Le contrôle des agents de code remonte désormais jusqu’au modèle. Un accord valorisé à 7 milliards de dollars donnerait à NVIDIA une licence non exclusive sur la technologie de Poolside, un investissement d’un milliard et plus de 100 ingénieurs appelés à travailler sur Nemotron, sans absorption complète de la startup.

La même stratégie descend jusqu’à l’inférence. Groq 3 LPX entre en production avec 3 400 jetons de sortie par seconde annoncés sur Gemma 4 31B et 100 000 jetons de contexte. Groq et Dell préparent son déploiement avec Vera Rubin NVL72 dans un cloud conçu pour les charges agentiques.

Le CPU devient le troisième étage. SpaceXAI prévoit d’utiliser Vera pour orchestrer outils, code, données et simulations entre les appels de modèles, tout en gardant les GPU occupés. La convergence est nette, mais ses gains restent des mesures de fournisseurs à confirmer sur des charges multi-agents soutenues et hétérogènes.

Les agents de code produisent désormais assez de changements pour saturer l’infrastructure d’un développeur seul. Sur un projet de 500 000 lignes, Frederik Dudzik a vu la file CI atteindre 7 h 35 au 95e percentile ; une sélection conservatrice des tests l’a ramenée à 35 minutes.

Cette accélération déplace le coût plutôt qu’elle ne l’efface. L’enquête du Wall Street Journal décrit des fondateurs réveillés par des demandes d’autorisation et travaillant plus longtemps à mesure que leurs agents avancent. Dans Latent Space, Dan McAteer nomme cette limite : l’attention humaine synchrone devient la ressource rare.

La prochaine couche d’ingénierie ne sera donc pas un modèle plus rapide, mais une politique de débit : tests proportionnés au changement, files d’approbation, budgets d’interruption et états inspectables. Le signal à suivre n’est plus seulement le nombre de tâches terminées, mais le temps humain et machine dépensé pour les valider.

Une mise à jour publiée ce matin porte Agent Lightning à 1.0.1 après sa refonte complète. Son pari est décisif : entraîner un agent à travers un proxy sans réécrire son harnais, afin de conserver outils, contexte, contrôle et environnement réels pendant les trajectoires d’apprentissage.

Le résultat annoncé sur SWE-bench Verified est net : avec 6 000 exemples, Qwen3.5-9B passe de 41,8 % à 56,4 %. Mais l’enjeu dépasse le score. NeMo Gym avertit qu’un changement de harnais peut peser autant qu’un changement de modèle et impose de ne varier qu’un facteur à la fois.

La convergence avec Better Harness dessine une boucle plus rigoureuse : harnais versionné, expériences contrôlées, traces inspectables, tests de dépôt et récompenses revérifiables. Pour les équipes, le modèle n’est donc plus l’unique unité d’amélioration. La prochaine frontière consiste à prouver que les gains survivent aux tâches, outils et infrastructures de production.

Un nouveau banc d’essai public sépare désormais la mémoire textuelle de la mémoire des agents de code, avec une même interface d’ajout et de recherche. Son parcours dédié vérifie la capacité à retrouver puis réutiliser des expériences de débogage, des décisions d’ingénierie et le contexte historique d’un dépôt.

Cette cible resserre le diagnostic. MemGym isole l’apport de la mémoire du raisonnement et des outils sur cinq pistes, dont SWE-Gym et CodeQA ; MemoryArena enchaîne des tâches dépendantes sur plusieurs sessions. Les deux montrent qu’un excellent rappel conversationnel ne garantit ni une bonne décision ultérieure, ni un meilleur patch.

Pour les équipes, la métrique utile devient l’effet sur le travail : contexte pertinent retrouvé, exploration évitée, erreur corrigée et comportement amélioré à la session suivante. Agent Retrieval Bench confirme l’écart : les trajectoires manquent tous les fichiers pertinents dans 27 à 35 % des cas. À surveiller : des résultats publics reproductibles sur du code réel.

La revue automatisée forme désormais une boucle fermée : une étude mise à jour ce matin recense 248 641 pull requests attribuées à des agents et relues par une IA. Dans 208 145 cas, le même produit signe l’écriture et la relecture, contre 45 269 revues croisées entre produits.

Cette échelle ne prouve pas la qualité du contrôle. Une autre étude portant sur 31 073 retours de développeurs à CodeRabbit mesure 36,4 % de suggestions acceptées, 7,3 % discutées et 56,3 % rejetées. GitHub, de son côté, optimise explicitement Copilot Review pour le signal plutôt que pour le volume de commentaires.

La conséquence pratique est nette : multiplier les passages automatisés ne crée pas forcément une contradiction indépendante. Les équipes doivent séparer auteur et relecteur, conserver des tests déterministes et réserver l’approbation finale à un humain. À surveiller : si les revues croisées progressent au-delà des 1,6 % observés parmi les pull requests agentiques identifiées.

Une panne majeure chez Anthropic a touché ce matin plusieurs modèles, l’API, Claude Code et Cowork. Le diagnostic a aussitôt débordé chez Cursor : l’IDE, le CLI, les agents cloud et les automatisations ont signalé des erreurs intermittentes ou des tours d’agent échoués lorsque les requêtes passaient par Claude.

Cette propagation montre qu’un agent de code n’est pas un service autonome, mais une chaîne de dépendances. Les témoignages sur Hacker News ont confirmé l’impact utilisateur, tandis que les pages d’état ont isolé l’origine fournisseur. Une interface disponible peut donc rester inutilisable dès que son moteur distant se dégrade.

La réponse d’architecture est le routage multi-modèle : conserver l’état de session hors du fournisseur, appliquer des reprises bornées, tester un repli compatible et rendre le changement visible. AWS documente ce schéma avec une passerelle ; les données citées par un praticien de Vercel estiment que 3,5 % des requêtes nécessitent déjà un reroutage.