La nuit dernière, la Silicon Valley a vécu la bataille des dieux de l'IA

Auteur : Max, 01 Founder

Éditeur : Max

La nuit dernière, trois événements majeurs ont eu lieu dans la Silicon Valley.

Google a lancé Gemini 3.8 Flash, Meta a lancé Muse Spark 1.3, et une startup dont personne n'avait discuté auparavant, Mostik, a fait l'objet d'une interview exclusive dans le média influent WIRED.

Si l'on ne regarde que les deux premiers, cela ressemble à une autre nuit ordinaire de classements IA.

Google venait de propulser Gemini en tête du classement DeepSWE, et quelques heures plus tard, Meta a annoncé un score encore plus élevé, le titre de numéro un mondial n'a même duré que quelques heures.

En 2026, ce genre de choses ne surprend presque plus personne.

Lancement de modèles, records de benchmarks, célébrations sur X pendant quelques heures, puis attente de la prochaine entreprise pour battre le record.

Mais si l'on relie ces trois événements de la nuit dernière, je pense que ce qui mérite vraiment l'attention n'est pas du tout dans ces classements.

L'économie de l'IA connaît une mutation soudaine.

Ces dernières années, lorsque nous parlions du coût de l'IA, le chiffre le plus souvent cité était le prix par million de tokens.

Mais avec l'émergence des agents, cette méthode de mesure devient de plus en plus insuffisante.

À l'avenir, la question vraiment importante ne sera peut-être pas « combien coûte un million de tokens », mais combien coûte la correction d'un bug, combien coûte la réalisation d'une recherche, combien coûte le fonctionnement continu d'un agent pendant trois heures.

Et la nuit dernière, le coût de l'inférence est en train de baisser simultanément dans plusieurs directions complètement différentes.

Google insère de force des capacités de niveau frontier dans des modèles de moins en moins chers, Meta permet aux agents d'accomplir la même tâche avec moins de tokens et d'appels d'outils, et Mostik va encore plus loin en remettant en question :

Si les deux parties qui communiquent sont toutes deux des IA, pourquoi les modèles devraient-ils encore utiliser un langage conçu pour les humains pour communiquer entre eux ?

PARTIE 01 : Gemini est de retour

Commençons par Google.

Google a lancé son tout nouveau modèle phare Gemini 3.8 Flash, officiellement décrit comme son modèle de raisonnement et de code le plus puissant à ce jour.

C'est aussi la troisième mise à jour de la série Flash en six semaines, passant de 3.6 à 3.7, puis à 3.8.

L'image de Flash a toujours été très simple : plus rapide, moins cher, mais avec des capacités un peu inférieures aux modèles les plus puissants.

Google est en train de changer progressivement cette définition.

Cette fois, les améliorations clés de 3.8 Flash se concentrent sur le codage à long horizon et les flux de travail agentiques.

Sur DeepSWE v1.1, qui mesure les capacités d'ingénierie logicielle à long horizon de l'IA, il a obtenu un score d'environ 74 %.

La plus grande différence entre DeepSWE et les benchmarks de code traditionnels est qu'il ne s'agit pas de donner un problème algorithmique au modèle, mais de placer réellement l'agent dans un dépôt de code.

Le modèle doit comprendre le problème, rechercher du code, modifier des fichiers, appeler des outils, exécuter des tests, et continuer à chercher les causes en cas d'échec.

Une tâche complète peut comporter des dizaines, voire des centaines d'étapes.

Dans de tels tests, Gemini 3.8 Flash a brièvement occupé la première place mondiale.

Claude Opus 5 est également à environ 74 %, GPT-5.6 Sol à environ 73 %, et Fable 5, qui était auparavant en tête, à environ 70 %.

Si l'on ne regarde que les capacités, il n'y a plus d'écart énorme entre ces modèles les plus puissants.

Ce qui est vraiment frappant, c'est un autre chiffre : l'argent.

Le prix de lancement de l'API de Gemini 3.8 Flash reste à 0,75 $ / 1M de tokens en entrée et 3,75 $ / 1M de tokens en sortie.

Pour accomplir une tâche complète sur DeepSWE, son coût moyen est de seulement 2,36 $.

À titre de comparaison, Claude Opus 5, avec un score similaire d'environ 74 %, a un coût moyen par tâche de 11,84 $ ; GPT-5.6 Sol, à environ 73 %, a un coût moyen de 6,46 $.

Autrement dit, pour le même niveau de capacité en ingénierie logicielle, le coût d'exécution peut déjà être plusieurs fois supérieur.

Cela deviendra très important à l'ère des agents.

À l'ère des chatbots, que la réponse coûte quelques centimes de plus ou de moins, l'utilisateur moyen ne s'en rend pratiquement pas compte.

Mais les agents sont complètement différents : un agent de codage peut exécuter 100 étapes en continu, un agent de recherche peut parcourir des dizaines de pages web et lire des centaines de pages de données, et à l'avenir, les agents en entreprise pourraient même travailler en continu pendant des heures.

Google a même mentionné officiellement que 3.8 Flash, face à des tâches complexes, redoublera d'efforts, en effectuant davantage de raisonnement et d'appels d'outils.

Google n'a pas fait « moins réfléchir » le modèle pour économiser de l'argent, mais parce que les tokens sont déjà assez bon marché, il peut se permettre de le laisser exécuter des boucles plus longues.

Je pense donc que ce qui est vraiment important avec 3.8 Flash, ce n'est pas d'avoir à nouveau remporté la première place mondiale.

C'est qu'il est en train de faire entrer de force dans la gamme de prix de Flash des capacités qui n'étaient auparavant offertes que par les modèles frontier les plus chers.

PARTIE 02 : Trois heures et demie plus tard, Meta est de retour

Alors que les gens de Google célébraient le lancement de Gemini 3.8 Flash, Meta a soudainement riposté.

Meta a soudainement lancé le modèle Muse Spark 1.3.

Selon les évaluations publiées par Meta, Muse Spark 1.3 a obtenu un score de 75,4 % sur DeepSWE v1.1.

Ce chiffre dépasse Gemini 3.8 Flash, Claude Opus 5 et GPT-5.6 Sol.

Plus impressionnant encore, Muse Spark 1.2 n'avait obtenu qu'environ 55 % sur ce test.

De 1.2 à 1.3, une mise à jour mineure a directement apporté une amélioration d'environ 20 points de pourcentage.

Mais je pense que ce qui mérite vraiment d'être regardé chez Meta cette fois, ce n'est pas non plus le 75,4 %.

Il y a deux autres chiffres : environ 20 % d'appels d'outils en moins, et environ 25 % de consommation de tokens en moins.

C'est facile à ignorer, mais c'est en fait très proche de la question la plus importante une fois que les agents seront vraiment commercialisés.

Là où un agent gaspille le plus d'argent, ce n'est souvent pas la réflexion normale, mais les déviations.

Par exemple, si un agent de codage comprend mal les exigences à l'étape 20, il peut continuer à modifier cinq fichiers, exécuter trois séries de tests, rechercher une grande quantité de code, et finalement découvrir que la voie était mauvaise, puis tout recommencer.

Des dizaines d'appels d'outils et des dizaines de milliers de tokens sont ainsi gaspillés.

Donc, si un modèle peut détecter plus tôt qu'une tâche est ambiguë, savoir plus tôt qu'il ne peut pas continuer, et demander plus tôt à l'utilisateur, cela réduit directement les coûts.

Beaucoup des capacités renforcées dans Muse Spark 1.3 appartiennent à cette catégorie : il peut maintenir plusieurs flux de travail simultanément dans de longs fils de discussion, poser activement des questions face à des tâches ambiguës, demander activement de l'aide pour les problèmes qu'il ne peut pas résoudre, confirmer avant les opérations irréversibles, et il est moins susceptible d'oublier les contraintes initiales après de nombreux cycles d'exécution de tâches longues.

Meta commence même à mettre l'accent sur la connaissance par le modèle de ses propres limites : savoir ce qu'il sait faire, et savoir ce qu'il ne sait pas faire.

Ces capacités n'étaient peut-être pas aussi attrayantes qu'une augmentation de 20 points de benchmark à l'ère des chatbots, mais à l'ère des agents, elles peuvent toutes être directement converties en argent.

Chaque erreur évitée par un agent est en soi une optimisation du raisonnement.

Donc, en regardant Google et Meta ensemble, l'unité de mesure de la concurrence des grands modèles est en train de changer discrètement.

À l'avenir, on se souciera peut-être de moins en moins de « combien coûte un million de tokens », et de plus en plus d'un autre chiffre :

Combien coûte réellement l'exécution complète d'une tâche réelle, du début à la fin.

PARTIE 03 : Mostik, une percée disruptive

Si Google et Meta cherchent encore à accomplir des tâches avec des tokens moins chers et moins nombreux, Mostik commence à s'attaquer à une question plus fondamentale :

Pourquoi ces tokens doivent-ils exister ?

Mostik signifie « pont » en russe.

La PDG Sasha Malysheva est la principale développeuse de cette méthode, et sa directrice scientifique est Stanislav Smirnov, professeur à l'Université de Genève et lauréat de la médaille Fields en 2010.

Ils tentent de faire quelque chose qui semble simple mais qui est en réalité extrêmement difficile : permettre à deux modèles d'IA de ne plus communiquer entre eux par le langage naturel.

Aujourd'hui, la grande majorité des systèmes multi-agents fonctionnent ainsi :

Le modèle A, après avoir obtenu des informations, génère d'abord des centaines, voire des milliers de tokens, et exprime ses conclusions en langage naturel ; le modèle B lit ensuite tout ce texte, le réinterprète et construit sa propre représentation interne, puis continue à raisonner.

Mais le problème est que ce que les grands modèles calculent réellement en interne n'est ni du chinois ni de l'anglais, mais :

des représentations mathématiques continues de haute dimension.

C'est comme si deux ordinateurs pouvaient directement transférer des données, mais que l'ordinateur A imprimait d'abord le fichier sur des centaines de pages, puis que l'ordinateur B utilisait une caméra pour faire de l'OCR page par page.

Tout le monde a cherché à réduire le coût d'impression, Mostik veut carrément jeter l'imprimante.

Ils tentent d'établir un pont entre les représentations internes de différents modèles, pour que les modèles échangent directement des représentations latentes, au lieu de générer d'abord du langage naturel.

Une expérience divulguée par le média influent de la Silicon Valley WIRED est très intéressante.

Mostik a relié la version complète de GLM-5.2 753B avec Qwen 3.5, qui ne fait que 4B et peut fonctionner sur des appareils mobiles.

Le système hybride obtenu a des capacités situées entre les deux modèles, mais son coût d'inférence n'est que de 1/20 de celui du GLM-5.2 complet.

Bien sûr, il est encore trop tôt pour dire que Mostik a résolu la communication entre modèles.

La communication latente n'est pas apparue pour la première fois hier ; au cours des dernières années, de nombreuses recherches ont tenté d'échanger des embeddings, des états cachés, des caches KV et d'autres représentations internes.

La vraie difficulté est que les architectures, les paramètres, les données d'entraînement et les systèmes de coordonnées internes des différents modèles sont tous différents ; comment permettre à deux modèles de vraiment comprendre l'espace latent de l'autre est en soi un problème très difficile.

Smirnov lui-même admet qu'il manque encore un langage mathématique mature pour décrire les représentations communes entre différents modèles.

Mais le chiffre de 1/20 m'excite énormément.

Parce qu'il me fait sérieusement envisager une architecture d'IA future complètement différente.

PARTIE 04 : À l'avenir, vous n'aurez besoin que d'un modèle de quelques dixièmes de milliard de paramètres

Ces deux dernières années, en parlant d'IA sur appareil, nous avons cherché à intégrer des modèles de plus en plus grands dans les téléphones : 7B, 4B, 3B, 1B, avec distillation, quantification et compression continues.

Mais si la voie de Mostik finit par fonctionner, je pense qu'à l'avenir, les téléphones n'auront peut-être pas besoin d'un grand modèle « omniscient ».

Votre appareil pourrait n'avoir besoin que d'un petit modèle de 0,xB ou de quelques milliards de paramètres.

Il est bon marché, peut fonctionner en continu, est chargé de comprendre dans quelle application vous êtes, ce que vous venez de faire, l'état de l'appareil, et de traiter la grande majorité des tâches simples et fréquentes.

Face à des problèmes vraiment difficiles, il fera appel à un grand modèle distant via une communication dans l'espace latent.

Mais la différence clé est qu'il n'aura pas besoin, comme aujourd'hui, de renvoyer l'intégralité d'un contexte de cent mille tokens vers le cloud pour que le modèle distant le relise depuis le début.

Il pourrait n'avoir besoin de transmettre qu'un état latent hautement compressé.

Après avoir effectué le raisonnement complexe, le grand modèle distant n'aura pas non plus nécessairement besoin de générer des milliers de tokens d'explication en langage naturel pour le modèle local, mais pourra directement renvoyer la nouvelle représentation interne.

Ainsi, le petit modèle local s'occupe des tâches fréquentes, bon marché et continues, le modèle frontier du cloud ne s'occupe que des raisonnements peu fréquents mais vraiment difficiles, et entre les deux, une sorte de pont assure une communication efficace.

Si cela devient réalité à l'avenir, la baisse du coût d'inférence pourrait être bien plus importante que les réductions de prix de 30 % ou 50 % des API de modèles d'aujourd'hui.

Cela pourrait changer la façon même dont nous organisons le calcul de l'IA.

PARTIE 05 : Conclusion

En revenant sur la nuit dernière, il s'agit en apparence de trois nouvelles complètement différentes.

Google a lancé Gemini 3.8 Flash, intégrant des capacités de niveau frontier dans la gamme de prix de Flash ;

Meta a lancé Muse Spark 1.3, permettant aux agents d'accomplir plus de choses avec moins de tokens et d'appels d'outils ;

Mostik va encore plus loin en tentant d'éviter dès le départ la génération d'une partie des tokens entre les modèles.

Elles pointent toutes vers le même changement :

L'intelligence devient moins chère à une vitesse extravagante.

Et cette baisse de prix ne se limite plus à la baisse du prix unitaire des API.

Le prix des modèles baisse, la quantité de calcul nécessaire pour accomplir les tâches baisse, et maintenant, même la façon dont les modèles échangent des informations commence à être repensée.

L'impact final de tout cela pourrait être bien plus important qu'une augmentation de quelques points de pourcentage des benchmarks.

Car de nombreuses technologies n'explosent vraiment jamais au moment où elles « fonctionnent pour la première fois », mais au moment où elles « deviennent enfin assez bon marché pour être utilisées librement ».

Aujourd'hui, faire dépenser des dizaines de dollars à un agent pour accomplir une petite tâche pour une personne ordinaire n'est peut-être pas du tout rentable.

Si à l'avenir cela ne coûte que quelques centimes, de nombreuses applications auxquelles personne ne penserait aujourd'hui deviendront soudainement viables.

Aujourd'hui, nous ne pouvons pas faire fonctionner des dizaines d'agents 24 heures sur 24 autour d'une seule personne ; si le coût d'inférence baisse encore d'un ou deux ordres de grandeur, cela pourrait devenir l'état par défaut.

Il est maintenant sept heures du matin, et j'aurais dû dormir depuis plusieurs heures.

Mais après le lancement de Gemini, Meta a riposté quelques heures plus tard, puis j'ai vu l'expérience 1/20 de Mostik.

Une fois au lit, je n'arrêtais pas de penser à ces choses : au modèle 0,xB dans le téléphone, au grand modèle dans le cloud, à l'idée qu'ils n'auraient peut-être plus besoin de se parler en langage naturel.

Plus j'y pensais, moins je pouvais dormir, et finalement je me suis relevé pour écrire cet article.

Les 74 % de Gemini et les 75,4 % de Muse seront peut-être dépassés par de nouveaux chiffres dans quelques jours.

Mais j'ai vraiment du mal à calmer cette excitation.

Parce que, plus que de savoir qui a remporté la première place mondiale, je me soucie de plus en plus d'une autre question :

Jusqu'à quel point une IA aussi intelligente peut-elle devenir bon marché ?

Une fois que l'intelligence puissante sera vraiment assez bon marché pour être appelée à volonté, je pense que de nombreux produits d'IA qui semblent encore très fous aujourd'hui ne font peut-être que commencer.