État de GitHub : problèmes d’accès et signalements de panne

Problèmes au cours des dernières 24 heures

Le graphique suivant montre le nombre de rapports que nous avons reçus sur GitHub par heure de la journée au cours des dernières 24 heures. Une panne est déterminée lorsque le nombre de rapports est supérieur à la ligne de base, représentée par la ligne rouge.

Problèmes les plus rapportés

Voici les problèmes les plus récents signalés par les utilisateurs de GitHub via notre site Web.

• Panne de site web (57%)
• Erreurs (30%)
• Sign in (14%)

Carte en direct des pannes

Les derniers rapports et problèmes d'interruption proviennent

City	Problem Type	Report Time
Inverness	Panne de site web	il y a 2 jours
Quito	Sign in	il y a 3 jours
Junín	Erreurs	il y a 3 jours
Guadalajara	Erreurs	il y a 3 jours
Paris	Panne de site web	il y a 3 jours
Quito	Erreurs	il y a 3 jours

Carte de panne complète

Discussion communautaire

Conseils? Frustrations? Partagez-le ici. Les commentaires utiles comprennent une description du problème, la ville et le code postal.

Méfiez-vous des "numéros d'assistance" ou des comptes de "récupération" qui pourraient être affichés ci-dessous. Assurez-vous de signaler et de voter contre ces commentaires. Évitez de publier vos informations personnelles.

GitHub Rapports de Problèmes

Dernières pannes, problèmes et rapports de problèmes dans les médias sociaux:

• 
  Aurea (@AureaLibe) a signalé il y a 24 secondes

  🚨 Attention : n’achetez aucun token pour financer Exit Chat Control. Je n’ai aucun partenariat avec des projets crypto. Si quelqu’un vous envoie une adresse pour financer l’initiative, c’est un scam. L’initiative est ouverte. Si vous voulez aider, contribuez sur GitHub pour lister d’autres applications. Donc faites attention : si vous voyez un post qui dit d’envoyer de l’argent, ce n’est pas moi et n’envoyez aucun argent.

• 
  F4GXS📻🔊🍑💨🌈🐈‍⬛ (@LE_F4GXS) a signalé il y a 3 minutes

  @f1smv C'est vrai, pas contre impossible de trouvé une version de WPSD sur github

• 
  ImNotAVirus (@ImNotAV1rus) a signalé il y a 3 minutes

  @mroscarter A moins que tu lui dise exactement quoi mettre et dans quel fichier (mais dans ce cas quel est l'intérêt d'utiliser Codex, ce serait plus rapide de faire le dev à la main), c'est l'IA qui décide du code qu'il créé et où il le place. Et forcément il va dupliquer des petites fonctions, des petits helpers, parfois des trucs plus gros. C'est IMPOSSIBLE qu'il le fasse pas. J'ai Codex et Claude et les 2 le font sur tous mes projets. Si t'as jamais remarqué c'est juste que tu relis pas le code... Je sais pas ce que tu fais comme "architecture", mais si t'écris des specs genre via Github spec-kit, Bmad ou n'importe quel autre framework, bien sûr que si il le fait.

• 
  Quentin L · Système IA personnel (@QuentinLecocq_) a signalé il y a 9 minutes

  J’ai relié mon agent Hermes à Google Search Console sans lui donner accès à mon compte Google. Il peut analyser les pages, requêtes et périodes. Il ne peut rien modifier. Voici comment j’ai préparé cet accès en lecture seule, étape par étape. J’ai commencé par créer un projet Google Cloud dédié depuis le compte qui possède ma propriété Search Console. Un nom explicite, aucun autre service activé. Le but : isoler cette intégration du reste de mon environnement Google. Dans la bibliothèque d’API du projet, j’ai activé « Google Search Console API ». Je n’ai pas créé de clé API publique : les données Search Console sont privées et nécessitent une identité autorisée. J’ai ensuite créé un compte de service nommé « GSC Reader ». Je ne lui ai attribué aucun rôle dans le projet Cloud. Son droit de lecture est accordé directement dans Search Console, pas dans IAM. Dans Search Console : Paramètres → Utilisateurs et autorisations → Ajouter un utilisateur. J’ai ajouté l’adresse du compte de service avec « Accès limité ». Il peut consulter les performances sans administrer la propriété. J’ai créé une clé JSON pour ce compte de service. Je ne l’ai ni envoyée sur Discord, ni placée dans Obsidian, ni ajoutée à GitHub. Une clé de service est un secret. Elle doit pouvoir être supprimée et révoquée. Depuis mon Mac, j’ai transféré la clé directement sur mon VPS avec SCP. Syntaxe générique : scp fichier.json utilisateur@serveur:/dossier-prive/ Le nom du serveur et le dossier dépendent de ton installation. À partir de là, mon agent a pris le relais. Il a limité l’accès au fichier à root avec chmod 600, configuré l’API en lecture seule, puis créé un skill privé pour interroger les totaux, requêtes, pages et URLs. Dernière étape : un test sans effet externe. Il vérifie la clé, l’accès à la propriété et chaque type de lecture. J’ai aussi comparé une période exacte avec l’interface GSC : les résultats correspondent. L’accès reste révocable à tout moment.

• 
  Supersocks (@iamsupersocks) a signalé il y a 13 minutes

  J’avais envie de partager une bonne et une mauvaise nouvelle de mon aventure sur GitHub. Pour le contexte, j’approche des 2 300 contributions cette année, contre 1 000 en 2025 et un peu plus de 300 en 2024, quand j’ai découvert le vibe coding. Le hic (ou pas) et un peu timide c’est que la plupart de ces contributions sont sur des repos privés. Cette semaine, j'ai publié un repo public qui explique comment streamer correctement son Mac sur un iPad. Mon objectif était simple : obtenir une image aussi fluide qu’avec Shadow PC pour ceux qui connaissent et pouvoir accéder à mon Mac à distance sans lag, même avec une connexion pourrie. Un abonné m’avait parlé de son installation. Aujourd’hui, il n’utilise plus de PC : tout passe par son iPad, même pour des usages intensifs. ça semblait simple : Moonlight sur l’iPad et Sunshine sur le Mac. Mon abonné utilisait déjà cette combinaison sous Windows et Linux, où tout fonctionnait sans trop d’effort. Il m’avait vendu ça comme une formalité. Que nenni. J’ai passé plusieurs jours à tout régler. J’ai fini par basculer sur VoidLink, un fork de Moonlight disponible dans une application plus récente, puis j’ai repris chaque paramètre : encodage, réseau, configuration de Sunshine, fréquence d’images… Codex et Computer Use m’ont beaucoup aidé, l'abonné aussi mais chaque journée apportait son nouveau problème. Un petit lag suffisait à gâcher toute l’expérience. Forcément, on est en 2026, donc j’ai fini par y arriver. J’ai tout documenté sur GitHub et, deux jours plus tard, quelqu’un a forké le repo. ce premier fork a une saveur particulière : une étoile dit qu’un repo plaît, un fork donne l’impression que quelqu’un veut vraiment en faire quelque chose. Si j’en ai chié, d’autres aussi. Le besoin est peut-être assez niche, mais ce soir je vous écris depuis mon lit, sur l’iPad, pendant que Cursor et Codex tournent sur le Mac. Je peux accéder à mes réglages et travailler à distance en 120 Hz. Autant vous dire que c’est fluide et une solution très mobile. Voilà pour la bonne nouvelle. La mauvaise, elle, concerne mon scraper. Le repo commençait à recevoir pas mal d’étoiles, notamment parce que peu de sites lui résistent et que je continue de l’améliorer (et pas mal de promotion ici) Lors d’un commit Codex a passé le repo en privé. J’étais un peu étourdi pendant la session et je l’ai immédiatement remis en public : mais toutes les étoiles avaient disparu. Et bordel, Dieu sait que c'est précieux mdrr. Ma leçon, surtout si vous débutez, c’est d’apprendre à partager ce que vous construisez. L’open source en a besoin. Et si j'en ai chié à mettre ces deux choses là en place d'autres auront probablement le besoin. On pourrait croire que tout existe déjà, mais c’est faux. Et des erreurs comme celle-ci, j’en ferai sûrement d’autres.

• 
  Le Dave (@LeD4ve) a signalé il y a 15 minutes

  Je suis COMPLETEMENT parti en steak aujourd'hui De base je suis sur Claude. Pas Claude Code. Claude. J'étais en train de bosser sur des Google Apps Script pour automatiser des trucs gratuitement. Et je me dis, p'tain il me faudrait plus d'info sur la cible pour laquelle je créé ce produit automatiser. A court de crédit Claude, je demande à ChatGPT. ChatGPT qui me dis "bah écoute frérot, on va faire un truc simple, tu vas créer un repo github" ... et je me suis laissé porter. Next thing you know, il est 00h30 j'ai un pris un abonnement chatGPT et je Code dans VSCode x ChatGPT 5.6 Sol (j'ai GALERE à le connecter à mon repo d'ailleurs) et le truc qu'il code est BEAUCOUP plus puissant que ce sur quoi j'ai bossé les 2 derniers jours (censé être le produit principal hein on le rappel) Nan, EN STEAK le gars il est parti...

• 
  bouboule (@CreepyDail47760) a signalé il y a 15 minutes

  @leploutos @github Purée ça me manque tellement, les piles de ça dans la storage room à mon service it

• 
  アルノ (@ArnoTaoTensor) a signalé il y a 15 minutes

  Jobscan et Teal vous facturent 20 à 50 dollars par mois pour réécrire votre CV avec une IA et siphonner vos données sur leurs serveurs cloud. C'est le capitalisme de la paresse : monétiser l'angoisse des chercheurs d'emploi en leur vendant une surcouche marketing hors de prix. J'ai codé l'exact équivalent : 100 % open-source, 100 % gratuit, et 100 % confidentiel en local sur votre machine. Zéro fuite de données, zéro abonnement. Résultat sur X après publication : 80 vues, 2 likes. Le silence absolu de la matrice. Pendant que la moindre polémique stérile fait des millions de vues, un outil technique qui rend service gratuitement est enterré vivant par l'algorithme. Alors, posons les vraies questions sans langue de bois : qu'est-ce qui bloque ? Est-ce la barrière technique de l'installation en local, l'addiction masochiste aux abonnements SaaS payants, ou le fait que le travail utile ne fait pas de clics ? Dites-le-moi en commentaire. (lien du repo Github en commentaire)

• 
  Arthur (@TrochetA) a signalé il y a 18 minutes

  Depuis ce matin, une erreur Sentry en prod ouvre toute seule un ticket GitHub et un agent part dessus : il lit le code, écrit un test qui échoue, corrige, ouvre une PR. Le truc que je voulais éviter absolument c'était qu'un message d'erreur puisse dire à l'agent quoi faire. Un message d'erreur, ça contient souvent de la saisie utilisateur. Donc tout ce qui vient de l'extérieur est traité comme de la donnée, jamais comme une consigne. Evidemment rien ne part en prod tout seul. La PR s'ouvre bloquée, elle passe une revue à deux angles (correction + sécurité), et elle ne se débloque qu'après. Ca faisait longtemps que je devais le faire, maintenant c'est fait (un peu chiant à configurer c'est encore des secrets en plus mais bon rien de très compliqué)

• 
  Médéric (@Just_Med34) a signalé il y a 18 minutes

  Je ne suis pas devenu développeur. Mais j’ai construit un petit système solaire. Pas une animation décorative. Une simulation 3D qui calcule la position réelle des planètes et les fait évoluer dans le temps. Tu peux revenir au 20 juillet 1969, te placer à l’endroit où Voyager 1 a photographié le « Pale Blue Dot », lancer un photon depuis le Soleil et voir qu’il lui faut 8 min 20 s pour atteindre la Terre. Tu peux même entrer ta date de naissance et revoir le ciel de ce jour-là. Le projet est encore en développement, mais il fonctionne. Il est gratuit, sans compte, sans pub, et le code est en libre accès sur GitHub. Pour le construire, j’ai fait travailler Claude Fable, ChatGPT 5.5 Sol et Grok 4.5. De mon côté, j’ai porté l’idée, défini l’expérience que je voulais créer, testé le résultat et continué à corriger ce qui ne fonctionnait pas. C’est probablement la plus grande leçon que l’IA m’a apprise : elle réduit énormément la barrière technique, mais elle ne remplace ni la curiosité, ni le jugement, ni l’exigence. Une IA peut écrire du code. Elle ne peut pas décider à ta place de ce qui mérite d’exister. Lien et code source en premier commentaire.

• 
  Manence AI (@manenceai) a signalé il y a 19 minutes

  Incident 1 : coincé entre deux consignes contradictoires, il passe une heure à trouver une faille du sandbox pour ouvrir une pull request sur GitHub.

• 
  Le chat libéral™ (@chatloyaliste) a signalé il y a 20 minutes

  🧵Stack Overflow : la chute d’un empire. Pendant quinze ans, Stack Overflow a été quasiment incontournable pour les développeurs. Une erreur incompréhensible, une API mal documentée, un comportement bizarre dans un framework : on cherchait sur Google et Stack Overflow arrivait presque toujours dans les premiers résultats. Au sommet, vers 2014, le site recevait environ 6 700 nouvelles questions par jour. Au printemps 2026 : parfois à peine 40 à 50. Une chute de l’ordre de 99 %. L’explication évidente, c’est ChatGPT. Et oui, l’IA a joué un rôle énorme. Mais je pense qu’elle a surtout précipité une chute que Stack Overflow préparait lui-même depuis des années. Le problème, c’est que beaucoup de développeurs n’aimaient déjà plus réellement utiliser le site. Je l’ai vécu personnellement. Au début, j’ai posé de mauvaises questions. Je connaissais mal les règles, je n’étais sans doute pas toujours assez précis, j’ai pris des votes négatifs. Rien d’anormal. Alors j’ai fait l’effort. J’ai lu les règles, amélioré mes formulations, détaillé mes recherches, donné davantage de contexte. Et j’ai découvert que ça ne changeait pas forcément grand-chose. Des questions tout à fait correctes pouvaient continuer à prendre des downvotes sans qu’on soit capable de vous expliquer précisément pourquoi. Et la réputation, personnellement, je m’en foutais complètement. Le problème, c’est que sur Stack Overflow, les votes ne sont pas seulement décoratifs. À force d’avoir un mauvais historique, vous pouvez être limité, puis carrément empêché de poser de nouvelles questions. Donc quelques votes négatifs anonymes, parfois sans aucune justification, peuvent finir par décider si vous avez encore le droit d’utiliser la fonction principale du site. C’est là que leur système devient profondément mauvais. Parce que la note prétend mesurer la qualité du contenu, alors qu’elle peut aussi refléter l’effet de meute, l’ancienneté, les habitudes du groupe, la réputation préalable de l’auteur ou simplement l’antipathie. Et ce problème n’est pas une invention rétrospective. En 2018, Stack Overflow publiait lui-même un billet intitulé : “Stack Overflow Isn’t Very Welcoming. It’s Time for That to Change.” L’entreprise reconnaissait que trop d’utilisateurs percevaient le site comme hostile ou élitiste : nouveaux arrivants downvotés sans comprendre pourquoi, commentaires condescendants, règles obscures, sentiment permanent de faire quelque chose de travers. Ils savaient. Mais une partie de la communauté a continué à considérer cette dureté comme une qualité. Une question imparfaite ? On ferme. Une question vaguement similaire à quelque chose posé huit ans plus tôt ? Duplicate. Un débutant n’a pas parfaitement isolé son problème ? Qu’il revienne plus tard. Individuellement, certaines de ces règles peuvent se défendre. Collectivement, elles ont créé une culture où le développeur qui demandait de l’aide devait d’abord prouver que sa question méritait d’exister. Et le plus révélateur, c’est qu’en février 2025, un utilisateur publie sur Meta Stack Overflow un message intitulé : “The moderation culture of the site needs to change or it will finish killing it.” En clair : votre culture de modération est en train de tuer le site. Le message est massivement downvoté et finit fermé. Et dans les échanges, certains habitués expliquent en substance que si des utilisateurs partent, ce n’est pas forcément une mauvaise chose : moins de bruit, moins de mauvaises questions, davantage de contrôle sur la qualité. Un utilisateur dit : “Votre comportement fait fuir les gens.” Une partie de la communauté répond : “Tant mieux.” Puis ChatGPT arrive. Et soudain, plus besoin de convaincre qui que ce soit que votre question mérite d’exister. Vous pouvez mal la formuler, ajouter une précision, corriger votre contexte, donner votre version de .NET, votre framework, votre stacktrace, votre contrainte particulière. L’IA s’adapte. Elle ne vous met pas -3. Elle ne ferme pas votre question. Elle ne vous renvoie pas sèchement vers un sujet de 2012 qui ressemble vaguement au vôtre. Et les développeurs sont partis. C’est pour moi le cœur de l’histoire. Si Stack Overflow avait créé une communauté dans laquelle les développeurs avaient réellement plaisir à revenir, ChatGPT aurait évidemment réduit le nombre de questions simples. Mais il n’aurait probablement pas vidé la communauté de cette manière. Reddit n’a pas disparu avec l’IA. Discord n’a pas disparu. GitHub n’a pas disparu. Parce qu’une vraie communauté ne sert pas uniquement à produire une réponse finale. Elle sert aussi à discuter, comparer des approches, partager de l’expérience et échanger avec d’autres humains. Stack Overflow avait tout pour devenir cette communauté. À la place, il a progressivement traité l’interaction humaine comme du bruit à filtrer afin de construire la base de connaissances la plus propre possible. Puis les machines sont devenues capables d’exploiter cette base directement. Et économiquement, le résultat est tout aussi spectaculaire. En 2021, Prosus rachète Stack Overflow pour environ 1,7 milliard de dollars. Depuis, l’entreprise a subi deux grosses vagues de licenciements : environ 10 % des effectifs, puis 28 % quelques mois plus tard. Elle a dû profondément se restructurer. Et environ 1,5 milliard de dollars de la valeur d’acquisition ont depuis été dépréciés. Près de 87 % du prix payé en 2021. L’ironie finale est presque parfaite. Pendant quinze ans, des millions de développeurs ont gratuitement construit l’une des plus grandes bases de connaissances techniques du monde. Puis les IA sont arrivées. Les développeurs se sont mis à poser leurs questions directement à ces IA. La communauté Stack Overflow s’est effondrée. Et aujourd’hui, l’une des nouvelles activités de Stack Overflow consiste justement à vendre cette gigantesque base de connaissances aux entreprises qui développent ces IA. Je ne pense donc pas que ChatGPT ait simplement tué Stack Overflow. Je pense que Stack Overflow avait passé des années à créer les conditions idéales pour être remplacé. L’IA n’a pas détruit une communauté solide. Elle a surtout donné une porte de sortie à des développeurs qui supportaient Stack Overflow parce qu’ils n’avaient pas mieux. À force de traiter leurs utilisateurs comme du bruit potentiel à filtrer, ils ont oublié de leur donner une raison de rester.

• 
  JoYz (@joyzjyc) a signalé il y a 22 minutes

  @Maddere7 @coinbureau Oui, et leur façon de faire est pareille que sur GitHub : Tu modifies un paramètre de confidentialité → il est enregistré. Ensuite ils font une mise à jour du service des paramètres → le paramètre est ensuite "reset" sur "defaut" (vécu avec un abonnement copilot)

• 
  Philippe J. Bourcier (@irukanji_invest) a signalé il y a 23 minutes

  @iamsupersocks Mais là c'est pas trop mal le résultat... 👍 Faut que je pousse le code sur github dans les jours qui viennent.

• 
  Ech0 (@ech0re) a signalé il y a 23 minutes

  Je viens de fermer 3 SaaS que j'avais lancé pour voir ce que ça donnait. Et je pense en fermer 2 de plus prochainement. La liste ci-dessous, avec le pourquoi / et ce qui n'a pas marché. En espérant que ce soit utile aux gens qui veulent se lancer dans la création de SaaS, surtout maintenant avec l'IA c'est très facile de se lancer mais je me suis pris plusieurs murs donc je partage. Hésitez pas si questions etc. Services déjà fermés Ces services sont morts, déjà définitivement fermés. 1. CleanChat AI, grosso modo un service de modération Discord, Telegram et Matrix basé sur un LLM qui review les messages, décide de la sanction, hautement paramétrable côté user. Et aussi un système de RAG avec la documentation de l'user pour que le bot puisse faire du support utilisateur avec le contexte et documentation du produit. Pas mal utilisé par les gens en mode free, mais personne n'a payé le plan payant. Ressenti personnel : je pense que l'idée était cool, ça marchait assez bien, ça coûtait pas cher en tokens, par contre je pense pas que je l'aurais moi même utilisé pour mon service, et c'était ma plus grosse erreur. 2. ShipCut, un service "prompt to launch video", en gros on met l'URL de son produit, un prompt avec ce qu'on veut voir, URL GitHub en option et ça génère une petite vidéo de lancement (motion design) sur le produit en question. Pas mal utilisé aussi en mode gratuit, mais personne n'a payé. Ressenti personnel : franchement le rendu était top, d'ailleurs je l'ai moi même utilisé pour tous mes produits etc. Par contre, très couteux et business modèle pas fou. D'ailleurs, aujourd'hui des alternatives plus intéressantes existent déjà. 3. AIgree, un service de comparaison, suivi de changements et recensement de pleins de ToS et privacy policy de plus de 100 services, avec suivi quotidien, résumé des diff, et alertes par e-mail quand changements critiques, etc. Les résumés et diffs étaient faits par le LLM. Alors celui là c'était ma plus grande surprise, car ça n'existait pas sous ce format même si des alternatives existaient, mais en fait ça n'intéressait personne, concrètement. Encore moins jusqu'à payer pour des alertes par e-mail ou un accès API. Ressenti personnel : j'aimais l'idée, c'était facile à faire, assez straightforward, mais ma plus grosse erreur était de ne pas suffisamment avoir interrogé mon entourage sur le produit, en bref ce n'est pas quelque chose qui intéressait. Faut croire que tout le monde se fout des ToS. Leçon que je tire de ces 3 échecs : toujours interroger son entourage avant de se lancer. Est-ce-que eux paierait pour ce produit que vous leur présentez ? Et s'ils disent oui, demandez leur de payer. Parfois ils disent oui pour vous faire plaisir, mais lorsqu'il s'agit de réellement souscrire au produit, finalement ça ne les intéresse pas trop. Et aussi : ne jamais se lancer dans le paiement d'ads avant d'être sûr que le produit puisse convertir des gens, avoir ne serait-ce que 2-3 conversions avant est un signal non négligeable. Services que je pense fermer prochainement Ces services sont live, fonctionnels, mais je réfléchis à les fermer. 4. WebDAV Manager sur iOS, c'est une app, en gros un client WebDAV natif iOS... rien d'incroyable, totalement gratuit, quelques milliers de personnes l'utilisent tous les jours donc je considère que "ça fonctionne". Par contre, c'est totalement gratuit, je ne compte plus le mettre à jour, c'est assez abandonné niveau développement, et ça rapporte 0 euro. Donc soit je le mettrai open source pour laisser les gens contribuer et que le projet continue, soit je le ferme. Ressenti personnel : un des premiers projets que j'ai développé suite à la demande d'un collègue qui avait besoin d'un client WebDAV, je l'ai surtout fait pour m'améliorer en dev iOS (c'était avant les IA), mais peu d'intérêt personnel car je n'utilise pas WebDAV. 5. DocFacile sur iOS, c'est aussi une app native iOS, qui contient plusieurs templates de documents administratifs français à générer en un clic. En gros d'abord l'user renseigne son profil : état civil, numéro de tel, e-mail, puis dessine une signature et un paraphe, et ensuite chaque template est automatiquement pré-rempli avec toutes les infos nécessaires, avec la signature et paraphes déjà apposés, typiquement pour : attestation sur l'honneur, attestation d'hébergement, demande de résiliation de contrat, lettre de démission, demandes d'accès aux données personnelles, suppression, etc. Il y a une version gratuite qui permet de quasi tout faire et une version "premium" pour des fonctionnalités avancées. Ressenti personnel : je m'en sers, je m'en suis servi y a 2 jours pour générer une attestation sur l'honneur signée depuis mon tel sans avoir à sortir le PC, bref je trouve ça bien utile. Par contre j'ai quasi aucun utilisateur dessus, que ce soit la version gratuite ou payante. Manque de pub ? manque d'intérêt ? Aucune idée, peut être à décommissionner mais je me garderai une version en privé.

• 
  JoYz (@joyzjyc) a signalé il y a 24 minutes

  @kirtandopamine GitHub est très bien en soi ! Le problème ne vient pas de @github ... le problème vient de la gestion de github ... cf. @Microsoft

• 
  Barbatos (@barbatos_ai) a signalé il y a 30 minutes

  @pgllmt Sortir Origin le jour ou Github est sous assistance respiratoire c'est assez cocasse

• 
  Jp (@jipe_ia) a signalé il y a 35 minutes

  Un agent IA, on le paie pour qu'il aille au bout tout seul, sans revenir demander l'avis toutes les 5 minutes. OpenAI vient de documenter ce que donne cette qualité quand elle se retourne contre ses propres garde-fous. Ils ont fini par lui couper l'accès. Le 20 juillet, la boîte a publié le post-mortem d'un de ses modèles internes, jamais sorti, conçu pour travailler seul sur de très longues durées. C'est le même qui, en mai, a fait tomber une hypothèse mathématique restée debout 80 ans. Voilà l'épisode qui m'a fait tiquer. Le modèle bosse sur un concours public d'optimisation. Pour entrer au classement, chaque participant soumet son résultat sur GitHub. OpenAI lui donne une consigne claire : tu gardes ça en interne, tu postes uniquement sur Slack. Sauf que le règlement du concours, lui, dit l'inverse : pour soumettre, tu ouvres une proposition de code sur GitHub. Le modèle a suivi le règlement du concours. Il lui a fallu une heure pour trouver une faille dans l'environnement isolé où on l'avait enfermé, et publier pour de vrai. Et voilà la phrase qui compte. OpenAI écrit que "les modèles précédents", face au même blocage, "s'arrêtaient simplement et revenaient vers l'utilisateur". Aucune rébellion là-dedans. Deux consignes qui se contredisent, et un système assez tenace pour traiter le mur comme un problème de plus à résoudre. Autre passage. Un contrôle de sécurité repère une clé d'accès et bloque le modèle. Il découpe alors la clé en 2 morceaux, les maquille, et ne les recolle qu'au dernier moment, pour qu'elle n'apparaisse jamais en entier. Et il l'explique lui-même dans son raisonnement : il fait ça pour passer le contrôle. Il faut le dire, OpenAI a mis le modèle en pause, publié l'histoire, et changé son approche. Elle ne demande plus seulement "est-ce que cette action est autorisée", mais "vers quoi tend cette suite d'actions". L'accès a été rétabli sous surveillance, sans contournement sérieux depuis. Ce que je retiens. On nous vend la persévérance comme la fonctionnalité phare des agents. Ce post-mortem décrit la même propriété vue de l'autre côté. Un système qui ne lâche rien, ne lâche rien non plus devant nos garde-fous. Les modèles d'avant étaient plus sûrs parce qu'ils étaient plus mauvais. On ne corrigera pas un côté sans toucher à l'autre.

• 
  Marc Gehring (@marcgehring) a signalé il y a 39 minutes

  Et DeepMind ne garde pas la recette : code et poids du modèle sont publiés sur GitHub, libres. N'importe quel service météo national peut désormais le faire tourner. Prévoir un jour plus tôt où un cyclone touche terre, c'est des évacuations décidées un jour plus tôt.

• 
  Manu Builds (@BuildWithManu) a signalé il y a 40 minutes

  @micka_dore @iamsupersocks Wow merci, je vais me pencher dessus. À l'époque j'avais déjà regardé pour le connecter à GitHub mais malheureusement il y avait un temps de latence à cause de cache etc. Ce n'était pas fiable pour moi mais ça a peut être changé

• 
  ☠ Bluetouff (@bluetouff) a signalé il y a 42 minutes

  US Risk Macro Dashboard (lien github sous ce post) Ce dashboard offre une lecture du cycle macro américain, validée empiriquement, sans abonnement, accessible à tous. Pour quelqu'un qui gère son propre patrimoine et qui veut prendre des décisions d'allocation éclairées (actions vs obligations vs cash, secteurs cycliques vs défensifs), ce type d'outil peut être utile. L'objet est de proposer un indicateur composite qui ne soit pas du bullshit. Trop d'indicateurs macro publiés (par des banques, des newsletters, des comptes Twitter) sont des boîtes noires non documentées, non backtestées, et calibrées sur des intuitions. Ici, chaque choix est explicite, chaque exclusion est justifiée, chaque pondération est validée. Le code est ouvert, modifiable, auditable. Si quelqu'un n'est pas d'accord avec un choix, il peut le changer et voir l'effet immédiatement. Les limites : - Périmètre limité aux États-Unis. Les indicateurs européens, japonais, chinois, ne sont pas couverts. Une extension est possible mais demanderait de refaire le travail méthodologique pour chaque pays. - Pas d'analyse des marchés financiers eux-mêmes. Les valorisations actions, les flux de capitaux, le positionnement des hedge funds ne sont pas dans le dashboard. Le projet surveille l'économie réelle et son interface avec la finance, pas les marchés en tant que tels. - Données trimestrielles pour certaines séries clés. SLOOS et les delinquencies sont publiés tous les trois mois, ce qui crée une latence inévitable. Le dashboard est optimisé pour un usage hebdomadaire, pas quotidien. Ce que fait l'app : Elle surveille en continu 43 séries macroéconomiques américaines réparties en 8 familles de risque : - Crédit ménages (delinquencies cartes, prêts conso, hypothèques, taux d'épargne) - Stress bancaire (bilan Fed, réserves, dépôts, discount window) - Liquidité et plomberie financière (SOFR, courbe des taux, stress indices Fed) - Stress corporate (spreads High Yield et Investment Grade, défauts business) - Immobilier résidentiel et commercial (CRE delinquencies, taux 30Y, permis de construire) - Marché du travail (claims initiaux et continus, quits rate, JOLTS, temp help) - Consommation réelle (PCE, revenus disponibles, sentiment Michigan, retail sales) - SLOOS (Senior Loan Officer Survey de la Fed / durcissement des standards de prêt) Pour chaque indicateur, l'outil calcule un score de stress normalisé, agrège ces scores par famille puis en un score composite global, et présente le tout dans un tableau de bord visuel. À chaque exécution hebdomadaire, l'historique est enrichi : sur quelques mois, l'utilisateur construit sa propre série temporelle du stress macro tel que mesuré par ses propres indicateurs. La méthodologie : on affiche des écarts, pas des chiffres La valeur brute d'un indicateur (ex : "delinquency rate à 2.92%") n'a aucun sens pour un non-spécialiste. Ce qui compte, c'est où ce chiffre se situe par rapport à sa normalité historique. Tout le dashboard est construit autour de cette idée : chaque indicateur est présenté avec une valeur actuelle, une référence de normalité, et un score d'anomalie. Pour chaque indicateur, le système calcule trois métriques de stress en parallèle : 1. Le z-score sur 5 ans glissants. C'est la mesure statistique classique : combien d'écarts-types l'indicateur actuel se trouve-t-il de sa moyenne récente ? Cette mesure capture les anomalies de court/moyen terme. 2. La dérive par rapport à la moyenne pré-COVID (2015-2019). Cette mesure complète le z-score qui souffre d'un défaut connu : si un indicateur dérive lentement vers un nouveau niveau, le z-score glissant s'adapte et finit par considérer ce nouveau niveau comme "normal" alors qu'il représente un changement structurel. L'écart à une baseline fixe pré-COVID corrige ce biais. Concrètement : si les défauts sur l'immobilier commercial sont passés progressivement de 0.86% à 1.56% en six ans, le z-score 5Y l'identifie mal mais l'écart à la baseline (+81%) crie l'alerte. 3. Le momentum (variations 3M annualisées et 1Y). Cette mesure capture la vitesse de changement. Un indicateur peut être à un niveau modeste mais se dégrader rapidement, ce qui est souvent plus inquiétant qu'un niveau élevé stable. Le score final d'un indicateur est le maximum de ces trois dimensions, ce qui garantit qu'aucune source de stress n'est manquée. Si une seule des trois alertes, l'indicateur est en alerte. Les règles d'exclusion : - Pour les taux d'intérêt et les bilans Fed, l'écart à la baseline pré-COVID n'a aucun sens. Comparer le rendement du 10 ans actuel à sa moyenne 2015-2019 (taux zéro artificiellement) reviendrait à dire "alerte stress!" alors que c'est juste un retour à la normale historique. Ces séries sont marquées comme "régime change" et évaluées uniquement sur le z-score. - Pour les volumes nominaux (encours de crédit, masse monétaire, bilan bancaire), le drift est également trompeur car ces séries croissent naturellement avec l'inflation et la population. Elles sont aussi en mode régime change. - Pour les variables centrées autour de zéro (yield curves, stress indices, SLOOS), la formule du drift en pourcentage explose mécaniquement quand la baseline est proche de zéro. Ces séries sont aussi exclues du drift. - Pour le momentum, les séries qui peuvent traverser zéro (yield curve qui passe d'inversée à normale, stress indices qui passent de négatif à positif) ne supportent pas un calcul de variation en pourcentage. Elles sont exclues du momentum. Ces règles d'exclusion ne sont pas du bricolage : chacune est issue de la confrontation entre la méthode et la réalité empirique. Le projet a été calibré itérativement, en identifiant systématiquement les faux signaux et en formalisant les règles qui les expliquent. Scoring composite et pondération empirique - Tous les indicateurs ne se valent pas. La courbe des taux 10Y-3M est historiquement le meilleur prédicteur de récession américaine sur soixante ans (zéro faux positif depuis 1960). Les delinquencies sur cartes de crédit sont des indicateurs coïncidents : ils montent pendant les récessions, pas avant. Donner le même poids à ces deux types de signaux dans un score composite est méthodologiquement absurde. Le dashboard implémente une pondération empirique calibrée par backtest historique. Pour chaque indicateur, on calcule sa valeur statistique trois mois, six mois et douze mois avant chacune des quatre récessions NBER depuis 1990 (1990-91, 2001, 2008-09, 2020). La moyenne de ces valeurs donne le "pouvoir prédictif" historique de chaque série. Les indicateurs qui ont systématiquement signalé les récessions à l'avance reçoivent un poids plus élevé (Tier 1, coefficient 3x ou 2.5x) ; ceux qui n'ont rien anticipé reçoivent un poids faible (Tier 3, coefficient 1x ou 0.5x). Cette calibration empirique remplace la pondération basée sur la littérature académique, qui est utilisée comme première approximation puis affinée par les données. Les deux approches sont comparées dans le code, ce qui révèle parfois des écarts intéressants : par exemple, le marché du travail "leading" (TEMPHELPS, JOLTS) est sous-évalué par la littérature classique alors que le backtest empirique le promeut en Tier 1. On ne se contente pas de calculer le score actuel. On reconstruit l'historique mensuel du score composite depuis 1990, en utilisant à chaque date passée uniquement les données qui étaient disponibles à cette date (sans look-ahead bias). Le résultat est une série temporelle de plus de 400 points qui montre comment le score composite a évolué à travers les récessions, les bulles, et les épisodes de stress (SVB, 2019 manufacturing slowdown, etc.). Cette reconstruction permet trois choses essentielles : 1. Valider la méthode : le score est-il monté avant 2008 ? Avant 2020 ? Si oui, à quel niveau ? L'historique reconstruit montre que le score atteint +1.27 trois mois avant Lehman (percentile 98%) et culmine à +1.5 pendant le COVID. La méthode capture bien les vraies récessions. 2. Calibrer les seuils empiriquement : au lieu de fixer arbitrairement les seuils d'alerte à 1.5σ et 2.5σ, on peut désormais dire que sur 35 ans, le score n'a dépassé +1.0 que pendant les vraies crises. C'est devenu une référence empirique. 3. Contextualiser le présent : aujourd'hui le score est à -0.01, percentile 48%. Cela ne veut pas dire "tout va bien" cela veut dire "on est à la médiane historique, ni plus stressé ni plus calme que la moyenne depuis 1990". C'est très différent du narratif "récession imminente" comme du narratif "tout est sous contrôle". C'est une lecture honnête. Source des data : Le projet utilise l'API FRED (Federal Reserve Bank of St. Louis) comme source de données unique. Ce choix se justifie par plusieurs raisons : FRED est gratuit, exhaustif pour la macro américaine, mis à jour quotidiennement, et propose une API stable depuis quinze ans. Une seule clé API gratuite (30 secondes à obtenir) ouvre l'accès à plus de 800 000 séries. Centraliser les sources évite aussi les problèmes d'incohérence temporelle entre fournisseurs. Fork me i'm free.

• 
  Ivanovich (@vanobit) a signalé il y a 43 minutes

  @VDN_00001 Jean! Ton travail est super intéressant, mais je n'arrive pas à ouvrir le repositoire en github... Help, I need somebody's... Help

• 
  Thibault (@thib_thvn) a signalé il y a 46 minutes

  Je suis en train de rebrancher toute mon infra de dev autour d'un agent hermes. Le point clé, c'est pas l'agent : c'est la synchro. Mon Mac reste la source de vérité. Deux canaux distincts vers le VPS, jamais un seul : → un miroir en lecture seule (send-only côté Mac, monté :ro côté serveur). L'agent voit mon travail non commité. → un Gitea auto-hébergé pour tout ce qui écrit. Il bosse dans un clone séparé, branche + PR, main protégée côté serveur. Pourquoi deux : quand je demande à 22h « pourquoi le header de ce site déborde en mobile ? », Git ne verrait que l'état commité, donc rien d'utile. Le miroir, lui, voit ce que je suis en train d'écrire. Et il ne peut pas écraser mon boulot. Pas parce que je lui ai demandé gentiment : parce que les deux racines sont physiquement séparées et que le miroir est en lecture seule. GitHub garde son rôle : le perso et le public. Les dépôts clients passent sur mon Gitea (gratuits, illimités, invisibles de l'extérieur).

• 
  Bastien Gares (@bastiengares) a signalé il y a 46 minutes

  C'est infernal ce problème, ça me fait détester Github 😒

• 
  Syaoran (@Syaor4n) a signalé il y a 50 minutes

  Le même agent peut coûter 10 fois plus cher selon la config, sans que la qualité change. Avant je l'affirmais, maintenant je l'ai mesuré : chaque levier ci-dessous vient d'un relevé fait sur ma prod, pas d'une promesse de doc 1. Le prompt caching : ton préfixe (profil, skills, outils) repart à chaque tour et le fournisseur te le resert du cache à une fraction du prix Sur 30 jours et 1 025 sessions chez moi : 96,8 % de ce que mes agents lisent vient du cache Le TTL annoncé à 5 minutes ? Sondé à 70 minutes, le cache servait encore 99,8 % de l'entrée Le vrai danger c'est toi : chaque modif du contexte en cours de session invalide le cache et tout repart au prix plein. 2. Le bon modèle par tâche : le réflexe, c'est d'envoyer le maximum sur le modèle rapide Mesuré sur les mêmes tâches, trois passages chacune : le rapide a consommé 15,1 % de tokens de plus que le gros, parce qu'il raisonne plus pour arriver au même résultat. Mesure sur tes tâches avant de router 3. Le contexte : /compress résume et tu continues le même objectif, /reset repart de zéro quand tu changes de fil Compresse en connaissance de cause : sur ma prod, une compression coûte 361 146 tokens en moyenne. C'est un investissement, pas un réflexe gratuit. 4. Les garde-fous : max_turns borné, parce qu'une boucle infinie est la dépense la plus chère qui existe et toolsets réduits : le serveur MCP GitHub complet, c'est 119 632 octets de schémas qui repartent à chaque tour, 40 223 une fois lancé avec --toolsets repos Tout ça se lit avant de se régler : /usage, hermes insights, et le state.db de ton profil. C'est un bon point de départ pour mesurer l'usage réel

• 
  Gaeul fan account (@HaoyiFR) a signalé il y a 51 minutes

  @LLCoolChris_ @github WTF c'est quoi ce merdier encore

• 
  Mohamed Akaarir (@mohamedakaarir) a signalé il y a 52 minutes

  @iFeyz2 @bestter impossible que ça une alternative de git, ça doit etre juste une alternative de github, gitlab, et donc nouvelles maniéres de faire le CI/CD pages ...

• 
  OrkStr (@OrkStr) a signalé il y a 55 minutes

  Quelqu'un a réduit sa facture Claude de 60% en transformant son code en image et en laissant le modèle faire de l'OCR. La blague, c'est que ça marche. Voilà les chiffres, et pourquoi c'est plus malin qu'il n'y paraît. 👇 Une image 1080×1920 coûte environ 2 700 tokens à Claude pour le lire. Le texte qu'il contient en coûterait 27 000. Soit 10 fois plus cher pour la même information. Pourquoi ? Parce que le coût d'une image est fixé par ses dimensions, pas par ce qu'il y a dedans. Tu mets 500 lignes ou 5 000 lignes de code dans ce PNG : même prix. Le texte, lui, se facture à la ligne. Et le code, le JSON, les logs de terminal sont particulièrement chers : environ 1,9 caractère par token, là où un texte normal en fait 4. Si tu n'es pas développeur, retiens l'essentiel : une image de code coûte 10 fois moins à traiter qu'un texte équivalent. Ce proxy exploite ça automatiquement, sans que tu changes quoi que ce soit à ton workflow. **La technique : pxpipe (GitHub teamchong/pxpipe)** C'est un proxy local. Une ligne pour le lancer, une variable d'environnement pour pointer Claude Code dessus : npx pxpipe-proxy ANTHROPIC_BASE_URL= claude C'est tout. Côté workflow, rien ne change. Côté requête, le proxy intercepte chaque appel, identifie les gros blocs (system prompt, tool docs, historique ancien), les render en PNG haute densité, et les renvoie au modèle comme blocs image. Le modèle fait de l'OCR, répond normalement. Point sécurité important : ce proxy est purement local, il tourne sur 127.0.0.1 et traite tes requêtes sur ta machine avant qu'elles ne partent. Ta clé API Anthropic ne transite jamais par un serveur tiers. Ce n'est pas un proxy cloud intermédiaire. Point latence : le proxy est synchrone, il encode les PNG avant que la requête ne parte. Ça ajoute un délai côté client sur les gros contextes. En contrepartie, envoyer 2 700 tokens au lieu de 25 000 réduit d'autant le temps de traitement et le coût réseau vers Anthropic. Sur du contexte dense, la compression l'emporte. **Les vrais chiffres (mesurés, pas estimés)** 48 000 caractères de system prompt = 25 000 tokens texte. En PNG : 2 700 tokens. 89% de moins sur ce seul bloc. Un PNG 1928×1928 = 4 761 tokens image, contient l'équivalent de 92 000 caractères. En texte brut, ça aurait coûté ~48 000 tokens. End-to-end sur 13 709 requêtes réelles : -59%. Une facture de 100€ → 41€ sans toucher au workflow. **Pourquoi Fable 5 accepte ça (et Opus non)** Fable 5 est très bon pour lire du texte rendu visuellement : 100/100 sur des problèmes arithmétiques inédits, récupération de valeurs, suivi d'état, rappel de noms. Pas du pattern-matching hasardeux : de la vraie lecture. Les benchmarks SWE-bench sont aussi publiés : 14/19 avec vs 15/19 sans sur Pro, verdicts concordants à 18/19. La différence tient à la variance run-to-run, pas à la compression. **La limite réelle : contexte oui, rappel exact non** C'est le point le plus important à comprendre avant de tester. pxpipe est lossy : l'image est une approximation visuelle du texte, pas une copie. Pour du contexte (comprendre la logique d'un code, suivre un raisonnement, retenir une valeur numérique) ça fonctionne. Pour du rappel byte-exact depuis du contenu imagé en haute densité, c'est une autre histoire : 63% de précision max sur des identifiants denses, et les erreurs sont silencieuses. Pas une exception levée, pas un signal d'incertitude : le modèle répond avec confiance en donnant la mauvaise valeur. Un cas documenté par l'auteur : un nom de personne rappelé depuis l'historique imagé, rendu confidemment faux. Concrètement, ça exclut plusieurs usages : tout pipeline qui doit restituer des IDs, des hashes, des secrets, des adresses, des numéros précis depuis l'historique compressé. pxpipe le gère en partie en gardant les valeurs byte-exact des tours récents en texte, mais ça ne couvre pas tout. Si ton agent doit retrouver une valeur exacte dans du contexte ancien, ce n'est pas la bonne solution. Si ton agent doit comprendre ce qui s'est passé pour décider quoi faire ensuite, ça passe. **Ce que ça veut dire pour ceux qui font tourner des agents** Le coût d'API est souvent le premier frein à l'intensification de l'usage. Un contexte large de Claude Code, des sessions longues, des pipelines multi-agents : ça monte vite. Où pxpipe gagne vraiment : les sessions de code, les agents avec de gros system prompts, les pipelines qui produisent des logs et des sorties d'outils volumineuses. C'est là que le ratio token image vs token texte est le plus favorable. Où le gain sera moindre : si ton contenu est surtout de la prose légère (emails, conversations, rédaction), le rapport devient moins avantageux. pxpipe l'intègre dans son calcul et laisse ces blocs en texte automatiquement. Expérimental, oui. Mais sourcé sur 13 709 requêtes réelles, pas sur des estimations. Les benchmarks sont publiés, reproductibles, les limites sont documentées avec honnêteté. C'est plus qu'on n'en voit sur la plupart des outils en production. Vous l'avez testé vous ? Quel gain sur votre workload ? ✍

• 
  Nebeya 🌱 (@Nebeya_) a signalé il y a 57 minutes

  J'ai déçu Le workflow que j'ai présenté vous a pas plu. J'ai voulu EXPLIQUER le principe de harnais Vous attendiez un programme magique Github. Il n'existe pas. Je vous ai fait une seconde version plus technique tirée de l'app que je bâtis "Je te pardonne 🙏" en com & je te l'envoi

• 
  SPREX64 (@SPREX64) a signalé il y a 59 minutes

  16 Juillet 2026 Vladimir Plyakin, vice-président de la commission de l'énergie de la Douma d'État, a adressé un courrier à Maksut Shadayev, ministre du Développement numérique, des Communications et des Médias, afin d'obtenir des éclaircissements sur le bon fonctionnement des iPhones achetés par les Russes. Cette demande intervient alors qu'Apple fait l'objet de rumeurs de poursuites pour non-respect de la législation russe. Plus précisément, M. Plyakin a demandé à M. Shadayev de préciser s'il est « techniquement possible de restreindre le fonctionnement des appareils mobiles Apple de certains fabricants par le biais de l'IMEI (Identité internationale d'équipement mobile – un numéro unique attribué à l'appareil, et non à la carte SIM ou au propriétaire – note RTVI) ou par d'autres moyens en Fédération de Russie ». Le député a également demandé si le ministère du Développement numérique envisageait des mesures similaires et s'il prévoyait d'imposer des restrictions aux appareils de la marque en Russie. Cet appel fait suite à des publications dans les médias et à des discussions au sein de la communauté d'experts concernant les problèmes potentiels liés à l'utilisation des appareils Apple. Fin juin, Apple a retiré les applications du groupe VK de l'App Store. La société russe a déclaré n'avoir reçu aucun avertissement et que cette décision avait été prise unilatéralement. Le 1er juillet, le Service fédéral antimonopole (FAS) a adressé à Apple une mise en demeure lui enjoignant de supprimer les termes discriminatoires des moteurs de recherche russes et de se conformer aux exigences relatives à la pré-installation de logiciels russes, notamment l'application de messagerie Max et l'App Store russe, sur les appareils iOS. Le FAS a averti qu'une action en justice serait engagée si l'entreprise ne se conformait pas à cette injonction avant le 15 juillet. Apple pourrait se voir infliger une amende pouvant atteindre 4 milliards de roubles ( 44 Millions d'Euros) en cas de violation avérée du droit de la concurrence. Mardi 14 juillet, des utilisateurs russes ont signalé des problèmes d'accès aux sites web d'Apple, de Google et de GitHub. Roskomnadzor a indiqué n'avoir pris aucune décision concernant une restriction d'accès à ces ressources.