Rabbit mise sur l’agent plutôt que sur le gadget pour les écrans familiers
OS3 réunit le travail dans le navigateur, les messageries et les ordinateurs : l’agent peut effectuer des actions dans des applications et sur le web, sans nécessiter l’appareil R1. Au lieu d’un abonnement, le système utilise les clés API de l’utilisateur ou des modèles locaux connectés.
Accès sur différents écrans
Rabbit déplace son attention d’un gadget autonome vers une plateforme logicielle destinée aux appareils que l’on possède déjà. L’entreprise a annoncé OS3, un système d’exploitation agentique autonome pour plusieurs écrans.
Rabbit R1 n’est pas nécessaire pour l’utiliser. OS3 est accessible dans un navigateur sur ordinateur, dans Telegram sur téléphone et dans iMessage.
Les propriétaires d’un R1 recevront également OS3 sous forme de mise à jour logicielle. L’appareil pourra servir de moyen d’entrée et de sortie.
Critère pratique : OS3 est conçue pour fonctionner sur ordinateur et téléphone, et pas uniquement sur un appareil Rabbit dédié.
Comment OS3 fonctionne avec un ordinateur
OS3 fonctionne dans le cloud et se connecte aux programmes, aux fichiers et aux pages web de l’ordinateur par l’intermédiaire d’un agent local. L’agent s’installe sur Windows, Mac ou Linux.
- Le système utilise la technologie DLAM — Direct Large Action Model.
- Il exécute des tâches dans des programmes locaux, et écrit et débogue aussi du code.
- Un même compte peut relier jusqu’à cinq ordinateurs ; OS3 choisit elle-même sur lequel exécuter une tâche.
Critère pratique : cette configuration convient aux tâches qui nécessitent l’accès aux programmes et aux fichiers de l’ordinateur.
Chat et compétences tierces
L’interface d’OS3 est un chat continu unique, sans fils de discussion distincts. L’utilisateur peut y insérer un lien public vers une compétence d’un agent tiers.
OS3 installe alors automatiquement la compétence. L’interaction reste dans le chat commun, au lieu de passer dans un fil distinct.
Critère pratique : la principale particularité de l’interface est le dialogue unique et l’installation de compétences à partir d’un lien public.
Clés et paiement
OS3 utilise le modèle Bring Your Own Key (BYOK) : il n’y a pas d’abonnement mensuel. Pour utiliser le service, l’utilisateur fournit ses propres clés API, par exemple, celles de OpenAI ou d’Anthropic.
Il est possible de connecter des modèles locaux open source à la place des clés API. Dans les deux cas, l’utilisateur fournit lui-même le mode d’accès au modèle qu’il a choisi.
Critère pratique : le modèle nécessite une clé API personnelle ou la connexion d’un modèle local ; aucun abonnement mensuel n’est prévu.
Ce que Rabbit prévoit pour ses appareils
Rabbit ne produit plus le Rabbit R1 et les stocks de l’appareil diminuent. L’entreprise ne prévoit pas de lancer un Rabbit R2.
Rabbit a annoncé que son prochain appareil serait le Cyberdeck, une machine dédiée au vibe coding fonctionnant sous OS3. Jesse Lyu a indiqué qu’elle devrait arriver dans « quelques mois ».
Critère pratique : Rabbit mise désormais davantage sur sa plateforme logicielle ; parmi les prochains appareils annoncés par l’entreprise figure le Cyberdeck, et non une nouvelle version du R1.
Foire aux questions
Matériaux connexes
Tous matériaux
Évaluation des agents de programmation pour le développement XR interactif : résultats de GenXR-Bench
GenXR-Bench est publié : un ensemble de 112 tâches expertes pour évaluer de bout en bout les agents de programmation dans le développement XR interactif, de l’amélioration de fonctionnalités et de la correction de défauts à la création d’applications dont le comportement est testé sur du matériel grand public. Parmi les dix modèles testés, le meilleur résultat a été de 50,9 % en Pass@1 ; les défaillances récurrentes concernent notamment la gestion des événements asynchrones des capteurs, l’ancrage des objets dans l’espace réel et la compréhension des interactions dans un contexte physique.
5 novembre 2026
Annotation hybride des images : l’automatisation accélère l’entraînement des modèles de vision par ordinateur
L’article décrit comment le pré-étiquetage par des algorithmes réduit le travail manuel et améliore la qualité des jeux de données d’entraînement, ainsi que les raisons pour lesquelles une vérification humaine par échantillonnage reste nécessaire. Il examine les limites de cette méthode dans des conditions de prise de vue difficiles et pour les types d’objets rarement rencontrés.
5 novembre 2026
De la récompense scalaire au front de Pareto : synthèse RTL par LLM avec apprentissage par renforcement multicritère
Une méthode est proposée pour entraîner un modèle de langage à générer non pas un seul schéma, mais un ensemble de candidats RTL offrant différents compromis entre surface, latence et consommation d’énergie ; la récompense est calculée en fonction de la contribution de chaque variante à l’hypervolume du front de Pareto. Sur RTLLM v2, l’hypervolume relatif a augmenté de 13,3 points de pourcentage par rapport à la version de base sans optimisation PPA et de 14,4 points de pourcentage par rapport à l’apprentissage par renforcement mono-objectif.
5 novembre 2026