Aller au contenu
Heure mondialeEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portail sur l'IA et la technologieactualités · analyses · entretiens · fond technique

Rechercher
EN DIRECT
›

Amazon publie un modèle de décision ouvert, l'IA embarquée se bouscule

Amazon Web Services a publié Strands Decider 2B le 1er octobre, un modèle de décision entièrement open source, assez petit pour tourner en local. OpenAI a annoncé une offre comparable la même semaine.

IA & modèlesAnalyseCamille RousseauPublié le: 1 octobre 20267 min de lectureSources 13
Amazon publie un modèle de décision ouvert, l'IA embarquée se bouscule

Le modèle sort des Strands Labs, l'organisation d'AWS consacrée aux outils d'agents. Il repose sur le socle de Qen3.5-2B, selon l'article de TechCrunch du 1er octobre. Au lieu de générer du texte, il trie entre des options déjà fixées. Il renvoie une mesure de confiance en même temps que le choix. Marc Brooker, ingénieur distingué chez AWS, en a d'abord construit une version maison, après avoir vu Jev de TypeSafe. Elle a brièvement pris la tête du classement Jevbench pour les modèles de sa taille. Amazon l'a ensuite nettoyée et publiée.

Les modèles de décision ne ressemblent pas aux chatbots que la plupart des gens imaginent quand ils entendent « modèle d'IA ». Ils prennent un état et un ensemble de questions typées. Ils rendent une probabilité, pas un paragraphe.

TypeSafe AI a ouvert ce marché avec Jev. Le laboratoire de San Francisco a été fondé par Diogo Almeida, ancien chercheur d'OpenAI. InfoQ rapporte le 1er octobre que Jev coûte 0,042 dollar par million de jetons d'entrée et ne facture rien en sortie. Il dispose d'une fenêtre de contexte de 32 000 jetons et annonce une latence de bout en bout de 70 ms à 500 ms. Vercel l'a ajouté à AI Gateway dès le deuxième jour. Vercel indique qu'il a atteint près de 13 % des équipes payantes en 24 heures, soit deux fois la part de la famille GPT-5.6.

Une catégorie remplie en quelques semaines

TechCrunch note que des dizaines de modèles similaires sont apparus depuis que TypeSafe a lancé l'idée. Ce volume joue dans les deux sens. Il signale un vrai appétit chez les développeurs, qui veulent une intelligence taillée pour l'automatisation plutôt que du raisonnement de pointe. Il pose aussi la question de la différenciation que peut encore porter une entrée isolée.

Brooker a expliqué à TechCrunch que l'attrait tient à la forme du flux de travail. « Ce qui a d'abord retenu mon attention dans cette classe de modèles, c'est qu'ils font un décideur parfait pour une étape de workflow : quelle est la prochaine chose que je dois faire ici, vu là où j'en suis ? » Il résume l'argument vendu aux clients : une étape « plus fiable, grâce aux scores de confiance, grâce au domaine fermé des réponses, et avec une latence plus faible, potentiellement un coût plus faible ».

Le directeur général de TypeSafe ne voit pas encore cette vague comme une menace. « Je comprends que les gens y voient une ruée vers l'or, mais ils sous-estiment peut-être la difficulté de rendre ces modèles réellement intelligents », a déclaré Diogo Almeida à TechCrunch. Il dit ne pas voir de véritable concurrence émerger pour l'instant.

Les questions ouvertes sont techniques, pas commerciales. Brooker présente l'arbitrage comme un problème de calibration. L'objectif est de pousser la précision et la calibration sur des tâches de décision étroites. Il ne faut pas pour autant dégrader les connaissances générales et les capacités multilingues qui rendent le socle utile. Il ajoute ne pas s'attendre à ce que les laboratoires de pointe dominent le segment. Sur des marchés plus petits, construire quelque chose d'intéressant coûte des centaines ou des milliers de dollars.

Des travaux évalués par les pairs suggèrent que l'approche a ses limites. Un article soumis à arXiv le 29 septembre examine le comportement de ces architectures quand l'ensemble des options grandit. Il s'intitule « More Choices, Fewer Decisions: Ordinal-Scale Bias in JEV-like Direct-Decision Models ». Il accompagne une autre soumission arXiv plus large du 29 septembre, « Demographic Pluralism ». Ce travail montre qu'une pondération égale bat l'agrégation pondérée et inversement pondérée pour estimer la distribution des opinions d'une population. Il montre aussi que l'erreur au niveau du groupe augmente avec le poids du groupe.

Le fil de l'embarqué dépasse les modèles de décision

La même semaine a apporté une grappe de travaux sur les petits modèles, sans rapport avec le fait de typer des décisions. Tous partagent une contrainte : tourner quelque part de bon marché, de local ou de déconnecté.

Le 30 septembre, un projet GitHub nommé Coop est devenu public. Il décrit un modèle d'environ 145 000 000 de paramètres préentraîné de zéro sur FineWeb-Edu par des volontaires. Le mécanisme est inhabituel. Les participants téléchargent un point de contrôle depuis un dépôt Hugging Face et exécutent des étapes AdamW locales sur un fragment personnel de données. Ils calculent un pseudo-gradient et le soumettent via une pull request sur un dépôt public de jeux de données Hugging Face. Une tâche cron GitHub Actions sans état est planifiée toutes les cinq minutes. Le planificateur partagé de GitHub la déclenche à intervalles allant de quelques minutes à plusieurs heures. La tâche lit le point de contrôle et les pull requests ouvertes, puis écarte les soumissions trop anciennes. Elle écrête et applique un portail cosinus aux autres, les agrège de façon robuste et effectue une étape externe de Nesterov. Elle téléverse ensuite un nouveau point de contrôle et ferme les pull requests traitées. Le projet indique que l'étape 1, un modèle de 15 000 000 de paramètres sur TinyStories, a dépassé son budget optimal au sens de Chinchilla. Il indique que plusieurs volontaires sur Apple Silicon et sur processeur classique ont entraîné la même étape externe et ont été moyennés en une seule mise à jour. Tout tourne sur du matériel grand public donné, plus les offres gratuites de Hugging Face et de GitHub Actions.

Un autre article arXiv, soumis le 28 septembre, décrit FLOORA. Sahand Rezaei-Shoshtari et 16 coauteurs l'ont écrit. FLOORA est une famille de petits modèles de langue spécialisés dans la génération de plans architecturaux. Le modèle de 600 000 000 de paramètres annonce des taux de victoire jusqu'à 92,0 % face à un juge VLM sur des bâtiments réels hors distribution. Il annonce 96,0 % sur des bâtiments synthétiques, avec des évaluations humaines le classant premier dans 89,3 % des cas. Les auteurs attribuent ce résultat à un langage spécialisé économe en jetons et à une tokenisation sur mesure. Ils citent aussi le préentraînement de domaine, l'affinage supervisé et l'apprentissage par renforcement avec préférences humaines apprises et récompenses vérifiables.

Toujours le 29 septembre, un article de Fendji K. E. Jean Louis propose « Model as a Library ». L'architecture empaquette de petits modèles vocaux, inscrits par la communauté, comme dépendances embarquées versionnées pour des langues africaines peu dotées. Les locuteurs eux-mêmes inscrivent le vocabulaire à partir d'un petit nombre d'enregistrements d'exemple, au moment du déploiement. Le mécanisme est la détection de mots-clés. Il convertit une forme textuelle à vocabulaire fermé en forme vocale, entièrement sur l'appareil. L'auteur précise qu'il s'agit d'un article de position et de conception système, pas d'une implémentation fonctionnelle.

Les travaux au niveau matériel vont dans le même sens. Tom's Hardware rapporte le 30 septembre qu'un développeur sous le pseudonyme stmonty a entraîné un modèle du monde d'environ 12 500 000 de paramètres sur une seule RTX 3080 Ti pour jouer à Pokémon Rouge. L'entraînement a utilisé des résumés compressés d'écran de 192 nombres et 42 382 images en niveaux de gris, sur plus de 1 000 courtes sessions. Le modèle s'appuie sur les recherches LeWorldModel, coécrites par Yann LeCun.

Les petits modèles ne sont pas automatiquement l'option sûre

Deux éléments des dernières 72 heures compliquent une hypothèse. Un appareil local ou une tâche étroite n'écarte pas automatiquement les risques liés aux systèmes de pointe.

Le bulletin Hacker News de The Hacker News du 1er octobre cite un reportage de BBC News sur Moonshot. L'entreprise chinoise d'IA mène un examen interne. Un rapport de Mindgard de juillet 2026 avait conclu que ses modèles Kimi K2.6 et K3 Swarm pouvaient contourner les garde-fous de sécurité et générer du contenu dangereux. Ce contenu comprenait des plans de cyberattaques, de projets terroristes et d'assassinats. Le même bulletin note que Chainalysis observe une hausse de 440 % des dépôts morts sur blockchain depuis le lancement des modèles open source chinois à grande capacité. Ces modèles n'imposent aucune restriction à la génération de code malveillant.

Du côté de la pointe, Google a publié Gemini 4 Argon le 30 septembre. L'accès était réservé à un groupe vérifié d'experts en cybersécurité. The Guardian rapporte le 1er octobre que Koray Kavukcuoglu, architecte IA en chef de Google, écrit dans un billet de blog que « publier en sécurité des capacités de pointe à ce niveau exige une approche par étapes ». Il écrit que Google donne volontairement un accès anticipé au gouvernement américain. CNBC rapporte le même jour que Google prévoit de lancer le modèle par phases, en commençant par des partenaires de cybersécurité de confiance. Tulsee Doshi, responsable produit des modèles Gemini chez Google, le décrit comme un modèle « incroyablement complet », qui excelle sur les tâches longues à plusieurs étapes.

Le contraste est net. Google retient un modèle qu'il présente comme son plus avancé. Pendant ce temps, un modèle de décision de 2 000 000 000 de paramètres, un modèle de 145 000 000 entraîné par des volontaires et un générateur d'architectures de 600 000 000 sont tous sortis ou devenus publics dans la même fenêtre. L'échelle n'est plus un indicateur fiable de capacité ni de prudence. Les outils pour faire tourner un modèle en local sont désormais assez simples pour que la décision de ce qu'on déploie échappe peu à peu aux laboratoires.

La façon dont Brooker formule l'équilibre est peut-être le meilleur résumé de l'état de la vague des petits modèles. Optimiser la tâche rapide et étroite sans perdre la généralité qui rendait le modèle de base digne d'être adapté. Savoir si les dizaines d'entrants qui encombrent la catégorie sauront tenir cette ligne, voilà ce que personne n'a encore démontré.

Commentaires 0

Sources

13
  1. 01Amazon releases its own Jev clone as decision models flood the webEN
  2. 02TypeSafe AI Releases Jev: A Decision-Only Model That Returns Typed Probabilities Instead of TextEN
  3. 03Coop: A small language model pretrained by volunteersEN
  4. 04FLOORA: A Human-Aligned Domain-Specific Language Model for Architectural DesignEN
  5. 05Towards Model as a Library: Offline, Community-Sourced AI for Low-Resource African LanguagesEN
  6. 06Demographic Pluralism: Inference-Time Modeling of Pluralistic Human Preference DistributionsEN
  7. 07More Choices, Fewer Decisions: Ordinal-Scale Bias in JEV-like Direct-Decision ModelsEN
  8. 08Developer trains a small AI on a single RTX 3080 Ti gaming GPU to 'play' Pokémon RedEN
  9. 09ThreatsDay: AI-Powered Zero-Day Chain, 543K Live Secrets, Model Inspection RCE and 13 More StoriesEN
  10. 10Google rolls out new Gemini AI model but restricts access over safety concernsEN
  11. 11Google rolls out Gemini 4 Argon, its most advanced AI modelEN
  12. 12OpenAI and Synopsys team up to build an AI model that designs chips like a seasoned engineerEN
  13. 13Zenithon raises $10M to build world models for extreme physicsEN

Tous les chiffres et citations de ce texte proviennent des sources citées ci-dessous.

Les contenus ont été préparés par l'équipe de rédaction, assistée par l'IA.

Camille Rousseau

Camille Rousseau

IA, modèles et technologies

Camille Rousseau suit les technologies, l’IA et les modèles ainsi que les médias et l’internet pour FLASH24, en partant des dépôts de modèles, des publications techniques et des données publiques, sans reprendre les annonces sans vérification. Elle contrôle les chiffres d’entraînement et de coût en remontant aux jeux de données, aux versions de modèles et aux méthodes de mesure. Elle interroge des chercheurs et des équipes produit, compare les résultats entre modèles et attend les mises à jour de calendrier des principaux fournisseurs. Son intérêt pour l’impression 3D, les vieux ordinateurs et la façon dont les modèles apprennent rejoint directement son travail sur l’IA et les technologies. Elle ne publie pas de chiffres sans source ni de comparaison sans protocole reproductible.

Rédaction →

Commentaires

0
  1. Aucun commentaire — soyez le premier.

Écrire un commentaire

Les commentaires sont publics. Nous ne publions ni insultes, ni spam, ni publicité.