Outils et technos

Le 30 juin 2026, Microsoft Research a présenté SkillOpt, une méthode qui traite les fichiers de skills d'agents comme des paramètres entraînables externes au modèle. L'approche optimise des instructions, exemples et contraintes stockés dans un fichier de skill, tout en gardant le modèle de langage figé. Microsoft indique avoir évalué SkillOpt sur 6 benchmarks, 7 modèles et 3 modes d'exécution, avec un résultat meilleur ou ex aequo dans 52 cellules d'évaluation. Sur GPT-5.5, le score moyen direct passe de 58,8 à 82,3, et les gains restent marqués dans des environnements comme Codex ou Claude Code.

Le 30 juin 2026, Google Research a présenté TabFM, un foundation model conçu pour la classification et la régression sur données tabulaires. Le modèle effectue ses prédictions en un seul passage, sans entraînement manuel, ingénierie de caractéristiques ni optimisation d'hyperparamètres, en s'appuyant sur l'apprentissage en contexte. Google indique l'avoir entraîné sur des centaines de millions de jeux de données synthétiques et évalué sur TabArena, qui regroupe 38 tâches de classification et 13 de régression. TabFM est publié sur Hugging Face et GitHub, et doit être intégré à BigQuery via la fonction AI.PREDICT dans les prochaines semaines.

Le 30 juin 2026, Anthropic a annoncé Claude Sonnet 5, présenté comme son modèle Sonnet le plus performant pour les usages agentiques. L'entreprise le rend disponible dans Claude, Claude Code, sa plateforme API et chez les principaux fournisseurs cloud. Anthropic indique que Sonnet 5 se rapproche d'Opus 4.8 sur les tâches longues et complexes, avec une meilleure latence et un coût inférieur. Le tarif introductif est fixé à 2 dollars par million de tokens en entrée et 10 dollars en sortie jusqu'au 31 août 2026, avant un retour annoncé à 3 et 15 dollars. Le modèle devient aussi le modèle par défaut pour les comptes gratuits et Pro.

Le 30 juin 2026, Google Research a dévoilé TabFM, un modèle de fondation pour la classification et la régression sur données tabulaires qui prédit en zero-shot, sans ingénierie de variables ni réglage d'hyperparamètres. Son architecture combine une attention alternée entre lignes et colonnes et de l'apprentissage en contexte, et il a été entraîné sur des centaines de millions de jeux de données synthétiques issus de modèles causaux structurels. Les poids sont publiés sur Hugging Face et le code sur GitHub, avec une intégration BigQuery annoncée. Les résultats sur le banc TabArena sont auto-déclarés par Google.

Fin juin 2026, DeepReinforce a publié sur GitHub Ornith-1.0, une famille de modèles ouverts destinés au codage agentique. Le dépôt annonce quatre variantes, de 9B-Dense à 397B-MoE, post-entraînées à partir de Gemma 4 et Qwen 3.5. Le projet met en avant un cadre d'entraînement par renforcement dans lequel le modèle apprend à générer à la fois des solutions et les échafaudages qui guident ces solutions. DeepReinforce revendique des performances élevées sur Terminal-Bench 2.1, SWE-bench Verified, SWE-bench Pro, SWE-bench Multilingual, NL2Repo et OpenClaw. Le code est publié sous licence MIT.