Billet de **Michelle Chen, Alex Reneau et Kevin Flansburg**, publié le **1er octobre 2026** sur le blog de **Cloudflare** (~10 minutes de lecture, semaine « AI Birthday »). Cloudflare y publie **Clef** et **Clef-flash**, ses premiers modèles entraînés en interne, hébergés sur **Workers AI** et diffusés en open source (Apache 2.0, Hugging Face), ainsi qu'un service de fine-tuning par apprentissage par renforcement.
#Clef#Clef-flash#modèle de décision
Michelle Chen · Alex Reneau · Kevin Flansburg — équipe Workers AI / plateforme IA · blog Cloudflare.
Xi Jinping — premier keynote à la WAIC 2026 : « quatre observations » sur l'IA, création de WAICO (29 pays, siège Shanghai), offre au Sud global opposée à l'« America First » (Xinhua/SCIO)
#intelligence artificielle#gouvernance mondiale de l'IA#WAIC 2026
Xi Jinping (auteur du discours). Sources primaires : Xinhua / State Council Information Office (SCIO) ; corroboration : Beijing Review · People's Daily. Réactions/analyses tierces : ONU (António Guterres) · CNN · Reuters · Paul Triolo (DGA-Albright Stonebridge) · Leon Liao · Syed Akbaruddin.
**Rapport récurrent de Mozilla**, *The state of open source AI*, **v1.0.1, juillet 2026**, introduit par une lettre de **Raffi Krikorian** (CTO) : sept sections, un site interactif et un rapport téléchargeable. Thèse posée en titre de la section 1 : *« The model layer has commoditized. Value accrues to the harness above it. »* **État capacitaire** : sur l'*Artificial Analysis Intelligence Index v4.1*, le meilleur modèle fermé marque **61** (Claude Opus 5) et le meilleur ouvert **57** (**Kimi K3**), quatrième au général et devant trois des plus grands laboratoires fermés ; sur l'*Epoch Capabilities Index*, l'écart est de **6 points** (K3 à 156 contre GPT-5.6 Sol à 162), soit *« about one release cycle »*, avec des intervalles de confiance qui se chevauchent. **Frontière en dents de scie** : l'ouvert mène en code frontend (K3 à 1 679 Elo sur LMArena Frontend Code Arena, six domaines sur sept), conteste le terrain agentique (88,3 contre 88,8 sur Terminal-Bench 2.1) et cède sur le travail de connaissance professionnel (Fable 5 devance K3 de 92 Elo sur GDPval-AA v2). **Bascule d'usage** : la part des tokens routés sur OpenRouter vers des modèles à poids ouverts est passée d'un niveau négligeable à un tiers fin 2025, puis à une **majorité mi-2026**, les sept modèles les plus consommateurs étant tous à poids ouverts — le rapport précisant lui-même que *« by request count, closed US providers still lead »*, l'avance ouverte étant un volume de tokens concentré sur le codage et l'agentique. **Le contraste central** : *« Open ships easy. Open deploys hard. »* — 79 % des développeurs qui ajoutent de l'IA utilisent des modèles ouverts contre 71 % pour les fermés, mais seules **53 %** des équipes en modèle ouvert atteignent la production **contre 63 %**, et l'écart se creuse avec la taille de l'organisation (fermé 54 % → 73 %, ouvert 53 % → 57 %), ce qui *« rules out a resources explanation »*. La carte de maturité du stack (48 composants, 9 couches) montre deux colonnes systématiquement froides — **standardisation** et ***enterprise readiness*** —, désignées comme l'écart opérationnel. **Section 5** : *« The agentic harness is another user agent »*, et *« The model is eating the harness »* — sur chaque modèle où les deux existent, le harnais du laboratoire l'emporte désormais, l'écart de 21,8 points s'étant comprimé à environ 3. D'où la formule : *« A harness tuned tightly to one lab's weights… degrades on anyone else's model, so the tighter the tuning, the less swappable the weights underneath. Lock-in arrives as a side effect of optimization. »*
#Mozilla#état de l'IA open source#poids ouverts
**Mozilla** — éditeur du rapport · avec une introduction signée **Raffi Krikorian** · *Chief Technology Officer*. Publié en **juillet 2026** (v1.0.1). Données issues de sources tierces créditées (Artificial Analysis, Epoch AI, OpenRouter, LMArena) et d'une enquête propre menée avec **SlashData** (*Mozilla / SlashData 2026 developer survey*, n = 1 410 sur la question des freins).
Étude de cas de **Surya Narreddi** (avec **Cameron Franz** et **Alex Wang**) sur son site personnel, datée de **mars 2026** (jour non précisé ; ~1 500 mots), intitulée *Training AI to Paint with Code*. Les auteurs entraînent un modèle de langage (**Qwen 3.5 35B**) par apprentissage par renforcement (**GRPO**) à produire des peintures à l'aquarelle sous forme de code JavaScript **p5.brush**, le code étant l'artefact éditable. La question de fond : comment faire du RL quand la récompense, esthétique, n'est pas vérifiable.
#apprentissage par renforcement#GRPO#fonction de récompense
Surya Narreddi — designer et développeur · auteur du projet (site personnel) ; collaborateurs Cameron Franz (infrastructure d'entraînement) et Alex Wang.