Programmez
Le fil de programmez.com
-
Visual Studio Code 1.142.0 : apparition de la fonction canvas
Microsoft livre déjà la version 1.142 de VS Code, à peine 1 semaine après la 1.141. La nouveauté la plus important est la fonction Canvas, en preview pour le moment. Canvas est une interface intéractive avec un agent. "Une fenêtre s'ouvre à côté de la conversation, vous permettant, ainsi qu'à l'agent, de consulter et de mettre à jour le même élément au lieu de communiquer uniquement par messages. Par exemple, utilisez une fenêtre Kanban pour planifier et suivre le travail de développement. Vous pouvez créer et déplacer des cartes directement, tandis que l'agent peut décomposer une fonctionnalité en tâches, mettre à jour leur statut ou ajouter des tâches nouvellement identifiées." explique l'équipe.
Canvas est disponible pour les sessions locales utilisant Copilot harness.
Les autres nouveautés
1 / identifier rapidement le harness actif dans les fenêtes Chat
2 / sur un session Copilot harness, il est possible d'arrêter les shells en arrière-plan
3 / sur l'éditeur markdown : coller une image dans un document .md.
4 / sur l'éditeur markdown : possibilité de renommer un lien d'un fichier directement (Rename Symbol)
5 / Python : cette version corrige plusieurs bugs et problèmes sur les environnements Python dont un problème sur la découverte des environnements gérés par uv
Note de version : https://code.visualstudio.com/updates/v1_142
Catégorie actualité:Image actualité AMP:
-
Emergent s'appuie sur MongoDB Atlas pour accompagner le passage à la production des applications développées par l'IA
Tribune écrite par Emergent
En quatre mois, près de 2 millions d'applications ont été créées sur la plateforme Emergent, utilisée dans 180 pays, dont 50 000 ont été déployées. Pour accompagner le développement de ces applications, Emergent a choisi MongoDB Atlas, la plateforme de base de données dans le cloud de MongoDB, entreprise spécialisée dans les bases de données pour les applications modernes. Cette technologie permet aux agents d'intelligence artificielle de faire évoluer les structures de données au fil du développement et contribue à faciliter le passage des applications du prototype à la production.
Fondée en 2025 par les frères Mukund et Madhav Jha, Emergent permet de créer des applications logicielles à partir d'instructions en langage naturel. Cette approche, appelée vibe coding, ouvre le développement logiciel à des utilisateurs qui ne disposent pas nécessairement de compétences en programmation. Elle pose néanmoins un défi technique : les applications évoluent au gré des demandes des utilisateurs, et les agents d'IA doivent pouvoir adapter leurs données sans être bloqués par des opérations complexes.
Faire évoluer les applications sans freiner les agents d'IA
Lors des premiers tests de sa plateforme, Emergent a constaté que les agents pouvaient se retrouver bloqués dans des boucles de migration de schéma avec PostgreSQL lorsqu'ils devaient ajouter ou supprimer des colonnes pour répondre aux nouvelles demandes des utilisateurs. Ces difficultés ralentissaient le développement et compliquaient l'évolution des applications.
Après avoir testé différentes configurations sur une centaine d'applications prototypes, Emergent a retenu MongoDB Atlas. Son modèle de données documentaire, adapté notamment aux données JSON utilisées par les agents d'IA, permet de faire évoluer les structures de données sans nécessiter systématiquement des migrations de schéma complexes.
MongoDB Atlas est désormais la base de données par défaut des applications développées sur Emergent. Chaque application déployée dispose de sa propre base de données isolée. L'infrastructure accompagne ainsi les utilisateurs depuis les premières itérations jusqu'au déploiement, tout en limitant la complexité liée à la gestion des données.
« MongoDB Atlas est la base de données la plus simple à utiliser pour un agent d'IA. Ses capacités de montée en charge sont particulièrement appréciables aujourd'hui. Près de 2 millions d'applications ont été créées sur notre plateforme et plusieurs dizaines de milliers ont été déployées. Nous n'avons pas à nous préoccuper de la montée en charge ni de la gestion de l'infrastructure, ce qui nous est très utile », déclare Mukund Jha, cofondateur et CEO d'Emergent.
Accompagner le passage du prototype à la production
Depuis son lancement public, Emergent a permis de créer près de 2 millions d'applications en quatre mois, dont 50 000 ont été déployées dans 180 pays. Les usages couvrent des besoins variés, de la numérisation des opérations des petites entreprises à la création d'outils internes par des équipes non techniques.
Pour les entreprises, l'enjeu ne consiste pas seulement à générer rapidement une première version d'une application, mais à pouvoir la faire évoluer et la déployer dans des conditions adaptées à ses usages. Emergent propose notamment aux clients professionnels de connecter leur propre organisation MongoDB Atlas pour déployer leurs applications dans leur environnement existant.
En s'appuyant sur une infrastructure de données flexible, Emergent entend ainsi accompagner des applications qui se complexifient au fil des itérations et permettre à ses utilisateurs de dépasser le stade du prototype. Cette expérience illustre l'un des enjeux du développement logiciel piloté par l'IA : rendre la création d'applications plus accessible tout en permettant leur évolution et leur utilisation en production.
Découvrez Emergent : https://emergent.ai
Catégorie actualité:Image actualité AMP: -
Proximité ou latence : de quoi les entreprises ont-elles réellement besoin ?
Demandez à un fournisseur d’infrastructures pourquoi la localisation compte, et la réponse tiendra souvent en un mot : la latence. Les millisecondes sont devenues l’unité de référence du secteur. Pourtant, elles ne disent pas tout. Pour une entreprise, la proximité de son infrastructure peut compter davantage que quelques millisecondes gagnées sur un trajet réseau. Car si la latence mesure la distance du point de vue des données, la proximité la mesure du point de vue de l’entreprise : ses équipes, ses prestataires et ses obligations réglementaires.
La latence a un seuil. La proximité, beaucoup moins.
Dans certains domaines comme le trading haute fréquence, le contrôle industriel en temps réel, le jeu vidéo ou certaines applications d’IA, chaque milliseconde compte réellement. Mais pour la plupart des applications d’entreprise, une fois la latence suffisamment faible pour garantir le niveau de service attendu, gagner quelques millisecondes supplémentaires change peu de choses. La proximité, en revanche, continue d’avoir des effets très concrets sur la capacité à intervenir, à auditer une installation ou à respecter certaines contraintes réglementaires.
Ce que change réellement la proximité
Elle rend les SLA plus crédibles.
Un MSP peut s’engager à envoyer un technicien sur site en moins de quatre heures ou à remplacer un équipement défaillant. Mais cet engagement dépend directement de la distance. Lorsque le data center est à 40 minutes de route, il est réaliste. Lorsqu’il faut prendre l’avion, beaucoup moins.
Elle réduit aussi la distance juridique.
L’emplacement des données détermine les juridictions et les réglementations auxquelles elles peuvent être soumises. Pour une entreprise européenne confrontée au RGPD, à des règles sectorielles ou à des exigences de souveraineté, la localisation ne relève donc pas uniquement de la performance réseau. Un site à 5 millisecondes dans un autre pays peut ainsi être, juridiquement, plus éloigné qu’un site à 15 millisecondes situé dans la juridiction recherchée.
Elle facilite les audits et les opérations.
Inspecter une installation, assister à la mise hors service d’un équipement, préparer une migration ou intervenir sur du matériel reste plus simple lorsque le site est accessible en quelques heures. Cette proximité facilite également les relations avec les équipes d’exploitation et permet d’identifier rapidement le bon interlocuteur en cas d’incident.
Ce que le modèle centralisé laisse de côté
L’essor de l’hyperscale a imposé une autre logique : concentrer les infrastructures dans quelques grands campus et s’appuyer sur la performance des réseaux pour réduire les effets de la distance. Techniquement, cette approche fonctionne souvent très bien. Mais rendre la distance presque invisible pour les données ne la fait pas disparaître pour l’entreprise. Elle réapparaît dans les coûts, la maintenance, la conformité et la complexité opérationnelle. Autant de dimensions qui ne se mesurent pas en millisecondes.
L’edge datacenter au service de la proximité
On présente généralement l’edge datacenter comme une infrastructure placée au plus près des utilisateurs pour réduire la latence. Pour l’entreprise, son rôle peut être plus large : rapprocher l’infrastructure non seulement des données, mais aussi des personnes, des contrats et des juridictions qui en dépendent.
La latence mesure le temps nécessaire aux données pour atteindre l’infrastructure. La proximité mesure la facilité avec laquelle l’entreprise peut agir sur cette infrastructure. Lorsque quelques millisecondes supplémentaires ne changent plus rien à l’usage, c’est souvent cette seconde forme de distance qui compte.
Anwar SALIBA
nLighten FranceMots clés Google: -
IA physique : pourquoi le stockage des données devient stratégique à l’ère des machines autonomes ?
Robots, véhicules autonomes, machines intelligentes : à mesure que l’IA s’incarne dans le monde réel, les besoins en données explosent. Cette transformation impose de repenser les infrastructures de stockage pour répondre aux exigences de performance, de capacité et de fiabilité des systèmes autonomes.
L’intelligence artificielle s’est d’abord imposée à travers des interfaces conversationnelles capables de générer du texte, des images ou du code. Mais une nouvelle étape est déjà en marche : celle de l’IA physique (Physical AI). L’IA ne se contente plus d’analyser des informations ou de répondre à des requêtes ; elle pilote désormais des robots, des véhicules autonomes ou encore des machines capables de percevoir leur environnement, de raisonner et d’interagir avec le monde réel.
Cette évolution marque un changement profond. Les systèmes d’IA ne sont plus uniquement conçus pour comprendre des données : ils doivent désormais agir en temps réel dans des environnements complexes, où chaque décision peut entraîner des conséquences immédiates. Cette transformation redéfinit les architectures technologiques qui soutiennent ces nouveaux usages, avec des implications majeures pour l’edge computing, la réduction de la latence… mais aussi pour le stockage des données.
L’IA physique ne peut fonctionner sans des données disponibles instantanémentPendant longtemps, les modèles d’intelligence artificielle reposaient principalement sur des infrastructures cloud centralisées. Les données étaient envoyées vers des centres de calcul, analysées, puis les résultats renvoyés vers les appareils. Ce fonctionnement atteint aujourd’hui ses limites dès lors que les systèmes doivent prendre des décisions en quelques millisecondes.
C’est pourquoi l’intelligence se rapproche désormais de la source des données. Les traitements sont réalisés directement sur les équipements, au plus près des capteurs, selon une approche connue sous le nom d’Edge AI. Cette évolution est indispensable pour les véhicules autonomes, les drones ou encore les robots mobiles autonomes (AMR) utilisés dans les entrepôts, qui doivent analyser en permanence leur environnement, adapter leur trajectoire et réagir immédiatement à un obstacle.
Mais rapprocher l’intelligence du terrain suppose également de rapprocher les données. À mesure que ces équipements gagnent en autonomie, ils embarquent des volumes croissants d’informations qu’ils doivent pouvoir enregistrer, consulter et exploiter localement. Dans ce contexte, les technologies de stockage flash haute performance deviennent un élément clé de l’architecture des systèmes d’IA physique. Des technologies comme les SSD NVMe®, conçues pour offrir un accès extrêmement rapide aux données, permettent de réduire la latence et d’alimenter les moteurs d’IA sans créer de goulot d’étranglement. Le stockage flash n’est plus un simple composant d’infrastructure : il devient un facteur déterminant des performances de ces systèmes intelligents.
Les robots humanoïdes illustrent les nouveaux défis du stockage
Les robots humanoïdes constituent aujourd’hui l’exemple le plus emblématique de cette nouvelle génération d’intelligence artificielle. Selon plusieurs projections, le parc mondial de robots humanoïdes pourrait atteindre près de 1,4 million d’unités d’ici le milieu des années 2030, un chiffre qui pourrait être revu à la hausse compte tenu de l’accélération des investissements dans ce secteur.
Contrairement aux robots traditionnels, ces machines ne se contentent pas d’exécuter un programme prédéfini. Elles apprennent continuellement de leurs interactions avec le monde réel, enrichissent leurs modèles et affinent leurs capacités au fil de l’expérience. Un robot peut, par exemple, apprendre progressivement quelle pression exercer pour manipuler un objet fragile ou adapter ses mouvements selon un environnement qu’il découvre.
Cet apprentissage permanent s’accompagne d’une explosion des besoins en stockage local. Les robots doivent conserver des modèles d’IA, des données issues de multiples caméras, des informations provenant de capteurs tels que le LiDAR (Light Detection and Ranging), mais aussi l’historique de leurs interactions et de leurs mouvements. Une partie de ces données est exploitée immédiatement pour permettre la prise de décision en temps réel, tandis que les informations les plus pertinentes sont ensuite transférées vers les data centers afin d’entraîner les modèles d’IA à plus grande échelle.
Les besoins varient naturellement selon les usages. Un robot industriel dédié à des opérations de précision n’embarquera pas les mêmes volumes de données qu’un robot humanoïde polyvalent appelé à évoluer dans des environnements variés et à interagir avec des personnes. Mais dans tous les cas, la tendance est la même : plus les systèmes deviennent autonomes, plus les besoins en stockage local rapide, fiable et évolutif augmentent.
Le stockage devient un pilier stratégique de l’IA physique
L’essor de l’IA physique ne transforme pas uniquement les machines. Il fait également évoluer l’ensemble des infrastructures numériques qui les accompagnent.
Les données produites par les robots, véhicules autonomes ou autres systèmes intelligents continueront d’être transférées vers les data centers pour l’entraînement des modèles d’intelligence artificielle, la simulation ou l’archivage. Cette évolution accroît considérablement les besoins en capacité de stockage tout en imposant des accès toujours plus rapides aux données.
Dans ce contexte, les nouvelles générations de stockage flash à haute capacité, notamment celles reposant sur des technologies comme UltraQLC, devraient jouer un rôle croissant pour répondre aux exigences des charges de travail liées à l’IA. Elles permettent de concilier densité de stockage, performances et efficacité énergétique, aussi bien à l’edge que dans les infrastructures centrales.
L’avenir de l’IA physique ne dépendra donc pas uniquement de la puissance des modèles ou des processeurs. À mesure que les machines gagneront en autonomie, leur capacité à accéder rapidement aux bonnes données, à les conserver localement et à les exploiter efficacement deviendra tout aussi déterminante. Les technologies de stockage flash s’imposent ainsi comme l’un des fondements technologiques de cette nouvelle génération d’intelligence artificielle, aussi bien à l’edge que dans les infrastructures qui soutiennent son développement.
Christophe Vaissade
OEM Sales Director EMEA, Embedded et Cloud Market chez SandiskMots clés Google: -
IA : sans cadre clair, pas de passage à l'échelle
Pour les entreprises, le défi n'est plus tant de découvrir les applications de l'intelligence artificielle que de l'intégrer durablement dans leurs activités.
Cela suppose bien plus que l'accès à des modèles performants : sans cadre clair intégrant gouvernance, qualité des données et règles d'usage, aucun passage à l'échelle n'est possible.
De l'expérimentation au déploiement
Ces dernières années, les entreprises se sont concentrées sur l'identification des cas d'usage de l’IA les plus pertinents, dans des domaines aussi variés que le développement logiciel, l'analyse documentaire, l'assistance aux équipes métiers ou les systèmes agentiques.
La question n'est plus seulement de savoir où l'IA peut apporter de la valeur. Elle est de comprendre comment l'intégrer durablement dans les activités, les processus et les métiers de l'entreprise.
Autrement dit, il ne s'agit plus simplement de tester des outils ou de valider des cas d'usage, mais de créer les conditions permettant leur déploiement à grande échelle.
Cette transition est souvent sous-estimée. Déployer l'IA ne consiste pas simplement à choisir un modèle ou à souscrire un abonnement à un service en ligne. Derrière les démonstrations spectaculaires se cachent des questions beaucoup plus concrètes : sécurité, gouvernance, qualité des données, traçabilité, conformité ou encore intégration dans les processus existants.C'est particulièrement vrai dans les environnements industriels, les systèmes embarqués, la cybersécurité ou les projets manipulant des données sensibles. Dans ces contextes, l'IA ne peut pas être une boîte noire. Elle doit s'intégrer dans un cadre maîtrisé, reproductible et sécurisé.
Dans ces environnements, l'enjeu n'est pas seulement d'obtenir une réponse pertinente, mais de pouvoir la justifier, la reproduire et l'intégrer dans des systèmes soumis à des exigences élevées de sûreté, de qualité et de traçabilité.
Le cadre permet le passage à l’échelle
Le cadre n'est pas un frein à l'innovation. Il constitue au contraire une condition indispensable à l'adoption de l'IA. Sans cadre clair, les usages restent dispersés, les données difficiles à maîtriser et les résultats impossibles à fiabiliser ou à généraliser. À l'inverse, lorsque les infrastructures, les données, les pratiques et les règles sont définies, l'innovation peut se déployer à grande échelle.
Concrètement, cela implique de définir les conditions d'utilisation de l'IA dans l'entreprise. Sécurité, confidentialité des données, conformité, choix d'hébergement ou encore traçabilité ne sont pas des contraintes administratives. Elles constituent les fondations qui permettent une adoption pérenne et responsable de l'IA.
L'IA n'a pas vocation à remplacer les ingénieurs
L'IA est un formidable outil qui aide à analyser, coder, tester, documenter ou retrouver plus rapidement de l'information. Mais lorsqu'un produit est livré à un client, lorsqu'un logiciel est mis en production ou lorsqu'un système embarqué est déployé sur le terrain, c'est toujours un ingénieur et son entreprise qui engagent leur responsabilité. La validation, les arbitrages techniques et les décisions finales restent humains.
Il ne s’agit donc pas de remplacer l'expertise, mais de permettre aux experts de consacrer davantage de temps à la résolution de problèmes complexes, à l'innovation et à la création de valeur.
La différence se joue dans les données et les métiers
Les organisations qui tireront le meilleur parti de l'IA ne seront pas nécessairement celles qui auront accès aux modèles les plus performants. Avec la démocratisation rapide de ces technologies, la valeur se déplace vers la maîtrise des données, la compréhension fine des métiers et la capacité à intégrer l’IA dans des processus réels. Ce sont ces actifs, souvent propres à chaque organisation, qui deviennent les véritables facteurs de différenciation.
L'avantage concurrentiel reposera moins sur l'accès aux modèles eux-mêmes que sur la capacité à les déployer efficacement dans des environnements réels, soumis à des contraintes industrielles, réglementaires et opérationnelles. Désormais, l'enjeu est donc moins de disposer de l'IA la plus performante que de savoir l'intégrer de manière fiable dans les métiers qui créent réellement de la valeur.Jean-François Béraud
directeur de l’innovation, ADVANS Group.Mots clés Google: -
curl 8.23.0 : énorme mise à jour avec 216 bugs et failles de sécurité
curl annonce la version 8.23.0. Cette mise à jour est impressionnante : 216 corrections de bug et de failles de sécurité. Une des plus importantes failles fixées est la CVE-2026-92392. Cette CVE impacte toutes les annonces de la 8.12.0 à 8.22.0. Elle permet de corrompre la mémoire du client depuis un chargement compromis provenant d'un serveur. Elle permet d'exécuter du code non autorisé. La faille vient d'un upload depuis un curl mal pris en charge par HTTP/2. Elle permet alors un Use-Afeter-Free et l'exécution d'un code distant. Cette CVE est classée critique.
curl 8.23.0 retire le support de SMB.
METTEZ À JOUR !
CVE-2026-92392 : https://curl.se/docs/CVE-2026-92392.html
Changelog : https://curl.se/changes.html
Catégorie actualité:Image actualité AMP: -
Symfony corrige de nombreux bugs avec la 6.4.48
Symfony annonce la mise à jour 6.4.48. Il s'agit d'une version de maintenant pour corriger de nombreux bugs issus de la 6.4.47. La liste est longue et concerne de nombreux modèles : cache, console, BrowserKit, Form, http, etc.
AssetMapper- bug #66645 [AssetMapper] Clean up the asset being created when a compiler fails (@phcorp)
BrowserKit- bug #66182 [BrowserKit] Fix parsing and path matching of cookies (@X-Coder264, @nicolas-grekas)
Cache- bug #66651 [Cache][FrameworkBundle] Cache the parsed expressions of # attributes (@nicolas-grekas)
Clock- bug #66833 [Clock] Fix DatePoint being one hour off when its reference is in the DST fall-back hour (@nicolas-grekas)
- bug #66831 [Clock] Fix DatePoint keeping the current time of day for dates with a relative part (@nicolas-grekas)
- bug #66708 [Clock] Fix new DatePoint() being one hour off during the DST fall-back hour (@nicolas-grekas)
- bug #66707 [Clock] Fix MockClock::sleep() with dates before 1970 (@nicolas-grekas)
Console- bug #66676 [Console] Build the lazy signal listeners before a signal can interrupt an autoload (@nicolas-grekas)
Contracts- bug #66610 [Contracts][HttpClient] Skip tests that rely on 500ms server pauses on Windows (@nicolas-grekas)
DependencyInjection- bug #66894 [DependencyInjection] Fix ignoring env var processors after resolving env vars before compilation (@nicolas-grekas)
- bug #66892 [DependencyInjection] Fix dumping strings like "50% of 100%" (@nicolas-grekas)
- bug #66743 [DependencyInjection] Make the ids of anonymous services independent from the project directory (@nicolas-grekas)
- bug #66738 [DependencyInjection] Make service locator ids reproducible (@nicolas-grekas)
- bug #66596 [DependencyInjection] Fix dumping closures of "Class::method" callables (@nicolas-grekas)
- minor #66605 [DependencyInjection] Report circular parent definitions before compiler passes walk them (@nicolas-grekas)
ExpressionLanguage- bug #66727 [ExpressionLanguage] Fix discrepancies between evaluated and compiled expressions (@lyrixx)
- bug #66723 [ExpressionLanguage] Bound the depth of the parsed node tree (@nicolas-grekas)
- bug #66720 [ExpressionLanguage] Fix nesting level of chained ternaries (@lazerg)
- bug #66654 [ExpressionLanguage] Fix evaluating a parsed expression again after a null-safe operator short-circuited it (@nicolas-grekas)
Filesystem- bug #66663 [Filesystem] Fix touch() with zero timestamp (@ephpicman)
Form- minor #66903 [Form][Validator] Fix Tagalog (tl) translations and typos (@jcparucha)
- minor #66698 [Form][Validator] Review Bulgarian translations (@DRaichev)
- minor #66648 [Form][Validator] Reviewed Greek translations (@angeliszotis)
- minor #66545 [Form][Security][Validator] Fix Urdu translations (@nicolas-grekas)
- minor #66601 [Form][Validator] Review Japanese translations (@akine)
- minor #66518 [Form] Fix Urdu translations (@Anwishazaman)
- minor #66525 [Form][Validator] Review Turkish (tr) translations (@mmustafasenoglu)
- minor #66488 [Form][Validator] Fix malformed placeholders in translations (@nicolas-grekas)
- minor #66486 [Form][Validator] Review Persian (fa) translations (@amirreza-khaleghverdi)
FrameworkBundle- bug #66793 [FrameworkBundle] Fix the "Cannot unset string offsets" crash in the configuration of workflows (@nicolas-grekas)
- bug #66633 [FrameworkBundle] Don't let Monolog override php_errors.log: false (@lazerg)
- bug #66569 [FrameworkBundle] Don't list aliases of abstract services in debug:autowiring (@nicolas-grekas)
HttpFoundation- bug #66694 [HttpFoundation] Don't warn about request input keys nested too deeply (@logosur)
- bug #66513 [HttpFoundation] Keep the session ID when the session handler fails to read (@Firehed, @nicolas-grekas)
- bug #66491 [HttpFoundation] Fix HeaderUtils::split() when a separator is a whitespace character (@nicolas-grekas)
HttpKernel- bug #66883 [HttpKernel] Release the services of the container when the kernel shuts down (@nicolas-grekas)
- bug #66826 [HttpKernel] Use the clock to resolve relative dates in DateTimeValueResolver (@nicolas-grekas)
- bug #66759 [HttpKernel] Don't trace the responses HttpCache cannot store as stored (@nicolas-grekas)
- bug #66665 [HttpKernel] Fix HttpCache leaking an output buffer when an ESI fragment fails (@nicolas-grekas)
- bug #66662 [HttpKernel] Fix HttpCache serving a 500 instead of a 503 for stale ESI entries when the cache is locked (@lyrixx)
- bug #66631 [HttpKernel] Release the container build lock on failure path (@edefimov)
Lock- bug #66604 [Lock] Fix auto-release after a failed promotion or demotion (@nicolas-grekas)
- bug #66600 [Lock] Fix the PostgreSQL stores losing track of a lock after a failed promotion or demotion (@nicolas-grekas)
- bug #66597 [Lock] Fix FlockStore keeping a closed handle after a failed promotion (@nicolas-grekas)
Messenger- bug #66867 [Messenger] Route zero-delay AMQP retries to the original queue (@dalerazimov)
- bug #66779 [Messenger] Make AMQP transports only read their own queues with --queues (@jkatruska)
- bug #66783 [Messenger][Amqp] Fix polling an empty queue counting as a message in flight (@nicolas-grekas)
- bug #66628 [Messenger] Fix matching AMQP publisher confirms to their message after a timeout (@nicolas-grekas)
- bug #66549 [Messenger] Fix the Doctrine transport masking commit failures (@lazerg)
- bug #66541 [Messenger] Fix losing delayed messages when retrying the message that dispatched them (@nicolas-grekas)
- bug #66509 [Messenger] Reject decoded messages that carry non-sendable stamps and validate the stamps of unserialized envelopes (@nicolas-grekas)
- bug #66496 [Messenger] Fix moving a message between transports that use different serialization formats (@nicolas-grekas)
- bug #66480 [Messenger] Fix decoding a ValidationStamp that holds a GroupSequence (@nicolas-grekas)
- bug #66478 [Messenger] Fix recognizing a repeated error when its code does not keep its type in XML (@nicolas-grekas)
- bug #66479 [Messenger] Fix decoding in XML a ValidationStamp that has one group or none (@nicolas-grekas)
- bug #66473 [Messenger] Fix decoding in XML an ErrorDetailsStamp that has no FlattenException (@nicolas-grekas)
- bug #66474 [Messenger] Turn any error thrown while decoding into a MessageDecodingFailedException (@nicolas-grekas)
- bug #66475 [Messenger] Don't send handler results to transports (@nicolas-grekas)
- bug #66463 [Messenger] Fix decoding ErrorDetailsStamp with the XML format (@nicolas-grekas)
- bug #66455 [Messenger] Fix decoding ErrorDetailsStamp with Serializer::create() (@nicolas-grekas)
- minor #66516 [Messenger] Recommend not decoding non-sendable stamps in SerializerInterface::decode() (@nicolas-grekas)
Notifier- bug #66814 [Notifier][PagerDuty] Keep the user payload and send the timestamp as a string (@nicolas-grekas)
PhpUnitBridge- minor #66510 [PhpUnitBridge] Remove silencing of __sleep/wakeup() deprecations (@nicolas-grekas)
PsrHttpMessageBridge- bug #66672 [PsrHttpMessageBridge] use the empty string instead of null as an array offset (@dalerazimov)
Security- bug #66841 [Security] Fix using OidcTokenHandler when symfony/clock is not installed (@nicolas-grekas)
- bug #66629 [Security] Don't copy the security token of the session into logs (@nicolas-grekas)
- bug #66548 [Security] Pass only stringable request attributes to the URL generator in HttpUtils (@lazerg)
String- bug #66572 [String] Fix wordwrap() with $cut when the string ends with the break (@SulimanAbdulrazzaq)
- bug #66503 [String] Fix width() of escape sequences with an intermediate or a digit final byte (@nicolas-grekas)
- bug #66500 [String] Fix width() of OSC sequences terminated by BEL (@nicolas-grekas)
- bug #66490 [String] Fix width() of skin tones on keycap and text-default bases, and of format characters (@phcorp)
- bug #66447 [String] Fix the width of emoji sequences and conjoining Hangul jamo (@nicolas-grekas)
- minor #66457 [String] Update wcswidth data with Unicode 18 (@nicolas-grekas)
TwigBundle- bug #66741 [TwigBundle] Sort the templates listed by TemplateIterator (@nicolas-grekas)
Uid- bug #66834 [Uid] Fix the date of time-based UUIDs before 1970 that have a fractional second (@nicolas-grekas)
VarDumper- bug #66866 [VarDumper] Fix dumping exceptions whose trace frames contain arrays or objects in extra keys (@bwoebi)
WebProfilerBundle- bug #66682 [WebProfilerBundle] Serve phpinfo() as plain text when PHP runs with the CLI SAPI (@lazerg)
Yaml- bug #66835 [Yaml] Fix parsing timestamps with a fractional second before 1970 (@nicolas-grekas)
- bug #66830 [Yaml] Throw a ParseException on keys starting with a NUL byte when parsing mappings as objects (@lazerg)
- bug #66711 [Yaml] Fold trailing and leading white space of multi-line quoted scalars (@SulimanAbdulrazzaq)
- bug #66621 [Yaml] Do not treat quoted << keys as merge keys (@kevin9327)
- bug #66602 [Yaml] Quote the... document end marker when dumping (@nicolas-grekas)
- bug #66592 [Yaml] Quote signed and decimal numeric strings with underscores when dumping (@GabeSilvaDev)
- bug #66567 [Yaml] Quote .inf and .nan strings when dumping (@SulimanAbdulrazzaq)
- bug #66523 [Yaml] Fix dumping tagged multi-line literal blocks (@nicolas-grekas)
- bug #66508 [Yaml] Fix round-tripping literal blocks that start with spaces-only lines (@drewmt, @nicolas-grekas)
Catégorie actualité:Image actualité AMP: -
Scaleway renforce sa puissance de calcul : impossible de choisir entre NVIDIA et AMD
Scaleway a annoncé plusieurs importantes évolutions de son infrastructure européenne. L'objectif est toujours le même : étendre la capacité de calcul sur les charges IA et déployer des ressources mixtes NVIDIA et AMD.
1 / supercalculateur avec GPU AMD en Suède : l'hébergeur française annonce l'installation, à une date non précisée, d'un supercalculateur IA basé sur des GPU AMD en Suède. Il utilisera l'AMD Instinct MI355X. En plus d'AMD, Bull travaille sur l'intégration et l'installation du cluster, des baies et du refroidissement. Scaleway confirme par cette annonce sa volonté de s'étendre en Europe et plus uniquement en France.
2 / annonce d'une nouvelle zone GPU à Copenhague basée sur le HGX B300 de NVIDIA. Elle est surtout orientée charges IA. "La stratégie de Scaleway en matière de GPU Zones vise à rapprocher le calcul haute performance pour l’IA des clients européens, tout en privilégiant l’efficacité énergétique et la durabilité. Les sites sont soigneusement sélectionnés selon plusieurs critères, notamment la proximité avec les clients, l’accès à une énergie fiable et bas carbone, ainsi que des conditions climatiques favorables permettant de réduire les besoins en refroidissement. Tous les sites sont situés au sein de l’Union européenne, conformément à l’engagement de Scaleway de rester un fournisseur de cloud 100 % européen et de maintenir ses opérations sous juridiction européenne." explique l'hébergeur.
Catégorie actualité:Image actualité AMP: -
Surface RTX Spark Dev Box arrive en précommande mais pas en France
Microsoft annonce l'ouverture des précommandes, uniquement aux Etats-Unis, de sa Surface RTX Spark Dev Box. Ce nouveau kit de développement, espérons avec une durée de vie plus longue que la précédente Dev Box Arm, est dédié aux développeurs, aux ingénieurs IA pour monter une IA locale, évaluer les modèles, etc.
Avec un design original, la box embarque Windows 11 Pro et une série d'outils préconfigurés (VS Code, GitHub Copilot, Copilot CLI, WSL, PowerShell 7). Elle embarque 128 Go de RAM unifiée et les technologies NVIDIA. Le boîtier est en alumium pour favoriser la dissipatoin thermique.
Les spécifications :
NVIDIA RTX Spark 20 coeurs CPU
NVIDIA RTX Blackweel pour la partie GPU
128 Go de RAM unifié
stockage : 2 To
Poids : -2 kg
USB-C, HDMI 2.1b
Ethernet : type non précisé, espérons un port 10 Gb/s minimum
WiFi 7
Alimentation : 165W
Les apps complémentaires :
Windows Subsystem for Linux
Visual Studio Code
GitHub Copilot CLI
Windows development skills
Windows App Development CLI
Microsoft PowerShell 7
Git for Windows
Oh My Posh
GitHub CLI
Microsoft Azure CLI
Python 3.14
Uv
NVM
NodeJS 24
Ubuntu 24.04
Microsoft .NET SDK 10
Microsoft PowerToys
Le tarif annoncé est de 5 999,99 $. Aucune date de disponibilité réelle n'est annoncée ni la disponibilité dans d'autres pays.
Site : https://www.microsoft.com/en-us/surface/devices/surface-rtx-spark-dev-box
Catégorie actualité:Image actualité AMP: -
REA confie la rétro-ingénierie à l'agent de code
REA (Reverse Engineer Anything) est un MCP open source de rétro-ingénierie (reverse engineering), sous licence MIT, qui donne à un agent de code (coding agent) les moyens d'inspecter un programme et d'expliquer ce qu'il fait. Il se branche sur l'agent déjà utilisé : npx rea-agents@latest setup présente un plan d'installation à valider. Ensuite, une question en langage naturel suffit : l'agent lit le code désassemblé ou décompilé, suit les appels et reconstitue la règle. Le site prend l'exemple de la touche % de la calculatrice Windows, qui donne 220 pour 200 + 10 %.La version 6.4 étend la prise en charge d'Android : inspection d'appareils, récupération d'APK fractionnés (split APKs), journaux (logs), captures d'écran et transferts de fichiers via ADB, décodage du manifeste avec Apktool. REA sait aussi parcourir un projet JEB et en décompiler des éléments, via un serveur MCP JEB local lancé par l'utilisateur, et configurer l'import dans Ghidra avant l'auto-analyse.
Côté web, l'outil reconnaît les appels tRPC pris en charge et les opérations GraphQL nommées dans les applications JavaScript et les bundles. L'analyse du JavaScript tourne dans un processus isolé, aux limites de mémoire et de temps configurables, et conserve les résultats obtenus quand ces limites sont atteintes.
Cette version ajoute enfin l'installation pour les agents Pi, Hermes et Qwen Code, et un profil de schéma compact pour les clients MCP qui limitent la taille des schémas.
Note de version : https://github.com/morluto/rea/releases/tag/rea-agents-6.4.0
Catégorie actualité:Image actualité AMP: