OutilsAWS ML Blog · 4 août 2026, 22:39· 2 min de lecture

Web Search sur Amazon Bedrock : de nouveaux modèles de fondation ancrés dans les résultats

AWS a annoncé la disponibilité générale de Web Search sur Amazon Bedrock, un outil intégré côté serveur qui ancre les réponses des modèles de fondation dans des connaissances web actuelles. Cette annonce fait suite à celle de Web Search sur AgentCore, dévoilée lors de l'AWS New York Summit 2026. L'outil s'active via un seul paramètre dans les appels API compatibles OpenAI, via la Responses API, sans nécessiter d'intégration de fournisseurs tiers, de clés API externes ni de couche d'orchestration supplémentaire. Concrètement, quand un modèle détecte qu'une question nécessite des informations récentes, par exemple les résultats d'un rapport financier publié la semaine précédente, un changement réglementaire de la veille ou les prévisions météo du jour, Bedrock prend en charge tout le cycle de recherche côté serveur : il formule une requête, interroge un index web opéré par Amazon portant sur des milliards de documents et actualisé en continu, le combine à un graphe de connaissances qui relie les entités entre elles, puis injecte les extraits pertinents, avec URL et titres des sources, dans la fenêtre de contexte du modèle. La réponse finale comprend des annotations de citation structurées pour chaque source utilisée.

Cette évolution répond à un problème concret pour les entreprises qui déploient des chatbots, des assistants de code ou des applications d'agents : jusqu'ici, connecter un modèle à des connaissances web à jour obligeait les développeurs à identifier, intégrer et maintenir un fournisseur tiers de recherche, ce qui allongeait les délais de projet et posait des questions de résidence des données et de charge opérationnelle. En rendant la recherche web native à Bedrock, AWS supprime ces étapes d'onboarding et de revue de sécurité liées à des prestataires externes. L'utilisation d'un graphe de connaissances pour les questions factuelles, plutôt qu'une simple extraction de texte brut, vise aussi à réduire les petites erreurs factuelles qui s'infiltrent quand un agent reconstruit une réponse à partir de fragments de pages web. L'extraction sémantique de passages pertinents, plutôt que l'envoi de pages entières, permet en outre d'économiser des tokens et de réduire la latence des réponses ancrées.

Cette annonce s'inscrit dans une compétition plus large entre fournisseurs cloud pour équiper leurs modèles de capacités de recherche web natives, à mesure que les entreprises réclament des réponses fiables et vérifiables plutôt que des réponses générées uniquement à partir des données d'entraînement. Le choix d'AWS de garantir par défaut une absence de sortie des données du périmètre AWS du client répond directement aux exigences de conformité des entreprises, un argument de poids face à des concurrents dont les outils de recherche web s'appuient parfois sur des services tiers moins transparents. AWS indique que de futures fonctionnalités pourraient exposer certaines données, mais uniquement à la demande explicite du client, laissant entrevoir un élargissement progressif des capacités de cet outil dans les mois à venir.

Dans nos dossiers

AWS OpenAI

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

L'accord de Bedrock d'Amazon migre et optimise les invites vers de nouveaux modèles

Amazon Bedrock lance Advanced Prompt Optimization, un outil qui permet d'optimiser automatiquement les prompts pour jusqu'à 5 modèles à la fois et de comparer leurs performances. Concrètement, un client fournit un modèle de prompt, des exemples de requêtes utilisateur (texte ou multimodal), éventuellement des réponses de référence, et une métrique d'évaluation. Le système envoie ensuite ce prompt aux modèles choisis sur Bedrock, évalue les réponses selon la métrique fixée, réécrit le prompt, puis recommence ce cycle évaluer-réécrire-évaluer de façon itérative, un peu comme une boucle d'apprentissage par renforcement, mais sans toucher aux poids du modèle. À l'issue du processus, l'utilisateur récupère le prompt original et sa version optimisée pour chaque modèle testé, avec pour chacun un score d'évaluation, le temps jusqu'au premier jeton généré (time to first token, ou TTFT, un indicateur de latence perçue) et une estimation du coût d'inférence au tarif à la demande. Le tout se fait en une seule soumission de job, avec jusqu'à 5 modèles candidats comparés simultanément sur qualité, latence et coût. Cette fonctionnalité s'attaque à un goulot d'étranglement bien connu des équipes qui déploient des applications d'IA générative en production. Migrer un prompt déjà réglé vers un nouveau modèle plus rapide ou moins cher, ou simplement l'optimiser pour le modèle en place, exige aujourd'hui des jours voire des semaines de réécritures manuelles, de tests et de comparaisons, un effort qui se multiplie par le nombre de templates de prompts et de modèles candidats. Résultat : beaucoup d'équipes restent enfermées sur un modèle par crainte du coût de migration, même quand un modèle plus récent offrirait de meilleures performances. D'autres exploitent mal les capacités réelles d'un nouveau modèle parce que leurs prompts ont été pensés pour un autre système, ou expédient sans le savoir des réponses dégradées faute d'évaluation systématique face à des données de référence. En automatisant ce cycle par une approche pilotée par les métriques, Amazon Bedrock veut libérer les ingénieurs des boucles interminables de tests A/B manuels pour qu'ils se concentrent sur le développement de fonctionnalités. Cette annonce s'inscrit dans une compétition plus large entre fournisseurs de cloud pour réduire la friction du cycle de vie des applications d'IA générative, alors que le rythme de sortie de nouveaux modèles s'accélère chez tous les grands acteurs. Le caractère agnostique de l'outil, compatible avec n'importe quel modèle disponible sur Bedrock, laisse penser qu'Amazon cherche à fidéliser les développeurs à sa plateforme plutôt qu'à un modèle en particulier, en simplifiant justement les changements de modèle qui pourraient sinon les pousser vers un concurrent. Reste à voir si cette automatisation tient ses promesses sur des cas d'usage complexes ou multimodaux, et si d'autres fournisseurs cloud répliqueront rapidement une approche similaire.

OutilsOutil

1 source

2AWS ML Blog

MiniMax : ses modèles disponibles sur Amazon Bedrock

Ce contenu concerne une intégration de modèles tiers dans un service AWS (MiniMax sur Amazon Bedrock) et ne relève pas d'une tâche technique nécessitant une vérification via un outil dédié : il s'agit d'une simple traduction/synthèse journalistique. Voici l'article en français, format Le Fil IA : Amazon a annoncé la disponibilité de la famille de modèles MiniMax sur Amazon Bedrock, sa plateforme d'accès géré à des modèles de fondation tiers. Trois modèles sont désormais proposés : MiniMax M2, lancé en premier avec une fenêtre de contexte d'un million de tokens et de solides performances en génération multilingue, raisonnement et code ; MiniMax M2.1, qui améliore la profondeur de raisonnement, la précision du code et le suivi des instructions, avec une fenêtre de contexte de 196 000 tokens ; et MiniMax M2.5, le plus récent, entraîné spécifiquement pour l'exécution agentique native, avec un accent sur l'appel d'outils, la décomposition de tâches en plusieurs étapes et les tâches de programmation à long horizon. MiniMax, entreprise technologique mondiale spécialisée dans les modèles multimodaux, construit sa famille M2 autour d'une architecture de mélange d'experts (MoE) où seule une petite fraction des paramètres totaux s'active par token, ce qui offre la capacité de connaissance d'un modèle dense bien plus large pour un coût d'inférence réduit. Cette disponibilité répond à un besoin croissant des entreprises qui adoptent des modèles à poids ouverts pour leurs charges de travail de production, des assistants de codage agentiques à l'analyse de documents à long contexte. Amazon Bedrock garantit que les prompts et complétions des clients ne servent pas à entraîner les modèles et ne sont pas partagés avec les fournisseurs de modèles, l'inférence s'exécutant entièrement sur l'infrastructure gérée par AWS. Pour les organisations, cela signifie un accès à des modèles de pointe sans compromis sur la protection des données, la conformité réglementaire ou le contrôle opérationnel, et sans avoir à provisionner d'infrastructure, héberger les poids des modèles ou exploiter des piles d'inférence. Le caractère ouvert des poids permet en outre aux entreprises d'évaluer indépendamment l'architecture et la méthodologie d'entraînement, de lancer leurs propres benchmarks sur leurs charges de travail représentatives, et d'affiner les modèles sur des données propriétaires lorsqu'une personnalisation est nécessaire. Cette annonce s'inscrit dans la stratégie d'Amazon Bedrock d'élargir continuellement son catalogue de modèles tiers, à mesure que de nouvelles versions de MiniMax sont publiées. Elle illustre aussi une tendance plus large du marché des modèles de fondation : la montée des modèles à poids ouverts spécialisés dans les cas d'usage agentiques et de programmation, en concurrence directe avec les offres propriétaires. Pour les entreprises qui construisent des applications agentiques, des pipelines d'analyse documentaire longue ou des flux de travail d'ingénierie logicielle, le choix entre MiniMax M2, M2.1 et M2.5 dépendra des arbitrages entre taille de contexte, profondeur de raisonnement et spécialisation pour l'exécution autonome de tâches, avec la promesse d'un catalogue MiniMax appelé à continuer de s'enrichir sur Bedrock.

OutilsOutil

1 source

3AWS ML Blog

Optimiser la recherche sémantique vidéo avec la distillation de modèles Amazon Nova sur Amazon Bedrock

Amazon Web Services a publié un tutoriel détaillé expliquant comment utiliser la technique de distillation de modèles sur Amazon Bedrock pour optimiser les systèmes de recherche sémantique vidéo. Le cœur du problème : les modèles de grande taille comme Claude Haiku d'Anthropic offrent une excellente précision pour interpréter l'intention de recherche des utilisateurs, mais ils allongent le temps de réponse à 2 à 4 secondes, représentant à eux seuls 75 % de la latence totale. La solution proposée consiste à transférer l'intelligence de routage d'un grand modèle dit "enseignant", Amazon Nova Premier, vers un modèle beaucoup plus léger dit "étudiant", Amazon Nova Micro. Le résultat : une réduction des coûts d'inférence de plus de 95 % et une baisse de la latence de 50 %, sans sacrifier la qualité de routage. L'enjeu est considérable pour les entreprises qui gèrent de larges catalogues vidéo. Lorsqu'un utilisateur tape "Olivia qui parle de son enfance dans la pauvreté", le système doit décider automatiquement quels aspects de la vidéo interroger en priorité : les métadonnées textuelles, la transcription audio, les données visuelles ou les informations structurées. Cette logique de routage devient rapidement complexe à l'échelle enterprise, où les attributs peuvent inclure les angles de caméra, le sentiment, les droits de diffusion ou des taxonomies métier propriétaires. Un modèle plus petit et distillé qui maîtrise cette tâche précise permet de traiter davantage de requêtes simultanément, à un coût marginal quasi nul, ce qui change fondamentalement l'équation économique des moteurs de recherche multimodaux. La distillation de modèles se distingue du fine-tuning supervisé classique par un avantage pratique majeur : elle ne nécessite pas de dataset entièrement étiqueté par des humains. Amazon Bedrock génère automatiquement jusqu'à 15 000 paires prompt-réponse en interrogeant le modèle enseignant, en appliquant des techniques de synthèse et d'augmentation de données. Dans ce pipeline, 10 000 exemples synthétiques ont été produits via Nova Premier, chargés sur Amazon S3, puis utilisés pour entraîner Nova Micro. Le modèle résultant est ensuite évalué via Amazon Bedrock Model Evaluation, comparé à la base Nova Micro et au Claude Haiku original. AWS a publié l'intégralité du notebook Jupyter, le script de génération des données et les utilitaires d'évaluation sur GitHub, rendant cette approche reproductible pour toute équipe souhaitant industrialiser la recherche vidéo à grande échelle.

OutilsTuto

1 source

4AWS ML Blog

Amazon Bedrock : comprendre le cycle de vie des modèles

Amazon Web Services a formalisé le cycle de vie des modèles de fondation (FM) disponibles sur sa plateforme Bedrock, en introduisant un cadre structuré en trois états distincts : Actif, Hérité (Legacy) et Fin de vie (EOL). Ce système vise à donner aux entreprises une visibilité suffisante pour planifier leurs migrations sans interruption de service. Concrètement, un modèle reste disponible au minimum 12 mois après son lancement, puis passe en état Legacy avec un préavis d'au moins 6 mois avant sa date de fin de vie. AWS a également introduit une nouvelle phase intermédiaire appelée "extended access" pour les modèles dont la fin de vie est postérieure au 1er février 2026 : après 3 mois en état Legacy, le modèle entre dans cette période d'accès étendu pendant laquelle les utilisateurs actifs peuvent continuer à l'utiliser au moins 3 mois supplémentaires. Durant cette fenêtre, les demandes d'augmentation de quota ne seront plus approuvées et les tarifs peuvent être ajustés par le fournisseur du modèle, avec notification préalable. Cet encadrement change concrètement la manière dont les équipes techniques doivent gérer leurs applications IA en production. Jusqu'ici, une fin de vie pouvait surprendre des équipes insuffisamment préparées, entraînant des pannes ou des migrations précipitées. Avec ce calendrier prévisible, les développeurs peuvent anticiper les transitions, tester les modèles de remplacement via la console Bedrock ou l'API, et adapter leur code sans urgence. L'état d'un modèle est désormais exposé directement dans les réponses API via le champ modelLifecycle, accessible lors d'appels GetFoundationModel ou ListFoundationModels. Il faut toutefois noter que les comptes inactifs en phase Legacy, c'est-à-dire n'ayant pas appelé le modèle pendant 15 jours ou plus, peuvent perdre l'accès prématurément. La migration vers un nouveau modèle reste une action manuelle : rien ne se fait automatiquement lorsqu'un modèle atteint sa date EOL. Cette politique s'inscrit dans un contexte où Amazon Bedrock multiplie les modèles disponibles, provenant de fournisseurs comme Anthropic, Meta, Mistral ou Cohere, chacun avec ses propres cycles de mise à jour. À mesure que ces modèles évoluent rapidement, l'accumulation de versions obsolètes pose des problèmes de maintenance et de sécurité pour AWS comme pour ses clients. En clarifiant les règles du jeu, AWS cherche à professionnaliser la gestion du cycle de vie des IA en entreprise, sur le modèle de ce que font déjà les plateformes cloud pour leurs APIs et services logiciels. La prochaine étape pour les équipes utilisant Bedrock sera d'intégrer ces états dans leurs processus de surveillance et d'alerte, afin de ne jamais être pris de court lors d'une transition de modèle.

UELes entreprises européennes utilisant Amazon Bedrock doivent intégrer ce nouveau cadre de cycle de vie dans leurs processus de gestion des applications IA en production pour éviter des interruptions de service.

OutilsOpinion

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