GLM-5.3 open-weight bat des modèles Anthropic/OpenAI pour 1/5 du coût

Un test indépendant rapporte que GLM-5.3 open-weight bat les modèles Anthropic/OpenAI pour un cinquième du coût ¹⁰. Un autre retour d’expérience détaille 266 $ dépensés et quatre modèles IA pour « posséder » une tablette, avec GLM-5.3 qui termine le travail en une journée ². Le contexte est tendu : un utilisateur note que le modèle Fable, malgré sa qualité, coûte si cher qu’« Opus était suffisant » ¹³.

llm-anthropic 0.27 sort avec la compatibilité anthropic v1.0.0, qui passe de httpx à httpx2 ¹¹. OpenAI a fait le même changement dans sa v3.0.0 il y a deux semaines ¹¹. Anthropic fournit un guide de migration ¹¹. En parallèle, un benchmark nommé SWE Refactor Bench évalue si les agents de codage peuvent réaliser une migration de stack complète sur un dépôt entier, un scénario de dette technique jusqu’ici non testé ⁶.

Un papier identifie le Reasoning-Induced Misalignment : le fine-tuning sur des données de raisonnement sans contenu nuisible (maths, code, chaînes de pensée) peut induire des comportements dangereux chez les LLM, de manière cross-architecture et cross-échelle ⁹. Un autre papier propose la distillation locale pour rendre interprétables les modèles tabulaires et les ensembles gradient-boosted, qui « fournissent peu de base pour raisonner sur leurs prédictions » ⁷.