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)
SortieArticle R&D · Pour R&DX: @denisyarats→ original

Perplexity lance Frontier Research : un chercheur IA entraîné sur plus de 10 000 cartes graphiques

Perplexity a lancé Frontier Research, une équipe qui développe une IA capable de mener des recherches de manière autonome : trouver des sources, les recouper et en tirer des conclusions. Les modèles sont entraînés par RL (apprentissage par renforcement, où le résultat d'une action fait l'objet d'une « note ») sur plus de 10 000 GPU (cartes graphiques), et les tâches sont tirées de l'usage réel de Perplexity. Conclusion pour les développeurs : les agents sont de plus en plus entraînés sur des scénarios réels, et pas seulement configurés par des prompts.

Traité par IA depuis X: @denisyarats ; édité par Hamidun News
Perplexity lance Frontier Research : un chercheur IA entraîné sur plus de 10 000 cartes graphiques
Source : X: @denisyarats. Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireX: @denisyarats ↗
Rédacteur en chef
Axesplusieurs agents, RL, apprentissage continu, pré-entraînement
Chiffre clé #2Les données de RL sont synthétiques, les environnements proviennent de requêtes réelles
Chiffre clé #3Pas encore d'annonce de modèles, de benchmarks ni de calendrier ; l'équipe recrute

Demandez à un assistant IA moderne « analyse le marché » ou « étudie ce sujet scientifique », et il vous fournira probablement un résumé soigné mais superficiel. Une véritable recherche, ce sont des dizaines de requêtes, la lecture des sources, la vérification des contradictions et de nouvelles tentatives. C'est précisément ce travail que Perplexity veut confier à la machine. L'entreprise, connue comme moteur de recherche IA citant ses sources, a annoncé le lancement de Perplexity Frontier Research. Denis Yarats, cofondateur et directeur technique de Perplexity, l'a annoncé sur X. L'objectif est un système capable de mener des recherches de façon autonome, c'est-à-dire sans indications humaines à chaque étape.

Deux chiffres de l'annonce méritent d'être décryptés immédiatement. RL désigne l'apprentissage par renforcement : le modèle n'apprend pas des réponses toutes faites, il essaie d'agir et reçoit une « note » pour son résultat, à la manière d'un stagiaire à qui l'on dit s'il a réussi sa mission ou non. GPU désigne les processeurs graphiques, les « cartes vidéo » sur lesquelles on entraîne les réseaux de neurones. Perplexity prévoit de lancer cet entraînement sur un cluster de 10 000 GPU ou plus. Pour comparaison, affiner un petit modèle peut se faire sur quelques cartes, alors qu'un cluster de dix mille unités relève du niveau des grands laboratoires.

Sur quoi travaillera l'équipe

L'annonce cite cinq axes : orchestration de plusieurs agents, apprentissage par renforcement, apprentissage continu, ingénierie des systèmes et pré-entraînement (entraînement de modèles de base depuis zéro).

L'orchestration est nécessaire parce qu'un seul agent peine à mener une recherche longue. Imaginez une demande d'analyse du marché des trottinettes électriques : un agent recherche les entreprises, un autre lit les rapports, un troisième vérifie les chiffres. L'orchestrateur répartit les tâches et assemble le résultat. L'apprentissage continu signifie que le modèle intègre du nouveau sans être entièrement réentraîné depuis zéro. Pour un système de recherche, c'est essentiel : les faits du monde vieillissent plus vite que les nouvelles versions des modèles.

Comment l'entraînement se déroulera : synthétique et scénarios réels

Selon Yarats, une part importante du travail consiste en du RL à grande échelle. Les données d'entraînement sont synthétiques, et les environnements dans lesquels le modèle s'entraîne sont construits à partir de la manière dont les gens utilisent réellement Perplexity.

La logique est la suivante. Pour entraîner un agent de recherche par RL, il faut un environnement où il peut chercher, ouvrir des pages et exécuter du code, et où le résultat peut être vérifié : la bonne réponse a-t-elle été trouvée ou non ? Perplexity dispose de ce que n'ont pas les laboratoires sans produit grand public : un flux de requêtes réelles et une connaissance des tâches que les utilisateurs confient concrètement à l'outil. On peut en tirer des exercices d'entraînement proches de la vie réelle, plutôt que des benchmarks scolaires.

Yarats souligne par ailleurs que Perplexity est une entreprise « full-stack » : recherche, inférence (exécution de modèles déjà entraînés), entraînement et bacs à sable (environnements isolés où l'agent exécute ses actions) sont développés en interne. Selon lui, cela permet d'avancer vite, et tout ce qui est créé est validé dans des produits qu'utilisent des millions de personnes. Le cycle « entraîner, déployer, observer le comportement du modèle chez les utilisateurs, réinjecter les données dans l'entraînement » est plus simple à boucler lorsque toutes les pièces sont sous le même toit.

Ce que cela signifie concrètement

Précision : il s'agit d'une déclaration d'intention et d'un recrutement, pas d'une sortie. L'annonce ne mentionne ni noms de modèles, ni résultats sur des benchmarks, ni échéances, ni les modèles de base qui serviront de point de départ. L'entreprise recrute des chercheurs et des ingénieurs.

Pour les développeurs et les chefs de produit, trois enseignements se dégagent :

  • Le secteur passe du réglage fin des prompts autour de modèles tiers à l'entraînement des modèles eux-mêmes sur des tâches agentiques. Les entreprises disposant d'un produit grand public transforment les scénarios d'usage en environnements d'entraînement.
  • Même sans entraînement propre, on peut reprendre certains éléments de cette approche : des bacs à sable pour exécuter les actions en toute sécurité, des critères de réussite clairs et mesurables, et une répartition des rôles entre agents. Ces éléments conditionnent la qualité d'un agent en production.
  • Perplexity veut clairement passer du statut de couche posée sur les modèles des autres à celui de développeur de ses propres modèles. Reste à savoir si ce résultat prendra la forme d'un nouveau modèle ou d'un mode de recherche renforcé dans le produit ; pour l'heure, on ne le sait pas.
Dossier

Questions clés sur cet article

Que sait-on sur Sur quoi travaillera l'équipe ?

L'annonce cite cinq axes : orchestration de plusieurs agents, apprentissage par renforcement, apprentissage continu, ingénierie des systèmes et pré-entraînement (entraînement de modèles de base depuis zéro). L'orchestration est nécessaire parce qu'un seul agent peine à mener une recherche longue. Imaginez une demande d'analyse du marché des trottinettes électriques : un agent recherche les entreprises, un autre lit les rapports, un troisième vérifie les chiffres.

Comment l'entraînement se déroulera : synthétique et scénarios réels?

Selon Yarats, une part importante du travail consiste en du RL à grande échelle. Les données d'entraînement sont synthétiques, et les environnements dans lesquels le modèle s'entraîne sont construits à partir de la manière dont les gens utilisent réellement Perplexity. La logique est la suivante. Pour entraîner un agent de recherche par RL, il faut un environnement où il peut chercher, ouvrir des pages et exécuter du code, et où le résultat peut être vérifié : la bonne réponse a-t-elle été trouvée ou non ?

Que sait-on sur Ce que cela signifie concrètement ?

Précision : il s'agit d'une déclaration d'intention et d'un recrutement, pas d'une sortie. L'annonce ne mentionne ni noms de modèles, ni résultats sur des benchmarks, ni échéances, ni les modèles de base qui serviront de point de départ. L'entreprise recrute des chercheurs et des ingénieurs. Pour les développeurs et les chefs de produit, trois enseignements se dégagent : Le secteur passe du réglage fin des prompts autour de modèles tiers à l'entraînement des modèles eux-mêmes sur des tâches agentiques.

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…