@OpenAI
We’re ending our partnership with Cursor following its acquisition by SpaceX. Under our proposal, Cursor’s direct access to our models would end on November 12.
 
We know that the people most affected by this decision are the developers who rely on OpenAI models in Cursor. We care about their experience in this transition and we’re ready to go above and beyond to support them.

@elonmusk
 
I couldn’t care less. Scam Altman and Greg Stockman are utterly untrustworthy assholes who stole an open source nonprofit.

Z AI's GLM 5.3 and GLM 5.3 Flash (previously known as Ox Alpha) models are now available on Ollama’s cloud and are hosted in the US and Europe with zero data retention

@rS_alonewolf
À l'origine en japonais et traduit
 
Jusqu'à présent, j'ai presque entièrement construit, avec Qwen3.8 27B, un mécanisme pour extraire des séquences de 10 secondes incluant l'orgasme à partir de longues vidéos érotiques, et les utiliser comme matériel de référence pour la génération vidéo dans ComfyUI.
 
Vérifier manuellement un grand nombre de vidéos est fastidieux, et ça m'excite trop. Alors, même si je montre les vidéos à l'IA et lui demande « où se trouve l'orgasme », elle ne peut pas encore le juger avec précision.
 
Par curiosité, j'ai examiné les scores audio, les mouvements vidéo et les gels de mouvement d'une vidéo érotique d'un modèle AV particulier, et j'ai remarqué les tendances suivantes comme caractéristiques du moment de l'orgasme :
 
A. Gémissements dans la plage 100 à 1500 Hz → décroissance brutale ensuite  
B. Augmentation soudaine de la quantité de changement d'image entre les frames  
C. Transitions douces comme freeze, arrêt sur image, dissolve, etc.  
   
Par essai, j'ai fait écrire un script qui définit des conditions basées sur ces éléments pour chercher les positions candidates à l'orgasme, et j'ai pu accumuler pas mal de passages qui semblent vraiment frémir et tressaillir, donc ça va plutôt bien, je suppose.
 
Prochainement, je vais automatiser ça, le reformater en 24 fps avec le nombre de frames prescrit par H3, pour pouvoir l'injecter directement dans ComfyUI.
 
Une fois que j'aurai plus de données, j'aimerais entraîner sur les données numériques des moments d'orgasme et des moments non-orgasmiques, et utiliser un apprentissage automatique léger comme CatBoost pour découper automatiquement les coupes.
 
Cependant, les voix et mouvements pendant l'orgasme varient d'une personne à l'autre. Finalement, je pense qu'il faudra créer un modèle d'apprentissage par modèle AV, ou un mécanisme pour corriger les différences individuelles. Si je peux y arriver avec Qwen3.8 27B, ce serait amusant.
 
Le GT du graphique correspond au moment d'orgasme.  
Est-ce que A, B et C signifient tous un orgasme ? Pas vraiment.  
Ces patterns sont difficiles à discerner pour un humain → créons un classificateur.  
Cette idée ressemble beaucoup à la sélection de signaux d'achat/vente en investissement, je trouve.
 

Les nouvelles directives ne sont pas réservées aux versions les plus récentes, mais elles s'adaptent directement aux ruptures architecturales des modèles.
Le comportement dépend du moteur sous-jacent : un modèle « standard » (instruction-tuned classique) et un modèle à « raisonnement natif » (thinking/reasoning) ne réagissent pas de la même façon aux mêmes consignes.
Ce qui est universel (bénéfique sur toutes les générations)
 * Le balisage XML (<instructions>, <context> ) : Les mécanismes d'attention de tous les modèles basés sur les Transformers séparent nettement mieux les données du système grâce aux balises sémantiques, quelle que soit la version.
 * Le typage des sorties : Imposer un schéma clair (tableau Markdown, JSON typé) fiabilise le résultat sur un modèle ancien comme sur un modèle récent.
 * La suppression du verbiage : Moins d'adjectifs creux et plus de directives impératives réduisent le bruit dans le contexte, ce qui profite à n'importe quel LLM.
Pourquoi les versions antérieures fonctionnaient mieux avec les anciens prompts
Sur des versions plus anciennes ou dépourvues de mode de réflexion interne :
 * Le besoin vital de dérouler le calcul (Chain-of-Thought textuel) : Un modèle sans jetons de réflexion (thinking tokens) ne peut « réfléchir » qu'en générant du texte. L'inciter à écrire explicitement sa démarche pas à pas (« réfléchis étape par étape ») était indispensable pour éviter les erreurs de logique ou de calcul. Si on lui retire ce raisonnement visible, ses performances chutent sur les tâches complexes.
 * La rigidité des consignes : Les anciens modèles avaient tendance à dériver face à des consignes implicites. Les frameworks stricts (du type RCTO répété) servaient de garde-fous pour canaliser leur génération.
Pourquoi l'ancien style dégrade les modèles récents
Appliquer l'ancienne méthode sur un modèle récent avec raisonnement intégré produit deux effets indésirables :
 * Double raisonnement inutile : Le modèle réfléchit déjà en interne avant d'écrire. Lui demander de réécrire son raisonnement dans le texte final double la latence, consomme du quota de sortie et pollue le livrable.
 * Friction conversationnelle : Les modèles actuels ont une excellente capacité d'inférence contextuelle. Les forcer à poser systématiquement trois à cinq questions de cadrage avant d'agir ralentit inutilement les flux de travail.
Synthèse pratique
| Élément de prompt | Modèles antérieurs / sans mode de réflexion | Modèles récents / avec raisonnement natif |
|---|---|---|
| Balises XML | Recommandé (clarifie l'attention) | Indispensable (standard d'architecture) |
| CoT textuel visible | Obligatoire pour la logique complexe | À éviter (sauf objectif pédagogique explicite) |
| Exemples (Few/Many-shot) | 2 à 3 exemples courts (limite de contexte) | Dizaines d'exemples complets (Many-Shot ICL) |
| Gestion des ambiguïtés | Questionnaire de cadrage préalable | Inférence documentée + question ciblée si blocage |
Si tu dois faire tourner un prompt sur une version antérieure, réintroduis l'obligation d'écrire les étapes de calcul ou d'analyse avant la réponse finale. Pour les modèles récents, la structure XML épurée et le ciblage direct restent l'approche la plus efficace.