Ce qui est super relou avec les IA qu’on peut utiliser en local, genre avec Ollama, c’est que si on lui demande des infos un peu trop récente, ça nous sort des vieux chiffres de 2023 avec la confiance d’un vendeur de voitures d’occasion. Bon bah ça, c’est fini puisqu’ Ollama vient de sortir une API de recherche web qui permet enfin à vos modèles locaux d’accéder à des infos fraîches dispo sur le net.

Woohoo \o/ !

Baptisée Ollama Web Search, cette API REST permet donc à vos modèles de faire des recherches sur le web en temps réel comme ça plus besoin de se contenter des données d’entraînement figées dans le temps. Selon la doc officielle , l’API fournit “les dernières informations du web pour réduire les hallucinations et améliorer la précision”. En gros, votre IA locale devient aussi à jour que ChatGPT, mais sans envoyer vos données perso à OpenAI.

Les modèles compatibles avec cette nouvelle fonctionnalité incluent qwen3, LLama, gpt-oss (la version open source d’OpenAI), deepseek-v3.1, et plein d’autres. Et d’après les premiers tests de la communauté , qwen3 et gpt-oss sont même plutôt doués pour exploiter cette fonctionnalité. Le modèle comprend qu’il lui manque une info, fait sa recherche, analyse les résultats et nous sort une réponse documentée !

C’est trop incrrrr ! Vous allez pouvoir booster vos scripts / bots / outils d’IA locale pour qu’ils puissent surveiller des choses dispo en ligne, les comparer, générer des résumés à partir de sites web, fact checker ou compléter des infos…etc.

Mais alors comment s’en servir ? Bon, on est vendredi soir et j’ai la flemme de tourner un tuto vidéo, donc même si je risque de détailler tout ça bientôt à mes Patreons d’amour , voici quand même quelques explications.

D’abord, il faut créer une clé API Ollama . La doc explique que vous avez un essai gratuit généreux pour commencer, mais s’il vous en faut plus, il faudra prendre un petit abonnement Ollama Cloud …

Une fois votre clé en poche, exportez-la dans votre environnement comme ceci :

export OLLAMA_API_KEY="votre_clé_ici"

Le plus simple ensuite pour tester, c’est avec curl :

curl https://ollama.com/api/web_search \ --header "Authorization: Bearer $OLLAMA_API_KEY" \ -d '{ "query": "dernières vulnérabilités CVE janvier 2025" }'

Mais bon, soyons honnêtes, on va plutôt utiliser Python car c’est quand même plus cool ;-) . Voici donc un exemple de script basique qui compare une réponse avec et sans recherche web :

import ollama
from ollama import chat, web_search, web_fetch

model = "qwen3:4b"

# 1. Sans recherche web
response_classic = chat( # pas ollama.chat
 model=model,
 messages=[{
 "role": "user",
 "content": "Quelles sont les features de React 19?"
 }]
)
print("Sans recherche web:", response_classic.message.content[:500]) # .message.content

# 2. Avec recherche web
search_results = web_search("React 19 features dernières nouveautés")
print("Résultats:", search_results)

# 3. Avec outils
available_tools = {'web_search': web_search, 'web_fetch': web_fetch}
messages = [{
 "role": "user",
 "content": "Utilise la recherche web pour me dire les dernières features de React 19"
}]

response_with_tools = chat(
 model=model,
 messages=messages,
 tools=[web_search, web_fetch],
 think=True
)

# Accès aux tool_calls
if response_with_tools.message.tool_calls:
 for tool_call in response_with_tools.message.tool_calls:
 function_to_call = available_tools.get(tool_call.function.name)
 if function_to_call:
 args = tool_call.function.arguments
 result = function_to_call(**args)
 print(f"Outil utilisé: {tool_call.function.name}")
 print(f"Résultat: {str(result)[:500]}...")

print("Réponse finale:", response_with_tools.message.content)

import ollama
from ollama import chat, web_search

class SecurityAgent:
 def __init__(self):
 self.model = "qwen3:4b"

 def check_vulnerabilities(self, technologies):
 rapport = "🛡️ RAPPORT SÉCURITÉ\n\n"

 for tech in technologies:
 # Recherche directe des CVE récentes
 results = web_search(f"{tech} CVE vulnerabilities 2025 critical")

 # Demande au modèle d'analyser
 response = chat(
 model=self.model,
 messages=[{
 "role": "user",
 "content": f"Résume les vulnérabilités critiques de {tech}: {results}"
 }]
 )

 rapport += f"### {tech}\n{response.message.content}\n\n"

 return rapport

# Utilisation
agent = SecurityAgent()
rapport = agent.check_vulnerabilities(["Node.js", "PostgreSQL", "Docker"])
print(rapport)

from ollama import web_search, web_fetch, chat

# 1. Recherche d'articles pertinents
search_results = web_search("React 19 vs Vue 3 comparison 2025")
top_url = search_results.results[0]['url'] # ou .url selon le type
print(f"📰 Article trouvé: {search_results.results[0]['title']}")

# 2. Récupération du contenu complet de la page
page_content = web_fetch(top_url)
print(f"📄 {len(page_content.content)} caractères récupérés")

# 3. Analyse approfondie du contenu
response = chat(
 model="qwen3:4b", # ou "gpt-oss" si disponible
 messages=[{
 "role": "user",
 "content": f"""
 Analyse cette comparaison technique:
 {page_content.content[:4000]}

 Donne-moi:
 1. Les points clés de chaque framework
 2. Le gagnant selon l'article
 3. Les cas d'usage recommandés
 """
 }]
)

print(f"\n🔍 Analyse:\n{response.message.content}")

Les Large Language Model (LLM) sont souvent critiqués pour leur tendance à « mémoriser » des données sensibles issues de leur entraînement. P our contrer ce risque, une équipe de Google Research a publié un nouveau modèle expérimental baptisé VaultGemma, conçu pour intégrer la confidentialité différentielle directement dans son processus d’apprentissage. Pourquoi la confidentialité différentielle est cruciale ? […]

L’article Google dévoile VaultGemma : un modèle IA privé avec confidentialité différentielle est apparu en premier sur BlogNT : le Blog des Nouvelles Technologies.

Mistral AI, la pépite française de l’intelligence artificielle, vient de lancer Mistral Medium 3.1, un nouveau modèle pensé pour les entreprises. Alliant performance, confidentialité et flexibilité, il peut être déployé en local sur des serveurs internes ou dans un cloud privé. Une approche qui le distingue des grands acteurs américains.

Un modèle pensé pour la souveraineté numérique

Avec Medium 3.1, Mistral AI poursuit sa stratégie de proposer des solutions d’IA adaptées aux besoins des entreprises européennes. Contrairement à la majorité des modèles disponibles uniquement dans le cloud public, Medium 3.1 offre la possibilité d’être hébergé en interne, garantissant ainsi une meilleure maîtrise des données. Cette approche répond à une préoccupation croissante : la souveraineté numérique.

Des performances comparables aux géants de l’IA

Medium 3.1 se positionne comme un modèle de classe frontier, capable de rivaliser avec les références du marché. Selon les benchmarks publiés, il excelle en raisonnement logique, multimodalité et génération de code.

Face à des concurrents comme Claude Sonnet 3.7 ou Llama 4 Maverick, le modèle de Mistral s’impose par sa précision et son coût compétitif : environ 0,40 $ par million de tokens en entrée et 2 $ en sortie, soit jusqu’à 8 fois moins cher que certains modèles américains.

Une flexibilité inédite pour les entreprises

La grande force de Mistral Medium 3.1 réside dans sa flexibilité de déploiement. Les entreprises peuvent choisir de l’intégrer :

• en mode on-premise pour un contrôle total,
• dans un cloud privé ou hybride,
• ou via des environnements VPC pour plus de sécurité.

Ce positionnement unique fait de Mistral AI un acteur à part, répondant aux besoins des organisations qui recherchent à la fois confidentialité, personnalisation et performance.

Tester Mistral Medium 3.1 en local : les prérequis

Avant de déployer Mistral Medium 3.1 dans une infrastructure d’entreprise, il est possible de tester le modèle sur un poste de travail. Cela permet d’évaluer ses capacités et sa pertinence avant une intégration à grande échelle. Voici les prérequis essentiels :

• Système d’exploitation : Linux (Ubuntu recommandé) ou macOS. Windows est possible via WSL2.
• Matériel :
  • GPU NVIDIA récent (série RTX 30xx ou supérieur) avec au moins 16 Go de VRAM,
  • CPU multicœurs (8 cœurs recommandés),
  • 32 Go de RAM système minimum.
• Stockage : prévoir au moins 50 Go d’espace libre pour le modèle et les dépendances.
• Pilotes et frameworks :
  • CUDA 12 ou supérieur,
  • PyTorch compatible GPU,
  • Installation de vLLM ou Ollama pour exécuter le modèle.
• Connexion internet : nécessaire pour télécharger le modèle depuis Hugging Face ou le portail de Mistral AI.

Une fois ces prérequis installés vous pouvez lancer une simple commande (via ollama run mistral-medium) ou un script Python basé sur transformers pour commencer à interagir avec le modèle en local.

Une alternative européenne crédible

Avec ce lancement, Mistral AI confirme son ambition : offrir une alternative souveraine aux solutions proposées par OpenAI, Anthropic ou Meta. Medium 3.1 ne se limite pas à la performance technique, il propose également un cadre d’utilisation plus respectueux des contraintes réglementaires européennes.
Dans un contexte où la maîtrise des données devient stratégique, ce modèle pourrait séduire de nombreux secteurs sensibles comme la santé, la finance ou l’industrie.

Cet article original intitulé Mistral AI dévoile Medium 3.1 : un modèle d’IA souverain et flexible pour les entreprises a été publié la première sur SysKB.

Ben Goertzel, figure emblématique ayant contribué à populariser le terme d’intelligence artificielle générale (AGI) au début des années 2000, tempère l’enthousiasme suscité par GPT-5 Pro d’OpenAI. Bien que reconnaissant les prouesses techniques remarquables du modèle, le PDG de l’Artificial Superintelligence Alliance et fondateur de SingularityNET souligne les limitations fondamentales qui séparent encore l’IA actuelle d’une véritable intelligence ... Lire plus

Ça va, pas trop chaud ? Alors tant mieux, parce que je vais vous faire avoir une petite suée tellement ce truc est cool ! Ça s’appelle Memflix et c’est une bibliothèque JavaScript qui transforme vos documents texte en… fichiers vidéo MP4 ! Oui, vous avez bien lu. Et le plus fou, c’est que vous pouvez ensuite faire des recherches sémantiques ultra-rapides dans ces vidéos.

L’idée est tellement simple qu’elle en devient géniale car au lieu de stocker vos données dans une base de données traditionnelle, Memflix encode tout dans des QR codes qui sont ensuite intégrés frame par frame dans une vidéo. Résultat ? Un stockage 10 fois plus efficace qu’une base de données classique et des recherches qui prennent moins d’une seconde, même sur des millions de chunks de texte.