Les 3 articles les plus chauds de la veille du 20 octobre 2026. 🔥

🔥 Top 3

1. Anthropic tells investors quarterly revenue up nearly 50% to $16.8bn ahead of IPO

Anthropic a facturé à ses concurrents de quoi préparer sa succession. La pratique s’appelle la distillation : un laboratoire entraîne son propre modèle sur les réponses d’un modèle plus avancé, celui d’Anthropic en l’occurrence. Ça consomme massivement des tokens, donc ça rapporte gros.

Combien ? D’après le Financial Times, la distillation pesait 5 à 7 % du chiffre d’affaires du deuxième trimestre. Sur 11,5 milliards de dollars, cela représente plus d’un demi-milliard payé par des laboratoires concurrents pour copier Claude. Anthropic affirme avoir nettement réduit la voilure au troisième trimestre.

Le reste des chiffres donne le vertige. Revenus trimestriels : 4,8 milliards au premier trimestre, 11,5 au deuxième, 16,8 au troisième, soit près de 50 % de hausse en trois mois, à l’approche de l’introduction en bourse. La marge opérationnelle ajustée, hors rémunération en actions, atteint 11 %. Et pour chaque dollar dépensé en puissance de calcul, Anthropic en encaisse 1,70.

Détail révélateur : la société ne communique plus son « annualized run-rate », ce chiffre annualisé qui gonfle artificiellement la photo. Quand on affiche 16,8 milliards sur un trimestre, on n’a plus besoin de ce genre d’arrondi.

Reste que 11 % de marge ajustée sur une activité qui brûle du calcul, ce n’est pas encore une machine à cash. La vraie question, que l’article ne tranche pas : cette croissance vient-elle d’entreprises qui utilisent le modèle, ou d’entreprises qui cherchent à le répliquer ?

🔗 Simon Willison

2. My obituary for programming

Le métier de développeur était un des meilleurs du monde, et il est en train de disparaître. Pas parce qu’on manque de travail, parce que le plaisir a changé de camp.

Jeremy Scheff a écrit ce qu’il appelle l’éloge funèbre de la programmation. Son constat tient en une phrase : on était payés pour résoudre des casse-têtes logiques, et plus le casse-tête était tordu, plus la paie suivait. Même les puzzles simples valaient cher, parce que les gens normaux en étaient incapables. On choisissait la stratégie, le calendrier, ce qui était possible ou non.

Les agents de code (des modèles qui écrivent et exécutent du code seuls, sur plusieurs étapes) ont pris ce rôle. Pas la partie construction : si votre kif c’est de voir un système tourner, Simon Willison le dit sans détour, les LLM sont un cadeau qui n’arrête pas de faire des heureux. Le pipeline se monte plus vite, les tests s’écrivent pendant que vous lisez.

La perte est ailleurs. Dans le moment où on tenait le problème dans sa tête, où on cherchait pendant deux heures avant de trouver la ligne fautive. Ce moment-là, on le délègue désormais à une machine qui trouve en huit secondes.

Reste une question désagréable pour les recruteurs : si le plaisir de la résolution disparaît, sur quoi accroche-t-on les gens qui auraient choisi ce métier pour ça ?

🔗 Simon Willison

3. Your coding agent forgets your project the moment you close it.

ai-memory : one self-hosted memory that 20+ agent harnes…

Fermez la fenêtre. Rouvrez-la. Votre agent de code a tout oublié : l’architecture du projet, et la raison pour laquelle ce module s’appelle legacy_v2_final.

Un projet baptisé ai-memory s’attaque à cette amnésie. Le principe : une mémoire unique, auto-hébergée, dans laquelle écrivent plus de vingt harnesses d’agents. Un harness, c’est l’outil qui fait tourner le modèle: Claude Code, Cursor, un script maison. Chacun garde aujourd’hui sa mémoire dans son coin. Ici, ils partagent le même carnet.

Le stockage tient en une phrase : du markdown brut dans un dépôt git qui vous appartient. Pas de base vectorielle exotique, pas de service tiers dans lequel exporter vos notes d’architecture. Du texte lisible, versionné, comparable d’une session à l’autre. Un git log sur la mémoire de votre projet.

Le détail qui change la facture: zéro appel LLM par défaut. La mémoire s’écrit et se lit sans repasser par un modèle, donc pas de coût ni de latence ajoutés à chaque session. Les agents écrivent, vous relisez.

Reste la question que tout fichier partagé finit par poser : quand vingt outils écrivent dans le même carnet, qui arbitre les contradictions? Une mémoire commune ne vaut que si quelqu’un fait le ménage.

🔗 x.com

📦 Le reste de la veille

  • Text-to-Image Generative Modeling Without Language Pretraining — Des chercheurs testent si le pré-entraînement linguistique à grande échelle est indispensable à la génération texte-image, en proposant un modèle multimodal entraîné intégralement de zéro ; la question remet en cause une hypothèse répandue mais reste éloignée des usages agents.

  • Advancing coding in low‑resource programming languages — OpenAI détaille ses efforts pour améliorer ChatGPT sur les langages peu représentés, avec de nouvelles évaluations en génie logiciel, SQLite et migration COBOL.

  • Ousted Savannah police officer gave ICE agent husband access to Flock system — Un officier de police révoqué aurait donné à son mari agent ICE l’accès à un système de reconnaissance de plaques, illustrant les dérives de gouvernance des données de surveillance.

  • Holi-World: Building Holistic World Intelligence from Human-Ego Experience — Un travail de recherche proposant d’exploiter des vidéos égocentriques humaines à grande échelle pour construire des modèles de compréhension du monde, une brique utile mais encore théorique pour l’apprentissage d’agents.

  • Inline rendering with document​.currentScript — Présentation d’une astuce JavaScript exploitant document.currentScript pour le rendu de scripts inline, utile côté web mais éloignée des agents.

  • Tree Appreciator — Retour d’expérience sur un petit jeu généré avec Claude en mode conversation, illustrant le prototypage rapide par prompt.

  • Scaling Laws, Carefully — Explication pédagogique des lois d’échelle en apprentissage profond et de leurs limites, utile conceptuellement mais peu opérationnelle.

  • Why We Think — Analyse du calcul au moment du test et du raisonnement des modèles, pertinente pour comprendre les architectures d’agents mais essentiellement théorique.

  • Reward Hacking in Reinforcement Learning — Tour d’horizon du reward hacking en apprentissage par renforcement et des stratégies d’atténuation, pertinent pour concevoir des agents fiables mais daté.

  • LLM Powered Autonomous Agents — Article fondateur sur les agents autonomes pilotés par LLM, très pertinent pour l’architecture d’agents mais datant de 2023.

  • web-edit 0.1a2 — Version alpha d’un petit outil web pour parcourir et éditer des fichiers dans un dossier, pensé notamment pour l’édition assistée.

  • LaTeX renderer — Petit outil web de rendu LaTeX inspiré d’une suite d’éditeurs en ligne, une démonstration technique simple.

  • llm-echo 0.5 — Version 0.5 du plugin de débogage llm-echo, une mise à jour technique mineure en préparation d’une prochaine release de LLM.

  • Extrinsic Hallucinations in LLMs — Synthèse sur les hallucinations extrinsèques des LLM et leurs causes, encore utile comme référence mais sans nouveauté récente.

  • Thinking about High-Quality Human Data — Réflexion sur la qualité des données humaines pour l’entraînement des modèles, instructive mais ancienne et peu actionnable.

… et 4 autres articles consultés.