Deep Cogito v2 veut rendre le raisonnement des IA plus rapide et open source

Les modèles d’intelligence artificielle les plus performants ne se contentent plus de prédire le mot suivant. Pour résoudre un problème de mathématiques, écrire du code ou comparer plusieurs hypothèses, ils peuvent produire une suite d’étapes intermédiaires, souvent appelée chaîne de raisonnement. Mais cette réflexion a un coût : elle consomme du temps de calcul et peut rendre les réponses inutilement longues. Avec Cogito v2, Deep Cogito avance une autre voie : faire apprendre au modèle les leçons de ses raisonnements passés afin qu’il trouve plus directement la bonne réponse.

Publié le 2 août 2025, ce lancement concerne une famille de modèles open source déclinée en quatre tailles, jusqu’à 671 milliards de paramètres. Deep Cogito présente son plus grand système comme l’un des modèles ouverts les plus puissants disponibles, capable de se mesurer à des modèles récents de DeepSeek ainsi qu’à des systèmes propriétaires comme o3 et Claude 4 Opus. Ces comparaisons doivent naturellement être lues à la lumière des protocoles de test retenus par l’éditeur, mais elles témoignent d’une ambition désormais centrale dans le secteur : réduire l’écart entre modèles ouverts et assistants commerciaux fermés.

Une famille de quatre modèles, du 70B au 671B

Cogito v2 rassemble quatre modèles hybrides orientés vers le raisonnement. Le mot « hybride » renvoie ici à l’objectif de combiner des réponses rapides, adaptées aux demandes simples, et une réflexion plus structurée lorsque la question est complexe. La famille couvre plusieurs échelles, ce qui permet en principe de choisir entre des besoins d’expérimentation, de déploiement plus léger et de calcul très intensif.

Un paramètre est une valeur numérique ajustée pendant l’entraînement du modèle. En simplifiant, plus un modèle possède de paramètres, plus il peut représenter des régularités complexes dans les données sur lesquelles il a appris. Cela ne garantit toutefois pas, à lui seul, une meilleure réponse : la qualité des données, la méthode d’entraînement, l’architecture et l’usage du calcul au moment de répondre comptent tout autant.

Le modèle de 671 milliards de paramètres s’appuie sur une architecture dite Mixture-of-Experts, ou mélange d’experts. Dans ce type de système, différents sous-réseaux peuvent être spécialisés, et le modèle n’active qu’une partie d’entre eux selon la requête. L’intérêt recherché est de disposer d’une grande capacité totale sans mobiliser nécessairement toutes ses composantes à chaque réponse.

Que cherche à changer Deep Cogito dans le raisonnement des IA ?

La promesse de Cogito v2 ne tient pas uniquement à sa taille. Deep Cogito met surtout en avant une approche destinée à internaliser le raisonnement. L’idée est de ne pas demander à l’IA de repartir de zéro et d’allonger indéfiniment sa réflexion à chaque problème difficile. Les découvertes faites au cours de cette réflexion doivent, selon l’équipe, être réinjectées dans le modèle afin de devenir une forme d’intuition acquise.

Le principe se rapproche de l’apprentissage humain, avec prudence : lorsqu’une personne résout plusieurs problèmes similaires, elle n’a pas forcément besoin de redérouler toutes les étapes à l’identique. Elle reconnaît des structures, anticipe des pistes utiles et évite certains détours. Un modèle de langage ne possède ni compréhension humaine ni expérience vécue, mais son entraînement peut viser un effet fonctionnel similaire : encoder dans ses paramètres des stratégies qui ont produit de bonnes solutions.

Deep Cogito nomme cette méthode Distillation et Amplification Itérée, ou IDA. Dans cette description, le modèle réalise une recherche ou un raisonnement détaillé, puis les conclusions utiles sont distillées et incorporées dans ses paramètres lors de cycles successifs. Le système chercherait ainsi à anticiper l’issue d’un processus de réflexion sans devoir systématiquement exécuter une recherche longue.

Cette démarche répond à l’une des limites actuelles des modèles dits de raisonnement. Laisser un modèle réfléchir plus longtemps peut améliorer certains résultats, notamment en mathématiques et en programmation, mais augmente aussi la latence, le coût d’inférence et le risque de produire une longue justification erronée. L’enjeu de Cogito v2 est donc moins de « penser » au sens humain que de rendre l’usage du calcul plus efficace.

Des chaînes de raisonnement annoncées comme 60 % plus courtes

Deep Cogito affirme que les modèles Cogito v2 produisent des chaînes de raisonnement en moyenne 60 % plus courtes que celles de DeepSeek R1. C’est un chiffre important, car la longueur d’une réponse intermédiaire peut peser directement sur la rapidité et sur le coût d’utilisation d’un modèle. Lorsqu’un assistant génère davantage de texte ou consacre davantage d’étapes à une requête, il sollicite plus longtemps les infrastructures de calcul.

Une chaîne plus courte n’est pas automatiquement synonyme de réponse plus fiable. Elle peut refléter une meilleure efficacité, mais aussi une réponse qui omet des vérifications nécessaires. Pour évaluer une telle promesse, il faut donc regarder simultanément la longueur du raisonnement, l’exactitude de la réponse finale, le type de tâches évaluées et la méthode de mesure. C’est particulièrement vrai pour les benchmarks, qui offrent un indicateur utile mais ne résument pas tous les usages réels.

Selon Deep Cogito, la stratégie d’entraînement du modèle de 671 milliards de paramètres porte autant sur la qualité de la réponse finale que sur le déroulé du raisonnement qui y mène. L’objectif est de limiter les dérives, les impasses et les étapes superflues. L’équipe indique que son modèle phare égale ou dépasse les dernières versions de DeepSeek sur plusieurs benchmarks clés, sans que les détails de ces évaluations soient précisés dans les éléments présentés.

Un coût de développement inférieur à 3,5 millions de dollars

L’autre donnée mise en avant par Deep Cogito est financière. L’entreprise affirme avoir développé l’ensemble de ses modèles pour un coût total inférieur à 3,5 millions de dollars. Pour une organisation ou un particulier, une telle somme reste considérable. À l’échelle des grands laboratoires d’IA, elle est en revanche faible au regard des dépenses généralement associées à l’entraînement de modèles de frontière, qui comprennent l’accès aux puces de calcul, l’électricité, l’ingénierie, les données et les opérations de recherche.

Ce chiffre ne permet pas, à lui seul, de comparer parfaitement les coûts entre acteurs. Les méthodes de calcul varient : certaines estimations ne comptent que la dépense informatique directe, tandis que d’autres intègrent les salaires, les infrastructures ou les recherches antérieures. Il signale néanmoins l’ambition de Deep Cogito : obtenir des progrès de raisonnement par une méthode d’entraînement plus efficiente plutôt que par une augmentation sans fin des ressources mobilisées.

Cette question dépasse le seul cas de Cogito v2. L’IA générative est engagée dans une course aux modèles toujours plus grands, mais aussi dans une recherche de recettes plus sobres. Les architectures Mixture-of-Experts, les techniques de distillation et l’amélioration des données servent toutes un même objectif : tirer davantage de capacités de calculs qui restent coûteux et limités.

Pourquoi le raisonnement sur les images intrigue

Deep Cogito rapporte également une capacité émergente : ses modèles seraient capables de raisonner à partir d’images sans avoir été explicitement entraînés à cette fin. L’équipe a notamment partagé un exemple de comparaison entre l’image d’un canard et celle d’un lion. Le modèle y analyse des éléments tels que les habitats, les couleurs et la composition visuelle.

Cette observation est intéressante parce qu’elle suggère un transfert de compétences. Un système qui a appris à organiser une argumentation textuelle pourrait, dans certaines conditions, réemployer cette organisation pour commenter ou comparer des informations visuelles. Il faut toutefois distinguer plusieurs niveaux de capacité : décrire une image, identifier des objets, comparer des caractéristiques et produire un raisonnement fiable dans toutes les situations ne sont pas la même chose.

Pour les futurs systèmes multimodaux, qui manipulent à la fois du texte, des images, du son ou des documents, la piste est prometteuse. Si une IA peut générer de bons exemples de raisonnement sur des contenus visuels, ces exemples pourraient aider à créer de nouvelles données d’entraînement. Mais ils devraient être contrôlés avec soin : un modèle peut construire une explication cohérente en apparence tout en s’appuyant sur une mauvaise interprétation de l’image.

L’open source comme choix stratégique

Deep Cogito réaffirme son engagement à publier en open source tous les modèles qu’il développera. Ce positionnement place l’entreprise dans un mouvement plus large qui défend un accès élargi aux grands modèles de langage. Pour les chercheurs, développeurs et entreprises, l’ouverture des poids peut faciliter l’audit, l’adaptation à des domaines spécialisés, l’hébergement local ou l’expérimentation sans dépendre entièrement d’une interface commerciale.

L’ouverture ne résout pas tous les problèmes. Les très grands modèles demandent des moyens matériels importants pour être exécutés efficacement, en particulier à l’échelle de 671 milliards de paramètres. Ils peuvent aussi reproduire des biais, commettre des erreurs ou être détournés, comme n’importe quel système d’IA générative. Enfin, la transparence sur les poids ne remplace pas la publication de protocoles d’évaluation rigoureux et reproductibles.

Pour autant, des modèles ouverts très compétitifs changent l’équilibre du marché. Ils donnent davantage de choix aux organisations qui veulent garder la maîtrise de leurs données et de leurs infrastructures. Ils permettent également à la communauté technique d’étudier les méthodes employées, de tester les résultats annoncés et d’améliorer des versions dérivées dans le respect de leurs licences.

Ce qu’il faut surveiller après Cogito v2

La première question sera celle de la reproductibilité. Les annonces de performances face à DeepSeek, o3 ou Claude 4 Opus devront être confrontées à des évaluations indépendantes, sur des tâches qui ne se limitent pas aux benchmarks les plus connus. La deuxième concernera l’efficacité réelle : une chaîne de raisonnement plus courte est utile si elle conserve, voire améliore, la précision sur des problèmes complexes.

Il faudra aussi observer comment Deep Cogito documente ses modèles et les conditions concrètes de leur réutilisation. Pour qu’un système open source devienne un outil largement adopté, les poids ne suffisent pas : les développeurs attendent des indications claires sur les capacités, les limites, le matériel nécessaire et les usages recommandés.

Enfin, le projet pose une question plus générale pour l’IA de 2025. Les progrès viendront-ils principalement de modèles encore plus vastes, ou de systèmes capables d’apprendre plus efficacement de leurs propres démarches de résolution ? Cogito v2 défend clairement la seconde hypothèse. Son ambition affichée, atteindre des gains d’amélioration itérative menant vers une superintelligence, reste lointaine. Mais la recherche d’un raisonnement plus court, mieux intégré et accessible sous licence ouverte pourrait avoir des effets beaucoup plus concrets à court terme.