Dossier

Liquid AI mise sur des modèles de décision multimodaux

IA Contenu généré par intelligence artificielle : texte écrit par une IA, lu par des voix de synthèse.

Intégrer ce passage sur votre site

Collez ce code dans votre article ou votre page : le lecteur prend la largeur disponible.

Thème

Transcription avec les sources de chaque passage

Token FM

Token FM, la radio de l'IA, faite par l'IA. Place au dossier.

Victor

Bonjour Sacha, Liquid AI lance d1.2 et d1.2-ultra, deux modèles qui traitent du texte, des images et de l’audio pour produire des réponses structurées. Qu’est-ce qui change avec cette nouvelle version ?

Sacha

D’après AlphaSignal, Liquid AI a lancé d1.2 et d1.2-ultra, des modèles de décision qui acceptent du texte, des images et de l’audio, puis produisent des réponses structurées accompagnées de probabilités. On peut fournir du texte, une image ou un enregistrement audio, puis poser une question sur ce contenu. Le modèle ne renvoie pas seulement une phrase libre : il peut produire une valeur, une sélection ou une information assortie d’une probabilité. C’est un peu comme demander à un assistant de regarder un reçu, d’en extraire le montant, puis de ranger le résultat dans une case précise. Les modèles sont ainsi conçus pour traiter des demandes et renvoyer des résultats dans des formats déterminés. La version ultra obtient 75 points dans l’Artificial Analysis Decision Index v2.1, soit 2 points de plus que le précédent meilleur résultat. C’est le résultat mis en avant par l’entreprise, mais il ne suffit pas, à lui seul, à dire lequel sera le meilleur pour chaque usage. Il faut regarder les tâches, les données et les erreurs qui comptent dans chaque situation.

Victor

Comment ces réponses structurées et leurs probabilités peuvent-elles fonctionner concrètement ?

Sacha

Alors, une requête indique au modèle ce qu’il doit examiner et ce qu’on veut obtenir. Au lieu de demander seulement une explication générale, on peut demander une date dans un document, un objet à localiser dans une image, ou la présence d’un son dans un enregistrement. Les nouveaux formats permettent cinq sortes de sorties : une valeur lue, un extrait de texte, une boîte qui délimite une zone, un nombre accompagné d’un intervalle, ou un choix parmi plusieurs réponses. Imaginez une chaîne de traitement de factures : le système peut extraire une date, puis remettre cette date dans un champ attendu par le logiciel comptable. La probabilité associée au résultat sert ensuite d’indice de confiance, pas de garantie que la réponse est juste. Une équipe pourrait, par exemple, accepter automatiquement les résultats très fiables et faire vérifier les autres par une personne. C’est l’intérêt opérationnel de la calibration : mesurer si les scores de confiance correspondent réellement à la fréquence des bonnes réponses. Mais il faut définir le seuil en fonction de la tâche ; un mauvais classement peut être anodin dans un tri, et beaucoup plus gênant dans un contrôle sensible.

Victor

À qui ces modèles s’adressent-ils, et combien coûtent-ils ?

Sacha

Ils peuvent intéresser les équipes qui veulent automatiser l’extraction ou la classification de contenus, notamment quand une demande mélange texte, image et audio. Les réponses structurées sont utiles si un logiciel doit récupérer une information sans devoir interpréter une longue explication. Liquid AI propose les deux modèles sur Liquid API. Le tarif annoncé est de 0,02 dollar par million de jetons d’entrée pour d1.2, et de 0,042 dollar pour d1.2-ultra. L’entreprise indique que seuls les jetons d’entrée sont facturés. Cela rend le prix annoncé assez facile à comparer pour une requête donnée, mais le coût réel dépendra du volume de contenu envoyé et du nombre de traitements effectués. Il faudra aussi mesurer le temps nécessaire aux vérifications humaines et les conséquences d’une erreur, pas seulement le prix de l’appel au modèle. Et, bien sûr, ces tarifs ne disent pas à eux seuls si le modèle convient à une organisation : il faut essayer les tâches réelles, avec les documents, les sons et les images qu’elle traite effectivement. L’intérêt pourrait être de confier au modèle les cas simples, tout en gardant une vérification pour les cas incertains.

Victor

Quels sont les résultats annoncés, et quelles limites faut-il garder en tête ?

Sacha

Liquid AI annonce une erreur de calibration de 0,8 point pour d1.2-ultra et de 1,2 pour d1.2. Ces mesures portent sur 22 505 questions issues de 13 benchmarks. Une erreur plus faible signifie que les probabilités annoncées correspondent davantage aux résultats observés dans ces évaluations. L’entreprise avance aussi 98 % de réussite en lecture de reçus, 94 % en localisation d’objets sur RefCOCO, et entre 95 % et 97 % sur certaines tâches de classification audio. Il faut toutefois nuancer ces chiffres : ils sont présentés par Liquid AI et ne couvrent pas toutes les capacités des modèles. Pour les cinq nouveaux formats, aucun benchmark public ne les évalue encore tous, d’après l’entreprise. Les essais correspondants reposent sur des jeux internes constitués à partir de jeux de données publics. Et les résultats audio cités concernent des tâches de classification avec un nombre limité de réponses possibles, pas une compréhension ouverte de n’importe quel enregistrement. Autrement dit, ces chiffres donnent des indications sur des exercices précis, mais ne prédisent pas automatiquement la performance sur un usage différent. Avant de déployer le système, une organisation devrait donc tester ses propres cas et vérifier les erreurs qui auraient le plus de conséquences.

Victor

Alors, qu’est-ce qu’il faut retenir de cette annonce ?

Sacha

Le point central, c’est que Liquid AI cherche à faire produire aux modèles des réponses directement exploitables, plutôt qu’un texte simplement agréable à lire. Ils acceptent du texte, des images et de l’audio, puis peuvent renvoyer des champs structurés et des probabilités. Le score de 75 points de d1.2-ultra au Decision Index v2.1 est un résultat notable dans ce classement, mais il ne remplace pas les essais sur le terrain. Même chose pour la calibration : elle peut aider à décider quels résultats vérifier, sans prouver que chaque réponse est correcte ni que sa précision suffit à une tâche donnée. Les nouveaux formats ouvrent des possibilités concrètes pour extraire une information ou localiser un élément, mais leur évaluation s’appuie encore sur des tests internes. Donc, pour une équipe, la bonne question n’est pas seulement de savoir quel modèle arrive en tête. C’est de vérifier si les réponses restent fiables sur ses propres contenus, si les incertitudes sont bien repérées et si le coût de contrôle est acceptable. En bref, d1.2 et d1.2-ultra proposent un outil de décision multimodal à tester selon les usages, pas une promesse de décision automatique sans surveillance.

Victor

Merci Sacha pour ces explications.

Une erreur ?

Signalez-la : le message part avec l'adresse de cette page, son titre et son heure de diffusion. Une personne mise en cause peut aussi exercer son droit de réponse.

Signaler une erreur

Un mot pour la rédaction ?

Une remarque, une idée de sujet, un avis sur ce passage : votre message va à la rédaction seulement, il n'est pas publié.