Google Jules se renomme en plateforme de développement de produits agentique de bout en bout et ouvre une liste d’attente pour une nouvelle version

Les banques taïwanaises s’associent pour créer une IA locale ! Les grands modèles de langage du secteur financier seront déployés d’ici la fin de l’année au plus vite

Seize institutions financières dirigées par China Trust Financial Holding ont annoncé le lancement du projet « FinLLM, grand modèle de langage financier ». La première version du modèle bancaire devrait être publiée en août, puis des agents IA fondés sur FinLLM seront lancés au T1 2026. L’entraînement a commencé en mai, avec un budget d’environ 40 à 70 millions de yuans. En raison des exigences réglementaires et des besoins de localisation, l’entraînement s’appuie principalement sur des données locales : renforcer l’IA souveraine, construire une infrastructure commune et s’étendre à la finance inclusive. Le plan a été intégré au programme national de développement de l’IA et bénéficie du soutien de plusieurs ministères.

PDG de Google : dépenses d’investissement en 2026 à 185 milliards, accélération des investissements à l’ère des agents IA

Le PDG de Google, Sundar Pichai, a annoncé lors de la conférence Google Cloud Next qui s’est tenue le 22 avril à Las Vegas que Google prévoit d’investir entre 175 et 185 milliards de dollars en dépenses d’investissement en 2026, afin de construire l’infrastructure nécessaire aux agents d’intelligence artificielle (IA) autonomes, soit une augmentation par rapport aux 31 milliards de dollars de 2022.

Google Jules ouvre une nouvelle liste de candidats pour la prochaine version et se repositionne comme une plateforme de développement de produits de bout en bout

Selon l’annonce officielle du 23 avril du groupe Google Jules, la position produit de Jules est passée d’un agent d’encodage asynchrone à une « plateforme de développement de produits agentiques de bout en bout ». La nouvelle version peut lire l’intégralité du contexte produit, décider de façon autonome de la prochaine direction de construction et soumettre une PR. L’équipe officielle annonce en parallèle l’ouverture de la liste des candidats pour la nouvelle version.

Perplexity révèle sa méthode de post-formation pour des agents de recherche web ; le modèle basé sur Qwen3.5 surpasse GPT-5.4 en précision et en coût

Perplexity utilise la SFT suivie par le RL avec des modèles Qwen3.5, en s’appuyant sur un ensemble de données QA multi-étapes et des contrôles par grille d’évaluation pour améliorer la précision et l’efficacité de la recherche, en atteignant des performances FRAMES de niveau supérieur. Résumé : le flux de travail de post-formation de Perplexity pour les agents de recherche web combine un apprentissage supervisé par fine-tuning (SFT) afin de garantir le respect des instructions et la cohérence linguistique avec un apprentissage par renforcement en ligne (RL) via l’algorithme GRPO. La phase RL exploite un jeu de données propriétaire vérifiable de questions-réponses multi-étapes et des données conversationnelles basées sur des grilles d’évaluation pour empêcher la dérive de la SFT, avec un filtrage des récompenses et des pénalités d’efficacité au sein des groupes. L’évaluation montre que Qwen3.5-397B-SFT-RL atteint les meilleures performances FRAMES, avec 57,3 % d’exactitude avec un seul appel d’outil et 73,9 % avec quatre appels, à 0,02 $ par requête, surpassant GPT-5.4 et Claude Sonnet 4.6 sur ces métriques. La tarification est basée sur l’API et exclut la mise en cache.

L’équipe OpenAI Codex corrige un bug d’authentification d’OpenClaw et améliore considérablement le comportement de l’agent

OpenClaw passe de Pi à l’outil d’exécution Codex pour corriger un repli d’authentification silencieux, avec deux PR qui traitent le bridge et le fallback ; après la correction, l’agent passe d’un simple polling de battements à une boucle de travail complète, permettant des progrès. Résumé : L’optimisation de l’outil d’exécution Codex d’OpenClaw a corrigé une faille d’authentification critique qui provoquait un repli silencieux vers l’outil d’exécution Pi lors de l’utilisation de Codex avec des modèles OpenAI. Deux requêtes d’extraction corrigent le bridge d’authentification et empêchent le repli silencieux, en modifiant l’adaptateur d’exécution. En conséquence, le comportement de l’agent évolue d’un simple polling de battements à une boucle de travail complète qui lit le contexte, analyse les tâches, modifie les dépôts et vérifie l’avancement, améliorant la continuité et la visibilité entre les battements.

Agents de Workspace d’OpenAI pour ChatGPT : pilotés par Codex, partage en équipe, intégration Slack

OpenAI a lancé, le 22 avril, WorkspaceAgents dans ChatGPT Business/Enterprise/Edu/Teachers, alimenté par Codex, conçu pour fonctionner longtemps dans le cloud, partagé par les équipes et exécutable hors ligne. Il peut répondre proactivement dans Slack et gérer l’émission de factures, exécuter des workflows multi-étapes et prend en charge la planification. L’aperçu de la recherche est gratuit jusqu’au 6 mai ; ensuite, la tarification sera basée sur des crédits, les prix devant être annoncés. En concurrence avec GoogleGeminiEnterpriseAgentPlatform et AnthropicClaudeCowork, ces trois offres se concentrent sur des agents au niveau entreprise, mais avec des positionnements différents.