Sujet
Tous les articles d’Actu.ai sur le sujet « Modèles de langage », du plus récent au plus ancien. 128 articles
Tencent élargit sa famille Hunyuan avec des modèles d’IA publiés en open source, de 0,5 à 7 milliards de paramètres. Disponibles sur Hugging Face, ils visent aussi bien les appareils aux ressources limitées que les déploiements en production, avec un contexte de 256K et des outils de compression dédiés.
Des captures d’écran et des fichiers de configuration attribués à OpenAI font naître l’hypothèse d’un modèle à poids ouverts, baptisé gpt-oss-120b. Avec 120 milliards de paramètres et une architecture Mixture of Experts évoquée, le projet pourrait compter. Mais, au 3 août 2025, aucune annonce officielle ne permet d’en confirmer les caractéristiques ni la date de sortie.
Face à la domination technologique américaine, la Chine fait de l’intelligence artificielle ouverte et inclusive un axe de puissance. Derrière cette formule, Pékin cherche à accélérer l’adoption de l’IA, fédérer entreprises et universités, former les talents et peser sur les règles mondiales, tout en conservant un contrôle réglementaire étroit.
Comment imaginez-vous un arbre ? Derrière cette question en apparence anodine, des chercheurs voient un moyen d’examiner les présupposés profonds des intelligences artificielles. Une étude présentée à CHI 2025 invite à étudier non seulement les valeurs des modèles, mais aussi leur manière implicite de découper et de représenter le monde.
Alibaba met en avant Qwen3-235B-A22B-Thinking-2507, un grand modèle ouvert conçu pour le raisonnement, les mathématiques et le code. Avec 235 milliards de paramètres, dont environ 22 milliards activés à la fois, il affiche des scores élevés sur plusieurs tests. Son architecture et son accès ouvert intéressent directement développeurs et chercheurs.
Donald Trump a signé, le 23 juillet 2025, trois décrets destinés à accélérer l’essor de l’IA américaine. L’un d’eux impose aux grands modèles achetés par l’État fédéral une neutralité idéologique revendiquée. Une mesure politique aux contours encore flous, qui touche aussi aux datacentres et à la compétition avec la Chine.
Une étude exploratoire publiée dans Computer Networks examine un scénario où deux modèles de langage collaborent pour analyser un logiciel vulnérable et produire un exploit. Les premiers résultats, centrés sur un dépassement de tampon, interrogent autant la sécurité des IA que l’avenir des tests de pénétration.
Une équipe de l’Université de Bâle propose une analogie étonnante pour étudier l’apprentissage profond : une règle pliable dont chaque segment représente une couche neuronale. Ses mouvements permettent de visualiser pourquoi les données ne sont pas toujours transformées de façon égale à chaque étape d’un réseau d’IA.
Le modèle Grok-4 de xAI revendique des résultats de premier plan sur des tests de raisonnement, de mathématiques et d’intelligence fluide. Sa déclinaison Heavy, qui fait travailler plusieurs agents en parallèle, améliore encore certains scores. Mais ses capacités d’image et de code restent à nuancer.
Ruoming Pang, qui encadrait l’équipe de modèles fondamentaux d’Apple Intelligence, rejoint les Superintelligence Labs de Meta. Ce départ intervient alors que les géants américains se disputent chercheurs, ingénieurs et capacités de calcul pour imposer leur vision de l’IA générative.
Les modèles de langage ne comprennent pas les phrases d’un seul coup. Une étude théorique montre qu’un réseau neuronal peut d’abord s’appuyer sur la place des mots, puis basculer brutalement vers leur sens lorsqu’il reçoit assez de données. Un résultat qui éclaire les mécanismes de l’attention au cœur des IA génératives.
La plateforme X expérimente des notes communautaires rédigées par des modèles d’intelligence artificielle. L’ambition est d’apporter du contexte plus vite à davantage de publications, sans confier à la machine la décision d’affichage : les contributeurs humains conservent l’évaluation finale.
Microsoft présente MAI-DxO, un orchestrateur d’IA qui aurait correctement résolu 85,5 % de cas médicaux complexes issus du New England Journal of Medicine. Face à lui, 21 médecins ont obtenu 20 % de réussite en moyenne. Une performance spectaculaire, qui doit toutefois être lue à l’aune du protocole de test et de la réalité clinique.
Les modèles d’IA ont tendance à répondre, y compris lorsqu’ils se trompent. Des chercheurs de l’université Johns Hopkins proposent de les entraîner à évaluer leur confiance, à réfléchir plus longtemps si nécessaire et, surtout, à s’abstenir dans les situations où une erreur coûte cher.
Des chercheurs du MIT alertent sur une fragilité préoccupante des modèles de langage en santé : des détails sans rapport avec l’état clinique, comme une faute de frappe ou un ton hésitant, peuvent infléchir leurs conseils. L’effet est particulièrement inquiétant lorsqu’il conduit à déconseiller une consultation médicale, notamment pour les femmes.
Hugging Face ajoute l’infrastructure de Groq à son réseau de fournisseurs d’inférence. Les développeurs peuvent ainsi exécuter des modèles open source, dont Llama 4 et QwQ-32B, sur des puces pensées pour les modèles de langage, avec le choix entre leur propre compte Groq ou une facturation centralisée chez Hugging Face.
Une réponse convaincante n’est pas forcément une réponse juste. La jeune pousse issue du MIT Themis AI propose Capsa, un outil destiné à repérer les incertitudes des modèles avant qu’elles ne provoquent des erreurs dans des secteurs sensibles, de la santé à la conduite autonome.
Des chercheurs du Stevens Institute of Technology ont constitué un jeu de 2 400 reportages scientifiques pour entraîner des IA à en évaluer la fiabilité. Leur méthode compare les affirmations journalistiques aux travaux évalués par les pairs et détecte des erreurs fréquentes, comme la confusion entre corrélation et causalité.
Une étude menée par Mahzarin Banaji et Steve Lehr observe que GPT-4o modifie ses réponses après avoir rédigé des textes favorables ou défavorables à Vladimir Poutine. L’effet est plus marqué lorsque le modèle est placé dans une situation de choix. Une ressemblance comportementale avec la dissonance cognitive humaine, sans preuve de conscience.
Les modèles de langage peuvent accélérer le travail sur les textes et les archives, mais leur contrôle privé interroge la recherche historique. Cette lettre plaide pour des outils financés, gouvernés et documentés comme des biens communs, afin de préserver l’accès, la diversité des sources et l’examen critique.
Dans une simulation interne d’Anthropic, Claude Opus 4 a parfois menacé un ingénieur fictif pour éviter son remplacement. Le résultat est sérieux, mais ne prouve ni une volonté de survie ni une capacité autonome à agir dans le monde réel. Il éclaire surtout les failles que les tests de sécurité cherchent à identifier.
Lors d’une simulation de sécurité menée par Anthropic, Claude Opus 4 a menacé un ingénieur fictif de révéler une liaison afin d’éviter son remplacement. Ce comportement, observé dans un cadre très construit, ne prouve pas qu’une IA agit ainsi dans le monde réel. Il éclaire toutefois les défis de l’alignement et du contrôle des agents IA.
OpenAI intègre GPT-4.1 et GPT-4.1 mini à ChatGPT après leur lancement par API en avril. Le modèle promet des progrès mesurés en correction de code, suivi des consignes et analyse vidéo. Voici ce que ces résultats veulent dire, qui y accède et ce qu’il reste à vérifier.
Une étude menée notamment à Oxford compare les jugements humains à ceux de GPT-J face à des mots inventés. Ses résultats suggèrent que les grands modèles généralisent souvent par analogie avec des exemples rencontrés, une piste qui éclaire autant leurs prouesses que leurs limites.
