Un émulateur complet du processeur NES 6502 a été intégré directement dans les poids d’un modèle de langage Qwen3.5. Cette prouesse technique, portée par le projet nesformer, permet de faire tourner des jeux rétro comme Super Mario Bros. en exploitant la capacité du modèle à prédire l’état d’exécution du CPU token par token.
L’idée, inspirée par Qwenputer de Divyansh Agrawal, est de transformer les composants matériels — le CPU, la mémoire de travail et la ROM — en une structure interne du modèle. Au lieu d’utiliser un émulateur externe classique, le modèle génère le journal d’exécution du CPU au fur et à mesure qu’il joue. Un petit programme hôte se charge alors du reste de l’interaction console : affichage graphique, lecture des commandes de manette et gestion des interruptions.
Le système utilise la structure Gated DeltaNet du modèle pour représenter la mémoire de la machine. Selon les développeurs du projet, cette méthode permet de charger des ROMs NROM (mapper 0), comme Super Mario Bros. ou Donkey Kong, sans avoir besoin de reconstruire les poids pour chaque jeu. L’outil de ligne de commande permet de lancer le jeu, de vérifier la conformité du modèle par rapport à un émulateur de référence, ou encore de tracer le flux de tokens.
La complexité de la simulation matérielle
Ce n’est pas une démonstration de rapidité, mais plutôt une démonstration de faisabilité algorithmique. Lorsque l’on exécute un jeu, il faut attendre. L’auteur du projet mentionne que la première compilation du moteur prend environ vingt secondes. Par la suite, chaque image peut prendre entre une et six secondes, ce qui signifie que 600 images — soit dix secondes de temps de jeu NES — peuvent prendre près de vingt-cinq minutes.
En parallèle de cette intégration logicielle, les ingénieurs ont eu recours à des tests de conformité très rigoureux. Le projet nesformer a notamment intégré la collection de tests NES CPU créée il y a quinze ans par Christopher Pow. Ces tests visent à vérifier des comportements précis, par exemple, si les instructions de lecture de la mémoire zéropage respectent les limites de pages, ce que les émulateurs moins fiables peuvent manquer.
Ce qui change pour les développeurs de modèles
Ce travail soulève des questions sur la frontière entre l’IA et l’architecture informatique. En transformant un CPU complet — avec ses 151 opcodes, ses modes d’adressage, son registre, sa RAM de 2 Ko, et sa ROM de 32 Ko — en données pondérées, on force le modèle à internaliser une logique machine très stricte. Il y a, en effet, des mécanismes de contrôle précis, comme la différence entre ce que les instructions CPY et CMP doivent affecter sur le registre d’overflow, et ce que les instructions SBC et ADC doivent faire.
Le programme hôte reste nécessaire pour gérer les périphériques non intégrés au modèle, comme le PPU (qui gère le rendu des lignes de balayage et la palette) ou les contrôleurs de manette. Il est intéressant de noter que les poids du modèle contiennent non seulement le cœur 6502, mais aussi une copie des ROMs pour instruction et données, assurant ainsi une autonomie relative au sein du checkpoint.
Il faudra surveiller comment cette technique, qui nécessite une compilation lourde des circuits, évoluera. La capacité à intégrer des architectures matérielles complexes directement dans des modèles de langage offre un nouveau paradigme pour l’interaction entre l’IA et le calcul embarqué.
Le revenu d’Alphabet, la maison mère de Google, a bondi de 25 % pour atteindre 127,6 milliards de dollars au troisième trimestre, selon les derniers résultats publiés. Ce bond s’explique principalement par l’accélération du segment Cloud, qui a vu ses recettes doubler, malgré un ralentissement notable de la croissance de la recherche traditionnelle.
Le Cloud de Google s’est révélé être le moteur le plus dynamique, affichant une augmentation de 103 % pour atteindre 30,7 milliards de dollars, contre 15,2 milliards un an plus tôt. Cette flambée est directement liée à la demande croissante en infrastructures d’intelligence artificielle, aux solutions d’IA destinées aux entreprises, et bien sûr, aux services fondamentaux de Google Cloud Platform. Les unités de traitement Tensor (TPU) de Google ont également contribué à ce succès.
Cependant, la croissance des services Google, qui englobe la Recherche et YouTube, a été plus modérée, progressant de 11 % pour générer 96,3 milliards de dollars. Plus finement, les revenus de la recherche et d’autres sources ont augmenté de 12 %, mais ce rythme ralentit après une accélération de 17 % au trimestre précédent. Philipp Schindler, dirigeant commercial chez Google, attribue en partie ce frein à l’usage accru de l’interface conversationnelle de recherche, baptisée AI Mode.
C’est cette intégration de l’IA qui est en train de remodeler les habitudes. Les dirigeants soulignent que si le rythme des publicités dans la recherche classique ralentit, l’adoption de l’IA fait grimper le nombre de requêtes annuelles. Sundar Pichai, PDG, a insisté sur le fait que le taux de croissance des requêtes par an est le plus élevé depuis cinq ans, pointant du doigt l’essor des requêtes commerciales.
L’écosystème de l’IA se développe en parallèle de ces chiffres. L’application Gemini a franchi le cap du milliard d’utilisateurs, un jalon que Pichai a qualifié de croissance la plus rapide dans l’histoire de l’entreprise. Les API de modèles propriétaires de Google traitent maintenant près de 32 milliards de jetons par minute, soit une hausse de 40 % par rapport au trimestre précédent.
Les développeurs, eux, voient déjà l’impact sur le cycle de développement. L’annonce de Gemini 4 Argon révèle une adoption fulgurante ; son utilisation par les équipes internes de Chrome, Ads et Search aurait permis d’augmenter la production de code de 35 % tout en réduisant les erreurs de 30 %.
Malgré ce dynamisme, les investisseurs surveillent de près la gestion des flux de trésorerie. Le troisième trimestre a enregistré un flux de trésorerie disponible négatif de 9,1 milliards de dollars, le deuxième trimestre consécutif en négatif. Anat Ashkenazi, directeur financier, indique que les dépenses en capital devraient augmenter significativement en 2027, suite à un objectif fixé entre 195 et 205 milliards de dollars pour 2026. Ce besoin de fonds s’explique par la compétition pour la capacité de calcul nécessaire au développement des modèles d’IA, face à Microsoft et Amazon.
Face à une baisse significative du trafic issu des moteurs de recherche, Reddit, Inc. annonce un passage à une expérience réservée aux utilisateurs connectés. Cette décision, annoncée en marge des résultats du troisième trimestre 2026, rompt avec l’historique de la plateforme où l’accès était libre. Steve Huffman, fondateur et PDG, justifie ce changement par la nécessité d’améliorer l’expérience utilisateur et de fournir des signaux plus précis pour le ciblage publicitaire.
Cette transition intervient alors que le trafic de recherche a chuté de plus d’un million de références hebdomadaires en octobre, selon la société. Si ce rythme se maintient, les utilisateurs actifs quotidiens (DAUq) pourraient reculer de quelques pour cent au quatrième trimestre, partant d’un niveau de 130,3 millions.
Les raisons invoquées sont multiples. Premièrement, Huffman affirme que « sans une certaine personnalisation, ce n’est tout simplement pas pertinent. Ou pire, ça ne marche pas. » L’identification permet aussi de mieux cibler les publicités, pilier de la monétisation. Enfin, la protection du « corpus de données extrêmement précieux » de Reddit est mise en avant, tout comme l’adaptation aux régulations mondiales.
Le modèle de croissance de la plateforme reste cependant très solide. Le chiffre d’affaires total a atteint 895 millions de dollars, soit une hausse de 53 % par rapport à l’année précédente. Les revenus publicitaires ont progressé de 54 % pour s’établir à 847 millions de dollars. Sur le plan financier, la rentabilité s’améliore : le bénéfice net s’élève à 283 millions de dollars, ce qui représente 31,7 % du chiffre d’affaires.
Les indicateurs d’engagement montrent une dynamique positive, malgré le changement de politique. Le nombre d’utilisateurs actifs hebdomadaires (WAUq) a augmenté de 16 % pour atteindre 515,2 millions. Il y a toutefois une divergence notable entre les utilisateurs connectés et les visiteurs occasionnels. Les résultats montrent que les utilisateurs non connectés ont connu une croissance de 17 %, contre seulement 7 % pour les membres enregistrés.
Les ajustements pour l’utilisateur final
Parallèlement à l’exigence de connexion, Reddit déploie des outils visant à améliorer la découverte de contenu pour ses membres. Une nouveauté majeure est l’introduction de deux flux distincts : « For You » et « Following ». Le flux « Following » permet de suivre uniquement les communautés auxquelles l’utilisateur a adhéré, offrant un mode de rattrapage ciblé. Inversement, le flux « For You » mélange les publications des communautés suivies avec des recommandations basées sur les intérêts de l’utilisateur, pour lui faire découvrir des idées ou des perspectives nouvelles.
Ce renouvellement des fonctionnalités s’accompagne également du retour d’un mode de navigation privé, ou « incognito », dans l’application. Ce mode est en lecture seule, empêchant tout commentaire ou vote, ce qui tempère la perception de l’exigence de connexion.
Contexte de la pression externe et des négociations
Cette stratégie de rétention se déroule dans un contexte de tension accrue avec les acteurs de l’écosystème de l’intelligence artificielle. Reddit continue de céder ses données à des entreprises comme OpenAI et Google, mais les relations sont tendues. La société a intenté des poursuites contre Anthropic et Perplexity en 2025 concernant le scraping de données. De plus, elle est en discussions avec Google sur la pérennité de leur accord de licence de contenu, et elle est en train de supprimer ses flux RSS.
Les résultats trimestriels révèlent aussi une forte activité dans la gestion des actions. Durant le trimestre, Reddit a racheté environ 670 mille actions de sa catégorie A pour un total de 100 millions de dollars. Le bilan de l’entreprise reste robuste, affichant 3 033 millions de dollars en liquidités, équivalents et titres négociables au 30 septembre 2026.
Indicateur Financier
T3 2026 (Mio $)
% Variation Année-sur-Année
T3 2025 (Mio $)
% Variation Année-sur-Année
Revenu total
895
53 %
585
N/A
Bénéfice Net
283
74 %
163
N/A
Flux de Trésorerie Opérationnel
364
96 %
185
N/A
Huffman a indiqué que la société prévoyait un chiffre d’affaires pour le quatrième trimestre 2026 entre 1 000 et 1 030 millions de dollars, une fourchette inférieure aux attentes des analystes, qui tablaient sur 1 050 millions de dollars.
Ce mouvement vers l’authentification n’est pas sans controverse auprès des utilisateurs, mais la direction semble convaincue que cet ajustement est un compromis nécessaire pour assurer la pérennité à long terme face à la transformation du web.
La Fondation Wikimedia, qui gère Wikipédia et d’autres projets de savoir ouvert, a déposé un mémoire amicus auprès du tribunal du district sud de New York. Ce document sollicite du juge une lecture nuancée du droit d’auteur dans le contexte des systèmes d’intelligence artificielle. Le cœur du débat porte sur la question de savoir si l’utilisation de contenus protégés par des droits d’auteur par des entreprises d’IA, notamment pour former des grands modèles de langage (LLM), constitue un usage équitable.
Ce dossier s’inscrit dans un conflit plus vaste. The New York Times a initié cette action en 2023, alléguant que l’utilisation de ses articles par OpenAI et Microsoft pour alimenter leurs modèles est une violation directe du droit d’auteur. Inversement, OpenAI et Microsoft défendent leur position en affirmant que l’entraînement des modèles à partir de données accessibles publiquement relève du développement technologique et tombe sous le coup de l’usage équitable.
La position de Wikimedia ne soutient ni l’une ni l’autre partie, arguant que les deux extrêmes proposent des interprétations trop simplistes du droit. La Fondation demande au tribunal d’examiner deux usages distincts. Pour la phase d’entraînement des LLM, elle estime que l’usage est équitable si le modèle résultant est fondamentalement nouveau et diffère des sources initiales. Dans ce cas précis, aucun accord de licence ne serait requis.
La distinction majeure concerne la technique de Retrieval-Augmented Generation (RAG). Ce procédé consiste pour un chatbot à récupérer et reproduire des extraits de textes en ligne, comme ceux de Wikipédia ou du Times, pour répondre à une requête utilisateur. C’est ainsi que le chatbot fournit des réponses en se basant sur des passages réels du web. Wikimedia insiste sur le fait que, pour ce type d’utilisation, l’usage des œuvres protégées ne devrait pas être considéré comme équitable. Les entreprises utilisant RAG devraient respecter les conditions de licence de chaque éditeur.
Pour Wikipédia, cette licence est Creative Commons CC BY-SA 4.0. Elle exige que les créateurs originaux soient crédités et que toute adaptation reste sous cette même licence. Sans ces conditions, les contributeurs sont découragés, comme l’a signalé la Fondation.
Les enjeux de l’équilibre entre savoir et technologie
La Fondation souligne que le jugement à venir aura une influence majeure, car peu de cas ont abordé cette question. Bernadette Meehan, PDG de la Fondation, a déclaré : « Nous prenons position dans ce cas pour défendre le savoir humain libre et ouvert dont dépend Wikipédia. » L’objectif d’étendre l’accès au savoir via l’IA est louable, mais, selon elle, il doit respecter les contributeurs et les communautés qui rendent ce savoir fiable.
Le mémoire amicus met en lumière un dilemme : un usage trop restrictif de l’usage équitable pourrait freiner l’innovation technologique, limitant les outils bénéfiques aux projets open source comme Wikipédia. À l’inverse, une application trop large de l’usage équitable risquerait de mener à un web plus fermé, affaiblissant le savoir en ligne par manque de sources secondaires disponibles.
Les mécanismes de protection de l’écosystème
Elle demande que le scraping de ses contenus soit effectué de manière durable, en respectant les limites de débit de son API publique ou en utilisant les offres d’API d’entreprise. Stephen LaPorte, conseiller juridique de la Fondation, a rappelé que « toute conversation autour de l’usage équitable et du droit d’auteur ne peut être limitée aux organisations à but lucratif : elle doit inclure les parties prenantes de tout l’écosystème d’information en ligne. »
Les projets Wikimedia, qui comptent plus de 67 millions d’articles dans 300 langues, dépendent de ce socle de savoir accessible. Les bénévoles y consacrent près de 250 000 heures par mois pour améliorer les informations en utilisant des sources fiables, souvent des articles de presse.
Ce que le tribunal doit comprendre
La Fondation insiste sur le fait que Wikipédia est le pilier d’information sur internet, alimentant les chatbots et les moteurs de recherche. Le tribunal doit saisir que Wikipédia est le fruit d’un processus collaboratif qui exige une base solide de savoir humain ouvert pour prospérer. Les déclarations de la Fondation montrent une volonté de trouver un juste milieu : protéger l’usage équitable pour le développement de technologies open source, tout en assurant la pérennité des sources et des humains qui les créent.
La start-up torontoise Cohere a initié la clôture de sa série E, visant jusqu’à 7 milliards de dollars. Ce tour de financement, qui porterait sa valorisation à 35,7 milliards de dollars, est présenté par la direction comme le plus important capital privé jamais levé par une entreprise technologique canadienne. Cohere se positionne comme un fournisseur d’intelligence artificielle souveraine, permettant aux entités réglementées et aux gouvernements de « posséder, opérer et gouverner leurs systèmes d’IA » avec un contrôle accru sur leurs données et leur déploiement.
François Chadwick, directeur financier, a précisé que ces fonds serviront à faire progresser la feuille de route produits et modélisation, mais aussi à investir dans l’infrastructure de calcul longue durée nécessaire pour entraîner des modèles d’entreprise de pointe. L’entreprise, qui compte environ 300 clients mondiaux – dont Aston Martin Aramco, TD Bank ou PwC – a vu son chiffre d’affaires annuel récurrent croître de plus de 165 % au cours de l’année qui s’est terminée en septembre.
L’ambition des cofondateurs, Aidan Gomez, Nicholas Frosst et Ivan Zhang, est claire : construire une entreprise de pointe en dehors de la sphère des États-Unis et de la Chine. Ils contestent ce qu’ils appellent le « fatalisme de pointe », cette idée selon laquelle seuls deux pays et quelques sociétés peuvent développer l’IA la plus avancée. Ce besoin de contrôle sur les modèles est d’autant plus souligné par le Premier ministre canadien, Mark Carney, qui a insisté sur le fait que « la véritable souveraineté dépend de notre capacité à construire, adopter et gouverner l’IA selon nos propres termes ».
Les investisseurs qui façonnent l’avenir technologique
Le leadership de cette levée est pris par les sociétés du Schwarz Group, un investisseur européen important dans l’infrastructure cloud et l’IA. Christian Müller, PDG de Schwarz Digits, a souligné que cette collaboration marie le leadership canadien en IA avec « une infrastructure européenne de confiance, donnant aux clients plus de choix et de contrôle sur le déploiement d’une IA sécurisée ». Parallèlement, le gouvernement canadien apporte lui-même un soutien financier, un investissement qui permettra à Cohere de structurer son expansion depuis le pays.
En plus de ces acteurs majeurs, Bell Ventures et Bullhound Capital sont entrés dans l’aventure, tandis qu’Inovia Capital, Nvidia et Prosperity7 Ventures sont des investisseurs qui ont soutenu l’entreprise antérieurement. L’entreprise a également annoncé des acquisitions récentes, comme celle de Aleph Alpha, une société allemande, dans le cadre d’une initiative visant à offrir aux secteurs réglementés une alternative aux mastodontes technologiques américains.
Le déploiement sécurisé et les projets à venir
Cohere insiste sur la flexibilité et la sécurité de sa plateforme, qu’elle qualifie d’« tout-en-un ». Cette solution permet de fonctionner sur des clouds publics ou privés, en environnement sur site, ou même en configuration totalement isolée. Pour les développeurs et les entreprises gérant des données sensibles, c’est un argument de poids. Il est intéressant de noter que l’entreprise compte également acquérir la start-up de cybersécurité AISLE, qui deviendra Cohere Cyber, ce qui renforce sa proposition de valeur globale.
Les prévisions sont rythmées. D’ici les douze prochains mois, les cofondateurs prévoient de finaliser les accords avec Aleph Alpha et AISLE, de lancer Cohere Cyber, de publier de nouveaux modèles et de commencer l’entraînement à l’échelle de la pointe avec des partenaires alliés. Il faudra surveiller de près comment ces investissements massifs seront mis à l’œuvre pour concrétiser cette vision d’une IA véritablement décentralisée et contrôlée.
Microsoft a annoncé avoir généré 10 milliards de dollars de revenus tirés de ses accords commerciaux avec OpenAI au cours du trimestre se terminant le 30 septembre 2026. Ce montant représente environ 11 % de son chiffre d’affaires total. C’est la première fois que Microsoft publie un chiffre trimestriel aussi précis concernant cette collaboration, selon ses documents financiers.
Ce résultat place l’apport d’OpenAI au-delà de celui d’Xbox, qui a rapporté 5,4 milliards de dollars sur la même période, et dépasse également les revenus de la recherche et de la publicité (6,6 milliards de dollars), selon les rapports.
Ce chiffre ne distingue pas séparément la part des revenus partagés de la dépense qu’OpenAI engage sur Azure, le cloud de Microsoft. Pourtant, les liens entre les deux géants montrent des signes de détricotage, même si les flux financiers restent colossaux.
Les ajustements stratégiques et la diversification de l’IA
En octobre 2025, Microsoft avait renoncé à son droit de préemption sur la capacité de calcul d’OpenAI. Plus récemment, un accord d’avril 2026 a donné à OpenAI plus de liberté pour utiliser d’autres fournisseurs de cloud, la société ayant d’ailleurs récemment déplacé certains de ses modèles vers Google Cloud. OpenAI s’engage toutefois à acheter 250 milliards de dollars de services Azure.
Malgré cette ouverture, le partage de revenus avec Microsoft se poursuit jusqu’en 2030, sous réserve d’un plafond. Pendant ce temps, Satya Nadella, PDG de Microsoft, a insisté sur la nécessité de diversifier les sources de croissance d’Azure. Lors d’une conférence téléphonique, il a affirmé ne pas vouloir que la croissance de l’IA dépende de quelques clients majeurs. Il a insisté sur une croissance « large, répartie sur les entreprises et les PME », précisant que se fier à « quatre clients qui achètent beaucoup de capacité » n’était pas une bonne stratégie commerciale.
Les incertitudes internes et les dépenses
Au-delà de la relation avec OpenAI, Microsoft fait face à des ajustements internes. Amy Hood, directrice financière, a réduit les prévisions de dépenses d’investissement pour 2026, les abaissant à 170 milliards de dollars au lieu des 175 milliards initialement anticipés. Ce recul s’explique, selon elle, par des contrats de type « GPU-as-a-Service » avec des fournisseurs externes qui ont été repoussés dans la seconde moitié de l’exercice.
En matière de risques, Microsoft a élargi son avertissement concernant sa dépendance aux créateurs de modèles d’IA tiers. L’entreprise précise qu’elle a « une visibilité limitée ou aucun contrôle » sur la manière dont ces modèles sont conçus, entraînés ou sécurisés. Cela soulève la question de la gouvernance de l’IA, surtout lorsque ces partenaires sont également d’importants clients Azure.
On note également que l’entreprise a procédé à des réductions de personnel, proposant des départs volontaires à 60 000 employés au cours de cette semaine.
NVIDIA a rendu disponible Nemotron 3.5 Transcribe, un modèle de transcription open-weight qui transforme l’enregistrement audio en texte exploitable, en intégrant la reconnaissance vocale, l’attribution des locuteurs, la traduction et la réponse aux questions audio en un seul point de contrôle. Ce modèle gère la transcription de 40 langues, traduit 31 d’entre elles vers ou depuis l’anglais, et identifie les locuteurs dans 13 langues. Il peut traiter des enregistrements allant jusqu’à une heure et étiqueter jusqu’à huit intervenants.
Le besoin de transcrire ne se limite plus à capturer les mots. Les réunions multilingues, les dictées médicales ou les appels rapides exigent des formats de sortie spécifiques : une traduction, des étiquettes de locuteur, ou une orthographe médicale précise. Nemotron 3.5 permet aux développeurs de guider ce résultat grâce à des instructions en langage naturel. On peut demander au modèle, par exemple : « Transcrivez cet enregistrement et étiquetez chaque orateur », ou « Traduisez cet audio en anglais ».
Ce modèle se distingue par ses performances mesurées. Sur le classement Open ASR de Hugging Face, il est le premier modèle open-weight pour l’anglais, affichant un taux d’erreur de mots (WER) moyen de 5,33 %. De plus, selon Artificial Analysis, il atteint un AA-WER de 2,8 % avec environ quatre milliards de paramètres actifs, ce qui le place sur la frontière de Pareto de l’exactitude par rapport aux paramètres utilisés.
L’adaptation par le pipeline Granary v2
Au-delà de la reconnaissance brute, NVIDIA a déployé Granary v2. Ce pipeline de données multilingues, disponible sur Hugging Face et ModelScope, permet une adaptation poussée du modèle. En utilisant les outils de réglage fin NeMo Speech, les développeurs peuvent définir la forme écrite exacte souhaitée. Une étude de cas médicale a montré que le taux d’erreur de mots a été réduit de 45,8 % en réglant le modèle sur des données spécifiques.
Le modèle permet également d’intégrer des connaissances contextuelles avant l’entraînement. Dans un contexte de santé, par exemple, un développeur peut spécifier : « Transcrivez cette discussion médicale dans sa langue originale. Termes possibles : HbA1c, metformin. Utilisez ces termes uniquement si l’audio les soutient. Préservez l’orthographe médicale standard. »
Performances sur les benchmarks spécialisés
En ce qui concerne l’attribution des locuteurs, Nemotron 3.5 se classe premier parmi les modèles open-weight sur le benchmark DAI-ASR-I18N de David AI. Il est également en tête sur le classement de VoiceArena pour la comparaison des systèmes. Pour les enregistrements longs, le modèle gère des sessions allant jusqu’à une heure.
Le modèle peut produire différents résultats à partir d’un même fichier – transcription, traduction ou réponse à une question sur le contenu. Cependant, comme pour tout système de traitement du langage, il est nécessaire de vérifier manuellement les noms propres et les changements de locuteurs avant toute intégration en production.
GitHub Copilot Fusion est désormais disponible. Au lieu de choisir un modèle spécifique pour chaque tâche de codage, les développeurs peuvent sélectionner Copilot Fusion et laisser l’outil router et orchestrer intelligemment les modèles nécessaires. Ce système combine l’orchestration de Project HydraFusion avec la sélection fine des modèles de Copilot, visant à équilibrer performance et efficacité des coûts.
En sélectionnant Copilot Fusion, l’utilisateur ne choisit pas un modèle unique. Il opte pour un système qui gère le routage pour chaque requête. Il n’est plus nécessaire de basculer manuellement entre les modèles ou de décider quel modèle convient à chaque étape. Pour chaque prompt, Copilot Fusion détermine quels modèles utiliser et comment ils doivent collaborer, laissant à l’utilisateur le choix du niveau d’effort requis.
Ce système propose trois niveaux d’effort : Fusion Standard, qui privilégie les modèles polyvalents pour le codage quotidien ; Fusion High, axé sur les modèles capables pour les tâches plus complexes ; et Fusion Max, qui utilise les modèles les plus performants pour les raisonnements les plus exigeants.
Les workflows d’exécution sont également modulables. Le mode « Single » utilise un seul modèle pour résoudre la tâche. Le mode « Cascade » permet à un modèle efficace de rédiger une ébauche, puis un contrôle qualité décide de l’accepter ou de l’escalader vers un modèle plus puissant. Enfin, le mode « Critique » implique qu’un modèle rédige une première réponse, tandis qu’un autre la révise avant que le premier ne la modifie.
Les résultats en termes d’efficacité sont notables. Selon GitHub, Copilot Fusion Max a obtenu un score de 60 dans l’Artificial Analysis Coding Agent Index, se rapprochant de Claude Code avec Opus 5.5 Max, qui est à deux points. Ce résultat est atteint avec des coûts API environ deux fois inférieurs par tâche, utilisant la moitié des jetons et nécessitant environ 40 % de temps en moins.
L’optimisation des dépenses est déjà observée sur le terrain. Hari Pokhrel, ingénieur logiciel principal chez AT&T, a souligné que « Copilot Fusion Standard a amélioré l’efficacité des jetons chez AT&T en sélectionnant automatiquement le bon modèle pour la tâche, réduisant les dépenses inutiles et préservant la capacité pour des travaux de plus haute valeur » (Hari Pokhrel, AT&T). Avant, les développeurs avaient tendance à sur-utiliser les modèles puissants pour des tâches simples, ce que Copilot Fusion élimine en gérant cette friction.
L’administration de ce système est fine. Les administrateurs peuvent définir quels modèles Copilot Fusion est autorisé à utiliser au sein de leur organisation. Ils peuvent même désactiver certains modèles pour Fusion sans retirer leur disponibilité pour tous les autres utilisateurs.
La facturation s’applique pour chaque modèle utilisé par Copilot Fusion, au tarif standard de ce modèle. Néanmoins, pour une période limitée, les utilisateurs abonnés à Copilot bénéficient d’une réduction de 30 % sur ces coûts.
Copilot Fusion est accessible dans Visual Studio Code, l’application GitHub Copilot, le CLI de GitHub et les IDE JetBrains. Il suffit de mettre à jour son client, de sélectionner Copilot Fusion dans le sélecteur de modèle et de choisir un niveau d’effort pour commencer à tester cette gestion automatisée des modèles.
