Les modèles de fondation pour la robotique font le spectacle, mais les chiffres se décident dans la couche de décision

Le 5 octobre, Liquid AI a publié d1, qu'elle présente comme son premier modèle de décision et le premier du genre à traiter des images en plus du texte. Selon le blog de l'entreprise, d1 répond à une question sur une situation en donnant une probabilité par réponse possible. Il lit du texte, des images ou les deux en une seule passe avant, sans générer de tokens. Une décision sur du texte prend 200 à 300 ms.

Les benchmarks du fournisseur méritent du scepticisme. Liquid affirme que d1 égale ou dépasse GPT-6.1 Sol sur quatre des six applications testées, du tri de tickets de support à l'inspection de cartes de circuits imprimés, et coûte 19 à 200 fois moins cher que ce modèle comme que Claude Opus 5.5. Sur le jeu de données public VisA, il trie les pièces bonnes et défectueuses avec une précision de 85 à 97 %, une tâche pour laquelle, selon l'entreprise, il n'a jamais été entraîné.

Pourquoi cela compte-t-il pour la robotique ? Parce que l'histoire de l'IA incarnée de l'année écoulée a été dominée par les grands modèles de fondation, alors que le problème le plus difficile est souvent le jugement bon marché et rapide qui se trouve en dessous : cette pièce est-elle défectueuse, cette prise est-elle sûre, cette image mérite-t-elle un second regard. Les exemples de Liquid vont dans ce sens. d1 classe des documents dans des dossiers, pilote un site de recherche de vols à partir d'un objectif d'une phrase et compresse la sortie d'outils d'un agent de codage, supprimant 52 % des tokens tout en gardant ce dont la tâche a besoin.

De petits modèles qui décident

Le même schéma apparaît dans deux autres publications cette semaine. Un projet GitHub appelé Jeff-Code, publié le 5 octobre, place un modèle de décision de 800 000 000 de paramètres dans la boucle d'agent de Pi, l'agent de codage de Mario Zechner et de ses contributeurs. À chaque tour de Qwen 3.8-27B, Jeff effectue deux appels d'environ 0,2 seconde chacun : déterminer s'il peut franchir l'étape suivante seul, et si Qwen doit réfléchir intensément. Le projet rapporte un taux de réussite de 62,4 % contre 62,8 % pour Qwen seul sur 1 242 tâches appariées, avec un temps par tâche à 0,68x et une différence appariée de moins 0,2 point.

C'est un petit échantillon de petits chiffres, mais la direction rejoint le discours de Liquid : ne payer le raisonnement de pointe que lorsqu'un modèle bon marché indique qu'il le faut. Jeff-Code montre aussi le mode de défaillance. Sur environ 5 % des tâches, il dépasse Qwen seul de plus de 30 minutes, ce qui explique que le temps total ne descende qu'à 0,86x.

Reika, autre publication du 5 octobre, adopte la stratégie inverse. Elle conçoit une interface en ligne de commande pour agent de codage autour de petits modèles locaux, dans la gamme de 8 000 000 000 à 35 000 000 000 de paramètres en quantification Q2 à Q4 sur une fenêtre de contexte de 32 000 tokens. Sa documentation est d'une franchise inhabituelle sur les limites. Lors des tests, les modèles de 14 000 000 000 à 35 000 000 000 de paramètres ont géré le plus fiablement les tâches multi-fichiers, ceux de 8 000 000 000 à 9 000 000 000 de paramètres se sont débrouillés avec des tâches simples et bien délimitées, et en dessous de 7 000 000 000 de paramètres, ils allaient rarement loin.

Le surcoût du harnais lui-même est revenu plusieurs fois. Une réécriture en milieu de contexte a retraité 8 453 tokens de prompt, soit 7,9 minutes de prefill, là où un ajout dans la même session coûtait 25 tokens et 3,5 secondes. Un grep qui a signalé « 0 correspondance » pour un appel qu'il ne pouvait pas servir a poussé un modèle à reformuler un motif correct pendant cinq tours.

« La formulation du prompt est le levier le plus faible », indique le README de Reika. Sur une tâche vague en Q2, un modèle converge ou part en vrille à peu près une fois sur deux, et le harnais ne peut pas changer ce taux, seulement ce que coûte la moitié qui échoue.

La grande publication à poids ouverts est encore attendue

Au-dessus de tout cela se trouve Beam, le premier modèle à poids ouverts de Reflection, annoncé le 5 octobre. C'est un mélange d'experts creux avec 501 000 000 000 de paramètres au total et 23 000 000 000 actifs, préentraîné sur 23 800 000 000 000 de tokens, avec une phase d'apprentissage par renforcement de plus de 100 000 000 de rollouts sur 10 500 GPU NVIDIA GB300 pendant quatre semaines.

Reflection reste prudent sur ce qu'il a montré et ce qu'il n'a pas montré. Beam passe encore par les tests d'intrusion et les évaluations finaux ; les poids, le rapport technique et la fiche du modèle arriveront plus tard ce mois-ci. L'entreprise affirme que Beam est compétitif avec de plus grands modèles ouverts comme GLM 5.2 et s'approche de Qwen 3.8-Max sur le codage et les tâches agentiques, tout en reconnaissant que Kimi K3 reste devant en capacité brute. Son avantage, soutient l'article, est l'efficacité d'inférence, avec des scores de raisonnement comparables à GLM-5.2 pour 3 à 4 fois moins de calcul.

Pour quiconque construit des politiques de robot sur des poids ouverts, c'est cette promesse d'efficacité qu'il faut surveiller, et elle restera non vérifiée jusqu'à la publication du rapport technique.

Des sources primaires, pas des communiqués

Deux autres éléments du dossier méritent une lecture directe. La NASA et IBM ont publié le 5 octobre sur GitHub du code de fine-tuning et d'inférence pour un Lunar Foundation Model, avec des configurations TerraTorch pour la détection de cratères, la segmentation IMP et la prospectivité de glace, plus les poids sur Hugging Face. C'est un cas rare d'une agence spatiale livrant une base géospatiale réutilisable avec des tâches en aval exécutables.

Interfaze 1.1 Lite, mis en ligne sur Hugging Face le 5 octobre, est un modèle à architectures mixtes qui tourne sur un seul GPU de 80 GB sans service externe : un cœur de raisonnement qui appelle des modèles spécialisés pour l'OCR, la parole, la segmentation et la prévision, avec une sortie JSON structurée. Il annonce 83,8 sur olmOCR-Bench et 73,2 sur MMMU-Pro, contre 85,7 et 71,1 pour Interfaze lui-même.

Tous les chiffres de la semaine ne soutiennent pas la thèse des petits modèles. Une étude de l'UC Riverside publiée le 23 septembre a montré que la confiance et l'exactitude dans Llama-3.1-8B et Gemma-2-9B proviennent de caractéristiques internes différentes, si bien que la certitude d'un modèle n'est pas un signal fiable qu'il a raison. Supprimer les caractéristiques liées uniquement à l'incertitude a fortement réduit la précision, selon le compte rendu de l'université. Tout système qui répartit le travail selon la confiance du modèle devrait lire cet article d'abord.