Aller au contenu principal
OutilsThe Decoder · 1 min de lecture

L'orchestrateur de Sakana AI ajoute Nvidia Nemotron pour prouver que l'"intelligence collective" peut rivaliser avec des modèles de pointe uniques

Source originale ↗·

Sakana AI, la start-up japonaise spécialisée dans l'intelligence artificielle collective, a annoncé l'intégration des modèles open source Nemotron de Nvidia dans son orchestrateur Fugu. Ce système ne repose pas sur un modèle unique mais combine dynamiquement plusieurs modèles de langage, en sélectionnant celui ou ceux les plus adaptés selon la nature de chaque tâche à accomplir. L'ajout de Nemotron, la famille de modèles ouverts développée par Nvidia, vient enrichir le panel de briques disponibles pour cet assemblage automatisé. Sakana AI n'a toutefois pas publié de chiffres de performance précis pour cette nouvelle combinaison, se contentant pour l'instant d'une annonce sans benchmarks détaillés à l'appui.

L'enjeu dépasse la simple mise à jour technique. Sakana AI défend l'idée que des modèles open source, individuellement moins puissants que les systèmes frontière fermés comme ceux d'OpenAI ou d'Anthropic, peuvent rivaliser avec eux à condition d'être orchestrés intelligemment plutôt qu'utilisés isolément. Cette approche, si elle se confirme, changerait la donne pour les entreprises et développeurs cherchant des alternatives moins coûteuses et plus transparentes aux grands modèles propriétaires, en misant sur la coordination plutôt que sur la taille brute d'un seul système.

Cette stratégie s'inscrit dans la philosophie fondatrice de Sakana AI, cofondée par d'anciens chercheurs de Google, qui s'inspire des mécanismes d'intelligence collective observés dans la nature, comme les bancs de poissons. L'entreprise mise depuis ses débuts sur l'assemblage et la coopération entre modèles plutôt que sur l'entraînement de systèmes toujours plus massifs, une orientation qui la distingue des laboratoires misant sur la course à l'échelle.

Cet article vous a été utile ?

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

1AWS ML Blog 

Nemotron 3 : affinement des modèles NVIDIA avec la personnalisation serverless d'Amazon SageMaker AI

Amazon vient d'annoncer l'intégration de la personnalisation de modèles serverless pour les modèles NVIDIA Nemotron 3 au sein d'Amazon SageMaker AI. Deux versions sont concernées: Nemotron 3 Nano, qui compte 30 milliards de paramètres au total dont 3 milliards actifs, et Nemotron 3 Super, plus imposant avec 120 milliards de paramètres au total dont 12 milliards actifs. Les entreprises peuvent désormais affiner ces modèles open-weight via trois techniques disponibles sans avoir à provisionner ni gérer la moindre infrastructure: le fine-tuning supervisé classique (SFT), l'apprentissage par renforcement avec récompenses vérifiables (RLVR), et l'apprentissage par renforcement avec retour d'IA (RLAIF). Nemotron 3 repose sur une architecture hybride combinant Mamba et Transformer sous forme de mélange d'experts (MoE), capable de gérer des contextes allant jusqu'à un million de tokens. Elle entrelace trois types de couches complémentaires: des couches Mamba-2 pour un traitement séquentiel rapide en temps linéaire, des couches d'attention Transformer pour un rappel associatif précis, et des couches de mélange d'experts latent qui compressent les tokens avant de les router vers des experts spécialisés. Résultat, seule une fraction des paramètres totaux est activée à chaque passage, comme les 12 milliards sur 120 pour la version Super, ce qui garantit un débit élevé à moindre coût de calcul. Pour les entreprises, affiner un modèle sur leurs propres données ne relève plus seulement de l'optimisation technique: cela revient à créer une propriété intellectuelle propriétaire, encodant leur savoir-faire, leur vocabulaire métier et leur ton de marque directement dans l'architecture du modèle. Cette approche permet souvent à des modèles plus petits et ouverts d'égaler, voire de dépasser, les performances de modèles propriétaires bien plus volumineux, tout en gardant les données sensibles dans une infrastructure privée et sécurisée. Pour les charges de travail à fort volume impliquant plusieurs agents, comme le codage ou le triage de cybersécurité, ce type d'avantage devient un facteur de compétitivité difficile à répliquer avec des modèles génériques du marché. Les deux modèles ont été entraînés via NeMo Gym, un système d'apprentissage par renforcement multi-environnements qui les aligne sur des tâches agentiques réelles en plusieurs étapes, couvrant le codage, le raisonnement et l'analyse de contextes longs. Nemotron 3 Nano affiche un débit quatre fois supérieur à son prédécesseur Nemotron 2 Nano, le rendant particulièrement adapté aux charges de travail multi-agents à fort volume où coût et latence sont critiques. Nemotron 3 Super, de son côté, cible les applications multi-agents complexes comme le développement logiciel, misant sur une capacité de raisonnement accrue tout en conservant une efficacité de calcul élevée.

UELes entreprises europeennes utilisant Amazon SageMaker AI pourront acceder a cette nouvelle capacite de personnalisation serverless, sans impact reglementaire ou sectoriel direct sur la France ou l'UE.

💬 Nemotron 3 Super fait tourner 12 milliards de paramètres actifs sur 120 et bat des modèles bien plus gros, c'est la confirmation qu'on n'a plus besoin de mastodontes pour du raisonnement agentique sérieux. Ce qui change vraiment, c'est le fine-tuning serverless : plus de cluster GPU à gérer, tu balances tes données et Amazon fait le reste. Reste que la vraie valeur, ce n'est plus le modèle en lui-même, c'est ce que t'y injectes, ton vocabulaire métier, ton ton de marque, tes données propriétaires. Pour du codage ou du triage cyber à gros volume, ça devient un avantage concurrentiel qu'un modèle générique ne rattrapera pas.

OutilsActu
1 source
Sakana AI lance Sakana Translate, un outil de traduction japonais-anglais-chinois propulsé par Namazu, avec modes traduction, relecture et question
2MarkTechPost 

Sakana AI lance Sakana Translate, un outil de traduction japonais-anglais-chinois propulsé par Namazu, avec modes traduction, relecture et question

Sakana AI, le laboratoire de recherche tokyoïte fondé en 2023 par David Ha et Llion Jones, a lancé Sakana Translate, une nouvelle fonctionnalité intégrée à son service de chat Sakana Chat. Cet outil gratuit assure la traduction bidirectionnelle entre le japonais, l'anglais et le chinois, et repose sur Namazu, la série de modèles adaptés au japonais par Sakana AI et annoncée pour la première fois le 24 mars 2026. Namazu n'est pas entraîné depuis zéro : il applique un post-entraînement à des modèles open-weight existants, dont DeepSeek-V3.1-Terminus, Llama 3.1 405B et gpt-oss-120B, une méthode moins coûteuse qu'un entraînement complet et permettant d'adapter finement ces modèles à la langue et à la culture japonaises. Sakana Translate se présente comme une application web unique regroupant trois modes accessibles avec un seul compte : Translate, qui convertit jusqu'à environ 5 000 caractères japonais avec un affichage progressif du texte et un historique sauvegardé automatiquement ; Proofread, qui corrige un brouillon en ajustant le ton, la politesse et le niveau de formalité, avec les changements signalés par surlignage façon diff ; et Ask, qui permet de poser des questions de suivi sur une traduction pour en comprendre les nuances grammaticales ou stylistiques. L'enjeu affiché par Sakana AI dépasse la simple conversion mot à mot : l'entreprise vise ce qu'elle appelle une "traduction profonde pour le Japon", capable de restituer le contexte, le ton et le registre social, des éléments souvent perdus par les outils de traduction généralistes. Les exemples cités incluent les formules de politesse professionnelles japonaises, les concepts culturellement spécifiques, les abréviations et l'argot internet, autant de nuances qu'une traduction grammaticalement correcte peut manquer sans un travail d'adaptation dédié. Pour les utilisateurs professionnels, notamment dans la rédaction d'emails ou de documents d'entreprise, cela représente un gain concret : le mode Proofread cible spécifiquement les usages où le registre de langue compte autant que la correction grammaticale. Le mode Ask, de son côté, supprime le besoin de basculer entre un traducteur et un dictionnaire, en répondant aux questions de nuance directement dans le contexte de la traduction produite. Sur le plan des performances, l'équipe de Sakana AI a évalué la qualité de traduction avec XCOMET-XL, un métrique neuronal d'environ 3,5 milliards de paramètres développé par Unbabel qui note les traductions sur une échelle de 0 à 1 tout en signalant les erreurs précises, appliqué aux données du WMT 2024 General Translation, une tâche de référence issue de la Conference on Machine Translation couvrant plusieurs domaines et paires de langues. Selon les résultats rapportés, Sakana Translate obtient un score proche des modèles les plus performants du marché, ce que l'entreprise qualifie de qualité compétitive pour un moteur de traduction. Ce lancement s'inscrit dans la stratégie plus large de Sakana AI autour de Namazu, qui vise à adapter des modèles de fondation existants aux spécificités linguistiques et culturelles japonaises plutôt que d'entraîner de nouveaux modèles à partir de zéro, une approche que le laboratoire pourrait étendre à d'autres cas d'usage à l'avenir.

💬 Post-entraîner des modèles existants plutôt que d'entraîner depuis zéro, c'est le vrai move ici. Sakana montre qu'on peut battre les traducteurs généralistes sur les nuances culturelles sans les moyens d'un labo à dix milliards. Reste que c'est verrouillé sur le japonais, l'anglais et le chinois : si tu bosses en français, tu regardes le train passer.

OutilsOutil
1 source
Perplexity AI lance un orchestrateur d'inférence hybride pour PC : répartition automatique entre local et cloud
3MarkTechPost 

Perplexity AI lance un orchestrateur d'inférence hybride pour PC : répartition automatique entre local et cloud

Perplexity AI a présenté lors du Computex 2026 ce qu'elle décrit comme le premier orchestrateur d'inférence hybride local-serveur, une technologie destinée à son produit Perplexity Computer. Le principe : un modèle d'IA compact installé sur l'appareil de l'utilisateur analyse chaque tâche entrante et décide automatiquement si elle doit être exécutée en local ou envoyée vers un modèle frontier dans le cloud. La fonctionnalité arrivera en juillet 2026, d'abord sur Windows, tandis que la version Mac de Personal Computer est déjà disponible depuis avril 2026 avec une liste d'attente ouverte pour Windows. L'orchestrateur est compatible avec les puces Intel Core Ultra Series 3 et les GPU NVIDIA RTX Spark, et fonctionne indépendamment du modèle utilisé. Perplexity Computer, lancé en février 2026 sur abonnement Max à 200 dollars par mois, peut coordonner jusqu'à 20 modèles d'IA dans un même flux de travail. L'enjeu principal de cette architecture est la gouvernance des données dans les environnements professionnels. Jusqu'ici, les systèmes d'IA agentiques obligeaient les utilisateurs à choisir entre puissance de calcul et confidentialité. Le nouvel orchestrateur supprime ce compromis en automatisant la décision : les données sensibles comme les fichiers financiers, les dossiers de santé ou les documents personnels restent sur l'appareil, tandis que les tâches nécessitant une puissance de calcul élevée sont envoyées vers les serveurs de Perplexity. Le système demande l'autorisation de l'utilisateur avant tout envoi de données sensibles vers le cloud, ce qui répond directement aux exigences de conformité et de traçabilité que posent les entreprises face aux outils d'IA. Pour les équipes qui hésitaient à adopter des agents IA par crainte des fuites de données, c'est un argument concret. Cette annonce s'inscrit dans une course plus large à l'IA sur appareil, où Apple, Microsoft, Google et de nombreux fabricants de puces cherchent à convaincre que le traitement local est l'avenir. Perplexity, qui s'est imposé comme un acteur sérieux de la recherche IA avec plusieurs centaines de millions de dollars levés, tente ici de se différencier sur le segment des agents autonomes, un marché encore naissant mais très disputé. L'idée de faire du modèle local un chef d'orchestre plutôt qu'un simple exécutant est une évolution architecturale notable : ce n'est plus seulement "quel modèle utiliser" mais "où chaque morceau de la tâche doit-il s'exécuter". Si la promesse tient à l'usage réel, ce type d'orchestration pourrait devenir la norme pour tout système agentique voulant combiner performance, coût maîtrisé et confidentialité.

UEL'architecture hybride local-cloud, en maintenant les données sensibles sur l'appareil, pourrait faciliter l'adoption par les entreprises européennes soumises au RGPD qui hésitaient à déployer des agents IA.

💬 L'IA locale comme simple accélérateur, ça fait deux ans qu'on en entend parler. Ce qui change ici, c'est de mettre le petit modèle en position de chef d'orchestre qui décide ce qui part dans le cloud, avec demande explicite pour les fichiers sensibles, et pour les équipes enterprise bloquées par le RGPD, c'est l'argument concret qui manquait. Les 200 dollars par mois sur abonnement Max, c'est par contre un vrai filtre à l'entrée.

OutilsOutil
1 source
NVIDIA Nemotron atteint des performances record avec l'infrastructure LangChain Deep Agents
4NVIDIA AI Blog 

NVIDIA Nemotron atteint des performances record avec l'infrastructure LangChain Deep Agents

NVIDIA a dévoilé les résultats de son modèle ouvert Nemotron 3 Ultra, optimisé spécifiquement pour l'infrastructure d'agents Deep Agents de LangChain, la plateforme d'orchestration d'agents IA la plus utilisée du marché avec plus de 200 millions de téléchargements mensuels. Selon le benchmark public Deep Agents de LangChain, Nemotron 3 Ultra obtient la meilleure précision parmi les modèles ouverts, traite davantage de tâches, affiche un débit supérieur et coûte environ dix fois moins cher par exécution que les modèles fermés les plus performants du marché. Sur les tâches business évaluées, le modèle atteint même une parité de performance avec les meilleurs modèles propriétaires. Fait notable, ces gains n'ont nécessité aucun réentraînement du modèle : l'équipe de LangChain a analysé les traces d'exécution des agents pour identifier précisément où Nemotron 3 Ultra perdait des points, puis a ajusté l'environnement autour du modèle, à savoir les prompts système, les descriptions d'outils et les middlewares. Ce profil optimisé est disponible dès maintenant pour tous les développeurs utilisant LangChain Deep Agents. Cette approche change la donne pour les entreprises qui déploient des agents IA en production. À un coût dix fois inférieur, les équipes peuvent lancer des évaluations en continu, expérimenter plus rapidement et construire des agents spécialisés à plus grande échelle sans exploser leur budget d'inférence. Harrison Chase, cofondateur et PDG de LangChain, résume la philosophie du projet : améliorer un agent passe autant par la mémoire, l'usage des outils et l'évaluation que par le modèle lui-même, et ces éléments deviennent plus puissants lorsqu'ils sont ajustés ensemble. Des entreprises comme Abridge, Amdocs et Box intègrent déjà des agents spécialisés directement dans leurs plateformes, tandis que le cabinet de conseil EY élargit ses capacités autour des blueprints NVIDIA NemoClaw pour LangChain Deep Agents, afin d'aider ses clients à personnaliser, évaluer et gouverner leurs agents sur des workflows à forte valeur. Ce travail conjoint s'inscrit dans une tendance plus large : le passage d'assistants IA capables de répondre à des questions vers des agents capables d'agir directement dans les systèmes critiques des entreprises, ce qui relève l'enjeu autour du contrôle et de la propriété de la pile technologique. NemoClaw pour LangChain Deep Agents combine le code Deep Agents ajusté pour Nemotron 3 Ultra avec l'environnement d'exécution sécurisé NVIDIA OpenShell, offrant aux entreprises une pile entièrement ouverte qu'elles peuvent personnaliser et héberger où elles le souhaitent. Jensen Huang, PDG de NVIDIA, s'est récemment entretenu avec Harrison Chase sur les progrès réalisés en six mois dans l'IA appliquée à l'entreprise. Le modèle et le harnais optimisé sont accessibles dès aujourd'hui via les plateformes Baseten, Crusoe Cloud, DeepInfra, Fireworks, Nebius et Together AI.

💬 Selon Le Fil IA, le vrai signal ici c'est qu'on n'a pas besoin de réentraîner un modèle pour le rendre dix fois moins cher à l'usage, il suffit d'ajuster ce qui l'entoure (prompts, outils, middlewares). Ça veut dire que la bataille des agents en entreprise va se jouer autant sur le harnais que sur le modèle lui-même. NVIDIA et LangChain le comprennent visiblement mieux que la plupart, et ça devrait inquiéter un peu plus les fournisseurs de modèles fermés que leurs benchmarks habituels.

OutilsOutil
1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour

Gratuit · 1 email le matin, l'essentiel de l'IA · désinscription en un clic