Les prévisionnistes gagnent des outils d'IA, mais les modèles météo doivent encore gagner la confiance

L'argument est étroit et facile à vérifier. Le blog de Liquid AI indique que d1 lit du texte, des images ou les deux en une seule passe avant. Il renvoie une probabilité pour chaque réponse possible. Aucun token n'est généré. Une décision textuelle prend 200 à 300 ms, selon l'entreprise. Elle affirme que d1 égale ou dépasse GPT-6.1 Sol sur quatre des six « applications réelles » testées.

Les exemples de Liquid sont surtout industriels et administratifs : filtrer des tickets de support, classer des documents, inspecter des cartes de circuits imprimés issues de quatre lignes de production sur le jeu de données public VisA. Là, d1 trie les pièces bonnes et défectueuses avec une précision de 85 à 97 %. L'entreprise précise que le modèle n'a jamais été entraîné pour cette tâche.

Pourquoi cela intéresse-t-il un service météo ? Une prévision est, au fond, une décision structurée en situation d'incertitude. C'est le segment le moins coûteux de cette chaîne que l'on pousse vers les petits modèles. Aucun benchmark de d1 sur des données météorologiques n'a été publié, et Liquid AI n'en revendique aucun. Il faut traiter l'angle météo comme une hypothèse, pas comme un résultat.

Ce que les faits montrent vraiment sur la prévision

Un résultat de prévision sort du lot. Il s'agit d'un modèle hybride qui combine un optimiseur inspiré de la conduite automobile avec de l'IA. Bioengineer.org rapporte qu'il améliore les prévisions de production éolienne de 12,7 %. Il n'apparaît que comme titre dans la liste de contexte, donc ce chiffre est tout ce que nous avons : pas de méthode, pas de jeu de données, pas de référence de comparaison. Sur cette base, 12,7 % reste un chiffre de communiqué tant que personne ne l'a reproduit.

Ailleurs, le schéma est identique : des modèles généraux capables, des preuves de domaine minces. NASA-IMPACT a publié le 5 octobre le code d'affinage et d'inférence du NASA-IBM Lunar Foundation Model. Il comprend des configurations TerraTorch pour la détection de cratères, la segmentation IMP et la prospectivité en glace. C'est un modèle de fondation pour la science de la surface lunaire, pas pour la météo. Mais il montre le gabarit : une base préentraînée plus des têtes spécifiques à la tâche, publiées avec les poids sur Hugging Face.

Le cœur lit la requête, décide quels spécialistes lancer et compose la réponse à partir de ce qu'ils renvoient.

Cette phrase vient de la fiche du modèle Interfaze 1.1 Lite publiée le 5 octobre. Elle décrit une conception en mélange d'architectures qui tourne sur un seul GPU de 80 Go sans service externe. Son tableau de benchmarks donne GPQA Diamond à 85,9, MMMU-Pro à 73,2 et olmOCR-Bench à 83,8. Aucun de ces chiffres ne concerne la météo. Ce sont le genre de valeurs que les fournisseurs publient désormais par défaut. Elles ne disent presque rien sur la capacité d'un modèle à traiter une grille de 10 km.

Le problème de confiance en dessous

Des chercheurs de l'UC Riverside ont rapporté le 23 septembre que la confiance et l'exactitude des grands modèles de langage peuvent provenir de caractéristiques internes différentes. Het Patel, doctorant et premier auteur, explique que l'hypothèse principale du domaine veut que la confiance suive l'exactitude, mais que « nous voyons souvent les contre-exemples qui sont bien documentés ». L'équipe a étudié Llama-3.1-8B de Meta et Gemma-2-9B de Google avec des autoencodeurs épars. Elle a constaté qu'ils pouvaient supprimer certaines caractéristiques sans réentraîner tout le modèle.

Pour quiconque branche un modèle de langage sur une chaîne de prévision, c'est l'avertissement pratique. Un modèle qui semble sûr d'une trajectoire de tempête n'a pas raison pour autant. Patel compare la démarche à « tourner des boutons » à l'intérieur d'un modèle pour voir comment le comportement change. Supprimer les caractéristiques liées uniquement à l'incertitude a nettement réduit la précision.

Les promesses d'efficacité sont réelles mais distinctes. Reflection a annoncé Beam le 5 octobre. C'est un modèle épars de mélange d'experts à 501 000 000 000 de paramètres, dont 23 000 000 000 actifs. Il a été entraîné avec plus de 100 000 000 de rollouts RL sur 10 500 GPU NVIDIA GB300 pendant quatre semaines. Reflection affirme que Beam est compétitif avec GLM 5.2 tout en utilisant 3 à 4 fois moins de calcul d'inférence. Les poids ne sont pas encore disponibles : l'entreprise indique que le red-teaming final est en cours et que la publication viendra plus tard ce mois-ci.

L'outillage pour petits modèles bouge aussi. Jeff-Code, un fork de Pi publié le 5 octobre, place un modèle de décision de 800 000 000 de paramètres à côté de Qwen 3.8-27B, fort de 27 000 000 000 de paramètres. Il rapporte des tâches exécutées en 0,68 fois le temps de référence, avec un taux de réussite de 62,4 % contre 62,8 % sur 1 242 tâches appariées. C'est un résultat de vitesse, pas de précision. L'auteur reconnaît franchement que sur environ 5 % des tâches, l'exécution dépasse de plus de 30 minutes. À titre de repère, le modèle de langage Llama-3.1-8B compte 8 000 000 000 de paramètres et Gemma-2-9B en compte 9 000 000 000, les deux architectures sur lesquelles l'équipe de Riverside a mené ses tests.

Lecture honnête de l'actualité de la semaine : l'infrastructure pour des décisions structurées rapides et bon marché arrive plus vite que les preuves qu'elle fonctionne sur des systèmes physiques. La prévision météo recevra ces outils. On n'a pas encore montré qu'elle devait leur faire confiance.