Meta, société américaine, a annoncé jeudi, heure locale, son modèle à poids ouverts « Muse Spark Open ». Il compte 816 milliards de paramètres et dispose d’une fenêtre de contexte d’un million de tokens. Il a été conçu pour fonctionner localement sur des ordinateurs Apple. Il est déjà disponible sur plusieurs plateformes d’API.
Il fonctionne sur Mac, mais pas forcément sur le vôtre
Quand on entend parler d’une « IA qui fonctionne sur Mac », on imagine facilement pouvoir la télécharger et l’essayer sur l’ordinateur portable que l’on utilise au quotidien. Mais les choses ne sont pas si simples. Selon les informations disponibles, faire fonctionner localement un modèle de 816 milliards de paramètres nécessite au moins 1 To de mémoire vive. C’est un tout autre ordre de grandeur que la mémoire des ordinateurs portables classiques.
L’environnement recommandé est le Mac Studio équipé de la puce M5 Ultra. Avec ce modèle, Meta met en avant non pas tant la simplicité d’utilisation qu’une nouvelle possibilité : traiter un modèle gigantesque sur une machine que l’on a sur son bureau, sans le confier au cloud. C’est sans doute la meilleure façon de voir les choses.
Cela dit, le simple fait que cette possibilité existe n’a rien d’anodin. Jusqu’ici, les modèles ultrapuissants se trouvaient de l’autre côté des centres de données. Ils commencent désormais à apparaître dans le prolongement des ordinateurs de bureau. Même si les conditions d’exécution sont exigeantes, cette évolution mérite qu’on s’y intéresse.
De l’IA qui écrit du code à l’IA qui regarde des vidéos
Muse Spark Open repose sur une architecture multimodale native, capable de traiter notamment des images, et a été conçu pour des tâches de programmation complexes et des activités de type agentique. Par « agentique », on désigne ici un mode d’utilisation dans lequel l’IA ne se contente pas de répondre une fois à une question, mais élabore elle-même plusieurs étapes pour mener une tâche à bien.
Meta indique avoir associé le modèle à « Muse Code », son terminal dédié au codage par IA, et l’avoir utilisé dans différents flux de travail agentiques. L’entreprise cite notamment des modifications apportées à un client du réseau social décentralisé Mastodon. Selon elle, le modèle a pris en charge l’ensemble du processus : correction de bugs, ajout de fonctionnalités et compilation.
Il a également servi à piloter le logiciel de montage vidéo DaVinci Resolve, notamment pour examiner des séquences et les recadrer. Du code aux outils de montage vidéo professionnels, les situations où l’IA manipule des applications à l’écran se multiplient bel et bien.
Ce que je trouve particulièrement intéressant, c’est que ces deux exemples concernent des tâches effectuées sur un ordinateur de bureau. On passe d’une IA qui répond dans une fenêtre de chat à une IA qui travaille devant un PC comme un collègue. C’est peut-être aussi ce qui motive l’accent mis sur l’exécution locale sur Mac.
La valeur des modèles à poids ouverts ne se mesure pas seulement à leurs performances
Meta affirme, sur la base des résultats d’évaluation qu’elle a publiés, que son modèle surpasse les autres grands modèles à poids ouverts. Elle le présente également comme le modèle à poids ouverts le plus performant des États-Unis.
Mais l’intérêt des modèles à poids ouverts ne se résume pas à un classement. Leurs poids — autrement dit, le contenu même du modèle entraîné — étant rendus publics, ils peuvent offrir un avantage en matière de coûts par rapport aux modèles fermés, ainsi qu’une meilleure transparence sur leur fonctionnement et davantage de souplesse dans leur utilisation.
Pour les entreprises, le choix se situe entre la facilité d’utilisation via une API et l’exécution du modèle dans leur propre environnement. La première option permet un déploiement rapide ; la seconde évite de faire sortir les données de l’entreprise. Le seuil de 1 To de mémoire est élevé, mais certaines équipes qui traitent des développements confidentiels ou des séquences vidéo pourraient juger que l’investissement en vaut la peine.
Muse Spark Open apporte un nouvel élément à prendre en compte dans cette décision. Le tester via une API, puis l’installer sur ses propres machines si nécessaire : cette approche en deux temps pourrait devenir la manière habituelle d’utiliser les IA à poids ouverts.
コメント