Intensif Gratuit 21–22/11Intensif gratuit de 2 jours en Vibecoding (21–22 nov, 16h00 MSK) · Cohorte 3 le 23/11S'inscrire gratuitement →Cohorte 3 (23/11)
SortieAnalyse · Sur le radarHabr AI→ original

Les modèles de décision répondent en millisecondes : Jev coûte 0,042 $ par million de tokens

Les Decision Models sont des modèles de décision : ils ne formulent pas la réponse en mots, mais renvoient directement des probabilités pour chaque option. Par exemple, face à la plainte « l'argent a été débité, mais la commande n'existe pas », le modèle répond « support technique — 87 %, comptabilité — 10 % », et s'en tient là. Le premier de ces modèles, Jev de TypeSafe AI, coûtait 0,042 $ par million de tokens en entrée au lancement, tandis que les sorties n'étaient pas facturées. Il est donc plus rentable de confier les choix de routine des agents à un tel modèle, et de réserver les cas complexes à un grand LLM.

Traité par IA depuis Habr AI ; édité par Hamidun News
Les modèles de décision répondent en millisecondes : Jev coûte 0,042 $ par million de tokens
Source : Habr AI. Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireHabr AI ↗
Rédacteur en chef
Trois types de tâcheschoix d'une option, oui/non et évaluation sur une échelle
Chiffre clé #2Réponse en dizaines à centaines de millisecondes : le réseau ne génère pas de texte
Chiffre clé #3Gemini Decision 1 de Google coûte 0,10 $ par million de tokens en entrée

Imaginez que vous développez un agent IA pour le support client. Le client écrit : « Hier, j'ai payé ma commande, l'argent a été débité, mais elle n'apparaît pas dans mon espace personnel ». L'agent doit simplement choisir le service auquel transmettre la demande, or il fait appel pour cela à un grand modèle de langage, qui commence par raisonner sur trois paragraphes.

À l'automne 2026, une catégorie distincte de solutions a vu le jour pour répondre à ce problème : les Decision Models, ou modèles de décision. Ils ne dialoguent pas avec l'humain et ne rédigent pas de texte ; ils renvoient des probabilités par rapport à des options prédéfinies. Le premier à sortir, en septembre, a été Jev, de la société TypeSafe AI ; il coûte 0,042 $ par million de tokens en entrée (un token correspond à peu près à un fragment de mot), et ses sorties n'étaient pas facturées au lancement.

À titre de comparaison, Gemini Decision 1 de Google facture 0,10 $ par million de tokens en entrée.

Ce que fait un tel modèle, sur un exemple simple

Le nom fait référence au livre de Daniel Kahneman : « Système 1 », la pensée intuitive et rapide, et « Système 2 », la pensée lente et délibérée. Les Decision Models, ou System One Models, constituent la partie « rapide » de l'IA. Face à la plainte sur le débit non suivi d'une commande, le modèle renverra uniquement des chiffres : support technique — 87 %, comptabilité — 10 %, livraison — 2 %, ventes — 1 %. Aucune explication, seulement des résultats que le programme peut utiliser immédiatement.

La plupart des modèles traitent trois types de tâches :

  • Choice — choisir une option dans une liste : à qui transmettre la demande, ou quelle action exécuter ensuite.
  • Yes/No — vérifier une condition : le document est-il conforme aux exigences, la réponse contient-elle une erreur, faut-il un humain ?
  • Score — évaluer sur une échelle : le degré d'urgence d'une tâche, ou l'adéquation d'un document à une requête.

De nombreux modèles acceptent plusieurs questions portant sur un même objet et répondent à toutes en une seule requête.

En quoi cela diffère d'un classifieur et d'un LLM

Les classifieurs existent depuis longtemps : régression logistique, forêts aléatoires, CatBoost. Mais un modèle antifraude entraîné sur des transactions n'évaluera pas la qualité d'une réponse du support : pour une nouvelle tâche, il faut un autre modèle ou un réentraînement. Le Decision Model cherche à allier la polyvalence d'un LLM à la commodité d'un classifieur. Les options de réponse et les critères sont définis directement dans la requête, sans réentraînement. L'auteur précise toutefois que, pour des tâches stables et bien définies, un classifieur spécialisé peut s'avérer plus précis, plus rapide et moins coûteux.

Face à un LLM classique, les nouveaux modèles présentent quatre avantages :

  • Vitesse. Un LLM génère sa réponse token par token, même lorsqu'il ne faut qu'un « oui » ou un « non ». Beaucoup de Decision Models évaluent les options en une seule passe du réseau, et la réponse arrive en dizaines ou centaines de millisecondes.
  • Coût. Liquid d1-ultra coûte à peu près le même prix que Jev. Pour une requête isolée, l'écart est faible ; pour des millions de décisions par jour, il devient sensible.
  • Format. La réponse est contrainte à l'ensemble des options fixé. Mais un format correct ne garantit pas une décision juste : ces modèles peuvent aussi se tromper.
  • Confiance. Les probabilités permettent de traiter automatiquement les cas simples, et d'envoyer les cas complexes à un modèle puissant ou à un humain. Si un modèle affiche « 90 % » cent fois, il doit avoir raison dans environ 90 cas. Cela doit être vérifié sur vos propres données.

Qui a déjà lancé un modèle

La vague a commencé le 15 septembre 2026 avec Jev, fondé par Diogo Almeida, ancien employé d'OpenAI. Sont ensuite apparus Tev1 de Together AI (22 septembre), le modèle ouvert Kev (24 septembre), Clef de Cloudflare (1er octobre), la version multimodale d1 de Liquid AI (5 octobre), Liquid d1-ultra (15 octobre), Decisions API d'OpenAI (22 octobre) et Gemini Decision 1 (11 novembre). Le 17 novembre, Liquid AI a publié d1.2.

Sont accessibles via API : Jev, Liquid d1.1 et d1-ultra, Gemini Decision 1 (texte, images, audio, vidéo et PDF), Decisions API d'OpenAI, basée sur GPT-6 Luna, Perplexity Decider et Decider Flash v1.3, ainsi que la famille Clef, Clef-flash et Clef-omni.

Il est possible de faire tourner en local : Kev 4B, basé sur Qwen3.5, Liquid d1-2B et d1-Omni-2B, le modèle expérimental d1-omni-600M de 600 millions de paramètres, Perplexity Decider Flash, la famille Laya basée sur ModernBERT et mmBERT, les poids ouverts de Clef et Clef-flash, ainsi que Tev1 4B et 0.8B. Leur architecture diffère : certains ne génèrent aucun token, d'autres sont des modèles de langage affinés dont la réponse est très courte.

Que faire de tout cela

Le schéma le plus évident pour les agents est celui du « cerveau et des réflexes ». Un LLM puissant élabore la stratégie et les plans, tandis qu'un petit Decision Model choisit en permanence l'étape suivante et ne sollicite le grand modèle que dans les situations non standard. Autres usages : routage des requêtes entre agents, sélection d'outils, vérification des réponses d'autres modèles, évaluation de code, modération et détection des tentatives de manipulation de l'agent.

Des limites existent aussi. L'auteur n'a pas encore publié ses propres tableaux comparatifs et promet de les présenter dans une suite ; les chiffres de qualité sont donc à vérifier par vos soins. Commencez par un petit jeu d'exemples annotés issus de votre flux, et comparez les choix du modèle à une annotation manuelle. Vérifiez ensuite la calibration : la confiance affichée correspond-elle à la proportion réelle de réponses correctes ? Ce n'est qu'après cela qu'il faut fixer le seuil en dessous duquel la décision est transmise à un grand modèle ou à un humain.

Dossier

Questions clés sur cet article

Que sait-on sur Ce que fait un tel modèle, sur un exemple simple ?

Le nom fait référence au livre de Daniel Kahneman : « Système 1 », la pensée intuitive et rapide, et « Système 2 », la pensée lente et délibérée. Les Decision Models, ou System One Models, constituent la partie « rapide » de l'IA. Face à la plainte sur le débit non suivi d'une commande, le modèle renverra uniquement des chiffres : support technique — 87 %, comptabilité — 10 %, livraison — 2 %, ventes — 1 %. Aucune explication, seulement des résultats que le programme peut utiliser immédiatement.

Que sait-on sur En quoi cela diffère d'un classifieur et d'un LLM ?

Les classifieurs existent depuis longtemps : régression logistique, forêts aléatoires, CatBoost. Mais un modèle antifraude entraîné sur des transactions n'évaluera pas la qualité d'une réponse du support : pour une nouvelle tâche, il faut un autre modèle ou un réentraînement. Le Decision Model cherche à allier la polyvalence d'un LLM à la commodité d'un classifieur. Les options de réponse et les critères sont définis directement dans la requête, sans réentraînement.

Que sait-on sur Qui a déjà lancé un modèle ?

La vague a commencé le 15 septembre 2026 avec Jev, fondé par Diogo Almeida, ancien employé d'OpenAI. Sont ensuite apparus Tev1 de Together AI (22 septembre), le modèle ouvert Kev (24 septembre), Clef de Cloudflare (1er octobre), la version multimodale d1 de Liquid AI (5 octobre), Liquid d1-ultra (15 octobre), Decisions API d'OpenAI (22 octobre) et Gemini Decision 1 (11 novembre). Le 17 novembre, Liquid AI a publié d1.2.

ZK
Zhemal Khamidun — CPO d'Alpina Digital, product manager d'AlpinaGPT. Conçoit des produits IA depuis 2019. Hamidun News est un projet personnel devenu un agrégateur en production avec plus de 6 000 lecteurs.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
Qu'en pensez-vous ?
Chargement des commentaires…