Autres outils IA : avis, comparatifs et guides

Jev est le modèle d'IA de TypeSafe qui renvoie des choix, des scores et des probabilités Oui/Non au lieu de générer du texte. Ce guide explique les différences entre Choice, Score et Noul, le sens de confidence et la structure d'une requête d'API pour orienter les demandes d'assistance. Une garantie de type ne garantit pas une décision correcte. Il couvre les faiblesses documentées concernant les calculs, les dates et les entrées trompeuses, ainsi que les tarifs, les deux limites d'entrée et l'évaluation avant un usage en français. Il repose sur des sources officielles, pas sur des tests pratiques des performances de l'API.

La question « l'IA va-t-elle me prendre mon travail ? » ne colle plus à ce dont il s'agit ici. En suivant 49,610 freelances et 2.26 millions de contrats sur Upwork de janvier 2021 à mars 2026, Siddiq et Zhang (UCLA Anderson) ont mesuré non pas la disparition du travail, mais un changement dans la façon dont on est choisi : le poids des signaux de capital humain — certifications vérifiées, parcours, portfolio, évaluations clients — recule de 7.8%, celui du prix progresse de 1.1%, et sur les 4 derniers trimestres l'écart se creuse encore (-10.1% et +1.8%). Au même moment, un mouvement inverse est à l'œuvre du côté de l'offre : aux États-Unis, la part de freelances chez les travailleurs du savoir qualifiés est passée de 28% à 38% en un an, et 58% des salariés envisagent de basculer. Cet article croise cinq sources vérifiées jusqu'à leur éditeur d'origine et met en évidence deux paradoxes : chez les salariés l'expérience sert de bouclier (Stanford : emploi inférieur d'environ 19% chez les 22 à 25 ans exposés à l'IA, aucun écart comparable chez les expérimentés) alors que chez les freelances la baisse est la plus forte chez les plus expérimentés ; et le travail n'a pas disparu, c'est le segment intermédiaire qui a disparu, puisque les offres facilement automatisables reculent de 21% pendant que les missions restantes deviennent plus complexes et mieux payées. Les objections sérieuses (les taux d'intérêt, le marché figé) et les réserves posées par les chercheurs eux-mêmes sont exposées telles quelles, et le chapitre des tactiques est explicitement signalé comme hypothétique.

Faire écrire du code par un modèle qui tourne sur votre propre PC était déjà possible il y a quelques années, mais cela se limitait à la complétion, et l'usage agentique où l'on lit le dépôt, corrige plusieurs fichiers et lance les tests restait trop lourd pour une machine locale. Cela a changé entre la fin 2025 et 2026 : Qwen cite nommément CLINE dans ses fiches de modèle officielles, et Mistral AI a publié Devstral Small 2 (24B) sous licence Apache 2.0 en revendiquant explicitement le codage agentique. Cet article fait le point uniquement à partir de sources primaires, en écartant les articles de synthèse dont plusieurs attribuaient à un modèle le score d'un modèle d'une autre taille. Le passage obligé est la longueur de contexte par défaut d'Ollama, qui n'est pas une valeur fixe mais dépend de la VRAM : moins de 24 GiB donne 4k, ce qui suffit à faire dérailler un agent sans qu'aucune erreur ne s'affiche, puisque le dépassement est traité comme une troncature et non comme une erreur. La recommandation officielle est d'au moins 64000 jetons pour les outils de codage, mais augmenter la valeur augmente aussi la mémoire nécessaire, d'où la vérification par ollama ps pour confirmer que tout tient sur le GPU. Sont également couverts la différence de fond entre Continue, qui assigne un modèle par rôle, et Cline, agent autonome bien plus exigeant, le choix du modèle par tranche de VRAM avec les scores publiés par les éditeurs (Qwen3.6-35B-A3B à 73.4, Devstral Small 2 à 68.0%), et le fait que la comparaison avec le cloud est devenue difficile à établir puisque les modèles de frontière abandonnent SWE-bench Verified. Enfin, le local n'est pas gratuit : le coût change simplement de forme, et la réponse s'inverse selon que le matériel est déjà là ou non.

Le 16 juillet 2026, Moonshot AI a publié Kimi K3, un modèle de 2 800 milliards de paramètres au total. Les valeurs américaines des semi-conducteurs ont été vendues, et l'affaire est montée jusqu'à un responsable de la Maison-Blanche accusant nommément l'entreprise d'avoir distillé les modèles d'Anthropic. Comme les chiffres et jusqu'aux étiquettes elles-mêmes divergent selon la source, cet article recoupe les éditeurs de benchmarks, la presse financière, les annonces de Moonshot et la page Hugging Face telle qu'elle est, en précisant qui a produit chaque chiffre. Côté performance, il obtient 57 points et la troisième place sur l'Artificial Analysis Intelligence Index (au 17 juillet 2026, même si des relevés placent ces mêmes 57 points au quatrième et au septième rang). Sur GDPval-AA v2, la métrique la plus pratique, K3 se situe à 1668 contre 1760 pour Fable 5 et 1600 pour Opus 4.8 — un bond de 478 points depuis la K2.6 de la génération précédente à 1190, et c'est ce rattrapage, plus que le rang absolu, qui a fait bouger le marché. En code, il a pris la première place sur le Frontend Code Arena d'Arena.ai avec 1679 (Fable 5 à 1631), alors que sur FrontierSWE il perd, 81,2 % contre 86,6 % pour Fable 5. Le prix s'inverse selon la comparaison : 3 $ en entrée et 15 $ en sortie, c'est environ 40 % moins cher en entrée et 40 à 50 % moins cher en sortie que Claude Opus 4.8 (5 $/25 $) ou GPT-5.6 Sol (5 $/30 $), et le coût mesuré de 0,94 $ par tâche passe sous les 1,80 $ d'Opus 4.8. Face aux rivaux chinois, en revanche, c'est le plus cher du groupe, environ trois fois GLM-5.2 et 23 fois DeepSeek V4 Pro : ce n'est donc pas la remise d'un ordre de grandeur du choc DeepSeek. Sur les poids, les médias hésitent entre « open source » (VentureBeat, SCMP) et l'« open weight » de Reuters, et c'est ce dernier terme qui est exact. Les poids sont sortis comme prévu le 27 juillet 2026 et se récupèrent sur Hugging Face sans demande d'accès (96 fragments safetensors). La licence publiée avec eux est la « Kimi K3 License » maison de Moonshot : une concession de type MIT assortie de deux conditions — un accord distinct pour toute activité de Model as a Service dépassant 20 millions de dollars de chiffre d'affaires, et une mention « Kimi K3 » bien en vue dans l'interface des produits au-delà de 100 millions d'utilisateurs actifs mensuels. Comme la concession change selon la taille de l'utilisateur, ce n'est pas de l'open source au sens de l'OSI : la querelle d'appellation est désormais tranchée par le texte de la licence. Sur les marchés, le Nasdaq a perdu 1,5 % vendredi, Taïwan plus de 6 %, le Japon 4 %, et l'ETF semi-conducteurs (SMH) a reculé de plus de 20 % depuis son sommet de fin juin, mais la baisse hebdomadaire du SOX est rapportée entre -9 % et -12,5 % selon les médias, et les pertes ont ensuite été réduites par les acheteurs revenus sur les creux. L'accusation de distillation est rejetée par les chercheurs sur la base du calendrier — 15 jours entre la sortie publique de Fable le 1er juillet et le lancement de K3 le 15 juillet — et aucune preuve n'a été rendue publique. La vitesse (des mesures allant de 33 à 62 tokens par seconde, avec un avertissement d'OpenRouter sur des 429 fréquentes dues à la saturation), le taux d'hallucination passé de 39 % à 51 % et l'écart net d'expérience utilisateur que Moonshot admet lui-même sont tous traités avec des étiquettes de certitude explicites.

Anthropic a publié Claude Opus 5 le 24 juillet 2026, et sa propre documentation parle d'un changement de palier plutôt que d'une amélioration incrémentale par rapport à Opus 4.8 — pourtant le prix ne bouge pas : $5 en entrée / $25 en sortie par million de tokens, soit exactement la moitié du modèle phare Fable 5 ($10 / $50). Cet article recoupe l'annonce officielle et la documentation avec plusieurs articles de presse, et détaille les caractéristiques principales (claude-opus-5, une fenêtre de contexte de 1M à la fois par défaut et maximale, 128K tokens de sortie maximale, limite de connaissances en mai 2026), les tarifs y compris les taux de cache et le mode rapide (environ 2,5 fois la vitesse pour 2 fois le prix, API Claude uniquement), les benchmarks (Anthropic écrit dans son propre texte que Frontier-Bench dépasse le double d'Opus 4.8, que CursorBench 3.2 arrive à moins de 0,5 % de Fable 5, qu'ARC-AGI 3 vaut trois fois le score du deuxième et qu'OSWorld 2.0 bat Fable 5 pour environ un tiers du coût ; les chiffres relevés sur les graphiques par la presse incluent Frontier-Bench 43,3 %, ARC-AGI-3 30,2 %, GDPval-AA 1 861 et OSWorld 70,6 %), ainsi que les domaines où il perd encore (68,8 % contre 72,7 % pour GPT-5.6 Sol sur DeepSWE v1.1, la sécurité offensive et la recherche biologique de longue haleine où Mythos 5 domine, et les réglages où l'effort max obtient un score inférieur aux niveaux plus bas). Il couvre ensuite les deux ruptures de compatibilité de l'API (le thinking est actif par défaut, donc un budget max_tokens serré finit tronqué ; désactiver le thinking n'est autorisé qu'à un effort high ou inférieur, xhigh et max renvoyant une erreur 400), la façon de choisir parmi les cinq niveaux d'effort, les nouveautés comme la modification des outils en cours de conversation, le seuil de cache abaissé à 512 tokens et le mode de repli par défaut, puis le changement de caractère du modèle — réponses plus longues, plus de commentaires, plus de délégation et auto-vérification spontanée — avec la règle de migration qui consiste à retirer du texte de prompt plutôt qu'à en ajouter, et enfin qui a intérêt à migrer tout de suite, avec une checklist de migration en six étapes.

Le 8 juillet 2026, OpenAI a lancé GPT-Live, un nouveau modèle vocal qui remplace l'Advanced Voice Mode de ChatGPT. Grâce à une architecture full-duplex, il écoute et parle en même temps : il ponctue la conversation de signaux d'écoute (backchanneling), encaisse les interruptions et ne coupe pas vos silences de réflexion, avec une latence <250ms. La réactivité est assurée par GPT-Live tandis que la recherche et le raisonnement approfondi sont délégués en coulisses à GPT-5.5. Gratuit avec GPT-Live-1 mini, GPT-Live-1 sur Go/Plus/Pro. Nous détaillons son fonctionnement, ses différences avec l'Advanced Voice Mode, ses limites (vidéo, API) et la distinction avec GPT-Realtime-2.1.

Ceux qui ont renoncé au dessin parce qu'ils « ne savent pas dessiner » sont justement ceux pour qui le dessin par IA est un terrain de jeu. Mettez l'image que vous avez en tête en mots et elle devient une œuvre ; une photo prise au téléphone ou le gribouillage d'un enfant se transforme en pièce en quelques secondes. Ce n'est ni un comparatif d'outils ni un cours sérieux — c'est un recueil d'idées pour s'amuser en solo ou en famille. Des outils gratuits pour commencer (ChatGPT, Google Gemini, Microsoft Copilot, Canva) aux 10 idées (① gribouillage en œuvre ② photo dans un nouveau style ③ votre personnage à travers les scènes ④ le dessin d'un enfant comme page de conte ⑤ émojis originaux ⑥ BD en quatre cases ⑦ mashups « et si » ⑧ vos propres pages à colorier ⑨ relooking de pièce ⑩ duels de dessin), de petites astuces pour de meilleures images, et trois choses à savoir avant de jouer (ne pas utiliser le visage d'autrui, vérifier les droits et l'usage commercial, signaler que c'est fait par IA).

Ollama est l'outil de référence pour faire tourner un LLM en local : il prend en charge presque toute la configuration, de sorte qu'une seule commande suffit à télécharger un modèle et à commencer à discuter. Ce guide complet pour débutants couvre tout de bout en bout — l'installation sur Windows, Mac et Linux, les commandes essentielles, le choix des modèles selon votre VRAM, les interfaces graphiques comme Open WebUI, l'utilisation de l'API locale (y compris compatible OpenAI) pour l'intégrer dans vos propres applications, la personnalisation via Modelfile et variables d'environnement, ainsi que le dépannage des écueils les plus courants.

Une fois votre environnement prêt, quel LLM local installer vraiment ? Ce guide 2026 classe les grandes familles (Qwen, Llama, Gemma, DeepSeek, Mistral, Phi) par éditeur, pays d'origine, cas d'usage, taille et licence, et explique pourquoi, en local, vos données ne quittent jamais votre PC. Une section dédiée passe en revue les modèles français et européens — Mistral, Lucie-7B et CroissantLLM côté France, Teuken-7B (24 langues de l'UE) et Aleph Alpha côté Europe — pour qui privilégie le naturel du français, la souveraineté ou l'usage public/professionnel, avec des recommandations concrètes par taille de VRAM et par besoin.

Vous voulez faire tourner un LLM local mais vous ne savez pas si votre PC suivra ? 90 % de la réponse tient en un mot : la VRAM. Cet article propose un tableau express de la VRAM nécessaire par taille de modèle (7B à 70B), une formule simple pour estimer le besoin, le piège mémoire du cache KV qui grossit avec le contexte, et des vitesses réalistes par GPU et Mac. Il se termine par trois configurations recommandées selon votre budget, pour que même un débutant sache exactement quelle machine acheter.

Un LLM local que vous faites tourner sur votre propre PC, face à des LLM cloud comme Claude, ChatGPT et Gemini : les deux sont « LLM », mais ils diffèrent nettement en performance, coût, confidentialité et effort. Cet article met les différences côte à côte dans un seul comparatif et expose honnêtement jusqu'où le fameux « écart de performance » s'est réduit à l'horizon 2026. Puis il vous guide vers celui que vous devriez choisir selon votre usage — pour la plupart des gens, la réponse est l'hybride. Le tout écrit pour être lisible sans aucune connaissance préalable.

Réentraîner une IA géante de zéro coûte trop cher, mais vous voulez l'adapter rien que pour vous ; LoRA (Low-Rank Adaptation) exauce ce vœu en gelant le modèle d'origine et en n'entraînant qu'une minuscule pièce ajoutée (un adaptateur), réduisant les paramètres entraînables d'environ 90 %. LoRA rend le fine-tuning bien moins cher et plus rapide, et il est très populaire dans la génération d'images comme Stable Diffusion. Cet article l'explique avec une analogie de la pièce rapportée. LoRA est le fer de lance du fine-tuning efficace en paramètres (PEFT) : laisser les énormes poids d'origine gelés, insérer une petite matrice ajoutée dans chaque couche, et n'entraîner que celle-ci (W = W0 + BA). Avantages : environ 90 % de paramètres en moins, moins de mémoire GPU, entraînement plus rapide et moins cher, aucune latence d'inférence une fois l'adaptateur fusionné, et moins de surapprentissage. Son plus grand atout : des adaptateurs interchangeables. QLoRA combine la quantification, entraînant LoRA sur une base 4-bit. Comparé au fine-tuning complet, LoRA suffit pour la plupart des travaux.