Note de méthode : les mesures de Vals AI ont été relevées le 16 novembre (pages datées du 11 novembre). Le classement de préférence humaine (Metatext / LMArena) n'a pas pu être consulté : le graphique correspondant est reconduit, signalé comme tel, et aucune valeur n'a été reconstituée. La sélection arXiv est limitée (voir section 6). Transparence : cette veille est produite avec l'aide d'un assistant d'IA ; plusieurs des modèles mesurés ici viennent du même éditeur que lui. Nous nous appuyons donc sur des mesures indépendantes et signalons ce qui provient d'annonces d'éditeur. Les faits rapportés par la presse sans document technique public sont rédigés au conditionnel.
Trois mesures indépendantes structurent cette section : le Vals Index (v2.2, tâches d'agents en finance, code, droit et fiscalité), Terminal-Bench 4.0 (tâches longues en ligne de commande, 66 tâches, harnais Mini-SWE-agent, moyenne de trois passages) et le classement de préférence humaine LMArena relayé par Metatext. Elles ne mesurent pas la même chose et ne s'additionnent pas. Vals AI a aussi révisé à la marge plusieurs scores existants sans en donner la cause (Claude Opus 5.5 : 70,18 % → 70,14 % ; Gemini 4 Argon : 69,24 % → 69,39 % ; GLM 5.3 : 59,73 % → 59,85 %).
Le relevé Metatext n'a pas pu être consulté. Nous reconduisons le relevé d'octobre (245 modèles) : écart premier – dixième de 49 points, Gemini 4 Carbon en tête à 1540. Nous ne savons pas si le classement a bougé, notamment avec l'arrivée de Fable 5.2.
Source : Metatext — LMArena Elo, relevé d'octobre 2026 (245 modèles), consulté le 2 novembre 2026 ; non actualisé le 16 novembre. Valeurs mesurées. Barre encre : modèle à poids ouverts (MiMo-V2.6-Pro) ; barres teal : propriétaires. Axe tronqué à 1440 : ne pas lire la longueur des barres comme une proportion. Le score Elo mesure une préférence conversationnelle ; il ne prédit ni la fiabilité ni la performance sur tâches longues.
Sur un test de génie logiciel : 1,51 point, stable. Terminal-Bench 4.0 (page Vals AI du 11 novembre) : Claude Fable 5.2 et Claude Opus 5.5 sont à égalité en tête à 65,15 %, Claude Sonnet 5.5 troisième à 64,14 %, Kimi K3.1 Pro (poids ouverts) quatrième à 63,64 %, Gemini 4 Carbon cinquième à 63,13 %. Avec 66 tâches, un écart de 1 à 2 points correspond à une ou deux tâches : ces cinq modèles ne se départagent pas. Les autres modèles ouverts restent loin derrière (GLM 5.3 : 38,89 % ; DeepSeek V4.1 Flash 1017 : 31,82 % ; MiMo V2.6 Pro : 31,31 %).
Source : Vals AI — Terminal-Bench 4.0, page datée du 11 novembre 2026, consultée le 16 novembre 2026. Valeurs mesurées (moyenne de trois passages). Barres encre : modèles à poids ouverts (statut repris de l'édition du 2 novembre, non revérifié cette semaine ; la page de classement ne le précise pas) ; barres teal : propriétaires. Effectif faible : 66 tâches ; ne pas interpréter les écarts de 1 à 2 points.
Sur un panier de tâches métier : 8,79 points, en hausse de 0,46. Vals Index v2.2 (page datée du 11 novembre) : Claude Fable 5.2 à 71,31 %, Claude Sonnet 5.5 à 70,85 %, Gemini 4 Carbon à 70,45 %, Claude Opus 5.5 à 70,14 %. Meilleur modèle à poids ouverts selon notre relevé précédent : Kimi K3.1 Pro, 62,52 %, inchangé. Deux lignes apparaissent dans notre relevé : Gemini 4 Hydrogen (68,49 %) et Muse Ember (60,48 %) ; nous ne savons pas si elles sont récentes ni si leurs poids sont ouverts. D'autres modèles ouverts se situent plus bas (DeepSeek V4.1 Flash 1017 : 61,26 % ; GLM 5.3 : 59,85 % ; MiMo V2.6 Pro : 57,81 %).
Source : Vals AI — Vals Index v2.2, page datée du 11 novembre 2026, consultée le 16 novembre 2026. Valeurs mesurées. Barres encre : poids ouverts (statut repris de l'édition du 2 novembre) ; barres teal : propriétaires. Axe tronqué à 50 %. Sélection de 14 modèles sur 37.
Ce que cela implique pour une PME qui envisage d'héberger un modèle chez elle. Le constat de la semaine dernière tient : sur un test de code exigeant, un modèle ouvert fait jeu égal avec les meilleurs ; sur un panier de tâches métier, il reste près de 9 points derrière. La FINMA, qui teste trois modèles ouverts sur ses propres serveurs, tire une conclusion voisine (section 4) : des modèles de petite taille ne suffisent pas. L'option réaliste demeure un hébergeur suisse ou européen servant un modèle ouvert, plutôt qu'un serveur GPU interne, avec un test sur vos propres documents avant tout engagement.
Nous comparons les trois premiers du Vals Index sur quatre tests. Sur la finance (Finance Agent v2.1, 449 questions), Fable 5.2 obtient 69,5 %, contre 67,3 % et 67,2 % : un écart de 2 points, à lire avec prudence. Sur le code en ligne de commande, les trois sont à moins de 2,1 points. Sur la fiscalité (Tax Agent Bench, 193 questions), Fable 5.2 obtient 32,1 %, contre 42,0 % pour Sonnet 5.5 et 51,8 % pour Gemini 4 Carbon. Sur le droit (HLAB, 120 tâches), il réussit 5,0 % des tâches, contre 10,4 % et 17,5 %. Les scores en droit restent très bas pour tous : une tâche n'est réussie que si tous ses critères le sont. Les tests de fiscalité et de droit portent sur le droit américain ; aucune de ces mesures ne vaut pour le droit suisse.
Sources : Vals AI — Vals Index v2.2, scores par composante (11 novembre 2026, consultée le 16 novembre) ; effectifs relevés dans l'édition du 9 novembre d'après les pages Finance Agent v2.1, Tax Agent Bench, HLAB-Vals-1.1 et Terminal-Bench 4.0 (non revérifiés cette semaine). Valeurs mesurées, arrondies au dixième. Réserve : Terminal-Bench 4.0 repose sur 66 tâches et HLAB sur 120 : les écarts de quelques points y sont peu interprétables. Les composantes non retenues ne sont pas affichées faute d'effectifs revérifiés.
| Indicateur | Valeur | Source et date du relevé |
|---|---|---|
| Meilleur score Vals Index (v2.2) | 71,31 % (Claude Fable 5.2) ; 70,85 % le 09.11 (Sonnet 5.5) | Vals AI, page du 11.11.2026, relevée le 16.11 |
| Meilleur modèle à poids ouverts, Vals Index | 62,52 % (Kimi K3.1 Pro) — inchangé | Vals AI, 11.11.2026 |
| Écart ouvert / propriétaire, Vals Index | 8,79 points (8,33 le 09.11) | Vals AI, 11.11.2026 |
| Meilleur score Terminal-Bench 4.0 | 65,15 % (Fable 5.2 et Opus 5.5, ex æquo) — inchangé | Vals AI, 11.11.2026 |
| Écart ouvert / propriétaire, Terminal-Bench 4.0 | 1,51 point (1,51 le 09.11) | Vals AI, 11.11.2026 |
| Fable 5.2 contre Fable 5.1, Terminal-Bench 4.0 | 65,15 % contre 58,08 % ; 14,56 $ contre 17,18 $ par test | Vals AI, 11.11.2026 |
| Coût par test sur l'index, Fable 5.2 | 17,94 $ (Sonnet 5.5 : 16,18 $ ; Opus 5.5 : 24,77 $ ; Gemini 4 Carbon : 10,51 $) | Vals AI, 11.11.2026 |
| Écart de coût par test à score voisin | facteur 57 (8,52 $ contre 0,15 $ ; scores 59,85 % et 60,48 %) ; facteur 27 sur la paire de la semaine dernière | Vals AI, 11.11.2026 |
| Premier Elo LMArena ; écart 1er – 10e | non actualisé (1540 ; 49 points au relevé d'octobre) | Metatext, octobre 2026 |
| Demande électrique américaine | 4 216 (2025), 4 306 (2026, prévu), 4 370 (2027, prévu) milliards de kWh | EIA via Reuters, 10.11.2026 |
| Croissance de la consommation des centres de données, monde | +17 % en 2025 (inchangé) | AIE, 16.04.2026 |
| Centres de données suisses | 2,1 TWh (2024), 3,6 % du courant (inchangé) | OFEN / SuisseEnergie, 07.05.2026 |
La tendance de fond reste celle mesurée par Epoch AI : à performance constante, le prix de l'inférence baisse fortement d'une année à l'autre. L'information utile pour un acheteur reste la dispersion des prix à performance comparable. Les tarifs publics par million de tokens ne sont pas actualisés cette semaine (page Metatext inaccessible) ; nous ne publions pas le tarif annoncé pour Fable 5.2, faute de source tarifaire consultée. Nous utilisons à la place le coût mesuré par test, qui dépend à la fois du tarif et du nombre de tokens consommés.
Fable 5.2 coûte 17,94 $ par test sur l'index, soit 28 % de moins qu'Opus 5.5 (24,77 $) pour un score supérieur de 1,2 point. Gemini 4 Carbon, à 0,86 point de Fable 5.2, coûte 10,51 $, soit 1,7 fois moins. À score voisin, autour de 60 %, trois lignes se détachent : Muse Ember (60,48 %) à 0,15 $, GPT-6.1 Terra (60,54 %) à 2,94 $, GLM 5.3 (59,85 %) à 8,52 $. L'écart extrême est d'un facteur 57, contre 27 la semaine dernière ; il est dû à la présence de Muse Ember dans notre relevé et non à une baisse de prix constatée. Les coûts de Sonnet 5.5, Opus 5.5 et Gemini 4 Carbon sont identiques à ceux de la semaine dernière.
Source : Vals AI — Vals Index v2.2, page datée du 11 novembre 2026, consultée le 16 novembre 2026. Coût en dollars par test ; échelle logarithmique. Valeurs mesurées par la source ; elles comprennent une part estimée (le coût de Code Migration est estimé à partir des tokens). Barres encre : poids ouverts (statut repris de l'édition du 2 novembre) ; barres teal : propriétaires ; barre gris-teal : statut non vérifié (Muse Ember). Sélection de 16 modèles sur 37. Coût par test, et non prix au token.
Le relevé Metatext d'octobre (dispersion d'un facteur 600 sur les prix de sortie entre deux modèles à 1472 et 1473 points Elo, tarifs indicatifs) n'a pas pu être rafraîchi et n'est pas reproduit en graphique. Rappel : l'Elo mesure une préférence conversationnelle et ne prédit pas la performance sur tâches longues et outillées.
Ce qu'un dirigeant peut en faire. Comparez les offres sur le coût par tâche terminée, pas sur le prix au token. Les coûts publiés varient d'une semaine à l'autre et d'une ligne à l'autre : demandez un devis fondé sur un test avec vos propres documents.
Le 3 novembre, la présidente de la FINMA, Marlene Amstad, a prononcé un discours à la journée « Digital Finance Day » de l'Association suisse des banquiers. Il contient trois éléments utiles pour un dirigeant.
L'état des lieux dans la finance. Selon l'enquête 2025 de la FINMA auprès d'environ 400 établissements, ceux qui utilisent l'IA exploitent en moyenne environ cinq applications et en développent neuf ; plus de 90 % d'entre eux recourent déjà à l'IA générative, surtout pour des usages peu critiques (agents conversationnels, rédaction, optimisation de processus). Environ la moitié seulement ont une stratégie d'IA explicite. La plupart s'appuient sur des fournisseurs externes, de plus en plus les mêmes grands groupes : la FINMA y voit un risque de concentration, car une panne ou un modèle défaillant pourrait toucher toute la branche. Elle rappelle que l'établissement reste responsable des applications achetées.
Les menaces. La FINMA cite un rapport d'Interpol selon lequel les fraudes assistées par IA seraient environ 4,5 fois plus rentables que les méthodes classiques. Elle indique que les cas de fraude numérique augmentent depuis 2022 et qu'une part notable des établissements n'a pas de politique dédiée. Son message : corriger plus vite les failles connues, car le délai se réduit.
Le pilote « Subsuma ». La FINMA reçoit chaque année près de 100 demandes de start-up fintech sur la nécessité d'une autorisation. Elle teste un outil qui résume le modèle d'affaires et l'évalue au regard des bases légales, avec des références au dossier pour chaque affirmation. Particularité : il utilise trois modèles à poids ouverts exécutés sur le matériel de la FINMA, dont Apertus, avec un conseil de l'ETH pour l'évaluation. Les experts ont noté les sorties à l'aveugle. Résultat intermédiaire déclaré : une sortie de qualité exige des modèles plus grands que les petits modèles de départ ; il est trop tôt pour des chiffres. Aucune lettre ne sort sans relecture et signature d'un expert.
Pourquoi ça compte. Un régulateur confirme qu'un modèle suisse ouvert est exploitable en interne pour un cas d'usage juridique, mais sous forme de preuve de concept, sans chiffre publié. Pour une PME, c'est un argument pour tester Apertus ou un modèle ouvert sur un cas circonscrit, avec une évaluation à l'aveugle comme celle de la FINMA. Et si vous êtes fournisseur d'une banque ou d'une assurance, attendez-vous à des questions sur la gouvernance de vos outils d'IA.
Source : FINMA, discours de Marlene Amstad, 3 novembre 2026. La page est titrée « 9 novembre » dans certaines versions de son en-tête ; le texte et la date de mise à jour indiquent le 3 novembre. Les chiffres de l'enquête et d'Interpol sont ceux que cite la FINMA ; nous ne les avons pas vérifiés dans les documents d'origine.
Aucun communiqué fédéral nouveau sur la période. Le calendrier reste celui du communiqué du 28 octobre 2026 : consultation sur les mesures juridiques contraignantes au printemps 2027, pilotée par l'OFJ ; mesures non contraignantes coordonnées par l'OFCOM. Le Conseil fédéral a par ailleurs confirmé le 28 janvier 2026 son intention d'organiser un sommet sur l'IA à Genève en 2027.
Aucune publication nouvelle documentée sur la période. Dernier jalon : Apertus 1.5 (rapport technique arXiv:2610.15542, préprint non relu par les pairs), traité le 2 novembre. Le pilote de la FINMA ci-dessus est le seul signe d'usage nouveau.
Aucun déploiement industriel, pharmaceutique ou horloger nouveau n'a été documenté par une source conforme sur la période ; nous l'écrivons plutôt que de relayer des annonces.
Voir la section 4 pour la photographie de la FINMA. Côté mesures, sur Finance Agent v2.1 (449 questions), les trois premiers du Vals Index se situent entre 67,2 % et 69,5 % : le choix entre eux ne se joue pas sur la précision seule, mais sur le coût (de 10,51 $ à 17,94 $ par test sur l'index complet) et les conditions contractuelles. Réserve : le test porte sur des sociétés cotées américaines.
Le meilleur des trois sur la fiscalité d'entreprise américaine (193 questions, notation « tout ou rien ») reste Gemini 4 Carbon à 51,8 % ; sur les tâches juridiques (HLAB, 120 tâches), il réussit 17,5 % des tâches. Réserve : ce test a été conçu par Harvey, éditeur de logiciels juridiques, et exécuté par Vals AI. Rien ne porte sur le droit suisse.
Sources : Vals Index, Finance Agent v2.1, Tax Agent Bench, HLAB-Vals-1.1 (relevés du 16 novembre 2026).
Avertissement : les textes ci-dessous sont des préprints déposés sur arXiv et non relus par les pairs. Les résultats sont ceux annoncés par leurs auteurs et pourraient être infirmés ; nous les rédigeons au conditionnel. Sélection limitée cette semaine : l'API arXiv n'était pas accessible et les listes consultées étaient partielles. Les trois textes ci-dessous sont déposés dans les sept derniers jours mais, à notre connaissance, aucun n'est accepté en conférence ni repris par la presse : le signal est faible, et nous les retenons pour leur sujet. Les pages de résumé n'indiquent pas les affiliations : nous ne les affirmons pas.
arXiv:2611.13873 — Jacob Davies, Theo Bearman. Affiliations non indiquées. Déposé le 10 novembre 2026 (catégorie principale cs.CY, hors de nos catégories habituelles ; 27 pages).
Les auteurs soutiennent que la lecture du raisonnement intermédiaire d'un modèle est l'un des outils les plus utiles pour surveiller les systèmes avancés, mais qu'elle est menacée. Ils proposeraient cinq indicateurs que les développeurs devraient publier pour que cette menace soit suivie. Un audit des publications d'Anthropic, d'OpenAI et de Google DeepMind montrerait qu'aucun développeur ne couvre les cinq indicateurs, mais que chacun est publié par au moins l'un d'entre eux. Le résumé ne contient pas d'autre chiffre.
Pourquoi ça compte. Si l'analyse se confirme, la transparence sur le raisonnement des modèles est inégale entre fournisseurs. Pour une PME qui déploie un agent, c'est un critère à poser par écrit : un tiers peut-il inspecter ce que fait le modèle ?
arXiv:2611.17931 — Bing Wang et dix coauteurs. Affiliations non indiquées. Déposé le 13 novembre 2026 (cs.CL ; cs.AI, cs.CE ; 16 pages).
Les auteurs proposeraient un banc d'essai pour juger si des agents d'IA savent décider quelles expériences géochimiques mener avant d'engager des analyses de laboratoire coûteuses. Leurs résultats suggéreraient que les agents actuels retrouvent en général les bonnes expériences (rappel élevé) mais en proposent aussi beaucoup d'inutiles (précision faible). Le résumé ne contient pas de chiffre.
Pourquoi ça compte. Le domaine est éloigné d'une PME courante, mais le constat serait transposable : un agent qui propose trop d'actions peut faire dépenser trop. Dans l'industrie ou les laboratoires, un filtre humain avant tout engagement de dépense reste prudent.
arXiv:2611.18140 — Joey Chan, Haoyu Pan, Zhen Chen, ErShun Pan. Affiliations non indiquées. Déposé le 13 novembre 2026 (cs.AI).
Les auteurs décriraient un agent fondé sur un modèle de langage qui piloterait la charge rapide d'une batterie lithium-ion, entraîné en deux étapes (réglage supervisé, puis une méthode d'apprentissage par renforcement nommée GRPO). Ils présentent eux-mêmes le résultat comme une preuve de concept en simulation. Le résumé ne contient pas de chiffre.
Pourquoi ça compte. Ce serait un exemple de modèle de langage utilisé pour piloter un équipement physique. Il n'y a aucune validation sur matériel réel annoncée : rien à acheter ni à déployer à ce stade.
Anthropic a publié le 9 novembre Claude Fable 5.2, selon la fiche Vals AI du modèle (date de sortie, rang et scores ; l'annonce de l'éditeur elle-même n'a pas pu être consultée). Mythos 5.2 serait la variante à accès restreint, sur la base du même modèle. Les mesures indépendantes sont à la section 2 : première place du Vals Index d'une courte tête, égalité en tête sur Terminal-Bench 4.0, faibles scores en fiscalité et en droit. Ne tenez pas pour établi ce que l'éditeur annonce sur lui-même (rapidité, tarifs, sécurité) sans le tester.
Selon TechCrunch (4 novembre), le service cloud de Conductor, racheté par Meta, devait fermer le 20 novembre 2026, soit dans quatre jours. Si vous utilisez un outil tiers de programmation assistée, vérifiez vos sauvegardes.
Selon CNN (26 octobre), le dépôt de la société auprès de la SEC ouvrait la voie à une cotation dès le 16 novembre. Nous n'avons pas pu confirmer le calendrier à la date de rédaction : il s'agit d'une cible, non d'un fait acquis.
Aucune autre sortie majeure documentée par une source conforme sur la période.
Sources : Vals AI, fiche Claude Fable 5.2 ; TechCrunch, 4 novembre 2026 ; CNN, 26 octobre 2026 (reprise).
Aucun incident ni aucune évaluation nouvelle documentés par une source conforme sur la période. Le constat de l'édition du 9 novembre reste d'actualité : l'évaluation de METR (5 novembre) estimait à environ deux fois le rythme de progrès d'Anthropic, avec la majorité des preuves caviardées. Nous n'avons pas lu la carte système de Fable 5.2 : nous ne reprenons donc aucune de ses affirmations de sécurité. Le préprint de la section 6 sur la transparence du raisonnement des modèles complète ce sujet.
Valeur de référence : selon l'AIE, la consommation électrique des centres de données a crû de 17 % en 2025, contre 3 % pour la demande mondiale, et devrait doubler d'ici 2030. Aucune donnée nouvelle de l'AIE sur la période.
Sources : AIE, communiqué du 16 avril 2026 pour les centres de données ; AIE, Electricity Mid-Year Update 2026 pour la demande mondiale. Barres pleines : valeurs 2025 constatées. Barres hachurées : prévisions AIE 2026 et 2027, non mesurées. L'AIE ne distingue pas entraînement et inférence dans ces agrégats.
Selon Reuters (10 novembre), l'agence américaine de l'énergie (EIA) prévoit dans sa note de novembre une consommation électrique record de 4 306 milliards de kWh en 2026 et de 4 370 milliards en 2027, après 4 216 milliards en 2025 : environ +2,1 % puis +1,5 %. Reuters attribue la hausse en grande partie aux centres de données d'IA, ainsi qu'à l'électrification du chauffage et des transports. La note ne détaille pas la part des centres de données seuls, ni la distinction entre entraînement et inférence.
Source : Reuters, 10 novembre 2026 (reprise) d'après l'EIA, Short-Term Energy Outlook de novembre. Barre pleine : 2025, valeur publiée comme record. Barres hachurées : prévisions 2026 et 2027, non mesurées. Axe tronqué à 4 000 : ne pas lire la longueur des barres comme une proportion.
Pas de donnée officielle nouvelle. Référence : 2,1 TWh consommés par les centres de données suisses en 2024 (3,6 % de l'électricité nationale), projections 2030 de 2,5 à 3,2 TWh, scénario maximal à 3,5 TWh. La consommation d'eau n'est soumise à aucune obligation de publication en Suisse, selon SWI swissinfo.ch.
Sources : OFEN / SuisseEnergie, communiqué du 7 mai 2026 et étude complète. Barres pleines : valeurs mesurées (2019 à périmètre constant, 2024). Barres hachurées : projections 2030 publiées par l'étude, non mesurées.
Précision confirmée cette semaine : le règlement « Omnibus numérique sur l'IA » est formellement le règlement (UE) 2026/1744, publié au Journal officiel le 24 juillet 2026 et entré en vigueur le 27 juillet 2026 (suivi Osborne Clarke ; la date du 27 juillet est aussi donnée par RPC). Le calendrier reste celui du 9 novembre : 2 décembre 2026 pour le marquage lisible par machine des contenus synthétiques (système mis sur le marché avant août 2026) et pour l'interdiction des applications de génération d'images intimes non consenties ; 2 décembre 2027 pour les systèmes à haut risque de l'annexe III ; 2 août 2028 pour ceux de l'annexe I. Pour une PME suisse qui publie dans l'UE des contenus générés par IA : confirmez par écrit avec votre fournisseur le marquage avant le 2 décembre.
Sources : Osborne Clarke ; RPC, 18 septembre 2026 ; Gibson Dunn ; Commission européenne, lignes directrices article 50.
Aucun texte fédéral nouveau constaté. Le cadre reste celui du décret du 11 décembre 2025 (Latham & Watkins), qui vise à contester les lois des États sur l'IA mais ne peut à lui seul les écarter.
Agent — modèle qui enchaîne des actions (lire, exécuter, écrire) pour accomplir une tâche en plusieurs étapes.
AIE — Agence internationale de l'énergie.
Apertus — modèle de langage entièrement ouvert développé par l'ETH Zurich, l'EPFL et le CSCS.
CSCS — Centre suisse de calcul scientifique.
Coût par test — dépense moyenne mesurée pour qu'un modèle traite une tâche d'évaluation, tokens consommés compris.
EIA — agence américaine d'information sur l'énergie.
Elo — score de classement issu de comparaisons deux à deux votées à l'aveugle.
FINMA — Autorité fédérale de surveillance des marchés financiers.
GRPO — méthode d'apprentissage par renforcement utilisée pour entraîner des modèles de langage.
HLAB — Harvey's Legal Agent Benchmark, test de tâches juridiques avec production de documents.
Inférence — utilisation d'un modèle déjà entraîné pour produire des réponses.
LMArena — plateforme publique de comparaison de modèles par préférence humaine.
METR — organisation indépendante d'évaluation des capacités et des risques des modèles.
Omnibus numérique — règlement européen modifiant notamment le calendrier du règlement sur l'IA.
OFCOM / OFJ / OFEN — Offices fédéraux de la communication, de la justice, de l'énergie.
Poids ouverts — modèle dont les paramètres sont téléchargeables et exécutables sur une infrastructure tierce.
Preuve de concept — prototype destiné à vérifier la faisabilité, non déployable en production.
Préprint — article déposé publiquement avant toute relecture par les pairs.
Prix d'entrée / de sortie — tarif du texte envoyé au modèle / du texte qu'il produit.
Raisonnement intermédiaire (chain of thought) — suite d'étapes que le modèle écrit avant de répondre.
S-1 — dossier déposé auprès de la SEC américaine en vue d'une introduction en bourse.
Terminal-Bench — test de tâches longues à accomplir en ligne de commande.
Token — unité de découpage du texte ; les tarifs se comptent par million de tokens.
TWh — térawattheure ; la Suisse consomme environ 58 TWh d'électricité par an.
Vals Index — indice de Vals AI agrégeant plusieurs tests en finance, code, droit et fiscalité.
Les sources marquées « non actualisé » n'ont pas pu être consultées cette semaine ; elles renvoient au relevé de l'édition du 2 novembre.