Sujet
Tous les articles d’Actu.ai consacrés à Raisonnement : actualités, analyses et explications sur ce sujet lié à l’intelligence artificielle. 13 articles
Ant Group a annoncé le 9 octobre 2025 Ling-1T, un modèle de langage à 1 000 milliards de paramètres, accompagné de dInfer, un cadre d’inférence dédié aux modèles de diffusion. Le groupe chinois met en avant un score de 70,42 % au test AIME 2025 et une stratégie ouverte fondée sur plusieurs familles de modèles.
Développé par la Mohamed bin Zayed University of Artificial Intelligence et G42, K2 Think mise sur une recette singulière : un modèle de 32 milliards de paramètres spécialisé dans le raisonnement. Ses scores en mathématiques et en programmation attirent l’attention, mais son positionnement appelle aussi une lecture nuancée des benchmarks.
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.
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.
Les grands modèles de langage excellent dans le texte, mais peuvent échouer sur des problèmes de calcul ou d’optimisation pourtant structurés. Développé par des chercheurs du MIT, CodeSteer agit comme un coach : il aide un LLM à choisir entre réponse rédigée et génération de code. Les essais rapportent un net gain de précision sur 37 tâches symboliques.
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.
Les grands modèles de langage savent répondre vite, mais peinent encore lorsqu’un problème exige de planifier, déduire ou manipuler des structures inconnues. Des chercheurs du MIT explorent le test-time training, une méthode qui ajuste temporairement le modèle face à une nouvelle tâche. Dans certains tests, l’exactitude a été multipliée jusqu’à six fois.
Des chercheurs de l’UCLA et de Meta AI proposent d1, un cadre qui associe modèle de langage à diffusion et apprentissage par renforcement. Testé sur des problèmes mathématiques et logiques, il vise à combler l’un des principaux retards de cette architecture face aux LLM classiques.
Planifier ne consiste pas seulement à produire une réponse plausible : il faut ordonner des actions, respecter des contraintes et s’adapter aux imprévus. Des travaux de recherche, dont l’approche Coconut et le benchmark NATURAL PLAN, cherchent à rendre les grands modèles de langage plus capables face à ces problèmes.
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.
Microsoft Research Asia présente rStar-Math, un modèle de langage de petite taille spécialisé dans la résolution de problèmes mathématiques. Sa particularité : explorer plusieurs pistes de calcul grâce à une recherche arborescente, puis exposer une démarche en langage naturel et en Python. Une piste de recherche prometteuse, mais pas encore un outil éducatif prêt à l’emploi.
Alibaba a présenté Marco-o1, un grand modèle de langage conçu par l’équipe MarcoPolo pour mieux résoudre des problèmes de mathématiques, de physique et de programmation. Ouvert à la recherche, il combine plusieurs méthodes de raisonnement, dont la chaîne de pensée et l’exploration arborescente Monte Carlo.
Les systèmes d’intelligence artificielle donnent parfois l’impression de réfléchir comme des humains. Ils repèrent pourtant surtout des régularités dans des données et génèrent des réponses selon des modèles mathématiques. Comprendre ce mécanisme est indispensable pour profiter de leurs usages sans déléguer aveuglément des décisions qui affectent des personnes.
