Grok 4.5, GPT-Live-1, vLLM natif et ZML : la semaine des modèles et de l'infrastructure IA
💡 En résumé — Le 8-9 juillet 2026 est une journée charnière pour l’infrastructure et les modèles d’IA. SpaceXAI lance Grok 4.5 (positionné « Opus-class ») à un prix défiant toute concurrence (2 $/M tokens en entrée), le jour même où OpenAI publie GPT-Live-1, son premier modèle vocal full-duplex. Hugging Face fusionne vLLM et Transformers en un backend unique atteignant des performances natives. La startup française ZML libère un serveur d’inférence gratuit compatible Nvidia, AMD, Google TPU, Apple Metal et Intel Arc. General Intuition lève 320 M$ pour un « ChatGPT de la robotique », et SambaNova boucle 1 Md$ pour ses puces d’inférence « premium ».
🔥 Tendances — Modèles et infrastructure en ébullition
Grok 4.5 : un « Opus-class » à prix discount
SpaceXAI a annoncé le lancement public de Grok 4.5 pour le 9 juillet 2026. Elon Musk le décrit comme un « modèle Opus-class », comparable à Anthropic Opus 4.7 mais plus rapide et plus efficace en tokens.
“Sur la base des retours très positifs de notre programme bêta, @SpaceXAI rendra Grok 4.5 disponible au public demain. C’est un modèle Opus-class, mais plus rapide, plus efficace en tokens et à coût réduit.” — Elon Musk
Les capacités annoncées couvrent le codage, le travail de bureau, la recherche et la rédaction. La promesse clé : une efficacité token « deux fois supérieure » aux autres modèles leaders.
Prix comparés :
| Modèle | Entrée (par M tokens) | Sortie (par M tokens) |
|---|---|---|
| Grok 4.5 | 2 $ | 6 $ |
| Anthropic Opus 4.7 | 5 $ | 25 $ |
| OpenAI Sol (GPT-5.6) | 5 $ | 30 $ |
| OpenAI Luna | 1 $ | 6 $ |
Le timing est stratégique : OpenAI lance également GPT-5.6 (Sol) le même jour, décrit comme « son modèle le plus fort à ce jour », après avoir été retardé par l’administration Trump pour des raisons de sécurité. La guerre des prix de l’inférence est officiellement déclarée.
OpenAI GPT-Live-1 : la voix comme interface primaire
OpenAI a dévoilé GPT-Live-1 et GPT-Live-1 mini, ses premiers modèles vocaux full-duplex — capables de parler et d’écouter simultanément, permettant les interruptions naturelles et la traduction en direct.
“Avec le temps, nous pensons que cela permettra d’utiliser la voix comme une interface primaire à l’informatique, et de gérer des travaux agentiques de plus en plus complexes et longs.” — Atty Eleti, Product Lead ChatGPT Voice
Les améliorations clés :
- Turn-taking naturel : plus d’interruption intempestive, le modèle sait rester silencieux et absorber le contexte
- Réponses visuelles : peut présenter des informations visuelles via l’accès aux modèles GPT les plus récents
- Conversations longues : des sessions de 30 à 40 minutes observées en conditions réelles
- Traduction live : démontrée (avec des limitations notées sur les langues non occidentales)
Avec 150 millions de personnes utilisant déjà la voix dans ChatGPT, OpenAI parie sur un futur où la voix devient l’interface dominante — des rumeurs d’écouteurs AI (AI earbuds) circulent pour 2026.
vLLM + Transformers : la fusion qui change tout
Hugging Face a publié une avancée majeure : le backend Transformers pour vLLM atteint désormais la vitesse native des implémentations vLLM dédiées, voire la dépasse.
“Le backend Transformers vLLM est désormais aussi rapide (ou plus rapide) que les implémentations vLLM custom pour de nombreuses architectures LLM.”
Concrètement, les auteurs de modèles peuvent désormais utiliser leur code Transformers existant pour bénéficier automatiquement de l’inférence ultra-rapide vLLM, sans réécriture. Trois benchmarks sur Qwen3 (4B dense, 32B dense, 235B MoE) montrent que le nouveau backend atteint ou dépasse le code natif vLLM dans tous les cas.
Le mécanisme utilise torch.fx pour l’analyse statique, la manipulation AST pour fusionner les opérations, et détecte automatiquement les plans de parallélisation (Tensor Parallel, Pipeline Parallel, Expert Parallel).
ZML/LLMD : l’inférence libre et multi-puces
La startup parisienne ZML (20 personnes, 20 M$ levés) lance ZML/LLMD, un serveur d’inférence LLM gratuit compatible avec Nvidia, AMD, Google TPU, Apple Metal et Intel Arc.
“L’idée est de redonner aux gens le pouvoir de créer leur propre système et d’atteindre des gains d’efficacité réels qui permettent à l’IA de se diffuser.” — Steeve Morin, fondateur de ZML
Ancien VP Engineering de Zenly (acquis par Snapchat pour 9 chiffres), Morin a réuni des investisseurs de prestige : Harry Stebbings (20VC), Xavier Niel (Kima Ventures), et des angels comme Clément Delangue (Hugging Face) et Yann LeCun.
ZML s’inscrit dans la ruée vers l’or de l’inférence : avec la demande qui explose, la capacité à faire tourner des LLM sur n’importe quelle puce — pas seulement Nvidia — devient un avantage concurrentiel majeur, particulièrement en Europe où l’écosystème de puces AI (Axelera, Fractile, Kalray, SiPearl) est en pleine émergence.
SambaNova : 1 Md$ pour l’inférence « premium »
SambaNova boucle 1 Md$ (Series F) à 11 Md$ de valorisation, mené par General Atlantic, avec la participation de BlackRock, Intel, et le Qatar Investment Authority. La startup conçoit des puces spécialisées (SN40L, SN50) capables de faire tourner des modèles de plusieurs trillions de paramètres sur un seul rack.
“Avoir JPMorgan Chase qui choisit SambaNova pour son infrastructure d’inférence est un signal fort pour le secteur bancaire : il est temps de ne plus dépendre entièrement du cloud.” — Rodrigo Liang, CEO
Le choix de JPMorgan comme client de référence valide la thèse de l’inférence hybride cloud/on-premise, particulièrement dans les secteurs régulés.
General Intuition : 320 M$ pour le « ChatGPT de la robotique »
General Intuition (mené par Vinod Khosla) lève 320 M$ (valorisation 2,3 Md$) pour construire un modèle fondation de la robotique entraîné sur des millions d’heures de données de jeux vidéo.
“La généralisation du modèle lui-même est le produit. Le fait qu’il ait un niveau de base de raisonnement sur l’espace et le temps va être la raison pour laquelle les gens arrêteront de collecter des centaines de milliers d’heures de données réelles.” — Pim de Witte, CEO
La démonstration est impressionnante : un modèle entraîné à jouer à des jeux vidéo pendant des heures peut, après seulement 8 minutes de fine-tuning sur données réelles, piloter un robot quadrupède dans un environnement de bureau dynamique, avec zero-shot sur une seule caméra frontale.
🤖 Nouveaux outils et modèles
| Produit | Type | Prix / Modèle économique |
|---|---|---|
| Grok 4.5 (SpaceXAI) | LLM généraliste | 2 $/M tokens in, 6 $/M out — public le 9 juillet |
| GPT-Live-1 (OpenAI) | Modèle vocal full-duplex | Inclus dans ChatGPT (GPT-Live-1 mini par défaut) |
| Sol / GPT-5.6 (OpenAI) | LLM premium | 5 $/M tokens in, 30 $/M out — « le plus fort à ce jour » |
| vLLM Transformers Backend | Backend d’inférence | Gratuit (open source) — fusion vLLM + Transformers |
| ZML/LLMD | Serveur d’inférence multi-puces | Gratuit au lancement |
| SambaNova SN50 | Puce d’inférence | Sur devis (entreprise) — multi-trillion paramètres/rack |
| General Intuition | Modèle fondation robotique | Licence — 320 M$ levés |
📊 Analyse — L’infrastructure IA devient le champ de bataille principal
Plusieurs signaux convergents indiquent que l’infrastructure d’inférence est le nouveau champ de bataille :
1. La guerre des prix s’intensifie. Grok 4.5 à 2 $/M tokens en entrée (contre 5 $ pour Opus 4.7 et Sol) met une pression énorme sur les marges. OpenAI répond avec Luna à 1 $/M tokens pour le bas de gamme, et Sol premium à 5 $ pour le haut de gamme. Le marché se segmente clairement.
2. L’inférence multi-puces devient la norme. ZML/LLMD, en supportant Nvidia, AMD, Google TPU, Apple Metal et Intel Arc, attaque le verrouillage Nvidia. Combiné à la fusion vLLM+Transformers qui élimine la réécriture de code par architecture, le paysage de l’inférence devient radicalement plus ouvert.
3. La voix comme interface primaire se concrétise. GPT-Live-1 full-duplex, combiné aux rumeurs d’écouteurs AI, préfigure un monde où l’interaction vocale remplace une partie significative des interfaces graphiques — exactement comme le smartphone a remplacé le clavier pour la consommation de contenu.
4. La robotique emprunte la voie des fondations models. L’approche de General Intuition — données de jeux vidéo → fine-tuning minimal sur données réelles — confirme que la robotique suit la trajectoire du NLP : d’abord des modèles spécialisés, puis des fondations models généralistes fine-tunables.
🎯 À retenir
- Grok 4.5 arrive comme un sérieux concurrent à 2 $/M tokens, soit 60 % moins cher qu’Opus 4.7
- GPT-Live-1 inaugure l’ère des modèles vocaux full-duplex — la voix devient interface primaire
- vLLM + Transformers fusionnent : les auteurs de modèles n’ont plus à réécrire leur code pour l’inférence
- ZML libère l’inférence multi-puces (Nvidia, AMD, Google TPU, Apple, Intel) en open source gratuit
- SambaNova (1 Md$) et JPMorgan valident l’inférence on-premise pour les secteurs régulés
- General Intuition (320 M$) prouve que la robotique peut apprendre des jeux vidéo en 8 minutes de fine-tuning