Meta

Le 2 septembre 2026, Meta a publié Muse Spark 1.3 et l'a rendu disponible en raisonnement maximal sur Muse Code et sur la Meta Model API. L'entreprise met en avant des gains sur les tâches d'agent et de programmation, ainsi qu'un modèle entraîné à collaborer davantage avec l'utilisateur, jusqu'à poser des questions de clarification avant d'agir. Sur ses propres mesures, le modèle passe par environ 20 % d'appels d'outils en moins et 25 % de tokens en moins que Muse Spark 1.2. Meta joint un tableau de comparaison entre Muse Spark 1.3, Muse Spark 1.2, GPT-5.6 Sol et Opus 5, tous en réglage maximal. Le billet ne détaille ni les tarifs par million de tokens ni la taille de la fenêtre de contexte.

Le 2 septembre 2026, quatre ingénieurs de Meta ont détaillé un agent conçu pour porter la connaissance interne d'un domaine spécialisé. Il repose sur une architecture de connaissances qui sépare les faits des procédures de raisonnement, sur des recettes composables encodant les méthodes des experts, et sur une boucle d'amélioration automatisée qui compile les retours de ces experts en mises à jour vérifiées et testées contre les régressions, sans réentraînement du modèle. Le billet ne précise pas le stade de déploiement du système. Meta fait état d'une réduction d'environ 80 % des tokens consommés par tour après la restructuration du travail en étapes pilotées par ces recettes, du passage de plusieurs jours à quelques minutes pour une évaluation individuelle, et d'aucune régression sur les cycles d'amélioration. Plus de 200 fichiers ont été rangés dans une taxonomie stricte, et ces résultats sont rapportés après trois sprints de développement étalés sur six semaines.

Le 1er septembre 2026, la cellule Spotlight de l'Union européenne de radio-télévision a publié un guide destiné aux journalistes qui compare les détecteurs de contenus générés par IA de Google, OpenAI, Meta, ByteDance et NVIDIA. Quatre d'entre eux reposent sur un filigrane et ne reconnaissent que les contenus produits par les outils de leur propre éditeur : SynthID couvre images, audio et vidéo issus des modèles Google, le détecteur d'OpenAI se limite aux images fixes et aux fichiers audio. Le guide rappelle qu'une analyse de Reuters publiée en juillet a montré que l'outil de Meta ne reconnaissait plus certaines de ses propres images une fois recadrées. Le Synthetic Video Detector de NVIDIA, réservé aux diffuseurs et agences de presse, cherche des traces statistiques plutôt qu'un filigrane. L'étiquetage des contenus générés par IA est obligatoire dans l'Union européenne depuis le 2 août.

Le 26 août 2026, le projet vLLM, serveur d'inférence hébergé par la fondation PyTorch, a publié la version 0.28.0, qui agrège 584 contributions de 270 personnes dont 76 nouvelles. Les versions 0.27.0 et 0.27.1 étaient sorties les 10 et 11 août. La 0.28.0 apporte des optimisations pour Kimi-K3, avec parallélisme de contexte au décodage et noyaux FlashKDA fusionnés, la prise en charge de bout en bout de l'attention latente creuse de DeepSeek V4, des avancées en décodage spéculatif avec DFlash2 et vérification ordonnancée par confiance, la maturation du Model Runner V2 avec délestage des poids, et le délestage du cache clés-valeurs sur disque. Deux ruptures de compatibilité sont signalées : bitsandbytes passe en greffon hors arborescence et Transformers monte en 5.15.0. La communauté a par ailleurs tenu sa toute première conférence à San Francisco du 24 au 26 août 2026, adossée au Ray Summit, avec des intervenants de NVIDIA, AMD, Google TPU, Meta, Red Hat, DigitalOcean et Hugging Face.

Le 10 août 2026, Meta a annoncé Muse Glimmer, un modèle à poids ouverts de 30 milliards de paramètres distillé de son modèle fermé Muse Spark, publié sous licence Apache 2.0 et destiné aux flux de travail agentiques exécutés localement. Le modèle vise l'appel d'outils, le code et l'entrée multimodale texte-image ; après quantification 4 bits, il tient sous 20 Go de mémoire, soit une carte grand public de 24 ou 32 Go. Il expose un contexte supérieur à 128 000 jetons via une structure de 52 couches, dont 13 seulement à attention globale et 39 à fenêtre glissante. Le lendemain, la fondation PyTorch a documenté sa prise en charge de bout en bout par ExecuTorch sur GPU NVIDIA et Mac Apple Silicon, avec export direct depuis les points de contrôle GGUF, exécution native des k-quants et décodage spéculatif DFlash mesuré par les équipes ExecuTorch à 33,0 jetons par seconde contre 21,6 sans, sur un M5 Pro de 64 Gio.