Justification du projet Zig pour sa politique stricte anti-LLM concernant les contributions

Le projet Zig applique l'une des politiques anti-LLM les plus strictes parmi les grands projets open source : aucun LLM pour les signalements de bugs, les pull requests ou les commentaires sur le traqueur de bugs — y compris pour les traductions. Les utilisateurs peuvent poster dans leur langue maternelle et compter sur les outils de traduction des autres, mais le contenu généré par LLM est interdit.
Pourquoi cette interdiction ?
Loris Cro, vice-président de la communauté à la Zig Software Foundation, a exposé les raisons dans un article intitulé « Contributor Poker and Zig's AI Ban ». L'idée centrale : les contributeurs comptent plus que les contributions.
Dans les projets open source prospères, les mainteneurs finissent par recevoir plus de PR qu'ils ne peuvent en traiter. L'approche de Zig est d'accepter des PR imparfaites et d'aider les nouveaux contributeurs à s'améliorer — non seulement par souci d'équité, mais parce que chaque contributeur représente un investissement. L'objectif de l'examen des PR n'est pas simplement d'intégrer du code, mais de former de nouveaux contributeurs de confiance qui deviendront prolifiques avec le temps.
L'assistance par LLM brise complètement ce modèle. Même si un LLM soumet une PR parfaite, le temps passé à l'examiner ne contribue en rien à former un nouveau contributeur confiant et digne de confiance. Cro appelle cela le « poker du contributeur » — citant l'adage du jeu de cartes « on joue la personne, pas les cartes ». Au poker du contributeur, on parie sur le contributeur, pas sur le contenu de sa première PR.
Contexte : le fork de Bun
Le projet le plus éminent écrit en Zig — le runtime JavaScript Bun — a été acquis par Anthropic en décembre 2025 et utilise massivement l'assistance IA. Bun opère son propre fork de Zig et a récemment obtenu une amélioration des performances de 4x sur bun compile en ajoutant l'analyse sémantique parallèle et plusieurs unités de génération de code au backend LLVM. Cependant, comme le dit Bun : « Nous ne prévoyons pas actuellement de remonter cela en amont, car Zig a une interdiction stricte des contributions rédigées par LLM. »
L'argument de Cro répond également à une objection courante : si une PR est en grande partie écrite par un LLM, pourquoi un mainteneur passerait-il du temps à en discuter au lieu d'utiliser son propre LLM pour résoudre le même problème ?
À qui cela s'adresse
Mainteneurs de projets open source évaluant les politiques de contribution IA, et développeurs curieux des arguments philosophiques et pratiques derrière le nombre croissant d'interdictions des LLM dans les projets open source.
📖 Lire la source complète : HN AI Agents
👀 See Also

InclusionAI dévoile Ring-2.6-1T : modèle à un trillion de paramètres pour les flux de travail des agents
InclusionAI a dévoilé Ring-2.6-1T, un modèle de raisonnement de 1 billion de paramètres optimisé pour l'exécution par agent, avec deux niveaux d'effort de raisonnement (high/xhigh) et un apprentissage par renforcement asynchrone via l'algorithme IcePop.

Claude contre GPT-4o : Même consigne pour double pendule, conventions de coordonnées différentes
Claude et GPT-4o produisent des simulations de double pendule visuellement différentes car ils interprètent thêta à partir de verticales opposées — haut contre bas — tout en utilisant le même moteur de rendu. Les calculs sont corrects dans les deux cas, mais le décalage révèle une ambiguïté subtile dans l'interprétation du prompt.

Analyse des prix de DeepSeek V4 : tokens en cache 178x moins chers qu'Opus, mais retard de capacités reconnu
Entrée DeepSeek V4 Pro à 0,145 $/M tokens contre Claude Opus 4.7 à 5 $/M (34x moins cher) ; hits de cache à 0,0036 $/M contre 0,625 $/M (173x moins cher). La capacité est en retard de 3 à 6 mois sur GPT-5.4 et Gemini 3.1 Pro.

La discussion sur l'IA dans Hacker News passe des démos à l'accent sur les outils
Les discussions récentes sur Hacker News concernant l'IA évoluent des démonstrations ponctuelles vers des outils durables comme le suivi des prix, la vérification, la mémoire, l'évaluation et l'intégration dans les flux de travail. Cela indique un virage vers l'opérationnalisation, où les communautés cessent de récompenser les publications axées sur la nouveauté.