Les modèles de décision passent au format réduit : Qevi-2B, Liquid d1 et Jeeves poussent la classification en local
Un modèle de vision à 2 milliards de paramètres qui répond à des questions oui/non en lisant ses propres logits, sans générer de texte, a été publié sur Hugging Face le 29 septembre. Il revendique une précision de 0,977 dans son domaine et une inférence jusqu'à 21 fois plus rapide lorsqu'on pose beaucoup de questions sur une seule image.

Le modèle s'appelle Qevi-2B, un fine-tuning complet de Qwen3-VL-2B-Instruct. Ses auteurs le présentent comme « pas un modèle de chat » : demandez si une échelle figure sur une photo, il renvoie P(Oui) = 0,97 plutôt qu'une phrase. La fiche publiée annonce une précision de 0,977 dans le domaine contre 0,855 pour le modèle de base. Sur des domaines tenus à l'écart, le score est de 0,889 contre 0,745, et l'erreur de calibration attendue sur ces données est de 0,054 contre 0,160. La promesse de vitesse repose sur le regroupement des questions. Plusieurs questions partagent un seul encodage de l'image, isolées par un masque d'attention en bloc diagonal, vérifié bit à bit par rapport à un traitement séparé.
Ce n'est qu'un artefact dans une catégorie vieille de quinze jours, qui compte déjà des SDK, des benchmarks, une suite de benchmarks concurrente et au moins un clone open source. TypeSafe a livré Jev le 15 septembre, selon Casco, qui situe l'ascension du modèle au rang de mème à « moins de quarante-huit heures ».
Liquid met un nom sur les primitives
Liquid AI a publié le 29 septembre la documentation de d1, qu'elle présente comme son premier modèle de décision. Les docs sont étonnamment explicites sur l'usage de ces systèmes. Un modèle de décision ne génère pas de tokens un par un. Il évalue un état et renvoie des probabilités calibrées sur un ensemble fixe de résultats « en un seul appel, sans aucun token généré ».
Liquid définit trois types de questions devenus l'interface de fait. Noul est une question oui/non qui renvoie une probabilité entre 0 et 1 ; la documentation prend l'exemple d'un contrôle de spam qui renvoie 0,92. Choice renvoie une distribution sur des options nommées, par exemple {"billing": 0.65, "technical": 0.30, "account": 0.05} pour le routage de tickets. Score renvoie une position pondérée par les probabilités sur une grille ordonnée. Ainsi « quelle est l'urgence ? » sur trois niveaux peut revenir à 1,85, entre Medium et High. Liquid conseille de choisir le type selon ce que fait votre code ensuite : brancher sur une catégorie, prenez Choice ; comparer à un seuil, prenez Score ; conditionner sur un booléen, prenez Noul.
L'entreprise met aussi en garde contre une confusion fréquente. Un noul à 0,5 signifie, selon la documentation, une incertitude maximale entre oui et non et « ne dit rien du degré ni de l'intensité ». Mesurer un degré exige Score avec des niveaux définis.
Jeeves : du raisonnement par-dessus, et une facture de 3,3 secondes
La contestation la plus intéressante de la catégorie vient de PostHog, qui a publié Jeeves le 29 septembre. C'est un modèle de 9 milliards de paramètres du type Jev, bâti sur Qwen3.5-9B avec LoRA et une tête pointeur, entraîné par SFT et CISPO pour raisonner avant de décider. Le dépôt ne mâche pas le compromis qu'il corrige. « Les modèles du type Jev donnent des probabilités de décision calibrées, mais avec une faible précision », indique le README, ce qui explique pourquoi beaucoup de pipelines se rabattent déjà sur un modèle de raisonnement.
Jeeves annonce 0,889 sur un jeu de test tenu à l'écart et hors domaine de 2 962 éléments, contre 0,857 pour Jev et 0,822 pour Kev-9B. Réserve : les colonnes Kev et Jev reprennent des chiffres publiés par Kev. Sur les 231 éléments publics de JevBench, il revendique 0,935 contre 0,866 pour Jev ; sur le palier difficile de 111 éléments, 0,865 contre 0,730. Son erreur de calibration sur les éléments publics de JevBench est de 0,037. Le même checkpoint obtient 0,804 sans raisonnement contre 0,840 avec.
Puis vient le coût. PostHog mesure environ 0,3 seconde par requête sans raisonnement et une médiane de 3,3 secondes avec, sur un seul H100 en précision FP8. Il note que tronquer la chaîne raccourcit ce délai. L'inférence tourne aussi sur Apple Silicon avec 48 Go ou plus, ce qui compte si l'intérêt d'un petit modèle de décision est de garder le travail en local.
Les chiffres des modèles de base dans le tableau de Jeeves ne sont pas tous comparables : le dépôt marque d'un astérisque son résultat Kev-9B sur JevBench. La note précise qu'aucun résultat Kev-9B sur JevBench n'est publié et que les chiffres affichés sont ceux de Kev-8B sur Qwen3.
Qui paie vraiment pour un classifieur
L'argument de production le plus clair vient d'Evan Schwartz, qui dirige Scour, un flux de contenu personnalisé. Dans un billet du 29 septembre, il raconte poser 54 questions à environ 1,1 million de documents par mois : 50 nouls, 3 choices et 1 score. Cela fait environ 2 150 tokens, dont à peu près 260 tokens de surcoût fixe. Ses questions représentent désormais près de 88 % des tokens d'entrée, envoyées mot pour mot à chaque requête. Sa dépense totale reste sous 150 dollars par mois. Il affirme que faire passer le même contenu par le LLM le moins cher serait hors de portée pour un projet autofinancé.
Sa demande est précise : du cache de prompt, ou la possibilité d'enregistrer des jeux de questions réutilisables.
Il précise qu'il ne regroupe pas plusieurs publications par requête. Il cite l'avertissement documenté selon lequel la précision baisse quand l'état grossit avec du contenu sans rapport. Il suggère une API qui accepte beaucoup de questions et beaucoup d'entrées, alternative qui évite la pénalité du regroupement. D'autres comblent déjà les trous autour de TypeSafe. Un projet GitHub nommé Jeb, mis à jour le 29 septembre, transforme n'importe quel point d'accès compatible OpenAI en modèle de décision. Il lit les logprobs des tokens et renvoie du JSON structuré sur POST /v1/systemone, avec le même format de requête en CLI. Son README est franc sur le prérequis : un point d'accès peut être compatible OpenAI pour le chat ordinaire tout en n'exposant pas les probabilités logarithmiques dont Jeb a besoin, donc vérifiez cette capacité avant de choisir un fournisseur.
Le problème des benchmarks arrive tôt
Casco, une entreprise de sécurité, a fait passer 2 449 constats dans huit modèles, dont Jev, Claude et GPT. Elle a comparé les scores de gravité CVSS 3.1 à ses propres références publiées. Tous les modèles ont surestimé en moyenne. Jev a attribué 550 scores critiques à un jeu de données qui contient 55 constats critiques publiés, et 500 de ces 550 se situent sous le seuil critique dans la référence de Casco. GPT-6 Astra a été le plus précis au global avec 1,92 point d'erreur absolue moyenne ; Jev s'est classé septième à 3,40, devant Haiku à 3,94.
Les erreurs signées pointent toutes dans le même sens : Jev +3,30 points, Haiku +3,89, Astra +1,18, sur une échelle de dix points. La lecture de Casco est qu'une sortie structurée et calibrée n'a pas rendu les jugements de gravité plus exacts face à sa référence. L'entreprise affirme que le « security slop » qui en résulte coûte du temps aux ingénieurs. L'étude a utilisé les mêmes preuves de constat pour chaque modèle, sans la politique de notation de Casco ni le contexte applicatif interne, si bien qu'elle mesure le jugement, pas l'arithmétique.
Il reste aussi une question de maintenance que personne n'a tranchée. Jeeves est un fine-tuning de Qwen3.5-9B avec un drafter de diffusion et une API compatible Jev ; Qevi-2B est un fine-tuning de Qwen3-VL-2B. Les deux dépendent de modèles de base qui seront remplacés. L'argument de la catégorie est qu'on peut ajouter des questions sans réentraîner. C'est vrai de la surface d'API, pas des poids.
Le 29 septembre, Sebastian Raschka a publié une longue histoire technique de la classification de texte. Elle va du bag-of-words aux RNN, aux CNN et aux transformers jusqu'à ce qu'il appelle les API du type Jev, explicitement pour « démystifier l'engouement ». Sa conclusion est la moins spectaculaire et probablement la plus utile. Pour un problème étroit et bien défini, un modèle de style Jev ne battra pas un classifieur spécialisé en précision, en vitesse ou en coût. Son atout est la généralité dans le créneau de la classification, et c'est une promesse bien plus modeste que la réaction ne le laisse croire.
Sources
12- 01Qevi-2B: A Jev-style finetuned model for image classificationEN
- 02d1: Liquid AI's First Decision ModelEN
- 03Jeeves. Reasoning improves Jev-like decision modelsEN
- 04Please add prompt caching to Jev-style modelsEN
- 05Jeb: Turn any OpenAI API into a decision modelEN
- 06Every model (incl. Jev) we tested inflates security finding severityEN
- 07Language Models for Text Classification: From Bag-of-Words to JevEN
- 08The System One models ecosystemEN
- 09AI models keep posting screenshots showing sensitive data from inside companiesEN
- 10AI Models Fail at Physics: Coding Harnesses Are to BlameEN
- 11How many tasks does it take to trust a cheaper model?EN
- 12Gates Foundation 5 Year Goal: Help 3B People to Use AI in Their LanguageEN
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.
Commentaires
0- Aucun commentaire — soyez le premier.