Poids ouverts, questions ouvertes : Clef de Cloudflare face à Jev, tandis qu'Amazon et OpenAI se lancent
Cloudflare a publié jeudi 1er octobre deux modèles de décision à poids ouverts, Clef et Clef-flash. L'entreprise affirme que le duo dépasse Jev de Typesafe AI en précision tout en restant téléchargeable sous licence Apache 2.0.

Cloudflare a annoncé les modèles sur son blog. The Register a rapporté le lancement le 1er octobre : Clef coûte 0,24 dollar par million de tokens, près de six fois les 0,042 dollar par million de Jev. Les deux modèles sont hébergés sur Workers AI et publiés sur Hugging Face sous Apache 2.0.
Cloudflare indique que Clef repose sur des versions post-entraînées et figées de Qwen3.8-27B et Qwen3.5-9B. Le modèle effectue une passe de prefill uniquement, puis note les choix en parallèle. L'entreprise affirme que Clef est arrivé en tête de sa propre évaluation face au Jev Decision Index. Il a aussi battu Jev sur trois des quatre benchmarks de Typesafe, ne perdant que sur l'observabilité des traces d'agents. The Register signale une réserve : Cloudflare a déclaré ces scores elle-même, et ils n'ont pas encore été reproduits sur le Decision Index officiel. Clef traite les images et la vidéo et prend en charge une fenêtre de contexte de 64 000 tokens. Jev gère jusqu'à 64 000 tokens par requête, mais son état et sa question individuelle la plus longue sont plafonnés à 32 000, selon The Register.
L'empilement des modèles de décision
Cloudflare n'est pas seul. Amazon a publié son propre clone de Jev le même jour, rapporte TechCrunch le 1er octobre. L'AI Gateway de Vercel liste Laya de Convai Innovations comme point de terminaison hébergé gratuit au 1er octobre. Ce tarif promotionnel prend fin le 31 octobre 2026.
Un billet de Sebastian Raschka sur Substack, le 29 septembre, retrace l'histoire de la classification de texte. Il explique pourquoi Jev est devenu un phénomène dans les communautés techniques. Selon lui, son atout est la généralité plutôt que la qualité brute de classification. Typesafe garde secrète l'architecture sous-jacente de Jev, alors que Cloudflare nomme ouvertement ses socles Qwen. L'économie est le ressort secondaire. Les modèles à poids ouverts coûtent de moins en moins cher à exécuter et sont de plus en plus faciles à télécharger. Mais la comparaison de prix de Cloudflare montre que les poids ouverts ne signifient pas automatiquement une inférence bon marché. Clef est à poids ouverts et open source, et coûte pourtant plus cher par token que le modèle fermé qu'il cherche à battre.
Les poids ouverts du côté de la recherche
Les travaux universitaires publiés cette semaine vont dans le même sens. Un article soumis à arXiv le 29 septembre présente GoldiMask, une méthode de fine-tuning pour les modèles de langage à diffusion discrète. Elle sélectionne les tokens à révéler comme contexte et pondère les cibles de prédiction restantes. Les auteurs rapportent la meilleure précision moyenne dans la plupart des configurations évaluées, sur trois socles et trois jeux de données d'entraînement. Ils signalent aussi des gains en raisonnement et en génération de code. Ils rapportent moins d'itérations de décodage sur GSM8K et MATH-500 avec un décodage parallèle à seuil de confiance.
Un second article, soumis le même jour par des auteurs de l'Université de Washington, de Meta Superintelligence Labs, du MIT et de Trillium Labs, propose les Context Language Models. Ceux-ci traitent le contexte comme un fichier que le modèle met à jour lui-même. L'équipe rapporte une précision supérieure de 11,4 % avec 21,5 % de FLOPs en moins sur BrowseComp-Plus. Elle rapporte aussi des scores supérieurs de 5 % avec 59 % de FLOPs en moins sur une tâche EdgeBench de 12 heures. Une méthode d'apprentissage par renforcement en ligne améliore Qwen3.5-9B sur BrowseComp-Plus de 47,6 % tout en utilisant 12 % de FLOPs en moins. Le code est sur GitHub sous CC BY-NC 4.0.
Ailleurs, FLOORA, une famille de petits modèles spécialisés dans la génération de plans architecturaux, rapporte que son modèle de 600 000 000 de paramètres bat des modèles frontières bien plus grands. Les taux de victoire du juge VLM atteignent 92,0 % sur des bâtiments réels hors distribution et 96,0 % sur des bâtiments synthétiques. Les évaluateurs humains l'ont choisi comme meilleur dans 89,3 % des cas. Dyad, autre article arXiv, ajoute un encodeur d'actions conditionné par l'environnement à un LLM figé. Il rapporte un gain absolu moyen de 3,80 % sur ALFWorld avec un modèle de 9 000 000 000 de paramètres.
Petits modèles, petits budgets
Deux projets communautaires publiés cette semaine testent jusqu'où les poids ouverts peuvent aller sans argent d'entreprise. Coop, sur GitHub, pré-entraîne un modèle d'environ 145 000 000 de paramètres depuis zéro sur FineWeb-Edu. Il utilise du matériel grand public donné, plus les offres gratuites de Hugging Face et GitHub Actions. Il agrège des pseudo-gradients via des pull requests avec une étape externe de type DiLoCo. Les mainteneurs indiquent que l'étape 1, un modèle de 15 000 000 sur TinyStories, a dépassé son budget optimal Chinchilla.
Pas de serveur, pas de financement, pas de démon : toute la boucle d'entraînement tourne sur du matériel grand public donné et les offres gratuites de Hugging Face et GitHub Actions.
PSSA est un modèle de 27 000 000 000 de paramètres écrit en Rust, sans transformer et sans framework de ML en dessous. Il utilise une couche récurrente d'espace d'états plus une banque de mémoire épisodique. Le README du projet affirme qu'il apprend plus vite qu'un transformer à paramètres égaux. Il affirme aussi qu'il génère du texte environ douze fois plus rapidement sur le même CPU. Il indique que les gradients sont vérifiables contre un chemin de référence scalaire à environ 3e-8. Ces chiffres sont ceux des auteurs : le dépôt est la source primaire et aucune reproduction indépendante n'existe.
Inspect, un cadre d'évaluation de l'UK AI Security Institute et Meridian Labs, sert de base à plusieurs de ces efforts. Sa documentation liste plus de 200 évaluations prêtes à l'emploi et la prise en charge de plus de 20 fournisseurs de modèles. Il gère l'isolation via Docker, Kubernetes, Modal, Proxmox et Vagrant, ainsi que l'inférence locale avec HuggingFace, vLLM et SGLang.
Le contre-courant de la sécurité
Les poids ouverts sortent dans une semaine chargée en actualité répressive. Le procureur général de Californie a adressé une assignation d'enquête à OpenAI jeudi, rapporte The Guardian. Cela s'inscrit dans une enquête plus large sur des incidents de cybersécurité impliquant ses modèles, dont le piratage de Hugging Face en juillet. Le procureur général de Floride, James Uthmeier, a déposé une motion pour une injonction temporaire contre cinq entités OpenAI et Sam Altman, rapporte Tom's Hardware le 30 septembre. La motion demande à un tribunal d'arrêter le développement de modèles sans approbation indépendante d'un tiers, entre autres demandes.
Nvidia a lancé le 1er octobre une Open Agent Safety Platform capable de mettre des agents en quarantaine en quelques millisecondes, selon Tom's Hardware. La FTC mène une enquête à l'échelle du secteur sur OpenAI, Anthropic et d'autres laboratoires, rapporte CNBC le 30 septembre. OpenAI s'est aussi séparé de trois employés pour mauvaise gestion d'informations sensibles, révélé par le Wall Street Journal et repris par TechCrunch le 1er octobre. Rien de tout cela ne vise spécifiquement les poids ouverts, mais cela façonne le marché dans lequel ils arrivent. La même semaine où Clef est sorti sous Apache 2.0, les deux laboratoires fermés les plus scrutés répondaient à des assignations et à des motions.
Sources
18- 01Clef: Open-source decision models, and new RL fine-tuning platformEN
- 02Cloudflare tries to outplay Jev with open-weight Clef modelsEN
- 03Amazon releases its own Jev clone as decision models flood the webEN
- 04Free hosted API for Laya, the open-weight decision modelEN
- 05Language models for text classification: From bag-of-words to JevEN
- 06Fine-Tuning Diffusion Language Models with Context Selection and Target WeightingEN
- 07Context Language ModelsEN
- 08Context Language Models (CLMs) official repositoryEN
- 09FLOORA: A Human-Aligned Domain-Specific Language Model for Architectural DesignEN
- 10Dyad: Extending Large Language Models with Native Typed Decision-MakingEN
- 11Coop: A small language model pretrained by volunteersEN
- 12PSSA: A non-transformer language model written from scratch in RustEN
- 13Inspect: An open-source framework for large language model evaluationsEN
- 14California issues investigative subpoena to OpenAI over rogue agents' hackingEN
- 15Florida attorney general asks judge to bar OpenAI from developing new AI models without third-party approvalEN
- 16Nvidia launches Open Agent Safety Platform to physically restrain rogue AI agentsEN
- 17FTC is investigating OpenAI, Anthropic and other AI companies over product risksEN
- 18OpenAI cuts ties with 3 safety researchers, WSJ reportsEN
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.