Les 3 articles les plus pertinents de la veille du 19 juillet 2026.

🔥 Top 3

1. xai-org/grok-build, now open source

Le fiasco de Grok Build : open source après une fuite massive de données

Le 15 juillet 2026, xAI a vécu une tempête médiatique. Son outil CLI Grok Build téléchargeait silencieusement l’intégralité du répertoire courant vers les buckets Google Cloud de l’entreprise. Un utilisateur a vu ses clés SSH, son gestionnaire de mots de passe, ses documents et ses vidéos partir en ligne. Une faille de sécurité béante, dénoncée violemment par la communauté.

Elon Musk a promis la suppression “complète et absolue” de toutes les données collectées, et la fonctionnalité a été désactivée. Mais pour regagner la confiance, xAI a frappé un grand coup : la totalité du code de Grok Build est désormais disponible sous licence Apache 2.0.

Le codebase est impressionnant : 844 530 lignes de Rust, dont seulement 3% sont du code vendu. Il rivalise avec celui d’OpenAI Codex (950 933 lignes). On y découvre des éléments fascinants :

• un rendu de diagrammes Mermaid en terminal via le dessin en boîte Unicode (xai-grok-markdown/src/mermaid.rs)
• des prompts système et sous-agent, dont un interdit au sous-agent de révéler son propre prompt
• des outils portés depuis Codex et OpenCode, avec des licences respectées

Les vestiges du code d’upload vers Google Cloud sont encore présents, mais neutralisés. La fonction upload_session_state() renvoie désormais une erreur session_state_upload_unavailable.

Cette ouverture est une tentative de transparence radicale. Elle permet un audit public du code, mais la confiance envers xAI reste fragile. Cet incident rappelle que les agents de codage en ligne de commande sont d’une complexité insoupçonnée, et que la protection des données utilisateur ne peut être une réflexion après coup. L’open source est un pas dans la bonne direction, mais le chemin vers la rédemption est encore long.

🔗 Simon Willison

2. SearchOS-V1: Towards Robust Open-Domain Information-Seeking Agent Collaboration

SearchOS-V1 : des agents de recherche enfin libérés des boucles infernales

Les grands modèles de langue équipés d’outils de navigation web excellent dans la recherche d’informations. Mais à mesure que l’historique des interactions s’allonge, ces agents peinent à suivre le fil de leur tâche. Résultat : ils s’enlisent dans des boucles répétitives de requêtes infructueuses, gaspillant leur budget et compromettant la qualité des réponses. Une équipe de chercheurs propose une solution radicale avec SearchOS-V1, un système multi-agent conçu pour rendre l’état de la recherche explicite et partagé.

Le cœur du problème, selon les auteurs, est que l’avancement de la recherche reste implicite. Pour y remédier, SearchOS reformule la quête d’informations comme un complétion de schéma relationnel : les agents découvrent des entités, remplissent des attributs dans des tables liées, et ancrent chaque valeur à une source. Cette approche permet de matérialiser la progression.

Le framework s’appuie sur le Search-Oriented Context Management (SOCM), un module qui externalise l’état dans quatre structures persistantes : la Frontier Task (les prochaines actions), un Evidence Graph (les preuves collectées), une Coverage Map (les lacunes restantes) et une Failure Memory (les échecs passés). Ces éléments sont partagés entre les sous-agents, qui s’exécutent en parallèle via un mécanisme de pipeline-parallel scheduling : les tâches libérées sont immédiatement remplacées par de nouvelles cibles, optimisant le débit.

Pour garder le contrôle, un Search Tool Middleware Harness intercepte les interactions avec les outils, enregistre les preuves et réagit aux blocages ou à l’épuisement du budget. Un système de compétences hiérarchiques (stratégie et accès) permet en outre d’éviter de répéter les schémas de recherche infructueux.

Testé sur les benchmarks WideSearch et GISA, SearchOS-V1 surpasse tous les systèmes mono- et multi-agents évalués. En transformant une faiblesse connue des LLM — le suivi de tâche — en un atout architectural, ce travail ouvre la voie à des agents de recherche véritablement robustes et collaboratifs.

🔗 arXiv

3. LLM cliché highlighter

Vous avez remarqué cette manie qu’ont les textes générés par IA de recourir aux mêmes formules ? “Sans fluff, sans remplissage, sans jargon”, “Asseyez-vous un instant avec cette idée”, “Vous savez déjà”… Ces patterns reviennent sans cesse, au point de devenir des marqueurs quasi infaillibles d’une production LLM.

Simon Willison en avait assez. Dans un accès de frustration, il a demandé à Fable 5 — via du vibe coding — de lui pondre un petit outil bien pratique : le LLM cliché highlighter.

Le principe est simple : on colle un texte dans l’analyseur, et l’outil détecte automatiquement les tournures stéréotypées typiques des modèles de langage. Il met en évidence des structures comme les chaînes “no X, no Y”, les invitations rituelles à “réfléchir par soi-même”, ou ce fameux “you already know” qui émaille tant de billets de blog.

L’interface propose des toggles pour activer ou désactiver chaque pattern, et le surlignage contextuel permet de visualiser les phrases incriminées en contexte. Pratique pour traquer ces tics d’écriture sans avoir à les repérer à l’œil nu.

Au-delà du gadget, ce projet soulève une question intéressante : comment les humains peuvent-ils reprendre la main sur leur propre style face à une production automatisée de plus en plus envahissante ? En rendant visibles ces clichés, Willison nous offre une petite arme de lucidité rédactionnelle. Car si l’on sait repérer ces expressions, on peut aussi apprendre à les éviter — ou au contraire, à les utiliser en toute connaissance de cause lorsqu’on génère du contenu.

Un outil simple, en ligne, gratuit, et furieusement utile à l’heure où l’IA standardise l’écriture. À essayer d’urgence.

🔗 Simon Willison

📦 Le reste de la veille

• Quoting Thibault Sottiaux — Signalement de suppressions inattendues de fichiers par GPT-5.6 en mode accès complet.

• ChatGPT is now a partner for your most ambitious work — L’article présente ChatGPT Work, un agent pouvant agir sur plusieurs applications et fichiers.

• If you’re building a harness, here is a simple tool to catch cache invalidation in your calls to LLMs — Outil simple pour détecter les invalidations de cache lors des appels aux LLMs.

• Beyond Success Rate: Cost-Aware Evaluation of Offensive and Defensive Security Agents — Évaluation des agents de sécurité prenant en compte les coûts opérationnels, pas seulement le taux de succès.

• Rethinking the Evaluation of Harness Evolution for Agents — Cette étude réévalue les méthodes d’évaluation de l’évolution automatique des harnais pour les agents LLM.

• SQLite Query Explainer — Un outil en ligne pour expliquer les requêtes SQLite.

• Kimi K3, and what we can still learn from the pelican benchmark — Annonce du modèle Kimi K3 avec 2,8 billions de paramètres par Moonshot AI.

• Inkling: Our open-weights model — Sortie du modèle open-weights Inkling par Thinking Machines Lab.

• Mermaid to ASCII art (mermaid-ascii) — Un outil pour convertir des diagrammes Mermaid en art ASCII.

• Mermaid to Unicode box art (grok-mermaid) — Un outil pour convertir des diagrammes Mermaid en art Unicode box.

• Byte exact KV cache grafting on frozen Gemma 4 — Méthode de greffe de cache KV exact pour Gemma 4, améliorant les performances sur AIME.

• How I tricked Claude into leaking your deepest, darkest secrets — Une faille de sécurité dans Claude permettant d’extraire des secrets via le outil web_fetch.

• GPT-5.6: Frontier intelligence that scales with your ambition — L’article présente les capacités de GPT-5.6 en termes d’intelligence, performance et coût.

• German SooFi team launches Soofi S 30B-A3B , an open-source Mixture-of-Experts (MoE) hybrid Mamba–Transformer foundation model for German and English. — Lancement d’un modèle open-source MoE hybride Mamba-Transformer pour l’allemand et l’anglais.

• RxBrain: Embodied Cognition Foundation Model with Joint Language-Visual Reasoning and Imagination — Ce papier introduit un modèle de base de cognition incarnée avec raisonnement et imagination conjoints langage-visuel pour les agents.

… et 22 autres articles consultés.