Kimi K3 disponible : 2,8 trillions de paramètres MIT, mais 51 % d’hallucinations en test indépendant
Moonshot AI a publié les poids de Kimi K3, un modèle open-source de 2,8 trillions de paramètres sous licence MIT modifiée, performant sur le coding et le raisonnement mais affichant un taux d'hallucination de 51 % selon des tests indépendants. Son architecture LatentMoE nécessite plusieurs GPU H100 pour l'auto-hébergement.
L'accessibilité open-source d'un modèle de cette taille ouvre des perspectives de recherche pour les laboratoires disposant de ressources de calcul suffisantes, notamment sur l'étude des architectures MoE. Toutefois, le taux d'hallucination élevé impose une vigilance particulière avant tout usage pédagogique direct auprès des étudiants. Les enseignants-chercheurs en IA disposent ici d'un cas d'étude concret sur les compromis entre performance et fiabilité des grands modèles.
Analyse produite par l’AI Transformation Office de l’ISC Paris, co-écrite avec Claude (Anthropic).
À lire aussi
Microsoft : son système MAI-DxO pose le bon diagnostic dans 83 % des cas complexes, contre 36 % pour des médecins seuls
Une étude publiée dans Science évalue MAI-DxO, un orchestrateur d'agents IA qui délibèrent collectivement, atteignant 83 % de bons diagnostics sur des cas complexes contre 36 % pour des médecins seuls travaillant sans assistance. L'essentiel du gain provient des modèles sous-jacents (GPT-5 et GPT-5.5), avec un apport plus faible sur les cas d'urgence, et une évaluation en conditions réelles démarre avec un centre hospitalier.
Ce type d'architecture multi-agents délibérative constitue un cas d'étude concret pour les formations en intelligence artificielle, en informatique médicale et en sciences de la santé. Il invite les enseignants-chercheurs à interroger, dans leurs cursus, la complémentarité entre expertise humaine et systèmes d'IA plutôt que leur simple substitution, et à intégrer ces méthodes d'évaluation rigoureuses (comparaison à des références publiées) dans les enseignements de recherche.
Perplexity et NVIDIA entraînent une IA « professeur » qui ajuste ses explications au niveau de l'élève
Une méthode baptisée JOLT, développée conjointement, entraîne un modèle à jouer à la fois le rôle d'enseignant et d'élève, récompensant le professeur lorsque ses explications restent accessibles au niveau de l'élève plutôt que lorsqu'il fournit la meilleure réponse. Sur les mathématiques, cette approche atteint la précision d'une méthode de référence avec environ 6,5 fois moins de données d'entraînement, et le code doit être publié en open source.
Cette recherche illustre un changement d'optimisation des IA éducatives, désormais conçues pour l'étayage pédagogique et non plus seulement pour la justesse de la réponse. C'est un signal fort pour les enseignants-chercheurs qui développent ou évaluent des tuteurs intelligents destinés aux étudiants, et la publication en open source facilitera des expérimentations pédagogiques dans les établissements.
Anthropic lance Claude Duet, un agent qui travaille entre deux conversations
Anthropic a annoncé le 21 octobre Claude Duet, un agent en préversion de recherche doté de sa propre machine virtuelle et de son navigateur, qui surveille les outils connectés d'un utilisateur et soumet chaque action sensible à validation avant exécution. L'accès est limité aux abonnés Pro et Max aux États-Unis, sur liste d'attente.
Ce type d'agent branché en continu sur messagerie et agenda manipule par nature des données personnelles d'étudiants et de personnels, ce qui impose aux établissements de cadrer précisément les accès avant toute expérimentation. Les enseignants-chercheurs devront aussi réfléchir à l'usage pédagogique de tels agents dans la gestion du travail administratif et universitaire, tout en respectant les chartes IA et le RGPD.