Les 3 articles les plus chauds de la veille du 9 octobre 2026. 🔥

🔥 Top 3

1. Strata rewrote their Github history to wipe evidence of Claude-authoring

Strata aurait effacé la trace de Claude dans son historique GitHub

Une accusation circule sur Reddit : l’équipe de Strata aurait réécrit l’historique de son dépôt GitHub pour effacer les traces d’un codage attribué à Claude, l’assistant d’Anthropic. Concrètement, il s’agit de git filter-branch ou de git filter-repo, deux outils qui rejouent chaque commit du dépôt en supprimant ou en modifiant certains contenus. Suivi d’un force push, l’ancien historique disparaît de la plateforme.

Le problème technique est connu de tous ceux qui ont déjà touché à Git : tant que l’ancien HEAD existe chez les contributeurs ou dans un fork, l’effacement reste cosmétique. Des clones existent encore, et les captures d’écran aussi. Rien ne se perd vraiment sur Internet.

Le sujet dépasse la technique. L’auteur d’un commit, c’est une question de responsabilité, notamment pour des raisons de licence et de conformité dans les entreprises clientes. Si une équipe masque l’usage d’un outil de génération de code, elle laisse entendre que cet usage pose problème, et elle transforme une simple décision d’architecture en crédibilité écornée.

À ce jour, aucune confirmation officielle de Strata, et les détails précis (quels dépôts, quelle période, quelle part du code) manquent dans la discussion d’origine.

Reste une question concrète : combien d’équipes ont fait exactement la même chose sans que personne ne regarde leur historique ?

🔗 www.reddit.com

2. ttok 1.0

ttok 1.0 vient de sortir, et son principal changement répond à une question qu’OpenAI n’ose pas encore trancher publiquement : le GPT-6 utilise-t-il le même tokeniser que le GPT-5 ?

Rappel utile. Un token, c’est l’unité que traite un modèle de langage. Pas un mot, plutôt un morceau de mot (« l’informati-on », par exemple). Le nombre de tokens détermine le coût d’une requête et la place disponible dans le contexte. Savoir quel tokeniser emploie un modèle permet de compter juste avant d’envoyer quoi que ce soit.

ttok est la commande de Simon Willison qui compte les tokens d’un fichier depuis un terminal. Jusqu’à la version 0.4, elle comptait par défaut avec le tokeniser GPT-4. Simon Willison publie la 0.4, exécute uv tool upgrade ttok, envoie un fichier dans la nouvelle version… et constate le défaut périmé. Il en profite pour passer en 1.0 et basculer par défaut vers la famille GPT-5/GPT-6.

Reste un détail gênant : OpenAI n’a jamais confirmé que le GPT-6 reprend le même tokeniser. Un ticket le réclame. William Liu a publié les résultats d’une expérience parlante : sept modèles (GPT-5.5, 5.6 Sol/Terra/Luna, 6 Astra/Sol/Luna) annoncent tous 44 794 tokens et tombent d’accord sur les 31 cas de test. GPT-6 n’introduit aucun changement de décompte sur ce corpus.

Jusqu’à confirmation officielle, ttok 1.0 fonctionne donc sur une hypothèse solide mais non actée. Une hypothèse vérifiable en une commande : lancez ttok sur votre dernier prompt et comparez avec les chiffres de votre fournisseur.

🔗 Simon Willison

3. How Oracle turns days of work into minutes with ChatGPT and Codex

Oracle affirme transformer des journées de travail en quelques minutes. L’entreprise déploie ChatGPT Work et Codex pour automatiser des tâches répétitives dans trois départements très différents : le recrutement, l’ingénierie et les opérations.

L’idée centrale n’est pas de remplacer les équipes, mais de capturer ce que savent les spécialistes. Un recruteur expérimenté sait rédiger une fiche de poste, trier des profils et rédiger des messages de relance. Cette méthode reste souvent dans sa tête. En la formalisant dans un workflow reproductible, elle devient exécutable en continu, sans attendre que la personne soit disponible.

Côté technique, la distinction entre les deux outils compte. ChatGPT Work s’adresse aux tâches de bureau classiques : synthèses, e-mails, documents internes. Codex, lui, génère du code et accompagne les développeurs dans leurs tâches quotidiennes. Deux usages distincts, une même logique : transformer un savoir-faire en instructions exécutables.

Le gain de temps annoncé pose une question pratique. Quand une tâche passant de plusieurs jours à quelques minutes devient la norme, le volume attendu explose. Les équipes d’opérations vont-elles absorber cette productivité supplémentaire, ou voir leurs objectifs réévalués à la hausse immédiatement ?

Oracle ne publie pas de chiffres précis sur les volumes traités. À suivre si d’autres grands groupes generalistes, loin des startups tech, généralisent le même modèle.

🔗 OpenAI

📦 Le reste de la veille