LG EXAONE Deep, le modèle de raisonnement qui vise les maths et le code

Les grands modèles de langage ne sont plus seulement jugés sur leur aptitude à rédiger un texte fluide ou à tenir une conversation. Une part croissante de la compétition se joue désormais sur des tâches où une réponse plausible ne suffit pas : résoudre un problème de mathématiques, expliquer un phénomène scientifique ou produire un programme qui fonctionne réellement. C’est sur ce terrain que LG AI Research positionne EXAONE Deep, une nouvelle famille de modèles présentée le 19 mars 2025.

La gamme comprend un modèle phare, EXAONE Deep-32B, ainsi que deux versions plus compactes, EXAONE Deep-7.8B et EXAONE Deep-2.4B. LG met en avant leurs compétences en mathématiques, en sciences et en codage, trois domaines particulièrement exigeants pour les systèmes d’intelligence artificielle générative. Les deux modèles les plus légers sont annoncés en open source, une décision qui peut faciliter leur étude, leur adaptation et leur déploiement par des développeurs ou des laboratoires.

Trois modèles, trois niveaux de ressources

Le nombre accolé au nom de chaque version correspond à sa taille, exprimée en milliards de paramètres. Les paramètres sont les valeurs numériques ajustées durant l’entraînement d’un réseau de neurones. Ils permettent au modèle de repérer des régularités dans les données et de produire une réponse à partir d’une consigne.

Un nombre de paramètres plus élevé ne garantit pas automatiquement une meilleure réponse dans toutes les situations. Il donne toutefois, en règle générale, accès à une capacité de représentation plus importante, au prix de besoins accrus en mémoire, en calcul et en énergie. Proposer plusieurs tailles est donc une façon de répondre à des usages et à des infrastructures très différents.

Dans les faits, cette hiérarchie permet d’envisager plusieurs scénarios. Une équipe disposant d’une infrastructure de calcul importante pourra privilégier le modèle de 32 milliards de paramètres pour des tâches difficiles. À l’inverse, une université, une petite entreprise ou un développeur indépendant pourra s’intéresser aux variantes plus compactes, potentiellement plus simples à tester et à intégrer dans une application.

Pourquoi les mathématiques, les sciences et le code sont des tests exigeants

Répondre à une question générale demande souvent de mobiliser des connaissances et de formuler une explication cohérente. Les mathématiques, les sciences et la programmation ajoutent une contrainte majeure : les étapes doivent s’enchaîner correctement et le résultat final doit résister à la vérification.

En mathématiques, une erreur de signe, une hypothèse oubliée ou une règle mal appliquée peut invalider toute une résolution. En sciences, il faut distinguer une observation, une hypothèse, une méthode et une conclusion, sans transformer une corrélation en causalité. En programmation, un code peut paraître parfaitement convaincant à la lecture tout en échouant à l’exécution, en traitant mal certains cas limites ou en introduisant une faille.

C’est pourquoi les capacités dites de raisonnement sont devenues un axe essentiel de développement des modèles. L’objectif n’est pas seulement de livrer une réponse finale, mais de décomposer un problème, de choisir une méthode, d’examiner les contraintes et de maintenir une certaine cohérence d’une étape à l’autre. EXAONE Deep est présenté dans cette logique, avec une orientation explicite vers les domaines techniques.

Cette promesse mérite toutefois d’être interprétée avec précision. Un modèle peut être performant sur une famille d’exercices et demeurer fragile dès que la formulation change, que les données sont incomplètes ou que le problème sort de son domaine d’entraînement. Il peut aussi produire une explication détaillée qui donne une impression de rigueur sans garantir que chaque étape soit juste.

Des performances annoncées au premier plan des modèles ouverts

LG AI Research affirme qu’une évaluation technique récente place EXAONE Deep parmi les meilleurs modèles d’IA pour les mathématiques, les sciences et le codage. La présentation souligne notamment ses résultats face à d’autres modèles open source à l’échelle mondiale.

Cette affirmation est importante pour LG, qui cherche à inscrire son laboratoire de recherche dans la compétition internationale des modèles de fondation. Les entreprises technologiques américaines et chinoises occupent une large place dans cet écosystème, tant par leurs moyens de calcul que par l’ampleur de leurs communautés de développeurs. Pour un acteur industriel sud-coréen, démontrer des compétences élevées sur des tâches formelles constitue un signal stratégique.

Mais les classements de modèles doivent être lus avec méthode. Leur portée dépend toujours de plusieurs éléments :

• le jeu de tests retenu et la date à laquelle il a été constitué ;
• la manière dont les questions sont posées au modèle ;
• le nombre de tentatives autorisées pour une même question ;
• l’accès éventuel à des outils externes ou à des exemples dans la consigne ;
• la distinction entre un modèle entièrement ouvert, un modèle aux poids accessibles et un service propriétaire.

L’annonce ne suffit donc pas, à elle seule, à établir une hiérarchie définitive entre tous les modèles disponibles. Les évaluations reproductibles, réalisées sur des jeux de tests variés et complétées par des retours d’usage, restent essentielles. Un excellent score sur un benchmark est un indicateur utile, pas une garantie universelle.

L’open source, un levier pour les chercheurs et les développeurs

LG AI Research annonce les versions EXAONE Deep-7.8B et EXAONE Deep-2.4B en open source. Pour les chercheurs, cette accessibilité peut permettre de reproduire des expériences, d’étudier le comportement du modèle et d’évaluer ses faiblesses. Pour les développeurs, elle ouvre la possibilité de tester le modèle sur des données, des documents ou des cas d’usage propres à une organisation.

L’intérêt des modèles compacts est aussi pratique. Exécuter un très grand modèle exige généralement des serveurs équipés de processeurs graphiques spécialisés et une quantité importante de mémoire. Une version plus petite ne supprime pas ces contraintes, mais elle les réduit, ce qui peut rendre certains projets accessibles à davantage d’équipes.

Le terme open source doit néanmoins être examiné dans le détail. Les conditions de licence, les droits de redistribution, les usages commerciaux autorisés, les modalités d’accès aux poids du modèle et la publication éventuelle des données ou du code d’entraînement ne recouvrent pas toujours la même réalité. Avant toute intégration dans un produit, une organisation doit vérifier les conditions précises associées à la version choisie.

Cette ouverture peut aussi accélérer l’amélioration collective d’un modèle. Des communautés de développeurs peuvent créer des interfaces, des outils d’évaluation, des adaptations pour des langues ou des domaines spécialisés et des mécanismes de contrôle. Elle implique en contrepartie une responsabilité accrue : documenter les limites du système, réduire les risques de mauvais usage et éviter de faire circuler des résultats non vérifiés comme des certitudes.

Comment ces modèles peuvent-ils servir l’éducation ?

Dans une salle de classe ou en autonomie, un assistant de raisonnement peut aider à changer d’échelle. Plutôt que de fournir directement le résultat d’un exercice d’algèbre, il peut proposer une piste, rappeler une définition, détailler une méthode ou créer des exercices de difficulté progressive. En programmation, il peut commenter un morceau de code, suggérer des cas de test ou expliquer l’origine probable d’une erreur.

Ces usages ne doivent pas être confondus avec une délégation complète du travail intellectuel. Pour apprendre, un élève doit pouvoir chercher, se tromper, reformuler son raisonnement et justifier son résultat. Copier une solution générée par une IA ne permet pas de vérifier qu’il maîtrise la méthode, surtout lorsque le modèle s’est lui-même trompé.

Les usages les plus constructifs reposent donc sur une consigne claire. Un enseignant peut demander au modèle de proposer trois approches pour un même problème, puis inviter la classe à comparer leurs hypothèses. Un étudiant peut lui demander de signaler une erreur dans une démonstration qu’il a d’abord écrite seul. Un développeur débutant peut lui faire générer des tests, puis analyser pourquoi certains échouent.

Dans tous les cas, la réponse doit être confrontée aux cours, aux manuels, à une exécution réelle du code et, lorsque l’enjeu le justifie, à un spécialiste. Cette vérification est particulièrement importante en sciences, où une formulation fluide peut masquer une approximation, une confusion d’unités ou une information erronée.

Ce que révèle la course aux modèles de raisonnement

EXAONE Deep s’inscrit dans une évolution plus vaste de l’intelligence artificielle générative. Les modèles ne sont plus seulement évalués sur leur capacité à résumer, traduire ou rédiger. Ils sont de plus en plus attendus sur des problèmes structurés, où les résultats peuvent être contrôlés par un calcul, une expérience, une preuve ou un programme informatique.

Cette évolution intéresse directement la recherche scientifique et l’ingénierie. Un modèle peut accélérer l’exploration de documentation technique, aider à formuler une question, transformer une explication en code ou assister l’analyse de résultats. Il ne remplace pas pour autant les protocoles scientifiques, la revue par les pairs, la reproductibilité des expériences ou la responsabilité humaine dans les décisions.

Il convient aussi de distinguer l’assistance au raisonnement de l’autonomie. Un système qui résout correctement de nombreux exercices ne possède pas nécessairement une compréhension générale du monde physique. Il peut échouer face à des consignes ambiguës, reprendre une erreur présente dans ses données ou manquer de recul sur les conséquences de ses recommandations.

Ce qu’il faut surveiller

La présentation d’EXAONE Deep soulève plusieurs questions qui compteront dans les prochains mois. La première concerne la validation indépendante de ses performances, notamment sur des tâches variées et dans des conditions proches des usages réels. La deuxième porte sur les modalités concrètes de l’ouverture des modèles de 7,8 et 2,4 milliards de paramètres.

Il faudra également observer le comportement de ces modèles en dehors des tests standardisés : leur capacité à reconnaître une information manquante, à signaler leur incertitude, à corriger une erreur après vérification et à répondre correctement en plusieurs langues. Pour le codage, l’exécution effective des programmes, la qualité des tests et la sécurité du code compteront davantage qu’une réponse élégante en apparence.

Enfin, l’arrivée de tels assistants dans l’éducation et la recherche renforcera la nécessité de règles d’usage claires. Bien employés, ils peuvent rendre des connaissances techniques plus accessibles et accélérer certains travaux. Mal utilisés, ils risquent d’encourager la dépendance, de diffuser des erreurs ou de brouiller la distinction entre une solution comprise et une solution simplement produite. C’est dans cet équilibre entre puissance technique, ouverture et contrôle humain que se jouera la portée réelle d’EXAONE Deep.