Sujet
Tous les articles d’Actu.ai consacrés à Grands modèles de langage : actualités, analyses et explications sur ce sujet lié à l’intelligence artificielle. 13 articles
Des ingénieurs de Duke University ont mis au point une équipe d’agents d’IA capable de mener les étapes clés de problèmes de conception complexes. Testé sur des défis de métamatériaux, ce « scientifique artificiel » atteint des performances proches de celles de doctorants et illustre le potentiel, mais aussi les limites, de l’automatisation de la recherche.
Prédire correctement une réponse ne signifie pas nécessairement comprendre les règles qui produisent cette réponse. Des chercheurs du MIT et de l’Université Harvard proposent d’examiner le biais inductif des modèles d’IA pour déterminer s’ils construisent des représentations du monde transférables à de nouvelles situations.
OpenAI a lancé GPT-5 le 7 août 2025 et l’a rendu accessible aux utilisateurs de ChatGPT. L’entreprise promet un modèle plus rapide, moins enclin à inventer des informations et plus performant pour les requêtes complexes, notamment la programmation. Reste à comprendre ce que ces promesses changent réellement à l’usage.
Deep Cogito lance Cogito v2, une famille de quatre modèles open source conçus pour mieux intégrer les enseignements de leurs propres raisonnements. Son modèle phare de 671 milliards de paramètres promet des réponses plus concises, des coûts de développement contenus et des capacités émergentes sur les images.
Le 23 juillet 2025, Donald Trump a présenté à Washington une stratégie fédérale pour accélérer l’IA américaine. Au cœur du dispositif, une ordonnance demande aux administrations d’éviter les modèles jugés idéologiquement biaisés, tandis qu’un plan plus vaste mise sur l’innovation, les infrastructures, l’exportation et la sécurité nationale.
Les grands modèles de langage savent beaucoup de choses, mais les spécialiser reste coûteux. Présentée en juillet 2025, la méthode WeGeFT cible les paramètres qui ont encore besoin d’apprendre afin d’affiner une IA plus efficacement. Ses premiers essais égalent ou dépassent LoRA sur plusieurs tâches, du code au raisonnement.
Entraîner un modèle de langage sur toujours plus de textes ne garantit pas de meilleurs résultats. Des chercheurs de Carnegie Mellon, Stanford, Harvard et Princeton observent qu’au-delà d’un seuil, des LLM deviennent plus fragiles et plus difficiles à ajuster à de nouveaux usages. Un constat qui interroge la course au volume de données.
Des chercheurs allemands présentent une IA dite super-Turing, inspirée de la communication par impulsions du cerveau humain. La publication d’origine avance une baisse pouvant atteindre 95 % de la consommation des grands modèles de langage. Derrière cette promesse, l’informatique neuromorphique ouvre une piste sérieuse, mais encore exigeante, pour une IA plus sobre.
En apprenant sur d’immenses corpus, les grands modèles de langage produisent des réponses souvent cohérentes et parfois des raisonnements utiles. Leur parenté avec le cerveau humain reste toutefois une analogie limitée : ni conscience, ni expérience du monde, ni garantie de vérité.
Une étude menée à l’Université Rovira i Virgili compare les réponses de 400 anglophones natifs à celles de sept grands modèles de langage. Sur quarante questions grammaticalement simples, les humains font mieux que les IA, y compris ChatGPT-4. L’écart interroge la fiabilité de ces outils lorsque le sens précis d’une formulation compte.
Des chercheurs de l’université de Cambridge alertent sur l’émergence possible d’une « économie d’intention ». Grâce aux assistants et aux modèles de langage, les entreprises pourraient non seulement capter notre attention, mais anticiper nos projets pour mieux orienter nos décisions. Une évolution qui interroge la vie privée, le commerce et la démocratie.
Les IA génératives produisent des textes de plus en plus naturels, mais leurs réponses ne constituent pas pour autant une langue au sens humain du terme. Elles modélisent des régularités, recombinent des formes et simulent la conversation. Comprendre cette différence aide à mieux évaluer leurs usages, de la traduction à la création, et leurs risques.
L’entraînement d’un grand modèle d’intelligence artificielle ne se résume pas à lancer des milliers de puces pendant quelques jours. Données, puissance de calcul, tests de sécurité et déploiement déterminent un calendrier souvent long et difficile à prévoir. Voici les étapes qui expliquent ces délais, et les leviers pour les maîtriser.
