Les petits modèles gagnent le centre de la pile d'agents, d1 ajoute la vision et Beam publie ses poids ouverts

Liquid AI a présenté d1 le 5 octobre, en le qualifiant de premier modèle de décision de l'entreprise et de premier à étendre la prise de décision aux images. Le modèle ne génère pas de tokens. Il lit son entrée en une seule passe avant et renvoie une probabilité pour chaque réponse possible, selon le billet de blog de l'entreprise. Une décision textuelle prend 200 à 300 millisecondes.

C'est l'argument de vente : remplacer un appel à un grand modèle, lent et cher, par un classifieur rapide quand la réponse est un choix structuré. Liquid affirme que d1 égale ou dépasse GPT-6.1 Sol sur quatre des six applications réelles testées, du tri des tickets de support à l'inspection de cartes de circuits imprimés, pour un coût 19 à 200 fois inférieur à GPT-6.1 Sol comme à Claude Opus 5.5. L'entreprise ajoute que d1 répond plus vite sur toutes les tâches. Ces chiffres de comparaison viennent des propres benchmarks de Liquid et n'ont pas été vérifiés indépendamment.

Le calendrier n'a rien d'un hasard. Dans toute la pile, cette semaine, le petit modèle spécialisé est poussé là où un modèle général est trop lent ou trop coûteux à faire tourner.

Ce qu'un modèle de décision apporte vraiment

Liquid décrit trois formes de sortie : une question oui/non à laquelle on répond par une probabilité entre 0 et 1, un choix parmi des étiquettes avec une probabilité par étiquette, et un score sur une échelle. Une même requête peut poser plusieurs questions sur le même état, ce qui réduit le nombre de tokens d'entrée à payer. En inspection visuelle, d1 a trié pièces bonnes et défectueuses avec une précision de 85 à 97 pour cent sur quatre lignes de production : cartes de circuits imprimés, bougies, noix de cajou et chewing-gum, tirés du jeu de données public VisA.

Le détail le plus intéressant, c'est que le modèle n'a jamais été entraîné sur ces tâches. Liquid parle de généralisation : le modèle comprend le travail à partir d'une courte description écrite. Aux jeux, l'ajout de l'écran a fait passer le score de d1 à Tetris de 70 à 81 lignes effacées, et à Wordle il a lu le plateau sur une capture d'écran et résolu 12 parties sur 12 en 3,8 essais en moyenne. Sur Quick, Draw!, il a reconnu 5,2 dessins sur 6, contre 0,6 pour une réponse au hasard.

Une application vise directement les agents de code. Dans la compaction de contexte, d1 lit chaque sortie d'outil dans la session d'un agent et la conserve, la rogne ou la supprime. Liquid affirme que cela retire 52 pour cent des tokens tout en gardant chaque sortie dont la tâche a besoin. C'est une décision étroite et répétitive qu'un modèle général prendrait sinon au prix fort.

Le grand modèle qui joue sur le coût par token

Le même jour, Reflection a publié les détails de Beam, son premier modèle à poids ouverts. Beam est un modèle à mélange d'experts clairsemé, avec 501 000 000 000 de paramètres au total et 23 000 000 000 actifs. Reflection indique avoir préentraîné Beam sur 23 800 000 000 000 de tokens et mené une phase d'apprentissage par renforcement à forte puissance de calcul, qui a produit plus de 100 000 000 de rollouts sur 10 500 GPU NVIDIA GB300 en quatre semaines.

Les poids ne sont pas encore sortis. Reflection précise que Beam est en phase finale de red-teaming et d'évaluation, avec poids, rapport technique, fiche modèle et artefacts pour développeurs promis plus tard ce mois-ci. L'accès anticipé se fait sur inscription. Tous les chiffres de benchmark de l'annonce sont donc ceux de l'entreprise.

Il faut lire ces chiffres avec attention, car ils jouent dans les deux sens. Sur SWE Bench Pro v2-Hard, Reflection annonce Beam à 77,2 contre 88,2 pour Kimi K3 et 84,3 pour GLM 5.3. Sur Terminal Bench v2.1, il annonce 80,1, contre 88,3 pour Kimi K3 et 88,2 pour GLM 5.3. Sur SWE Bench Pro v1, il annonce 65,5, contre 67,7 pour Qwen 3.8 Max. Beam n'est pas en tête.

L'argument de Reflection est l'efficacité, pas la capacité brute. L'entreprise affirme que Beam atteint des scores comparables à GLM 5.2 en utilisant 3 à 4 fois moins de calcul d'inférence, et que l'écart se creuse face aux modèles de la famille 2 000 000 000 000 de paramètres et plus. Sur HLE sans outils, Beam obtient 36,2 contre 46,9 pour Kimi K3 et 43,6 pour Qwen 3.8 Max ; avec outils, il obtient 51,2 contre 62,5 pour GLM 5.3 et 63,9 pour DeepSeek V4.1 Flash. Reflection reconnaît clairement que les modèles ouverts de pointe comme Kimi K3 restent devant en capacité brute.

Les petits modèles tournent à côté des grands

La démonstration la plus concrète de la thèse du petit modèle, cette semaine, vient d'un endroit inattendu : un agent de code sur GitHub nommé Jeff-Code. Il place un modèle de décision de 800 000 000 de paramètres dans la boucle d'agent de Pi, l'agent de code de Mario Zechner et de ses contributeurs, aux côtés de Qwen 3.8-27B.

Autour de chaque tour de Qwen, Jeff prend deux décisions, d'environ 0,2 seconde chacune. Peut-il faire lui-même l'étape suivante, comme lire un fichier, lister un dossier, chercher du code ou lancer des tests ? Et Qwen doit-il réfléchir intensément à ce tour ? L'écriture et la modification de fichiers restent toujours à Qwen, et Jeff lui passe la main dès qu'il a un doute.

Les résultats, issus de l'évaluation appariée du projet lui-même, sont peu spectaculaires et valent la lecture. Le taux de réussite atteint 62,4 pour cent pour Jeff-Code contre 62,8 pour cent pour Qwen seul, soit une différence appariée de moins 0,2 point sur 1 242 tâches appariées. Le temps moyen par tâche tombe à 0,68x, une moyenne géométrique des ratios par tâche avec un intervalle à 95 pour cent de 0,64 à 0,72. Le temps total sur l'ensemble des tâches baisse moins, à 0,86x, car sur environ 5 pour cent des tâches Jeff-Code a tourné plus de 30 minutes de plus que Qwen seul.

L'argument mis en avant est 47 pour cent plus rapide, soit 32 pour cent de temps en moins, à taux de réussite égal. Le détail compte plus que le titre : aucun gain net de vitesse sur Terminal-Bench 2.0 (0,96x) ni sur SkillsBench (0,91x). Couper la réflexion à chaque tour est encore plus rapide, mais coûte 7,6 points de taux de réussite. Un Jeff moins prudent, à un seuil de 0,7, coûte 4,5 points. Ici, les petits modèles sont une couche d'ordonnancement, pas un substitut au grand.

Là où le petit modèle craque encore

Un second projet GitHub, Reika, est une CLI d'agent de code pensée d'abord pour de petits modèles locaux : de 8 000 000 000 à 35 000 000 000 de paramètres, souvent en quantification Q2 à Q4, sur une fenêtre de contexte de 32 000 tokens. Son auteur publie les constats, et ils sont francs sur les limites. Aux tests, les modèles de 14 à 35 milliards de paramètres ont géré le plus sûrement les tâches multi-fichiers, ceux de 8 000 000 000 à 9 000 000 000 les tâches simples et bien délimitées, et en dessous de 7 000 000 000, ils sont rarement allés loin. Le projet est en pré-1.0 et prévient que les commandes et le comportement peuvent encore changer.

Les chiffres du harnais sont la partie utile. Une seule réécriture en milieu de contexte a retraité 8 453 tokens de prompt, soit 7,9 minutes de préremplissage, là où un ajout dans la même session coûtait 25 tokens et 3,5 secondes. La formulation du prompt est décrite comme le levier le plus faible : 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 conclusion de Reika est qu'il ne rend pas un petit modèle plus intelligent, il rend le travail avec lui moins frustrant.

Le matériel va dans le même sens. Interfaze 1.1 Lite, publié sur Hugging Face le 5 octobre, est un modèle à mélange d'architectures qui associe un cœur de raisonnement à des composants spécialisés pour les documents, la parole, l'ancrage visuel et la sortie structurée. L'ensemble tourne sur un seul GPU de 80 GB, sans service externe. Ce n'est pas un réseau unique : le cœur planifie, appelle les spécialistes et compose la réponse à partir de ce qu'ils renvoient.

Ses benchmarks rappellent que petit et mono-GPU ne veulent pas dire faible. Interfaze 1.1 Lite annonce 85,9 sur GPQA Diamond, contre 92,4 pour Interfaze, 82,8 pour GPT-5.4-Mini, 89,9 pour Claude-Sonnet-4.6 et 88,5 pour Gemini-3-Flash. Sur MMMU-Pro, il annonce 73,2, devant Interfaze à 71,1. En reconnaissance de la parole, mesurée en taux d'erreur de mots sur VoxPopuli-Cleaned, il annonce 3,01 contre 2,4 pour Interfaze et 4,0 pour Gemini-3-Flash. Interfaze indique aussi qu'un enregistrement de 95 minutes se transcrit en 90 secondes environ.

Pourquoi cela compte pour les acheteurs

Le changement concret, c'est que les équipes disposent désormais de trois leviers de coût distincts, vendus comme une seule histoire. Un modèle de décision peut absorber un appel répétitif. Un petit modèle peut ordonnancer ou router le travail autour d'un grand. Un grand modèle à poids ouverts, dense ou clairsemé, peut être réglé pour l'efficacité d'inférence plutôt que pour la tête des benchmarks. Chaque levier a un chiffre publié, et presque tous ces chiffres viennent du fournisseur.

L'inconnue reste la fiabilité hors démonstration. Les constats de Reika montrent qu'un petit modèle prend la sortie d'outil au pied de la lettre : un grep qui a renvoyé « 0 correspondance » pour un appel qu'il ne pouvait pas servir a poussé un modèle à reformuler un motif correct pendant cinq tours. Jeff-Code montre que les gains de vitesse par tâche peuvent être mangés par une longue traîne de tâches bien plus lentes. Les chiffres de précision de Liquid viennent d'un petit ensemble d'applications et de jeux de données. Aucun de ces projets n'a publié d'audit indépendant.

Il y a un autre signal à surveiller. Sean Goedecke a soutenu le 5 octobre que des modèles comme Jev, qu'il appelle classifieurs Système 1, peuvent être remplacés par des classifieurs construits à la main et entraînés sur leurs propres journaux d'entrée et de sortie. Une fois qu'une équipe a validé une décision pilotée par prompt, collecter les données et entraîner un modèle spécifique est un problème bien compris, écrit-il. Si ce schéma s'installe, les modèles de décision d'aujourd'hui sont un marchepied vers moins cher, et la pression sur les prix va dans un seul sens.

Pour l'instant, voici les dates à retenir. Le d1 de Liquid est disponible dès aujourd'hui sur console.liquid.ai. Reflection annonce les poids de Beam pour plus tard ce mois-ci, sans date précise. Jeff-Code et Reika sont tous deux publics sur GitHub, tous deux en pré-1.0, tous deux mesurant leurs propres harnais. Le petit modèle n'est plus une catégorie de démonstration ; c'est une ligne de budget.