Anthropic remplace Git par Scion face à 30 000 merge par jour

Anthropic a construit son propre système de contrôle de source, Scion, et un système de revue de code nommé « Antique », à cause de l’augmentation du rythme de modification de son code ¹. En mai 2026, l’entreprise fusionnait environ 2 500 modifications de code par jour ; en septembre, elle en fusionnait plus de 30 000 par jour ¹. Simon Willison, qui relaie l’article, estime que Scion ressemble à une réinvention du contrôle de source centralisé dans la lignée de Subversion, et que l’arrivée des modèles de classe Fable/Mythos est probablement un facteur clé de cette accélération ¹.

Gemini 4 Argon est disponible via l’API Gemini et pour les abonnés au plan à 100 $/mois ². Simon Willison a ajouté le support du modèle à son plugin llm-gemini en version 0.35 ². Au lancement, Argon est facturé 2 $ par million de tokens en entrée et 10 $ par million en sortie, soit le même prix que GPT-6 Sol, la moitié de Claude Opus 5.5 et un cinquième de Claude Fable 5.1 et GPT-6 Astra ; le 1er décembre, le prix d’Argon doit doubler pour rejoindre celui d’Opus 5.5 ². Willison note que ces prix ne sont pas vraiment comparables, ce qui compte étant le nombre de tokens qu’un modèle consomme pour atteindre un objectif dans un harnais agentique ².

Ollama Cloud fonctionne dans les Fly.io Sprites, des machines virtuelles Linux complètes avec leur propre disque qui persistent entre les sessions ⁴. Claude Code, Codex et Gemini CLI sont pris en charge nativement et permettent aux agents d’exécuter des commandes dans un sandbox ⁴. Avec le connecteur Ollama, les Sprite accèdent aux modèles cloud d’Ollama comme kimi-k3, glm-5.3 et deepseek-v4.1-flash : la clé API est ajoutée à l’organisation Fly.io, chiffrée, jamais renvoyée par l’API, et le gateway Fly.io l’injecte dans la requête à partir de l’identifiant de connexion du Sprite, sans en-tête Authorization ⁴.

Liquid AI publie LFM2.5-24B-A2B, un modèle de raisonnement de 24B paramètres avec seulement 2B paramètres actifs, conçu pour des agents rapides et privés sur appareil ⁶. Il conserve l’architecture de LFM2-24B-A2B, soit 40 couches, 64 experts par bloc MoE avec routage top-4, et un mélange de convolutions courtes à porte et de GQA ⁶. La fenêtre de contexte passe de 32K à 131K tokens et une expansion en place du tokenizer double le vocabulaire de 65K à 128K tokens pour mieux tokeniser les langues non latines ⁶. Le pré-entraînement passe d’environ 17T à environ 33T tokens, puis le mid-training ajoute 2T tokens à 32K de contexte orientés raisonnement, mathématiques, code, suivi d’instructions et texte multilingue, plus 300B tokens à 131K de contexte orientés données longues ⁶.