MTS AI выпустила Cotype Pro 3 и Cotype Light 3: как учат модели агентским навыкам

En juillet 2026, MTS AI a lancé la troisième génération de ses modèles de langage Cotype — le modèle phare Cotype Pro 3 et le modèle allégé Cotype Light 3. Avec cette sortie, l'entreprise a révélé comment elle collecte des traces réelles d'exécution de tâches pour entraîner ses modèles aux compétences agentiques — la capacité à mener à bien des scénarios à plusieurs étapes sans échec.

Ce que MTS AI a lancé

MTS AI a fait passer sa gamme Cotype à la troisième génération : le modèle phare Cotype Pro 3 et le modèle plus léger Cotype Light 3, sorti un peu avant le modèle phare. L'entreprise positionne les deux modèles comme un composant clé des agents d'IA d'entreprise et des systèmes multi-agents — c'est-à-dire comme le « cerveau » qui pilote des chaînes d'actions, plutôt que de simplement répondre à des requêtes isolées.

• Développeur — MTS AI
• Modèle phare — Cotype Pro 3
• Version allégée — Cotype Light 3 (sortie un peu avant le modèle phare)
• Objectif — noyau des agents d'IA d'entreprise et des systèmes multi-agents
• Priorité de l'entraînement — mener à bien des scénarios à plusieurs étapes sans erreurs

Pourquoi ces données ne peuvent pas être inventées

Les traces sont des trajectoires enregistrées de la façon dont un modèle résout, étape par étape, une tâche réelle : il appelle un outil, lit le résultat, choisit l'étape suivante. C'est précisément sur ce type de données que MTS AI entraîne les compétences agentiques de Cotype, et, comme l'entreprise le souligne dans le titre de sa propre analyse, ces données « ne peuvent pas être inventées ».

Générer des données synthétiques pour des réponses en un seul tour est facile, mais des scénarios réalistes à plusieurs étapes ne le sont pas : ils dépendent de véritables cas limites, d'échecs d'outils et de bifurcations qui ne peuvent pas être reproduits artificiellement. C'est pourquoi la qualité d'un agent ne dépend pas de la taille du modèle, mais de la qualité et de l'authenticité des traces collectées. Selon MTS AI, sans ce type d'entraînement, le modèle « trébuche » sur de longues chaînes d'actions.

Où Cotype 3 est utilisé

Cotype Pro 3 et Cotype Light 3 sont destinés en premier lieu aux scénarios d'entreprise — en tant qu'exécutant et orchestrateur au sein de systèmes multi-agents. Dans ce type d'architecture, un modèle découpe une tâche en étapes, appelle les outils nécessaires et transmet les résultats intermédiaires à d'autres agents, ce qui rend coûteuse la moindre erreur commise à n'importe quelle étape.

MTS AI présente précisément la fiabilité dans les scénarios à plusieurs étapes comme une condition indispensable au bon fonctionnement de ses agents d'IA. Le modèle allégé Cotype Light 3 est quant à lui conçu pour un déploiement plus économique, tandis que le modèle phare Pro 3 vise les tâches les plus complexes.

« ...comment nous apprenons à nos modèles à exécuter des scénarios à plusieurs étapes sans trébucher, ce qui est absolument nécessaire » — extrait du blog technique de MTS AI sur

Habr.

Ce que cela signifie

Les LLM russes sont de plus en plus optimisés non pas pour le « bavardage », mais pour le travail au sein de systèmes agentiques, où la fiabilité des longues chaînes d'actions est essentielle. Le pari de MTS AI sur la collecte de traces réelles montre que la concurrence se déplace de la taille du modèle vers la qualité des données utilisées pour entraîner les compétences agentiques.

Questions fréquentes

Que sont Cotype Pro 3 et Cotype Light 3 ?

Il s'agit de la troisième génération des modèles de langage de MTS AI : Cotype Pro 3 est la version phare, Cotype Light 3 est la version allégée. Les deux sont conçus comme un composant clé des agents d'IA d'entreprise et des systèmes multi-agents.

Pourquoi collecte-t-on des traces lors de l'entraînement de

Cotype ?

Les traces sont des trajectoires réelles, étape par étape, de résolution de tâches. MTS AI entraîne dessus les compétences agentiques afin que le modèle mène à bien des scénarios à plusieurs étapes sans échec ; selon l'entreprise, ce type de données ne peut pas être synthétisé de manière fiable.