Meta AI publie Brain2Qwerty v2 : un pipeline MEG non invasif qui décode des phrases tapées avec 61 % de précision au niveau des mots

Meta dévoile Brain2Qwerty v2 : décoder des phrases entières depuis les signaux cérébraux, sans implant

Meta a franchi une étape significative dans l'interface cerveau-ordinateur en dévoilant Brain2Qwerty v2, un système capable de décoder des phrases entières à partir de signaux cérébraux bruts en temps réel, sans aucune implant. Entraîné sur des données issues de neuf volontaires en conditions de frappe contrôlées, le modèle atteint 61% de précision au niveau des mots sur l'ensemble des participants, et jusqu'à 78% pour le meilleur d'entre eux. Ce qui distingue cette version de ses prédécesseurs, c'est que le système décode des mots et des structures sémantiques, pas seulement des caractères isolés. Meta a également annoncé la publication du code d'entraînement pour les versions v1 et v2, tandis que le laboratoire BCBL met à disposition le jeu de données v1. Parallèlement, DeepSeek a présenté DSpark, un nouveau moteur d'inférence basé sur le décodage spéculatif, affichant une longueur d'acceptation supérieure de 30,9% par rapport à Eagle3 et de 16,3% face à DFlash sur le modèle Qwen3-4B, avec un déploiement en production dans les moteurs preview de DeepSeek-V4-Flash et V4-Pro. Ces avancées illustrent deux dynamiques majeures qui redéfinissent le paysage de l'IA en ce moment. Sur le front des interfaces neuronales, Brain2Qwerty v2 réduit concrètement l'écart avec les systèmes invasifs, ouvrant la voie à des applications médicales pour des patients atteints de paralysie ou de maladies neurodégénératives, sans les risques chirurgicaux d'un implant. Un détail particulièrement révélateur : l'équipe de Meta a utilisé un agent de codage autonome dans un workflow baptisé Auto Research, qui a découvert et implémenté des améliorations réduisant le taux d'erreur au-delà de ce qu'une optimisation manuelle des hyperparamètres aurait permis. C'est une démonstration concrète que les agents IA ne servent plus uniquement à produire du code, mais deviennent des outils d'itération expérimentale en boucle fermée dans la recherche en apprentissage automatique. Côté inférence, DSpark s'impose comme le nouveau standard de référence pour le décodage spéculatif sur GPU unique, et la communauté vLLM travaille déjà à son intégration. Cette journée s'inscrit dans une semaine dense dominée par la conférence AIEWF, où l'amélioration des "Skills" des agents IA s'impose comme thème central. Sur le plan commercial, la plateforme d'évaluation Arena a annoncé avoir dépassé les 100 millions de dollars de revenus annualisés, huit mois seulement après le lancement de son produit d'évaluation, signalant une maturité croissante du marché autour de l'évaluation des modèles en production. Côté produits, Cursor a lancé une application iOS permettant de contrôler des agents à distance depuis son téléphone, Cline a introduit un abonnement à 9,99 dollars par mois donnant accès à tarif réduit à plusieurs modèles majeurs (GLM 5.2, DeepSeek, Kimi, Qwen), et Cognition a présenté Devin Fusion, revendiquant une réduction de 35% des coûts pour des performances équivalentes à Fable via un système hybride multi-modèles.

💬 Le détail enterré dans Brain2Qwerty v2, c'est que Meta a utilisé un agent IA pour découvrir des améliorations que l'optimisation manuelle n'avait pas trouvées, pas juste pour écrire du code. Les 78% de précision sans implant, c'est déjà fort, mais ça, c'est le vrai signal : les agents s'invitent maintenant dans la boucle de recherche expérimentale elle-même. Reste à voir si ça reste un luxe de Big Tech ou si les labos plus petits vont pouvoir suivre.

Meta Brain2Qwerty v2 : L’IA qui traduit vos pensées en texte sans implant cérébral

Meta a présenté Brain2Qwerty v2, une version améliorée de son système de décodage cérébral capable de transformer des signaux neuronaux en texte tapé, sans aucune intervention chirurgicale. Pour fonctionner, le dispositif s'appuie sur un scanner MEG (magnétoencéphalographie) porté sur la tête, qui capte les infimes champs magnétiques produits par l'activité cérébrale pendant que l'utilisateur imagine taper sur un clavier. À la différence de la première version, qui décodait les lettres une par une, Brain2Qwerty v2 est capable d'interpréter des caractères, des mots et des phrases entières simultanément, grâce à une combinaison de Transformers, de réseaux neuronaux convolutifs et de grands modèles de langage agissant comme un correcteur contextuel. Le modèle a été entraîné sur environ 22 000 phrases produites par neuf volontaires, chacun ayant passé près de dix heures sous scanner. Résultat : une précision moyenne de 61 % dans la reconnaissance des mots, avec un pic à 78 % pour le meilleur participant et plus de la moitié des phrases décodées comportant une seule erreur. Pour les personnes atteintes de paralysie ou privées de la parole, cette avancée représente une piste sérieuse vers une communication autonome sans chirurgie. Les interfaces cerveau-ordinateur les plus précises, comme celles de Neuralink, nécessitent des électrodes implantées directement dans le cortex, avec tous les risques opératoires que cela implique. Brain2Qwerty v2 démontre qu'une approche entièrement non invasive peut produire des résultats comparables, même si les taux de précision restent encore en deçà des systèmes implantés. Pour l'industrie neurotechnologique au sens large, ce résultat déplace les lignes : il prouve que la précision de lecture cérébrale n'est pas l'apanage exclusif des implants, et ouvre un axe de recherche distinct. Meta s'inscrit dans une course technologique qui réunit des acteurs très différents : Neuralink côté implants, BrainGate pour la recherche académique, et désormais Meta sur le segment non invasif. L'entreprise a choisi de publier en open source le code d'entraînement et l'ensemble de données, une décision qui devrait accélérer les travaux d'autres laboratoires. Les obstacles restent néanmoins considérables : les scanners MEG sont des équipements encombrants, extrêmement coûteux et confinés aux environnements de recherche. Aucune perspective de produit grand public n'est envisageable à court terme. Mais le signal envoyé est clair : les interfaces cerveau-ordinateur sans chirurgie cessent d'être de la science-fiction pour devenir un domaine d'ingénierie à part entière, et Meta entend y jouer un rôle central.

Meta rapproche son IA de lecture cérébrale non invasive des performances des implants chirurgicaux

Meta a présenté une nouvelle version de son système Brain2Qwerty, développé par l'équipe de recherche FAIR, capable de traduire l'activité cérébrale en texte tapé sans recourir à un implant chirurgical. L'appareil capte les signaux magnétiques émis par le cerveau depuis l'extérieur du crâne, grâce à une technologie de magnétoencéphalographie, puis reconstitue les lettres que la personne pense taper sur un clavier. Selon Meta, la précision du système s'améliore à chaque nouvel enregistrement ajouté à l'entraînement du modèle, un signe encourageant pour la suite du projet. Fait notable, des agents d'intelligence artificielle capables d'écrire eux-mêmes du code ont participé à l'optimisation technique du système. Cette avancée intéresse particulièrement le domaine médical, où elle pourrait un jour offrir une alternative aux interfaces cerveau-machine invasives, comme celles développées par Neuralink, pour les patients paralysés ou atteints de troubles moteurs sévères. Un dispositif non invasif réduirait les risques chirurgicaux et les coûts, tout en rendant la technologie accessible à un plus grand nombre de patients incapables de communiquer autrement. Toutefois, Meta reste prudent sur le calendrier d'un usage clinique réel, qui demeure encore lointain. La technologie s'inscrit dans une compétition mondiale croissante autour des interfaces cerveau-ordinateur, où des acteurs comme Neuralink d'Elon Musk misent sur l'implant chirurgical, tandis que des laboratoires de recherche comme FAIR explorent des voies non invasives. Les prochaines étapes dépendront probablement de l'ampleur des données collectées et de la capacité du système à généraliser au-delà des conditions de laboratoire.

💬 Selon Meta, la précision de Brain2Qwerty s'améliore à chaque enregistrement ajouté, ce qui veut dire que la vraie course n'est plus l'implant vs le non-invasif, mais qui accumule le plus de données cérébrales en premier. Neuralink a l'avantage du signal propre, Meta a l'avantage du volume et de FAIR qui tourne dessus depuis des années. Bon, sur le papier c'est impressionnant, mais "usage clinique lointain" ça veut dire encore des années avant qu'un patient paralysé en profite vraiment.

Meta AI publie EUPE : une famille de vision encodeurs compacts de moins de 100M de parametres, rivaux des modeles specialises

Les équipes de recherche de Meta AI ont présenté EUPE (Efficient Universal Perception Encoder), une famille d'encodeurs visuels compacts de moins de 100 millions de paramètres capables de rivaliser avec des modèles spécialisés sur des tâches variées : classification d'images, segmentation dense, et questions-réponses visuelles. La publication, disponible sur arXiv sous la référence 2503.22387, expose une approche radicalement différente des méthodes existantes, notamment face à AM-RADIO et RADIOv2.5, les références actuelles en distillation multi-enseignants. Là où RADIOv2.5-B, sa variante à l'échelle ViT-B, accuse des écarts notables face aux experts de domaine sur les tâches denses, EUPE parvient à combler ces lacunes dans un format adapté aux appareils embarqués comme les smartphones ou les casques de réalité augmentée. L'enjeu est concret : déployer plusieurs encodeurs spécialisés en parallèle sur un appareil mobile est trop coûteux en calcul, mais n'en déployer qu'un seul signifie accepter des performances dégradées sur la plupart des tâches. EUPE change cette équation. Un seul modèle léger peut désormais gérer simultanément la compréhension visuelle globale, la détection de structures spatiales précises au niveau du pixel, et l'interaction avec des systèmes de langage visuel. Pour les développeurs d'applications mobiles, les fabricants de dispositifs AR ou les ingénieurs travaillant sur des pipelines d'IA embarquée, cela représente un gain substantiel en ressources sans sacrifice de polyvalence. La difficulté centrale que résout EUPE tient à un problème de capacité. Les modèles comme CLIP, SigLIP 2, DINOv2 ou SAM ont chacun été entraînés avec des objectifs distincts : paires texte-image pour les premiers, apprentissage auto-supervisé structurel pour le second, segmentation massive pour le troisième. Les tentatives précédentes de fusionner ces expertises par distillation agglomérative, où un modèle étudiant imite plusieurs enseignants spécialistes simultanément, donnaient de bons résultats sur de grands encodeurs dépassant 300 millions de paramètres, mais échouaient sur les architectures efficientes. La solution proposée par Meta suit un principe en deux temps : agrandir d'abord, puis réduire. Un modèle intermédiaire de grande taille absorbe les représentations des différents enseignants, avant d'être distillé à son tour dans l'encodeur compact final. Cette étape intermédiaire fournit au petit modèle une représentation unifiée et déjà réconciliée, plutôt qu'une collection brute de signaux contradictoires. La publication positionne EUPE comme une brique fondamentale pour la prochaine génération d'IA on-device, dans un contexte où Apple, Google et Qualcomm intensifient également leurs efforts pour faire tourner des modèles multimodaux directement sur le matériel utilisateur.

💬 Le problème des encodeurs visuels embarqués, c'est exactement ça : soit tu empiles plusieurs spécialistes et ça explose ton budget calcul, soit tu fais des compromis douloureux. L'approche "agrandir puis distiller" de Meta est maline, parce qu'elle donne au petit modèle une représentation déjà digérée plutôt que de lui coller des signaux contradictoires à réconcilier lui-même. Reste à voir ce que ça donne sur du vrai hardware, pas juste sur les benchmarks arXiv.