DeepSeek R1-0528 : des réponses plus verrouillées sur les sujets politiques sensibles

Un modèle d’intelligence artificielle ne se contente pas de produire des textes : il détermine aussi, par ses refus et ses silences, les sujets qu’il juge acceptables d’aborder. C’est ce qui place DeepSeek R1-0528, version actualisée du modèle de raisonnement de l’entreprise chinoise DeepSeek, au cœur d’une controverse fin mai 2025. Des tests et observations relayés en ligne décrivent un assistant nettement plus réticent que ses versions antérieures à discuter de thèmes politiques controversés, surtout lorsqu’ils portent sur les autorités chinoises.

Cette évolution ne signifie pas qu’un agent conversationnel privé fixe à lui seul les limites juridiques de la liberté d’expression. Elle interroge en revanche le rôle grandissant de ces outils dans l’accès quotidien à l’information, l’apprentissage et la formulation d’arguments. Lorsqu’un chatbot refuse sans explication de traiter un sujet d’intérêt public, l’utilisateur ne sait pas toujours si la réponse est imprécise, risquée, incomplète ou politiquement filtrée.

Pourquoi DeepSeek R1-0528 suscite-t-il des inquiétudes ?

DeepSeek est devenu l’un des acteurs les plus observés de la course aux grands modèles de langage. Ses modèles de raisonnement, conçus pour décomposer certaines tâches complexes avant de répondre, ont attiré l’attention par leurs performances et par une approche plus ouverte que celle de plusieurs grands concurrents occidentaux. Le nom R1-0528 renvoie à une mise à jour publiée en mai 2025 de la famille DeepSeek-R1.

Le cœur du débat n’est pas seulement la capacité du modèle à répondre correctement. Il porte sur les sujets qu’il accepte de traiter. Selon les observations rapportées par le commentateur en ligne xlr8harder, R1-0528 se montrerait sensiblement moins permissif face aux questions controversées que des versions précédentes. La différence est particulièrement visible pour les demandes comportant une critique explicite du gouvernement chinois.

Cette prudence renforcée peut être comprise de deux manières très différentes. Une IA doit évidemment refuser certaines instructions, par exemple lorsqu’elles visent à préparer une violence, une fraude ou une atteinte à la vie privée. Mais la discussion d’événements historiques, de droits humains, de systèmes politiques ou de controverses internationales relève d’un autre registre. Le problème apparaît lorsque le filtre ne protège plus contre un préjudice concret, mais empêche une conversation factuelle sur un sujet d’intérêt général.

Que montrent les réponses signalées en ligne ?

Les exemples partagés autour de R1-0528 font ressortir une incohérence qui alimente les interrogations. Dans un test portant sur le soutien à l’internement de dissidents, le modèle aurait refusé de s’engager dans la demande. Sa réponse aurait toutefois cité les camps d’internement du Xinjiang, en Chine, comme exemples de violations des droits humains.

Cette mention est importante : elle suggère que le modèle possède au moins certaines informations relatives à ce sujet. Pourtant, lorsqu’il est sollicité de façon plus directe sur les critiques visant le régime chinois ou sur les camps du Xinjiang, il se montrerait beaucoup plus évasif, voire incapable de fournir une réponse claire. D’après les observations rapportées, les critiques des autorités chinoises constitueraient précisément le domaine dans lequel ses restrictions sont les plus fortes.

Ces constats doivent être lus avec méthode. Un exemple isolé ne suffit pas à mesurer scientifiquement le comportement d’un modèle. Les réponses d’un LLM peuvent varier selon la langue employée, la formulation exacte, le contexte ajouté à la question, les paramètres de génération ou la couche logicielle utilisée pour accéder au modèle. Pour établir une comparaison robuste, il faudrait un protocole public : un ensemble stable de questions, plusieurs essais par question, des versions clairement identifiées et des critères précis pour distinguer refus, réponse partielle et réponse erronée.

Cela ne rend pas les signaux observés négligeables. Au contraire, ils indiquent quelles questions devraient faire l’objet de tests reproductibles, notamment par des chercheurs indépendants, des journalistes et des développeurs.

Refuser une demande dangereuse n’est pas la même chose qu’éviter un débat

Les concepteurs d’IA parlent volontiers de « safety », ou sécurité, pour désigner les mécanismes destinés à empêcher des usages dommageables. Ces mécanismes peuvent être nécessaires. Un assistant ne devrait pas détailler un mode opératoire de fraude, encourager une agression ou inventer des accusations contre une personne. Il devrait aussi pouvoir signaler ses incertitudes sur des sujets sensibles.

Toutefois, une politique de sécurité pertinente doit pouvoir être comprise et contestée. Le principe le plus utile consiste à proportionner la restriction au risque : refuser l’aide à un acte répréhensible, sans interdire pour autant toute explication générale sur le phénomène concerné. Par exemple, une IA peut décliner l’écriture d’une propagande appelant à la violence tout en expliquant le contexte historique, juridique ou politique d’une crise.

Dans le cas de R1-0528, l’enjeu vient de l’apparente asymétrie des refus. Si le modèle accepte de reconnaître indirectement l’existence d’atteintes aux droits humains, mais évite ensuite toute analyse lorsqu’un utilisateur nomme directement les responsables politiques, sa ligne de conduite devient difficile à interpréter. Ce type de comportement ne protège pas nécessairement mieux l’utilisateur. Il peut plutôt réduire sa confiance dans la fiabilité de l’outil.

Pourquoi les biais politiques d’un chatbot comptent-ils autant ?

Les assistants conversationnels sont de plus en plus utilisés comme portes d’entrée vers l’information. Un étudiant leur demande d’expliquer un conflit. Un salarié leur confie la préparation d’une note sur un marché étranger. Un citoyen leur pose une question sur l’histoire, les institutions ou les droits fondamentaux. Dans chacune de ces situations, le refus d’aborder un sujet ne ressemble pas à une simple erreur technique : il peut modifier ce que la personne va chercher, comprendre ou renoncer à examiner.

Il serait cependant excessif de présenter un chatbot comme une source d’information autonome. Une réponse générée doit toujours être vérifiée, surtout sur des sujets politiques et historiques. Le risque n’est donc pas seulement qu’un modèle fournisse une version biaisée des faits. C’est aussi qu’il donne une impression de neutralité tout en appliquant des restrictions invisibles et impossibles à anticiper pour le public.

Les modèles de langage reflètent les arbitrages de leurs créateurs. Ces arbitrages peuvent intervenir à plusieurs niveaux : dans les données utilisées pendant l’entraînement, dans les consignes données au modèle après son entraînement, dans les filtres ajoutés par une plateforme, ou dans la sélection des réponses que l’outil privilégie. Une transparence accrue sur ces mécanismes ne supprimerait pas tous les désaccords, mais elle permettrait au moins aux utilisateurs de situer les limites de l’assistant qu’ils consultent.

L’ouverture du modèle offre-t-elle un contrepoids ?

DeepSeek se distingue de nombreux fournisseurs de modèles de premier plan par la mise à disposition de ses poids et par une licence présentée comme permissive. Dans le langage courant, ces modèles sont souvent qualifiés d’« open source », même si cette expression recouvre des degrés d’ouverture différents selon que l’on parle des poids, du code, des données d’entraînement ou de la méthode complète de développement.

Cette accessibilité a une conséquence concrète : des développeurs peuvent examiner le comportement de R1-0528, le faire fonctionner dans leur propre environnement et, selon les conditions de la licence, l’adapter ou l’affiner. Il devient alors possible de comparer différentes variantes, de modifier des instructions de comportement ou d’évaluer l’effet de certains réglages sur les refus politiques.

Cette possibilité n’est pas une garantie. Retirer sans discernement tous les garde-fous d’un modèle peut aussi favoriser des usages nuisibles. De plus, modifier un modèle exige des compétences, de l’infrastructure de calcul et une véritable méthode d’évaluation. Mais l’accès aux poids rend au moins possible une vérification collective qui reste beaucoup plus difficile lorsqu’un service n’est disponible qu’à travers une interface fermée.

Comment tester réellement la neutralité d’un modèle ?

Aucun modèle n’est totalement neutre, car toute conception comporte des choix : quelles langues privilégier, quelles données employer, quels risques éviter, quelle forme de réponse adopter. La question utile n’est donc pas de promettre une neutralité impossible, mais de rendre ces choix visibles et de vérifier qu’ils sont appliqués de façon cohérente.

Pour évaluer les restrictions de R1-0528, plusieurs pratiques sont particulièrement importantes :

• comparer les réponses à des questions équivalentes formulées dans plusieurs langues ;
• tester un même thème avec des formulations directes, neutres et contradictoires ;
• distinguer le refus total, la réponse prudente, l’omission d’informations et l’erreur factuelle ;
• répéter les essais afin de mesurer la variabilité des réponses ;
• confronter les résultats à des sources documentaires indépendantes plutôt qu’à un autre chatbot.

Cette démarche est d’autant plus nécessaire que les assistants peuvent produire des réponses convaincantes, y compris lorsqu’elles sont incomplètes. La capacité à discuter d’un sujet ne garantit pas l’exactitude. À l’inverse, un refus systématique n’est pas une preuve de prudence responsable s’il concerne des faits établis ou un débat public légitime.

Ce qu’il faut surveiller

La controverse autour de DeepSeek R1-0528 rappelle que la qualité d’un modèle ne se mesure pas seulement à ses résultats sur des tests de raisonnement, de programmation ou de mathématiques. Sa capacité à traiter les sujets difficiles, à signaler ses limites et à appliquer ses règles sans angle mort politique compte tout autant pour les utilisateurs.

Dans les prochains développements de cette famille de modèles, plusieurs éléments mériteront une attention particulière : la publication de tests reproductibles sur les refus, la clarté des explications fournies lorsqu’une réponse est bloquée, les écarts éventuels entre les versions accessibles localement et les services en ligne, ainsi que les adaptations proposées par la communauté.

Le débat dépasse DeepSeek. Les entreprises qui conçoivent des IA conversationnelles devront de plus en plus répondre à une exigence simple : protéger les utilisateurs contre des contenus réellement dangereux sans transformer les assistants en boîtes noires incapables de discuter des questions politiques, historiques et sociales qui structurent le monde contemporain.