AI News Daily

Orange Slice est un outil d'IA qui prend en charge les tâches de vente — trouver des prospects, rédiger des messages de prospection, effectuer des relances et suivre les transactions — sans qu'une personne ne doive gérer chaque étape. L'idée est simple : si votre processus de vente comporte beaucoup de travail répétitif suivant des schémas prévisibles, l'IA peut s'occuper de la majeure partie.

Le produit s'adresse aux petites équipes et aux fondateurs individuels qui ont besoin d'activités de vente mais ne peuvent pas se permettre de recruter un commercial dédié. Au lieu de passer quatre heures par semaine sur des démarches de prospection à froid, vous configurez Orange Slice, et il gère le processus pendant que vous vous consacrez à d'autres activités.

Il a été lancé sur Product Hunt aujourd'hui et génère un bon engagement initial de la part des fondateurs qui reconnaissent le problème de temps qu'il résout.

OpenAI a lancé Symphony, un outil open-source qui transforme le travail de projet en exécutions isolées gérées par des agents de codage autonomes. Au lieu de superviser chaque étape d'une tâche de codage par une IA, les équipes utilisent Symphony pour attribuer le travail par segments et laisser les agents le terminer de manière indépendante. Le système gère les exécutions, suit l'état, et limite l'implication humaine à une révision plutôt qu'à une direction continue.

Cet outil basé sur Elixir repose sur l'idée que les agents de codage d'IA sont plus utiles lorsqu'on cesse de les traiter comme des développeurs juniors nécessitant une supervision constante. Confiez-leur un travail bien défini, laissez-les l'exécuter dans un environnement isolé, puis examinez le résultat une fois terminé.

Le fait qu'OpenAI le rende open-source suggère que l'entreprise considère la gestion des agents comme une infrastructure nécessaire à l'ensemble du domaine, et non comme un avantage produit à protéger.

Une violation chez Mercor, une plateforme reliant les entreprises à des sous-traitants en formation d'IA, a exposé 4 téraoctets d'enregistrements vocaux de plus de 40 000 travailleurs. Ces personnes lisent des textes à voix haute, étiquettent des clips audio, et effectuent le travail répétitif qui enseigne aux modèles d'IA comment sonne la parole humaine. Leurs voix, désormais aux mains de ceux qui ont mené l’attaque, représentent l'un des plus grands vols de données biométriques connus dans l'industrie de la formation en IA.

Cette violation a des implications au-delà des chiffres. Les données vocales ne sont pas comme une adresse e-mail divulguée. Elles ne peuvent pas être modifiées. Elles peuvent être utilisées pour cloner la voix d'une personne, générer de faux fichiers audio où elle dirait des choses jamais dites, ou contourner les vérifications de sécurité vocales. Les 40 000 personnes affectées n'ont aucun moyen de récupérer ce qui a été pris.

Mercor a construit son activité en connectant les entreprises d'IA avec la main-d'œuvre humaine derrière les modèles. Cette même concentration de données sensibles a créé une cible désormais atteinte.

ChatGPT 5.4 a résolu un problème ouvert d'Erdős — l'un de ces casse-têtes mathématiques que les esprits brillants n'ont pas réussi à déchiffrer depuis six décennies — en une seule tentative. Les problèmes d'Erdős ne sont pas des questions pièges. Ils se situent à la limite de ce que les mathématiciens humains peuvent comprendre, et les meilleures têtes du domaine en ont laissé beaucoup inchangés depuis des générations.

La réaction de la communauté a été marquante car elle n'a pas été condescendante. Les chercheurs qui comprennent le problème considèrent cela comme un véritable résultat, et non comme un coup de chance ou une mauvaise interprétation de la question. Le modèle a su raisonner et est arrivé à une solution qui se confirme comme correcte.

Ce n'est pas la première fois que l'IA progresse dans le domaine des mathématiques difficiles. Mais résoudre un problème ouvert vieux de 60 ans en un seul essai déplace la discussion de 'l'IA peut aider en maths' à 'l'IA peut faire des maths que les humains n'ont pas pu faire'. Ce sont des affirmations différentes avec des implications très différentes.

Un agent open-source appelé Dirac, créé par un développeur solo et partagé sur Hacker News, vient de réaliser un score de 65,2% sur TerminalBench — surpassant l'agent officiel de Google à 47,8% et le modèle propriétaire Junie CLI à 64,3%. Le développeur précise le contexte : TerminalBench a été la cible de tricheries délibérées par certaines soumissions, et le résultat de Dirac inclut des notes spécifiques sur la méthodologie pour le distinguer des soumissions biaisées.

L'écart de performance est significatif. Dirac a été construit par une seule personne et est entièrement open-source. L'entrée de Google provient d'une entreprise avec des milliers d'ingénieurs. Le benchmark teste les agents sur de véritables tâches de terminal — non pas des énigmes isolées, mais le type de travail qu'un agent ferait en utilisation réelle.

La communauté examine comment Dirac atteint ses scores et si la méthodologie est valide. Jusqu'à présent, la réponse est que cela semble légitime.

Un développeur communautaire a lancé Luce DFlash, un portage du décodage spéculatif pour Qwen3.6-27B qui double la vitesse d'exécution de ce grand modèle sur une carte graphique RTX 3090. Cet outil utilise une pile C++/CUDA autonome en plus de ggml, nécessite 24 Go de mémoire vidéo et accélère considérablement l'un des meilleurs modèles de codage open-source sans exiger de matériel supplémentaire.

Le décodage spéculatif est une technique où un modèle plus petit prédit ce que dira le grand modèle, permettant ainsi à ce dernier de sauter certaines tâches. La clé est de l'adapter aux modèles au format GGUF, utilisés par la plupart des utilisateurs locaux d'IA. Luce DFlash est la première implémentation à le faire efficacement pour Qwen3.6-27B.

Pour ceux qui exploitent l'IA locale sur du matériel grand public, obtenir une vitesse doublée avec la même carte change la donne au quotidien.

Un groupe de chercheurs, incluant Alec Radford — l'un des architectes originaux de GPT — a lancé un modèle de langage de 13 milliards de paramètres appelé Talkie. Ce modèle a été entraîné sur 260 milliards de tokens de textes écrits avant 1931. Le résultat est un modèle qui parle et écrit comme quelqu'un dont la vision du monde s'est formée avant la radio, la télévision, les armes nucléaires, et internet.

Le projet est une expérience de recherche, pas un produit. Mais il démontre quelque chose d'important : le vocabulaire, les schémas de raisonnement et les hypothèses intégrées dans un modèle de langage proviennent directement de ce sur quoi il a été formé. Entraînez-le sur des textes modernes d'internet et vous obtenez un modèle qui ressemble à Reddit. Entraînez-le sur la littérature victorienne et édouardienne et vous obtenez quelque chose qui semble venir d'un autre monde.

L'équipe suscite un intérêt significatif de la communauté, avec des personnes explorant ce que le modèle sait ou ne sait pas — et ce que cela révèle sur la façon dont les données d'entraînement façonnent la personnalité et les connaissances d'une IA.

cc-switch est une petite application de bureau écrite en Rust qui vous permet de basculer entre Claude Code, Codex, OpenCode, OpenClaw et Gemini CLI sans modifier votre configuration terminal ni vos fichiers de configuration à chaque fois. Elle agit comme un contrôleur unifié pour plusieurs outils de codage IA : vous choisissez celui que vous souhaitez utiliser pour une tâche donnée, et cc-switch s'occupe du basculement.

Le problème pratique qu'elle résout est que la plupart des développeurs ont désormais accès à plusieurs outils de codage IA et passent de l'un à l'autre selon ce qui fonctionne le mieux pour une tâche ou un projet donné. Actuellement, ce changement nécessite des modifications manuelles de configuration, des configurations terminales différentes, et se souvenir de quel outil est actif. cc-switch élimine cette friction.

Avec une traction communautaire significative, elle est devenue l'un des outils les plus suivis dans l'espace des workflows de codage IA aujourd'hui.