Les 3 articles les plus chauds de la veille du 14 octobre 2026. 🔥

🔥 Top 3

1. Someone is running Qwen 27B at ~20 tok/s on a jailbroken PS5’s GPU

Un modèle d’IA de 27 milliards de paramètres tourne sur une PlayStation 5 piratée. Et il tient les 20 tokens par seconde.

Pour mettre les chiffres en perspective : un token, c’est à peu près un bout de mot généré par le modèle. Vingt tokens par seconde, c’est de quoi lire un texte produit en continu sans attendre. Sur du matériel console. Alors que la même taille de modèle tourne d’ordinaire sur des GPU de station de travail ou des configurations multi-GPU.

L’exploit repose sur plusieurs choses. D’abord le jailbreak de la PS5, qui ouvre l’accès au matériel sans passer par les restrictions de Sony. Ensuite, le fait que la console dispose de 16 Go de mémoire unifiée, c’est un espace unique accessible à la fois au CPU et au GPU. Sur un PC classique, il faut copier les poids du modèle entre la RAM et la mémoire vidéo, ce qui coûte du temps. Là, cette étape disparaît.

Reste la question des poids du modèle lui-même. Un LLM de 27 milliards de paramètres en précision complète dépasserait largement 16 Go. Le modèle tourne donc probablement en quantification, une réduction de la précision des nombres stockés (par exemple en 4 bits) qui divise la taille par quatre avec une perte de qualité réelle mais limitée.

Ce genre de démonstration reste anecdotique : il faut un console jailbreakée, une stack logicielle bricolée, et personne ne remplace une machine de dev avec ça. Mais elle rappelle une tendance de fond. La frontière entre matériel grand public et matériel d’inférence locale s’amincit vite, et les GPU de consoles cachent encore beaucoup de performance dormante.

Reste à voir si Nvidia et AMD commencent à considérer sérieusement le marché du local LLM dans leurs architectures grand public, ou si la marge se réserve aux prosommateurs.

🔗 www.reddit.com

2. Redesigning source control at Anthropic

Anthropic a abandonné Git. Pas par caprice, mais parce que leurs agents IA génèrent du code plus vite que Git ne peut le suivre.

Le chiffre parle de lui-même : en mai 2026, Anthropic fusionnait environ 2 500 modifications de code par jour. En septembre, ce chiffre a explosé à plus de 30 000 par jour, soit une multiplication par douze en quatre mois. L’explication principale : Claude code désormais pour Anthropic plus que ses propres ingénieurs.

Face à cela, Git s’est révélé saturé. L’historique de leur branche principale dépasse 100 Go, une copie compressée dépasse 25 Go, et leurs pipelines d’intégration continue effectuent environ 25 millions de extractions par jour. Résultat : un transfert théorique de plus de 600 péraoctets de données Git quotidiennement.

Anthropic a donc développé Scion, un système de contrôle de source sur mesure, avec une architecture rappelant Subversion plutôt que Git : centralisée, avec un stockage serveur unique et des copies locales légères. Un système de revue de code baptisé Antique accompagne le tout. L’équipe, sept personnes, a terminé la migration en cinq mois.

Détail révélateur : Scion ne fonctionne pas hors ligne. Un ingénieur de l’équipe l’assume ouvertement, expliquant que Claude, son utilisateur principal, est toujours connecté.

L’IA est désormais le premier utilisateur des outils des ingénieurs. Combien d’équipes devront-elles réécrire leur stack avant de comprendre ce basculement ?

🔗 Simon Willison

3. Google DeepMind and Singapore Government announce new AI tool to protect citizens against scams

Arnaques et chiffrement : la Singapore a trouvé un angle finalement convaincant

À Singapour, les arnaques représentent plus de la moitié des crimes signalés, avec plus de 4 milliards de dollars de pertes depuis 2019. Et 80 % de ces pertes viennent désormais de l’ingénierie sociale, cette technique où l’attaquant manipule la victime avec de longues conversations crédibles avant de lui demander de l’argent.

Le problème : ces échanges ont lieu dans des messageries chiffrées de bout en bout (end-to-end encrypted). Les serveurs ne peuvent pas lire les messages, donc impossible de scanner les conversations côté cloud.

Google DeepMind et l’agence tech de Singapour, GovTech, ont donc sorti la détection du cloud et l’ont embarquée directement sur le téléphone.

Le modèle utilisé est une version fine-tunée de Gemma, le modèle léger de Google. Entraîné sur des conversations d’arnaques locales (fausses institutions, banques, figures publiques régionales), il repère les schémas de manipulation sans envoyer les données de l’utilisateur nulle part.

Sous le capot, une pipeline en deux étapes : un petit classifieur filtre les messages entrants avec une consommation minimale de batterie, puis Gemma analyse un contexte plus large pour confirmer l’alerte ou éviter les faux positifs.

Les données d’entraînement excluent toute information personnelle, et le fine-tuning s’est fait dans un environnement GCP isolé maintenu par GovTech.

L’objectif est clair : que les plateformes de messagerie et les éditeurs d’OS intègrent ces modèles légers. Reste à voir lequel d’entre eux l’adoptera en premier, alors que le chiffrement et la protection des utilisateurs se renvoient habituellement la balle.

🔗 deepmind.google

📦 Le reste de la veille