The Neuron Times — Lundi 13 juillet 2026

À la Une · Étude PangramFront Page · Pangram StudySchlagzeilen · Pangram-StudiePrima pagina · Studio PangramIn prima pagina · Studi Pangram

LinkedIn, roi incontesté du « slop » long-format généré par IALinkedIn, undisputed king of long-form AI 'slop'LinkedIn, unangefochtener König des KI-generierten Langformats « Slop »LinkedIn, re indiscusso dello « slop » long-form generato dall'IALinkedIn, re indiscus del « slop » long-formatt generaa de l'IA

Une analyse Pangram portant sur cinq plateformes montre que 41 % des articles longs sur LinkedIn sont générés par IA, tandis que les PDG d'OpenAI et d'Anthropic revoient leurs prédictions sur l'emploi.A Pangram analysis across five platforms shows that 41% of long-form articles on LinkedIn are AI-generated, while the CEOs of OpenAI and Anthropic revise their predictions on employment.Eine Pangram-Analyse über fünf Plattformen zeigt, dass 41 % der Langartikel auf LinkedIn KI-generiert sind, während die CEOs von OpenAI und Anthropic ihre Prognosen zur Beschäftigung überdenken.Un'analisi Pangram su cinque piattaforme mostra che il 41% degli articoli lunghi su LinkedIn è generato dall'IA, mentre i CEO di OpenAI e Anthropic rivedono le loro previsioni sull'occupazione.N'analisi Pangram in su cinch piattaform la mostra che 41 % di articoi longh in su LinkedIn a hinn generaa de l'IA, intanta che i CEO d'OpenAI e d'Anthropic i revarden i sò prevision in su l'impiegh.

De la rédaction — 13 juillet 2026From the editorial desk — 13 July 2026Von der Redaktion — 13. Juli 2026Dalla redazione — 13 luglio 2026De la redazzion — 13 luglio 2026

Une étude menée par Pangram Research, publiée le 12 juillet 2026, révèle qu'un quart des publications long-format sur les réseaux sociaux est entièrement généré par intelligence artificielle. L'analyse, qui a passé au crible cinq plateformes, place LinkedIn largement en tête : 41 % des articles longs y sont rédigés par des modèles de langage, contre une moyenne de 25 % toutes plateformes confondues. La plateforme professionnelle, qui ne représentait qu'un tiers des publications analysées, concentrait près des deux tiers de l'ensemble du contenu IA détecté.A study by Pangram Research, published on July 12, 2026, reveals that a quarter of long-form posts on social media are entirely generated by artificial intelligence. The analysis, which examined five platforms, places LinkedIn far ahead: 41% of long articles there are written by language models, compared to an average of 25% across all platforms. The professional network, which accounted for only a third of the posts analyzed, concentrated nearly two-thirds of all detected AI content.Eine von Pangram Research durchgeführte und am 12. Juli 2026 veröffentlichte Studie zeigt, dass ein Viertel der Langformate in sozialen Netzwerken vollständig von künstlicher Intelligenz generiert wird. Die Analyse, die fünf Plattformen unter die Lupe nahm, platziert LinkedIn mit grossem Abstand an der Spitze: 41 % der Langartikel dort werden von Sprachmodellen verfasst, verglichen mit einem Durchschnitt von 25 % über alle Plattformen hinweg. Die Berufsplattform, die nur ein Drittel der analysierten Beiträge ausmachte, vereinte fast zwei Drittel des gesamten erkannten KI-Inhalts auf sich.Uno studio condotto da Pangram Research, pubblicato il 12 luglio 2026, rivela che un quarto delle pubblicazioni long-form sui social media è interamente generato dall'intelligenza artificiale. L'analisi, che ha setacciato cinque piattaforme, colloca LinkedIn ampiamente in testa: il 41% degli articoli lunghi è redatto da modelli linguistici, contro una media del 25% su tutte le piattaforme. La piattaforma professionale, che rappresentava solo un terzo delle pubblicazioni analizzate, concentrava quasi due terzi dell'intero contenuto IA rilevato.On studi menaa de Pangram Research, publicaa el 12 de luj 2026, el revèla che on quart di articoi long-formatt in sui red sociai l'è intregament generaa de l'intelligenza artificial. L'analisi, che l'ha passaa al cribi cinch piattaform, la mett LinkedIn in testa de longh: 41 % di articoi longh a hinn scrivuu di modell de lenguagg, contra ona media del 25 % in tucc i piattaform. La piattaforma professional, che la rappresentava domà on terz di articoi analizzaa, la concentrava pressapoch duu terz de tutt el contegnuu IA rilevaa.

L'étude, rapportée par The Decoder, utilise un modèle de détection volontairement conservateur, ce qui suggère que le taux réel de contenu synthétique pourrait être encore plus élevé. Ce constat intervient alors que Sam Altman, PDG d'OpenAI, a déclaré le 12 juillet être « presque certain » que l'IA a créé plus d'emplois qu'elle n'en a détruits, un revirement notable par rapport à ses avertissements précédents sur la disparition massive de professions.The study, reported by The Decoder, uses a deliberately conservative detection model, suggesting the actual rate of synthetic content could be even higher. This finding comes as Sam Altman, CEO of OpenAI, stated on July 12 that he is 'pretty sure' AI has created more jobs than it has destroyed, a notable reversal from his earlier warnings about mass job displacement.Die von The Decoder berichtete Studie verwendet ein bewusst konservatives Erkennungsmodell, was darauf hindeutet, dass die tatsächliche Rate synthetischer Inhalte noch höher liegen könnte. Diese Feststellung erfolgt, während Sam Altman, CEO von OpenAI, am 12. Juli erklärte, er sei « ziemlich sicher », dass KI mehr Arbeitsplätze geschaffen als vernichtet habe – eine bemerkenswerte Kehrtwende gegenüber seinen früheren Warnungen vor einem massiven Berufssterben.Lo studio, riportato da The Decoder, utilizza un modello di rilevamento volutamente conservativo, il che suggerisce che il tasso reale di contenuto sintetico potrebbe essere ancora più elevato. Questa constatazione arriva mentre Sam Altman, CEO di OpenAI, ha dichiarato il 12 luglio di essere « quasi certo » che l'IA abbia creato più posti di lavoro di quanti ne abbia distrutti, un notevole dietrofront rispetto ai suoi precedenti avvertimenti sulla scomparsa massiccia di professioni.El studi, reportaa de The Decoder, el doperà on modell de rilevament volontariament conservativ, che 'l suggeriss che 'l tass real de contegnuu sintetich el podaria vess anmò pussee volt. 'Sta constatazion la riva intanta che Sam Altman, CEO d'OpenAI, l'ha diciaa el 12 de luj de vess « quasi cert » che l'IA l'ha creaa pussee de post de lavorà che l'ha minga destrugiuu, on revirament notevol rispett ai sò avertiment precedent in su la sparizzion massiva di profession.

Dario Amodei, PDG d'Anthropic, nuance également ses prédictions antérieures. Les données empiriques disponibles à ce jour n'étayent ni les scénarios catastrophistes ni l'optimisme affiché par les dirigeants des grands laboratoires, selon The Decoder. La prolifération du contenu IA sur LinkedIn pose une question concrète : dans un réseau professionnel où la crédibilité individuelle est la monnaie d'échange, que vaut un article dont l'auteur n'est qu'un prompt ?Dario Amodei, CEO of Anthropic, is also tempering his previous predictions. Empirical data available to date supports neither the catastrophic scenarios nor the optimism displayed by leaders of major labs, according to The Decoder. The proliferation of AI content on LinkedIn raises a concrete question: in a professional network where individual credibility is the currency of exchange, what is an article worth when its author is merely a prompt?Dario Amodei, CEO von Anthropic, relativiert ebenfalls seine früheren Prognosen. Die derzeit verfügbaren empirischen Daten stützen weder die Katastrophenszenarien noch den von den Führungskräften der grossen Labore zur Schau gestellten Optimismus, so The Decoder. Die Verbreitung von KI-Inhalten auf LinkedIn wirft eine konkrete Frage auf: In einem beruflichen Netzwerk, in dem die individuelle Glaubwürdigkeit die Währung ist, was ist ein Artikel wert, dessen Autor nur ein Prompt ist?Dario Amodei, CEO di Anthropic, sfuma anch'egli le sue previsioni precedenti. I dati empirici disponibili ad oggi non supportano né gli scenari catastrofisti né l'ottimismo mostrato dai dirigenti dei grandi laboratori, secondo The Decoder. La proliferazione di contenuti IA su LinkedIn pone una domanda concreta: in una rete professionale dove la credibilità individuale è la moneta di scambio, quanto vale un articolo il cui autore è solo un prompt?Dario Amodei, CEO d'Anthropic, el nuanza anca lu i sò prevision anterior. I dati empirich disponibil al dì d'incoeu i sostegnen minga né i scenari catastrofista né l'ottimism mostraa di dirigent di grand laboratori, segond The Decoder. La proliferazion del contegnuu IA in su LinkedIn la mett ona question concreta: in d'ona red professional indove la credibilità individuala l'è la moneda de scambi, cossa el var on articol del qual l'autor l'è domà on prompt?

AnthropicAnthropicAnthropicAnthropicAnthropic

Claude Cowork : la paperasse administrative, premier cas d'usageClaude Cowork: mundane administrative paperwork is the top use caseClaude Cowork: Bürokratie als häufigster AnwendungsfallClaude Cowork: la burocrazia amministrativa, primo caso d'usoClaude Cowork: la paperass amministrativa, prim cas d'usagg

From the Wires —

Anthropic a analysé 1,2 million de sessions Claude Cowork issues de plus de 600 000 organisations. Environ la moitié des usages concerne des processus métier et de la création de texte — ce qu'Anthropic appelle « le travail autour du travail » : rapports de statut, checklists d'onboarding, présentations. Le développement logiciel est quasi absent de Cowork car les développeurs utilisent Claude Code pour cela, selon The Decoder.

Anthropic analyzed 1.2 million Claude Cowork sessions from over 600,000 organizations. About half of the usage involves business processes and text creation — what Anthropic calls 'the work around the work': status reports, onboarding checklists, presentations. Software development is almost absent from Cowork because developers use Claude Code for that, according to The Decoder.

Anthropic hat 1,2 Millionen Claude-Cowork-Sitzungen von über 600'000 Organisationen analysiert. Etwa die Hälfte der Nutzungen betrifft Geschäftsprozesse und Texterstellung – das, was Anthropic « die Arbeit rund um die Arbeit » nennt: Statusberichte, Onboarding-Checklisten, Präsentationen. Softwareentwicklung kommt bei Cowork kaum vor, da Entwickler dafür Claude Code verwenden, so The Decoder.

Anthropic ha analizzato 1,2 milioni di sessioni Claude Cowork provenienti da oltre 600.000 organizzazioni. Circa la metà degli utilizzi riguarda processi aziendali e creazione di testo — ciò che Anthropic chiama « il lavoro intorno al lavoro »: report di stato, checklist di onboarding, presentazioni. Lo sviluppo software è quasi assente da Cowork perché gli sviluppatori usano Claude Code per questo, secondo The Decoder.

Anthropic l'ha analizzaa 1,2 milion de session Claude Cowork de pussee de 600 000 organizzazion. Circa la metà di usagg el riguarda di process de business e de creazion de test — cossa che Anthropic el ciama « el lavorà intorna al lavorà »: report de statut, checklist d'onboarding, presentazion. El desvilupp software l'è quasi assenta in Cowork perchè i desviluppador doperen Claude Code per quell, segond The Decoder.

RechercheResearchForschungRicercaRicerca

Une mémoire structurée permet à un agent IA de gagner à Slay the Spire 2Structured memory enables AI agent to win at Slay the Spire 2Strukturiertes Gedächtnis ermöglicht KI-Agenten den Sieg bei Slay the Spire 2Una memoria strutturata permette a un agente IA di vincere a Slay the Spire 2Ona memoria strutturada la permet a on agent IA de vincegh a Slay the Spire 2

From the Wires —

Le projet AgenticSTS, rapporté le 12 juillet 2026 par The Decoder, remplace le journal de chat des agents IA par cinq couches de mémoire structurée. Testé sur le jeu de cartes Slay the Spire 2, le prompt reste à environ 5 000 tokens au lieu de gonfler au-delà de 500 000. L'agent gagne 6 parties sur 10, tandis que les agents concurrents n'en gagnent aucune.

The AgenticSTS project, reported on July 12, 2026 by The Decoder, replaces the AI agent's chat log with five layers of structured memory. Tested on the card game Slay the Spire 2, the prompt stays at around 5,000 tokens instead of ballooning beyond 500,000. The agent wins 6 out of 10 games, while competing agents win none.

Das am 12. Juli 2026 von The Decoder berichtete Projekt AgenticSTS ersetzt das Chat-Protokoll von KI-Agenten durch fünf Schichten strukturierten Speichers. Getestet am Kartenspiel Slay the Spire 2, bleibt der Prompt bei etwa 5'000 Tokens, anstatt auf über 500'000 anzuwachsen. Der Agent gewinnt 6 von 10 Spielen, während konkurrierende Agenten keines gewinnen.

Il progetto AgenticSTS, riportato il 12 luglio 2026 da The Decoder, sostituisce il journal di chat degli agenti IA con cinque strati di memoria strutturata. Testato sul gioco di carte Slay the Spire 2, il prompt rimane a circa 5.000 token invece di gonfiarsi oltre 500.000. L'agente vince 6 partite su 10, mentre gli agenti concorrenti non ne vincono nessuna.

El progett AgenticSTS, reportaa el 12 de luj 2026 de The Decoder, el sostituiss el giornal de chat di agent IA con cinch sguait de memoria strutturada. Testaa in sul gioeugh de cart Slay the Spire 2, el prompt el resta a circa 5 000 token inveci de gonfià oltra 500 000. L'agent el vinc 6 partii in su 10, intanta che i agent concorrent i vincen nissuna.

BenchmarkBenchmarkBenchmarkBenchmarkBenchmark

Long-Horizon-Terminal-Bench : un benchmark extrême pour agents longue duréeLong-Horizon-Terminal-Bench: an extreme benchmark for long-duration agentsLong-Horizon-Terminal-Bench: Ein extremer Benchmark für langlebige AgentenLong-Horizon-Terminal-Bench: un benchmark estremo per agenti di lunga durataLong-Horizon-Terminal-Bench: on benchmark estrem per agent longa durata

From the Wires —

Le projet Long-Horizon-Terminal-Bench (LHTB), publié le 12 juillet 2026, propose un benchmark de 46 tâches longues couvrant neuf catégories, de la reproduction d'expériences au calcul scientifique. Les agents consomment en moyenne 9,9 millions de tokens par tâche, avec environ 231 épisodes et 85,3 minutes d'exécution. Le meilleur modèle atteint seulement 15,2 % de pass@1 au seuil de récompense partielle de 0,95, et 10,9 % au seuil parfait de 1,0.

The Long-Horizon-Terminal-Bench (LHTB) project, published on July 12, 2026, proposes a benchmark of 46 long tasks covering nine categories, from experiment reproduction to scientific computing. Agents consume an average of 9.9 million tokens per task, with approximately 231 episodes and 85.3 minutes of execution time. The best model achieves only 15.2% pass@1 at the partial reward threshold of 0.95, and 10.9% at the perfect threshold of 1.0.

Das am 12. Juli 2026 veröffentlichte Projekt Long-Horizon-Terminal-Bench (LHTB) bietet einen Benchmark mit 46 langen Aufgaben aus neun Kategorien, von der Reproduktion von Experimenten bis zum wissenschaftlichen Rechnen. Die Agenten verbrauchen durchschnittlich 9,9 Millionen Tokens pro Aufgabe, mit etwa 231 Episoden und 85,3 Minuten Ausführungszeit. Das beste Modell erreicht nur 15,2 % pass@1 bei einer partiellen Belohnungsschwelle von 0,95 und 10,9 % bei der perfekten Schwelle von 1,0.

Il progetto Long-Horizon-Terminal-Bench (LHTB), pubblicato il 12 luglio 2026, propone un benchmark di 46 compiti lunghi che coprono nove categorie, dalla riproduzione di esperimenti al calcolo scientifico. Gli agenti consumano in media 9,9 milioni di token per compito, con circa 231 episodi e 85,3 minuti di esecuzione. Il miglior modello raggiunge solo il 15,2% di pass@1 alla soglia di ricompensa parziale di 0,95, e il 10,9% alla soglia perfetta di 1,0.

El progett Long-Horizon-Terminal-Bench (LHTB), publicaa el 12 de luj 2026, el propon on benchmark de 46 incarigh longh che cœuven noeuv categorij, de la riproduzion d'esperiment al calcol scientifich. I agent i consumen in media 9,9 milion de token per incarigh, con circa 231 episodi e 85,3 minut d'esecuzion. El modell pussee bon el riva domà a 15,2 % de pass@1 al sev de recompensa parziala de 0,95, e 10,9 % al sev perfett de 1,0.

BenchmarkBenchmarkBenchmarkBenchmarkBenchmark

AgentLens : un benchmark qui évalue la trajectoire des agents de codage, pas seulement le résultatAgentLens: a benchmark that evaluates coding agent trajectories, not just outcomesAgentLens: Ein Benchmark, der die Trajektorie von Coding-Agenten bewertet, nicht nur das ErgebnisAgentLens: un benchmark che valuta la traiettoria degli agenti di codifica, non solo il risultatoAgentLens: on benchmark che 'l valuta la traiettoria di agent de codificazion, minga domà el resultad

From the Wires —

Le projet AgentLens, publié le 12 juillet 2026, propose un benchmark pour agents de codage qui évalue la trajectoire complète — respect des instructions, utilisation des outils, vérification du travail, récupération d'erreurs — plutôt qu'un simple succès/échec binaire. Il combine vérification formelle et revues de trajectoire générées par LLM pour produire une explication lisible du score.

The AgentLens project, published on July 12, 2026, proposes a benchmark for coding agents that evaluates the full trajectory — instruction adherence, tool use, work verification, error recovery — rather than a simple binary pass/fail. It combines formal verification and LLM-generated trajectory reviews to produce a readable explanation of the score.

Das am 12. Juli 2026 veröffentlichte Projekt AgentLens bietet einen Benchmark für Coding-Agenten, der die gesamte Trajektorie bewertet – Befolgung von Anweisungen, Werkzeugnutzung, Arbeitsüberprüfung, Fehlerbehebung – anstatt eines einfachen binären Erfolgs/Misserfolgs. Es kombiniert formale Verifikation und LLM-generierte Trajektorien-Reviews, um eine lesbare Erklärung der Bewertung zu liefern.

Il progetto AgentLens, pubblicato il 12 luglio 2026, propone un benchmark per agenti di codifica che valuta la traiettoria completa — rispetto delle istruzioni, uso degli strumenti, verifica del lavoro, recupero da errori — piuttosto che un semplice successo/fallimento binario. Combina verifica formale e revisioni di traiettoria generate da LLM per produrre una spiegazione leggibile del punteggio.

El progett AgentLens, publicaa el 12 de luj 2026, el propon on benchmark per agent de codificazion che 'l valuta la traiettoria completa — rispett di istruzzion, doperà di strument, verificazion del lavorà, recuper d'error — piuttost che on semplic success/faliment binari. El combina verificazion formal e revision de traiettoria generaa de LLM per prodù ona spiegazion lensgibil del score.

BenchmarkBenchmarkBenchmarkBenchmarkBenchmark

CausalDS : un benchmark pour le raisonnement causal des agents data scienceCausalDS: a benchmark for causal reasoning in data science agentsCausalDS: Ein Benchmark für kausales Denken von Data-Science-AgentenCausalDS: un benchmark per il ragionamento causale degli agenti data scienceCausalDS: on benchmark per el raxonament causal di agent data science

From the Wires —

Le projet CausalDS, publié le 12 juillet 2026, évalue le raisonnement causal dans les workflows agentiques de data science. Chaque instance combine un modèle causal structurel échantillonné avec des données observationnelles générées et une histoire en langage naturel. Les tâches couvrent les trois échelons de Pearl, avec une composante de codage et la possibilité de s'abstenir comme résultat de premier ordre.

The CausalDS project, published on July 12, 2026, evaluates causal reasoning in agentic data science workflows. Each instance combines a sampled structural causal model with generated observational data and a natural language story. Tasks cover all three Pearlian rungs, with a coding component and the option to abstain as a first-class outcome.

Das am 12. Juli 2026 veröffentlichte Projekt CausalDS bewertet kausales Denken in agentischen Data-Science-Workflows. Jede Instanz kombiniert ein abgetastetes strukturelles Kausalmodell mit generierten Beobachtungsdaten und einer natürlichsprachlichen Geschichte. Die Aufgaben decken alle drei Pearl-Ebenen ab, mit einer Codierungskomponente und der Möglichkeit, sich zu enthalten, als Ergebnis erster Ordnung.

Il progetto CausalDS, pubblicato il 12 luglio 2026, valuta il ragionamento causale nei workflow agentici di data science. Ogni istanza combina un modello causale strutturale campionato con dati osservazionali generati e una storia in linguaggio naturale. I compiti coprono i tre gradini di Pearl, con una componente di codifica e la possibilità di astenersi come risultato di primo ordine.

El progett CausalDS, publicaa el 12 de luj 2026, el valuta el raxonament causal in di workflow agentich de data science. Ogni istanza la combina on modell causal strutural campionaa con di dati osservazionai generaa e ona storia in lenguagg natural. I incarigh i cœuven i trii scalin de Pearl, con ona componenta de codificazion e la possibilità de sastén 'me resultad de prim orden.

OutilToolWerkzeugStrumentoOutil

AgentLens : un outil de diagnostic en production pour les agents de codageAgentLens: a production diagnostic tool for coding agentsAgentLens: Ein Produktionsdiagnosetool für Coding-AgentenAgentLens: uno strumento di diagnostica in produzione per agenti di codificaAgentLens: on strument de diagnostega in produzion per i agent de codificazion

From the Wires —

Le projet AgentLens a été utilisé en production pour diagnostiquer le comportement des modèles, comparer les versions successives d'un agent et détecter les régressions dans un pipeline d'évaluation nocturne. Le benchmark est publié en open source.

The AgentLens project has been used in production to diagnose model behavior, compare successive versions of an agent, and detect regressions in a nightly evaluation pipeline. The benchmark is published as open source.

Das Projekt AgentLens wurde in der Produktion eingesetzt, um das Verhalten von Modellen zu diagnostizieren, aufeinanderfolgende Versionen eines Agenten zu vergleichen und Regressionen in einer nächtlichen Evaluierungspipeline zu erkennen. Der Benchmark ist als Open Source veröffentlicht.

Il progetto AgentLens è stato utilizzato in produzione per diagnosticare il comportamento dei modelli, confrontare le versioni successive di un agente e rilevare regressioni in una pipeline di valutazione notturna. Il benchmark è pubblicato in open source.

El progett AgentLens l'è staa doperad in produzion per diagnostegà el comportament di modell, confrontà i version successiv d'on agent e rilevà i regression in d'on pipeline de valutazion notturna. El benchmark l'è publicaa in open source.

Page 1 — Page 1 — Seite 1 — Pagina 1 — Pagina 1 — À la UneFront PageTitelgeschichteIn Primo PianoA la Vuna

I. Modèles & FrontièreModels & FrontierModelle & GrenzbereichModelli & FrontieraModell & Frontiera

Anthropic

Claude Code intègre un navigateur web pour interagir avec des sites externesClaude Code integrates a web browser to interact with external sitesClaude Code integriert Webbrowser zur Interaktion mit externen WebsitesClaude Code integra un browser web per interagire con siti esterniClaude Code l'integra on navigador web per interagì con di sit estern

Anthropic a dévoilé le 12 juillet 2026 une mise à jour majeure de Claude Code : un navigateur web intégré qui permet à l'agent de codage d'ouvrir, lire et interagir avec des pages web directement depuis l'environnement de développement. Les actions d'écriture sur des sites externes sont filtrées par des classifieurs, et les achats ou créations de compte nécessitent une approbation humaine, selon The Decoder. Cette fonctionnalité transforme Claude Code en un agent capable non seulement d'écrire du code, mais aussi de naviguer sur le web pour y puiser des informations, remplir des formulaires ou tester des déploiements.

Anthropic unveiled a major update to Claude Code on July 12, 2026: a built-in web browser that allows the coding agent to open, read, and interact with web pages directly from the development environment. Write actions on external sites are filtered by classifiers, and purchases or account creations require human approval, according to The Decoder. This feature transforms Claude Code into an agent capable not only of writing code, but also of browsing the web to gather information, fill out forms, or test deployments.

Anthropic hat am 12. Juli 2026 ein grosses Update für Claude Code enthüllt: einen integrierten Webbrowser, der es dem Coding-Agenten ermöglicht, Webseiten direkt aus der Entwicklungsumgebung zu öffnen, zu lesen und mit ihnen zu interagieren. Schreibaktionen auf externen Websites werden durch Klassifikatoren gefiltert, und Käufe oder Kontenerstellungen erfordern eine menschliche Genehmigung, so The Decoder. Diese Funktion verwandelt Claude Code in einen Agenten, der nicht nur Code schreiben, sondern auch im Web surfen kann, um Informationen zu sammeln, Formulare auszufüllen oder Bereitstellungen zu testen.

Anthropic ha svelato il 12 luglio 2026 un aggiornamento importante di Claude Code: un browser web integrato che permette all'agente di codifica di aprire, leggere e interagire con pagine web direttamente dall'ambiente di sviluppo. Le azioni di scrittura su siti esterni sono filtrate da classificatori, e gli acquisti o la creazione di account richiedono un'approvazione umana, secondo The Decoder. Questa funzionalità trasforma Claude Code in un agente capace non solo di scrivere codice, ma anche di navigare sul web per attingere informazioni, compilare moduli o testare deployment.

Anthropic l'ha svelaa el 12 de luj 2026 ona mudà major de Claude Code: on navigador web integraa che 'l permet a l'agent de codificazion de dervì, lensg e interagì con di pagine web direttament de l'ambient de desvilupp. I azion de scrivura in su sit estern a hinn filtraa di classifieur, e i acquist o creazion de cunt i gh'hann besogn d'ona approvazion umana, segond The Decoder. 'Sta fonzionalità la trasforma Claude Code in on agent bon minga domà de scriv del codes, ma anca de navigà in sul web per trovà di informazion, impienì di formulari o provà di despiegament.

Page 2 — Page 2 — Seite 2 — Pagina 2 — Pagina 2 — Le Cahier TechniqueTech NotebookDas Technische HeftIl Quaderno TecnicoEl Carna Tecnegh

II. Moteurs d'inférenceInference EnginesInferenz-EnginesMotori di inferenzaMotor d'inferenza

Moteurs d'inférence

Inference Engines

Inferenz-Engines

Motori di inferenza

Motor d'inferenza

oMLX 0.5.1 corrige les régressions de performance et le blocage des longs promptsoMLX 0.5.1 fixes performance regressions and long prompt stallingoMLX 0.5.1 behebt Leistungsregressionen und Blockade langer PromptsoMLX 0.5.1 corregge le regressioni di performance e il blocco dei prompt lunghioMLX 0.5.1 el corregg i regression de performance e 'l bloccagg di longh prompt

La version 0.5.1 d'oMLX, publiée le 12 juillet 2026, corrige plusieurs régressions critiques introduites dans la version 0.5.0. Le correctif le plus notable résout un blocage permanent du décodage sur les longs prompts (premier ~16k tokens) avec GLM-5.2 et Lightning MTP. La préfill des longs prompts Qwen3.6 passe de 19,8 à 13,7 secondes sur M3 Ultra pour 31 500 tokens. Le débit combiné Lightning MTP + TurboQuant grimpe de 66,5 à environ 93 tok/s, selon les notes de version publiées sur GitHub.

Version 0.5.1 of oMLX, released on July 12, 2026, fixes several critical regressions introduced in version 0.5.0. The most notable fix resolves a permanent decoding stall on long prompts (first ~16k tokens) with GLM-5.2 and Lightning MTP. Prefill for long Qwen3.6 prompts drops from 19.8 to 13.7 seconds on M3 Ultra for 31,500 tokens. The combined Lightning MTP + TurboQuant throughput rises from 66.5 to approximately 93 tok/s, according to release notes published on GitHub.

Die Version 0.5.1 von oMLX, veröffentlicht am 12. Juli 2026, behebt mehrere kritische Regressionen, die in Version 0.5.0 eingeführt wurden. Die bemerkenswerteste Korrektur behebt eine dauerhafte Decodierungsblockade bei langen Prompts (erste ~16k Tokens) mit GLM-5.2 und Lightning MTP. Die Prefill langer Qwen3.6-Prompts sinkt von 19,8 auf 13,7 Sekunden auf dem M3 Ultra bei 31'500 Tokens. Der kombinierte Durchsatz von Lightning MTP + TurboQuant steigt von 66,5 auf etwa 93 Tok/s, so die auf GitHub veröffentlichten Versionshinweise.

La versione 0.5.1 di oMLX, pubblicata il 12 luglio 2026, corregge diverse regressioni critiche introdotte nella versione 0.5.0. La correzione più notevole risolve un blocco permanente del decoding su prompt lunghi (primi ~16k token) con GLM-5.2 e Lightning MTP. La prefill dei prompt lunghi Qwen3.6 passa da 19,8 a 13,7 secondi su M3 Ultra per 31.500 token. Il throughput combinato Lightning MTP + TurboQuant sale da 66,5 a circa 93 tok/s, secondo le note di rilascio pubblicate su GitHub.

La version 0.5.1 d'oMLX, publicada el 12 de luj 2026, la corregg on mucc de regression critic introdott in la version 0.5.0. El correggiuu pussee notevol el risòlv on bloccagg permanent del decodifega in sui longh prompt (primer ~16k token) con GLM-5.2 e Lightning MTP. La prefill di longh prompt Qwen3.6 la passa de 19,8 a 13,7 segond in su M3 Ultra per 31 500 token. El debit combinad Lightning MTP + TurboQuant el monta de 66,5 a circa 93 tok/s, segond i not de version publicad in su GitHub.

III. Moteurs d'inférence (suite)Inference Engines (cont.)Inferenz-Engines (Fortsetzung)Motori di inferenza (segue)Motor d'inferenza (continuazion)

Moteurs d'inférence

Inference Engines

Inferenz-Engines

Motori di inferenza

Motor d'inferenza

llama.cpp b9982 : correction du passage des budgets de raisonnement par requêtellama.cpp b9982: fix for passing per-request reasoning budgetsllama.cpp b9982: Korrektur der Übergabe von Reasoning-Budgets pro Anfragellama.cpp b9982: correzione del passaggio dei budget di ragionamento per richiestallama.cpp b9982: correzion del passagg di budget de raxonament per richiesta

La version b9982 de llama.cpp, publiée le 13 juillet 2026, corrige un bug où les paramètres reasoning_budget_tokens et reasoning_budget_message transmis par requête étaient ignorés dans les complétions chat au format OpenAI. Le correctif garantit que la valeur fournie par l'appelant atteint bien la couche d'échantillonnage, permettant par exemple de désactiver le raisonnement par requête avec une valeur de 0. Un test unitaire a été ajouté pour le template Qwen3, selon les notes de version sur GitHub.

Version b9982 of llama.cpp, released on July 13, 2026, fixes a bug where the reasoning_budget_tokens and reasoning_budget_message parameters passed per request were ignored in OpenAI-format chat completions. The fix ensures that the value provided by the caller reaches the sampling layer, allowing, for example, per-request reasoning to be disabled with a value of 0. A unit test has been added for the Qwen3 template, according to release notes on GitHub.

Die Version b9982 von llama.cpp, veröffentlicht am 13. Juli 2026, behebt einen Fehler, bei dem die pro Anfrage übergebenen Parameter reasoning_budget_tokens und reasoning_budget_message in Chat-Vervollständigungen im OpenAI-Format ignoriert wurden. Die Korrektur stellt sicher, dass der vom Aufrufer bereitgestellte Wert die Abtastungsschicht erreicht, was es beispielsweise ermöglicht, das Reasoning pro Anfrage mit einem Wert von 0 zu deaktivieren. Ein Unit-Test wurde für die Qwen3-Vorlage hinzugefügt, so die Versionshinweise auf GitHub.

La versione b9982 di llama.cpp, pubblicata il 13 luglio 2026, corregge un bug in cui i parametri reasoning_budget_tokens e reasoning_budget_message trasmessi per richiesta venivano ignorati nelle completions chat in formato OpenAI. La correzione garantisce che il valore fornito dal chiamante raggiunga effettivamente il layer di campionamento, consentendo ad esempio di disattivare il ragionamento per richiesta con un valore di 0. È stato aggiunto un test unitario per il template Qwen3, secondo le note di rilascio su GitHub.

La version b9982 de llama.cpp, publicada el 13 de luj 2026, la corregg on bug indove i parameter reasoning_budget_tokens e reasoning_budget_message trasmett per richiesta eren ignoraa in di completion chat al formatt OpenAI. El correggiuu el garantiss che 'l valor fornii del ciamant el riva ben a la sguaita de campionament, permett per esempi de disattivà el raxonament per richiesta con on valor de 0. On test unitari l'è staa giontaa per el template Qwen3, segond i not de version in su GitHub.

Page 3 — Page 3 — Seite 3 — Pagina 3 — Pagina 3 — La RechercheResearchDie ForschungLa RicercaLa Ricerca

IV. Papers & DécouvertesPapers & DiscoveriesPapers & EntdeckungenPapers & ScopertePapers & Scuvert

Google DeepMind

GenCeption : les modèles de génération vidéo comme base de la vision généralisteGenCeption: video generation models as a foundation for generalist visionGenCeption: Videogenerierungsmodelle als Grundlage allgemeiner visueller WahrnehmungGenCeption: i modelli di generazione video come base della visione generalistaGenCeption: i modell de generazion video 'me bas de la vision generalista

Des chercheurs de Google DeepMind présentent GenCeption, un modèle de perception qui exploite un backbone de diffusion vidéo pré-entraîné pour effectuer diverses tâches visuelles guidées par des instructions textuelles. Publié le 12 juillet 2026 sur arXiv, GenCeption atteint des performances de pointe sur l'estimation de profondeur, de normales de surface et de pose caméra, la segmentation par expression et la prédiction de keypoints 3D, égalant ou surpassant des modèles spécialisés comme DepthAnything3, SAM3 et D4RT. Le modèle utilise 7 à 500 fois moins de données d'entraînement que les approches concurrentes et généralise de la vidéo synthétique humaine à des séquences réelles et à des catégories d'objets non vues.

Researchers at Google DeepMind present GenCeption, a perception model that leverages a pre-trained video diffusion backbone to perform various visual tasks guided by text instructions. Published on July 12, 2026 on arXiv, GenCeption achieves state-of-the-art performance on depth estimation, surface normals, camera pose estimation, expression segmentation, and 3D keypoint prediction, matching or surpassing specialized models such as DepthAnything3, SAM3, and D4RT. The model uses 7 to 500 times less training data than competing approaches and generalizes from synthetic human video to real sequences and unseen object categories.

Forscher von Google DeepMind stellen GenCeption vor, ein Wahrnehmungsmodell, das ein vortrainiertes Video-Diffusion-Backbone nutzt, um verschiedene visuelle Aufgaben zu bewältigen, die durch Textanweisungen gesteuert werden. Veröffentlicht am 12. Juli 2026 auf arXiv, erreicht GenCeption Spitzenleistungen bei der Schätzung von Tiefe, Oberflächennormalen und Kamerapose, der segmentierungsbasierten Expression und der Vorhersage von 3D-Keypoints und übertrifft dabei spezialisierte Modelle wie DepthAnything3, SAM3 und D4RT oder ist ihnen ebenbürtig. Das Modell benötigt 7- bis 500-mal weniger Trainingsdaten als konkurrierende Ansätze und generalisiert von synthetischen menschlichen Videos auf reale Sequenzen und ungesehene Objektkategorien.

Ricercatori di Google DeepMind presentano GenCeption, un modello di percezione che sfrutta un backbone di diffusione video pre-addestrato per svolgere vari compiti visivi guidati da istruzioni testuali. Pubblicato il 12 luglio 2026 su arXiv, GenCeption raggiunge performance all'avanguardia nella stima della profondità, delle normali di superficie e della posa della camera, nella segmentazione per espressione e nella predizione di keypoint 3D, eguagliando o superando modelli specializzati come DepthAnything3, SAM3 e D4RT. Il modello utilizza da 7 a 500 volte meno dati di addestramento rispetto agli approcci concorrenti e generalizza dal video sintetico umano a sequenze reali e a categorie di oggetti non viste.

Di ricercator de Google DeepMind i presenten GenCeption, on modell de percezion che 'l doperà on backbone de diffusion video pre-alevaa per fà su vari incarigh visiv guidaa de istruzzion testuai. Publicaa el 12 de luj 2026 in su arXiv, GenCeption el riva a di performance de ponta in su la stima de profondità, de normai de superfiss e de pose camera, la segmentazion per espression e la prevision de keypoint 3D, pareggiand o superand di modell specializzaa come DepthAnything3, SAM3 e D4RT. El modell el doperà 7 a 500 voeult men de dati d'alevament di approcc concorrent e 'l generalizza de la video sintetica umana a di sequenz real e a di categorij d'ogett minga vist.

V. Papers & Découvertes (suite)Papers & Discoveries (cont.)Papers & Entdeckungen (Fortsetzung)Papers & Scoperte (segue)Papers & Scuvert (continuazion)

Soofi

Soofi S 30B-A3B : un modèle souverain allemand open-source rivalise avec les ténorsSoofi S 30B-A3B: German open-source sovereign model rivals the leadersSoofi S 30B-A3B: Deutsches quelloffenes Souveränitätsmodell konkurriert mit den GrösstenSoofi S 30B-A3B: un modello sovrano tedesco open-source rivaleggia con i bigSoofi S 30B-A3B: on modell sovran todesch open-source el gareggia con i campion

Le consortium allemand Soofi dévoile Soofi S 30B-A3B, un modèle de fondation souverain open-source pour l'allemand et l'anglais, décrit dans un article publié le 12 juillet 2026 sur arXiv. Avec une architecture MoE hybride Mamba-Transformer activant seulement 3 milliards de ses 30 milliards de paramètres par token, Soofi S a été pré-entraîné sur environ 27 000 milliards de tokens avec un sur-échantillonnage délibéré de l'allemand. Il surpasse tous les modèles souverains européens testés, y compris Olmo 3 32B et Apertus 70B, et atteint les meilleurs scores d'agrégat code en anglais et en allemand parmi 17 modèles ouverts de base. Entraîné sur le German Industrial AI Cloud de Deutsche Telekom à Munich, le modèle sera publié sous licence permissive avec poids, checkpoints intermédiaires et code.

The German consortium Soofi unveils Soofi S 30B-A3B, a sovereign open-source foundation model for German and English, described in a paper published on July 12, 2026 on arXiv. With a hybrid Mamba-Transformer MoE architecture activating only 3 billion of its 30 billion parameters per token, Soofi S was pre-trained on approximately 27 trillion tokens with deliberate oversampling of German. It surpasses all tested European sovereign models, including Olmo 3 32B and Apertus 70B, and achieves the best code aggregate scores in English and German among 17 open base models. Trained on Deutsche Telekom's German Industrial AI Cloud in Munich, the model will be released under a permissive license with weights, intermediate checkpoints, and code.

Das deutsche Konsortium Soofi enthüllt Soofi S 30B-A3B, ein souveränes quelloffenes Foundation-Modell für Deutsch und Englisch, beschrieben in einem am 12. Juli 2026 auf arXiv veröffentlichten Artikel. Mit einer hybriden Mamba-Transformer-MoE-Architektur, die nur 3 Milliarden seiner 30 Milliarden Parameter pro Token aktiviert, wurde Soofi S auf etwa 27 Billionen Tokens vortrainiert, mit einer bewussten Überabtastung des Deutschen. Es übertrifft alle getesteten europäischen souveränen Modelle, einschliesslich Olmo 3 32B und Apertus 70B, und erzielt die besten Code-Aggregatwerte auf Englisch und Deutsch unter 17 offenen Basismodellen. Trainiert auf der German Industrial AI Cloud der Deutschen Telekom in München, wird das Modell unter einer freizügigen Lizenz mit Gewichten, Zwischen-Checkpoints und Code veröffentlicht.

Il consorzio tedesco Soofi svela Soofi S 30B-A3B, un modello di fondazione sovrano open-source per tedesco e inglese, descritto in un articolo pubblicato il 12 luglio 2026 su arXiv. Con un'architettura MoE ibrida Mamba-Transformer che attiva solo 3 miliardi dei suoi 30 miliardi di parametri per token, Soofi S è stato pre-addestrato su circa 27.000 miliardi di token con un sovracampionamento deliberato del tedesco. Supera tutti i modelli sovrani europei testati, inclusi Olmo 3 32B e Apertus 70B, e raggiunge i migliori punteggi aggregati di codice in inglese e tedesco tra 17 modelli aperti di base. Addestrato sul German Industrial AI Cloud di Deutsche Telekom a Monaco, il modello sarà pubblicato con licenza permissiva con pesi, checkpoint intermedi e codice.

El consorzi todesch Soofi el desvela Soofi S 30B-A3B, on modell de fondazion sovran open-source per el todesch e l'ingles, descrivuu in d'on articol publicaa el 12 de luj 2026 in su arXiv. Con ona architettura MoE ibrida Mamba-Transformer che la attiva domà 3 miliard di sò 30 miliard de parameter per token, Soofi S l'è staa pre-alevaa in su circa 27 000 miliard de token con on soracampionament deliberaa del todesch. El supera tucc i modell sovran europee testaa, compres Olmo 3 32B e Apertus 70B, e 'l riva ai mej score d'agregad codes in ingles e in todesch in tra 17 modell dervid de bas. Alevaa in su la German Industrial AI Cloud de Deutsche Telekom a Monegh, el modell el sarà publicaa sotta licenza permissiva con pes, checkpoint intermedi e codes.

VI. Papers & Découvertes (suite)Papers & Discoveries (cont.)Papers & Entdeckungen (Fortsetzung)Papers & Scoperte (segue)Papers & Scuvert (continuazion)

ByteDance Seed / ETH Zurich

ByteDance Seed / ETH Zürich

ByteDance Seed / ETH Zurigo

ByteDance Seed / ETH Zurich

UP : une optimisation asymétrique pour briser le dilemme exploration-stabilité en RLUP: asymmetric optimization to break the exploration-stability dilemma in RLUP: Asymmetrische Optimierung zur Überwindung des Explorations-Stabilitäts-Dilemmas im RLUP: un'ottimizzazione asimmetrica per rompere il dilemma esplorazione-stabilità nel RLUP: n'ottimizzazion asimmetrica per romp el dilemma esplorazion-stabilità in RL

Des chercheurs de ByteDance Seed et de l'ETH Zurich présentent UP (Unbounded Positive Asymmetric Optimization), une fonction objectif universelle pour l'apprentissage par renforcement des LLMs. Publié le 12 juillet 2026 sur arXiv, UP résout le dilemme exploration-stabilité en remplaçant le clipping conservateur par un gradient non-clippé pour les avantages positifs, tout en maintenant le clipping standard pour les avantages négatifs. Les expériences montrent des améliorations sur les algorithmes DAPO, GSPO et GRPO, sur des architectures Dense et MoE, et en modalités langage et multimodale.

Researchers from ByteDance Seed and ETH Zurich present UP (Unbounded Positive Asymmetric Optimization), a universal objective function for reinforcement learning of LLMs. Published on July 12, 2026 on arXiv, UP resolves the exploration-stability dilemma by replacing conservative clipping with an unclipped gradient for positive advantages, while maintaining standard clipping for negative advantages. Experiments show improvements on DAPO, GSPO, and GRPO algorithms, on Dense and MoE architectures, and in language and multimodal modalities.

Forscher von ByteDance Seed und der ETH Zürich präsentieren UP (Unbounded Positive Asymmetric Optimization), eine universelle Zielfunktion für Reinforcement Learning bei LLMs. Veröffentlicht am 12. Juli 2026 auf arXiv, löst UP das Explorations-Stabilitäts-Dilemma, indem es das konservative Clipping durch einen ungeclippten Gradienten für positive Vorteile ersetzt, während das Standard-Clipping für negative Vorteile beibehalten wird. Die Experimente zeigen Verbesserungen bei den Algorithmen DAPO, GSPO und GRPO, auf Dense- und MoE-Architekturen sowie in Sprach- und multimodalen Modalitäten.

Ricercatori di ByteDance Seed e dell'ETH Zurigo presentano UP (Unbounded Positive Asymmetric Optimization), una funzione obiettivo universale per l'apprendimento per rinforzo dei LLM. Pubblicato il 12 luglio 2026 su arXiv, UP risolve il dilemma esplorazione-stabilità sostituendo il clipping conservativo con un gradiente non clippato per i vantaggi positivi, mantenendo lo standard clipping per i vantaggi negativi. Gli esperimenti mostrano miglioramenti sugli algoritmi DAPO, GSPO e GRPO, su architetture Dense e MoE, e in modalità linguaggio e multimodale.

Di ricercator de ByteDance Seed e de l'ETH Zurich i presenten UP (Unbounded Positive Asymmetric Optimization), ona fonzion obiettiv universal per l'imprendiment per rinforzament di LLM. Publicaa el 12 de luj 2026 in su arXiv, UP el risòlv el dilemma esplorazion-stabilità sostituend el clipping conservativ con on gradient minga clippaa per i vantagg positiv, intanta che 'l manten el clipping standard per i vantagg negativ. I esperiment i mostren di migliorament in su i algoritm DAPO, GSPO e GRPO, in su di architettur Dense e MoE, e in modalità lenguagg e multimodala.

Page 4 — Page 4 — Seite 4 — Pagina 4 — Pagina 4 — La Communauté & ÉditoCommunity & OpinionCommunity & EditorialLa Comunità & EditorialeLa Comunità & Editorial

VII. Signaux & DébatsSignals & DebatesSignale & DebattenSegnali & DibattitiSegnai & Debat

Débat communautaire

Community Debate

Community-Debatte

Dibattito comunitario

Debatt comunitari

Claude Code consomme 33 000 tokens avant le prompt, contre 7 000 pour OpenCodeClaude Code consumes 33,000 tokens before the prompt, versus 7,000 for OpenCodeClaude Code verbraucht 33'000 Tokens vor dem Prompt, OpenCode nur 7'000Claude Code consuma 33.000 token prima del prompt, contro 7.000 per OpenCodeClaude Code el consuma 33 000 token prima del prompt, contra 7 000 per OpenCode

Une analyse comparative menée par systima.ai et publiée le 12 juillet 2026 sur Hacker News (511 points, 287 commentaires) révèle que Claude Code envoie environ 33 000 tokens avant même de lire le prompt utilisateur, contre 7 000 tokens pour OpenCode. Les chercheurs ont interposé un logger entre les deux outils de codage agentique et l'API Anthropic, constatant que la stratégie de cache et la consommation de tokens du harnais sont significativement moins efficaces chez Claude Code. Le débat a généré l'une des discussions les plus actives de la journée sur HN.

A comparative analysis conducted by systima.ai and published on July 12, 2026 on Hacker News (511 points, 287 comments) reveals that Claude Code sends approximately 33,000 tokens before even reading the user prompt, compared to 7,000 tokens for OpenCode. The researchers interposed a logger between the two agentic coding tools and the Anthropic API, finding that the caching strategy and token consumption of the harness are significantly less efficient in Claude Code. The debate generated one of the most active discussions of the day on HN.

Eine von systima.ai durchgeführte und am 12. Juli 2026 auf Hacker News (511 Punkte, 287 Kommentare) veröffentlichte Vergleichsanalyse zeigt, dass Claude Code etwa 33'000 Tokens sendet, bevor es den Benutzer-Prompt überhaupt liest, verglichen mit 7'000 Tokens bei OpenCode. Die Forscher schalteten einen Logger zwischen die beiden agentischen Codierungstools und die Anthropic-API und stellten fest, dass die Cache-Strategie und der Token-Verbrauch des Harnesses bei Claude Code deutlich weniger effizient sind. Die Debatte löste eine der aktivsten Diskussionen des Tages auf HN aus.

Un'analisi comparativa condotta da systima.ai e pubblicata il 12 luglio 2026 su Hacker News (511 punti, 287 commenti) rivela che Claude Code invia circa 33.000 token prima ancora di leggere il prompt utente, contro 7.000 token per OpenCode. I ricercatori hanno interposto un logger tra i due strumenti di codifica agentica e l'API Anthropic, constatando che la strategia di cache e il consumo di token dell'harness sono significativamente meno efficienti in Claude Code. Il dibattito ha generato una delle discussioni più attive della giornata su HN.

N'analisi comparativa menada de systima.ai e publicada el 12 de luj 2026 in su Hacker News (511 pont, 287 comentari) la revèla che Claude Code el manda circa 33 000 token prima anmò de lensg el prompt utent, contra 7 000 token per OpenCode. I ricercator hann interpost on logger in tra i duu strument de codificazion agentica e l'API Anthropic, constatand che la strategia de cache e 'l consum de token del harnes hinn significativament men efficac in Claude Code. El debatt l'ha generaa vuna di discussion pussee ativ de la giornada in su HN.

VIII. Signaux & Débats (suite)Signals & Debates (cont.)Signale & Debatten (Fortsetzung)Segnali & Dibattiti (segue)Segnai & Debat (continuazion)

Industrie

Industry

Industrie

Industria

S&P abaisse la note d'Oracle, citant OpenAI comme « risque de crédit clé »S&P downgrades Oracle, citing OpenAI as 'key credit risk'S&P stuft Oracle herab und nennt OpenAI als « zentrales Kreditrisiko »S&P declassa il rating di Oracle, citando OpenAI come « rischio creditizio chiave »S&P la sbassa la nota d'Oracle, citand OpenAI 'me « ris'c de credit ciav »

S&P Global a dégradé le 12 juillet 2026 la note de crédit d'Oracle de « BBB » à « BBB- », un cran au-dessus du statut spéculatif, selon The Decoder. L'agence estime que le contrat avec OpenAI représente environ la moitié des 638 milliards de dollars d'engagements contractuels d'Oracle. Si OpenAI se retirait, Oracle se retrouverait avec une capacité de datacenter excédentaire impossible à remplir.

S&P Global downgraded Oracle's credit rating on July 12, 2026 from 'BBB' to 'BBB-', one notch above speculative status, according to The Decoder. The agency estimates that the contract with OpenAI represents approximately half of Oracle's $638 billion in contractual commitments. If OpenAI were to withdraw, Oracle would be left with excess datacenter capacity that would be impossible to fill.

S&P Global hat am 12. Juli 2026 das Kreditrating von Oracle von « BBB » auf « BBB- » herabgestuft, eine Stufe über dem spekulativen Status, so The Decoder. Die Agentur schätzt, dass der Vertrag mit OpenAI etwa die Hälfte der vertraglichen Verpflichtungen von Oracle in Höhe von 638 Milliarden Dollar ausmacht. Sollte OpenAI aussteigen, stünde Oracle mit einer überschüssigen Rechenzentrumskapazität da, die nicht gefüllt werden könnte.

S&P Global ha declassato il 12 luglio 2026 il rating creditizio di Oracle da « BBB » a « BBB- », un gradino sopra lo status speculativo, secondo The Decoder. L'agenzia stima che il contratto con OpenAI rappresenti circa la metà dei 638 miliardi di dollari di impegni contrattuali di Oracle. Se OpenAI si ritirasse, Oracle si ritroverebbe con una capacità di datacenter eccedentaria impossibile da colmare.

S&P Global l'ha degradaa el 12 de luj 2026 la nota de credit d'Oracle de « BBB » a « BBB- », on scalin sora del statut speculativ, segond The Decoder. L'agenzia la stima che 'l contrat con OpenAI el rappresenta circa la metà di 638 miliard de dollar d'ingagg contratuai d'Oracle. Se OpenAI el se retirass, Oracle el se trovariss con ona capacità de datacenter escedentaria impossibil de impienì.

IX. Signaux & Débats (suite)Signals & Debates (cont.)Signale & Debatten (Fortsetzung)Segnali & Dibattiti (segue)Segnai & Debat (continuazion)

Éducation

Education

Bildung

Educazione

Educazion

À Brown, les notes passent de 96 à 48 % quand l'examen se fait sans IAAt Brown, grades drop from 96 to 48% when the exam is taken without AIIn Brown fallen Noten von 96 auf 48 %, wenn die Prüfung ohne KI abgelegt wirdA Brown, i voti passano dal 96 al 48% quando l'esame si svolge senza IAA Brown, i not passen de 96 a 48 % quand l'esam el se fa senza IA

Un professeur d'économie à Brown University a découvert que ses 86 étudiants obtenaient une moyenne de 96 % à un examen à emporter, suspectant une tricherie généralisée via IA. Lorsqu'il a imposé un examen en présentiel, 18 étudiants ont abandonné le cours, 9 ne se sont pas présentés, et la moyenne est tombée à 48,6 %, selon The Decoder. Deux études menées en Chine et à UC Berkeley confirment que les étudiants qui s'appuient sur l'IA pour leurs devoirs voient leurs scores aux examens surveillés chuter significativement.

An economics professor at Brown University discovered that his 86 students averaged 96% on a take-home exam, suspecting widespread AI cheating. When he imposed an in-person exam, 18 students dropped the course, 9 did not show up, and the average fell to 48.6%, according to The Decoder. Two studies conducted in China and at UC Berkeley confirm that students who rely on AI for their homework see their scores on proctored exams drop significantly.

Ein Wirtschaftsprofessor an der Brown University entdeckte, dass seine 86 Studierenden bei einer Hausarbeit durchschnittlich 96 % erreichten, und vermutete weitverbreitetes Schummeln mit KI. Als er eine Prüfung in Präsenz ansetzte, brachen 18 Studierende den Kurs ab, 9 erschienen nicht, und der Durchschnitt fiel auf 48,6 %, so The Decoder. Zwei Studien aus China und der UC Berkeley bestätigen, dass Studierende, die sich bei Hausaufgaben auf KI stützen, bei beaufsichtigten Prüfungen signifikant schlechter abschneiden.

Un professore di economia alla Brown University ha scoperto che i suoi 86 studenti ottenevano una media del 96% a un esame da portare a casa, sospettando un imbroglio generalizzato tramite IA. Quando ha imposto un esame in presenza, 18 studenti hanno abbandonato il corso, 9 non si sono presentati, e la media è crollata al 48,6%, secondo The Decoder. Due studi condotti in Cina e a UC Berkeley confermano che gli studenti che si affidano all'IA per i compiti vedono i loro punteggi agli esami sorvegliati crollare significativamente.

On professor d'economia a Brown University l'ha scuvrii che i sò 86 student otteneven ona media del 96 % a on esam de portà a cà, sospettand ona ciolla generalizada via IA. Quand l'ha impost on esam in presenza, 18 student hann bandonaa el cors, 9 s'hinn minga presentaa, e la media l'è borlada a 48,6 %, segond The Decoder. Duu studi menaa in Cina e a UC Berkeley i confermen che i student che se fonden in su l'IA per i sò compit a cà veden i sò score ai esam sorvejaa borlà significativament.