Les 3 articles les plus chauds de la veille du 15 novembre 2026. 🔥

🔥 Top 3

1. Nvidia allegedly engineered scarcity by funding AI startups to buy its GPUs

Nvidia investirait dans des startups d’IA pour qu’elles achètent ses propres GPU. L’argent sort par la porte du capital-investissement et rentre par la fenêtre des commandes. L’accusation, relayée sur Hacker News, tient en une phrase : la pénurie de cartes serait moins subie que fabriquée.

Le mécanisme supposé est simple. Nvidia participe au tour de table d’une jeune pousse. Celle-ci dépense une partie de la somme en clusters de calcul. Le chiffre d’affaires revient au fournisseur, la demande affichée reste forte, et les prix ne baissent pas. Un circuit fermé, en apparence.

Rien n’est prouvé, et il faut le dire nettement. Financer ses clients est une pratique courante dans le matériel, Cisco et Intel l’ont fait avant. La différence, c’est l’échelle et la position de Nvidia : l’entreprise vend environ 80 % des accélérateurs utilisés pour entraîner des modèles. Quand un fournisseur quasi unique finance aussi ses acheteurs, la boucle devient difficile à distinguer d’une stratégie.

L’enjeu dépasse la comptabilité. Si la demande est en partie artificielle, les valorisations des startups et les prévisions de revenus de Nvidia reposent sur un même pari. Les clients « financés » sont aussi ceux qui absorbent les cartes les plus chères.

La question qui compte n’est pas morale mais pratique : que se passe-t-il le jour où Nvidia arrête d’écrire des chèques ? Les commandes suivent ou s’effondrent. C’est là qu’on saura.

🔗 www.techpowerup.com

2. Show HN: DeepSeek V3 in ~200 lines of pure Jax

Faire tourner l’architecture de DeepSeek V3 sur un MacBook Air, en 190 lignes de code. C’est ce qu’a publié un développeur, et le résultat tient en une phrase : 2,6 heures d’entraînement, 36,2 millions de paramètres, et un modèle qui écrit de la fiction policière plausible.

Le point technique intéressant, c’est le “pure JAX”. JAX est la bibliothèque de calcul numérique de Google, une sorte de NumPy qui sait dériver automatiquement des fonctions. Pas de Flax, pas d’Equinox, pas de PyTorch : les paramètres sont de simples dictionnaires de tableaux, et chaque brique du modèle est une fonction lisible de haut en bas.

Trois mécanismes du rapport DeepSeek sont reproduits. D’abord le Multi-head Latent Attention (MLA), qui stocke un petit vecteur latent par token au lieu des clés et valeurs complètes : 480 nombres passent à 144 par token et par couche, ce qui allège la mémoire. Ensuite le DeepSeekMoE, un mélange d’experts avec 1 expert partagé toujours actif et 16 experts routés, dont 4 sont choisis par token. Enfin l’équilibrage sans perte auxiliaire : un biais par expert redirige le routage vers les experts inactifs sans toucher aux poids.

Ce dernier point est le plus parlant. Sans biais, la charge par expert s’étale de 0,09 % à 18,6 %. Avec, elle reste entre 5,7 % et 6,9 %, pour une loss de validation identique (3,921 contre 3,923). L’équilibrage ne coûte donc rien en qualité, exactement ce qu’annonçait l’article.

Le corpus : 207 livres du domaine public, 21,7 millions de tokens, dont Hammett répété trois fois. La sortie, sur l’amorce « The fog came in off the » :

The fog came in off the bay, and the great trees were spreading and the stars were shining.

L’auteur le dit lui-même : c’est une démo d’architecture, pas un bon modèle de langue. Reste que la barrière pour reproduire un modèle de frontière vient de tomber à un laptop et une soirée.

🔗 GitHub

3. alibaba open-sourced its internal ai code reviewer, and the pitch is the opposite of “just let the agent do it”

it’s ca…

Alibaba a publié en open source son outil de revue de code interne, Open Code Review (la commande, c’est ocr). Le README annonce deux ans d’usage chez des dizaines de milliers de développeurs. Mais la partie intéressante n’est pas là.

La partie intéressante, c’est que le modèle de langage ne décide de presque rien. C’est le code qui choisit quels fichiers passent en revue et comment les regrouper. L’agent, lui, se contente d’écrire les commentaires ligne à ligne.

Pourquoi ce partage des rôles ? Parce que les agents généralistes bâclent les gros changesets (un ensemble de modifications liées), se trompent de numéro de ligne et changent de comportement dès qu’on retouche le prompt. Alibaba préfère encadrer.

Les chiffres avancés par l’éditeur, sur un benchmark de 50 dépôts et 200 pull requests réelles : à modèle identique, une meilleure précision que Claude Code pour environ un neuvième des tokens consommés. Le rappel, lui, est plus faible. C’est assumé.

Le raisonnement tient debout. En revue de code, un bot qui signale tout devient un bot qu’on n’ouvre plus. Moins de faux positifs vaut mieux qu’un inventaire exhaustif, parce que la confiance se perd vite.

Et le schéma se répète : des règles dures autour du modèle, du jugement souple à l’intérieur. On cadrer l’agent au lieu de lui confier la chaîne de décision.

Reste que l’outil produit des commentaires, pas des verdicts. Personne n’a encore dit qui assume un merge bloqué à tort.

🔗 x.com

📦 Le reste de la veille

… et 64 autres articles consultés.