7 minutes
Veille du 15 novembre 2026 — pénurie organisée gpu · réimplémentation jax · revue logicielle ia
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
RASA will cause total chaos to open LLMs and beyond — Analyse d’une règle américaine restreignant l’accès des entreprises chinoises aux GPU NVIDIA, aux implications potentielles pour l’écosystème des modèles ouverts.
Your coding agent can now phone people for you. 📞 · AI Rudder’s CALL-E works with Claude Code, Codex and Cu… — Un outil permet à un agent de codage de passer des appels téléphoniques avec validation humaine préalable, puis restitution d’une transcription et d’un score de confiance, illustrant un schéma d’approbation et d’audit.
Jonathan Blow – If AI solved coding, why is my software still the same? [video] — Jonathan Blow conteste l’idée que l’IA ait transformé la pratique du développement logiciel, un argument qui alimente le débat sur le gain réel de productivité.
$11.4M in Nvidia hardware vanishes during shipment from CA to TX — La disparition de 11,4 millions de dollars de matériel Nvidia pendant un transport illustre les risques logistiques et la valeur des GPU sur le marché.
Nvidia deliberately kept GPU prices high through circular financing deals — Une seconde allégation sur des montages financiers circulaires destinés à soutenir les prix des GPU, qui recoupe largement les accusations déjà publiées.
Nvidia director sold nearly $1B in stock weeks before the Jensen Huang scandal — La vente d’actions par un administrateur de Nvidia juste avant la révélation d’un scandale ajoute une dimension financière aux critiques visant l’entreprise.
Instead Of Lowering GPU Prices, Former NVIDIA CEO Jensen Huang Reportedly Financed AI Startups To Absorb Ex… — Article relayant l’hypothèse que NVIDIA aurait financé des startups pour écouler ses GPU, une rumeur à fort potentiel de discussion mais non vérifiée.
LFM2.5-24B-A2B + Hermes is awesome! — Retour d’expérience positif sur le modèle LFM2.5-24B-A2B associé à Hermes, avec lien vers les poids GGUF.
Harness Engineering for Self-Improvement — Analyse de l’auto-amélioration récursive des modèles et de l’ingénierie du « harness » qui encadre l’entraînement, un sujet directement lié aux systèmes agentiques modernes.
Scaling Laws, Carefully — Examen méthodique des lois d’échelle et de leurs limites empiriques, utile pour comprendre les compromis taille/données/calcul dans l’entraînement des modèles.
LLM Powered Autonomous Agents — Article fondateur décrivant l’architecture des agents autonomes pilotés par LLM, référence toujours pertinente pour concevoir des systèmes agentiques.
Agentic cheminformatics with Google Antigravity — Présentation de workflows agentiques appliqués à la chimie avec Google Antigravity et des compétences dédiées, un exemple concret d’orchestration d’agents spécialisés.
Gemini Decisions API — Google lance une API de décisions qui rejoint des offres similaires chez OpenAI et Jev, une nouvelle brique pour déléguer des choix à un modèle.
Anthropic’s IPO roadshow video — La vidéo de roadshow de l’introduction en bourse d’Anthropic dévoile des éléments inédits sur le modèle économique et l’approche commerciale de l’entreprise.
AgentSSL: Can MLE Agents Leverage Unlabeled Data? — L’article examine si les agents d’ingénierie ML peuvent exploiter des données non étiquetées, un angle encore peu étudié dans l’automatisation des pipelines.
… et 64 autres articles consultés.