat, rester réversible, investir dans le système.
Meta lance Muse Spark, les prix s'effondrent : pourquoi la guerre des modèles frontier n'est plus le bon combat
En rompant trois ans de silence pour annoncer un modèle agentique à bas prix, Zuckerberg a moins révélé un produit qu'un basculement : la couche frontier se banalise. Cinq laboratoires, des capacités qui convergent, des tarifs qui s'effondrent, et une seule question qui compte pour une DSI.
Un modèle par tâche : le guide du routing multi-modèles
Faire tourner toute une usine logicielle sur un seul modèle frontier, c'est payer le tarif du raisonnement pour lire des logs. La mécanique du routage multi-modèles : un modèle par phase, une passerelle unique, l'isolation des sous-agents et la règle qui dit quand le multi-agents mérite son coût.
ZML/LLMD : et si le « Docker des LLM » était français ?
Le 8 juillet 2026, la startup parisienne ZML publie LLMD, un serveur d'inférence qui fait tourner les LLM sur cinq familles de puces (NVIDIA, AMD, Google, Intel, Apple) depuis une seule base de code. Décryptage technique et lecture souveraineté du « Docker des LLM ».
ALIX chez Scaleway : comment France Télévisions a fait de la souveraineté une affaire d'architecture
À VivaTech 2026, un an après avoir choisi Scaleway, France Télévisions y déploie sa plateforme ALIX sans réécriture. Bâtie sur une vingtaine de composants open source CNCF, ALIX prouve en production qu'on peut construire sa réversibilité au lieu de l'espérer.
Recevez nos analyses techniques
Une sélection hebdomadaire des meilleures ressources d'ingénierie.
S'abonner