fr.wedoany.com Rapport : NVIDIA lance la série de modèles ouverts Nemotron, dont l’objectif est d’aider les entreprises à construire une IA contrôlable, fiable et répondant à des besoins métiers spécifiques grâce à la personnalisation des modèles, plutôt que de simplement choisir des modèles de base prêts à l’emploi.
Actuellement, les entreprises disposent d’une grande variété de modèles d’IA, mais la véritable compétitivité réside dans la manière dont elles utilisent ces modèles pour améliorer leurs flux de travail, intégrer des connaissances sectorielles et surpasser les standards en matière de précision et de fiabilité. Les modèles ouverts sont conçus pour la personnalisation, permettant aux entreprises d’en détenir la pleine propriété et le contrôle, et de construire des agents spécialisés différents des systèmes d’IA traditionnels.
En matière de personnalisation, les modèles ouverts permettent aux équipes de tester et d’améliorer leurs solutions en fonction de leurs propres données, flux de travail et définitions de la précision. Cela est particulièrement important dans des secteurs comme la santé ou le droit, où le coût des erreurs est élevé et où des données sensibles doivent être traitées. Par exemple, NVIDIA indique qu’avec les modèles ouverts, les équipes peuvent inspecter les applications, mener des évaluations privées et établir des environnements d’apprentissage par renforcement adaptés à leurs propres flux de travail, sans avoir à acheminer des données propriétaires via des tiers.
Des entreprises de plusieurs secteurs ont déjà commencé à personnaliser Nemotron pour des domaines spécifiques : Abridge personnalise Nemotron pour construire un modèle de base dédié aux dialogues cliniques ; Glean, avec son modèle de recherche d’agent Waldo, associe Nemotron à un modèle fermé plus grand, obtenant une latence réduite et une consommation de jetons moindre dans les scénarios de recherche en entreprise ; H Company, par un post-entraînement de Nemotron 3 Nano Omni sur des données propriétaires d’utilisation informatique, a construit Holotron 3 Nano, atteignant une précision de plus de 76 % sur le benchmark de tâches informatiques OSWorld-Verified, tout en égalant d’autres modèles de pointe à un coût très faible ; Harvey a post-entraîné Nemotron 3 Ultra sur des benchmarks juridiques, atteignant une précision de pointe sur des tâches juridiques complexes, avec un coût par exécution au moins 10 fois inférieur à celui des modèles fermés leaders ; Heidi Health produit des résultats de qualité de pointe dans le domaine de la documentation clinique, sans nécessiter les ressources de calcul des modèles de pointe ; YTL AI Labs a post-entraîné le modèle Nemotron pour le malais, offrant des capacités d’IA localisées à la communauté des développeurs malaisiens.
La personnalisation, tout en améliorant la précision, offre également des avantages en termes de coûts. NVIDIA souligne que la suite de bibliothèques open source NeMo permet d’accélérer la personnalisation et l’évaluation des modèles. LangChain a adapté le framework Deep Agents pour Nemotron 3 Ultra, atteignant la plus haute précision d’agent parmi les modèles ouverts, avec un coût par exécution environ 10 fois inférieur à celui des alternatives fermées leaders. Arcee AI a post-entraîné Nemotron sur la plateforme NVIDIA Blackwell, réalisant un coût d’inférence d’environ 90 cents par million de jetons de sortie, soit environ 20 fois moins cher que des modèles fermés comparables, tout en se classant deuxième sur le benchmark PinchBench et en maintenant des poids entièrement ouverts.
Cet avantage de coût aide les entreprises à mener des expérimentations plus larges, à réaliser davantage de déploiements et à accélérer les itérations. La coalition Nemotron de NVIDIA pousse à transformer le développement de modèles ouverts en une action écosystémique, rassemblant constructeurs de modèles et développeurs pour améliorer Nemotron grâce au partage de données, d’évaluations et de connaissances sectorielles. Ces modèles peuvent être testés sur build.nvidia.com.
