DeepSeek dévoile deux nouveaux modèles d'IA et affirme avoir presque comblé son retard sur les leaders du marché
DeepSeek a annoncé deux nouveaux modèles d'IA et affirme qu'ils sont nettement plus efficaces que DeepSeek V3.2. Son argument central : des améliorations d'architecture ont relevé les résultats sur les tâches de raisonnement et lui ont presque permis de rattraper les meilleurs modèles ouverts et fermés. Si des tests indépendants le confirment, le marché gagnera un nouveau prétendant sérieux au niveau des modèles phares, surtout pour les produits d'entreprise, où le prix, la vitesse et le passage à l'échelle comptent.
Traité par IA depuis TechCrunch ; édité par Hamidun News
DeepSeek a dévoilé une préversion de deux nouveaux modèles d'IA et avancé sans doute l'affirmation la plus importante pour tout le segment des LLM abordables : selon l'entreprise, l'écart entre ses systèmes et les modèles phares de pointe a presque disparu sur les tâches de raisonnement. Si cela se confirme en dehors des benchmarks internes, le marché obtiendra bien plus qu'une mise à jour de plus : un signal net que la course à la qualité maximale ne se limite plus à quelques plateformes fermées.
L'annonce porte sur deux modèles que DeepSeek compare à sa propre version précédente, V3.2. L'entreprise affirme que les nouveautés sont à la fois plus performantes et plus efficaces, et que les améliorations d'architecture ont joué un rôle décisif. Autrement dit, il ne s'agit pas seulement de meilleures réponses, mais aussi d'un usage plus rationnel du calcul : moins de coûts pour un même niveau de résultat, ou un meilleur résultat à infrastructure comparable. Pour les développeurs et les équipes produit, c'est un point important, car le coût d'inférence, la rapidité de réponse et la stabilité du modèle déterminent souvent s'il peut être déployé dans de vrais services, et pas seulement présenté lors de tests.
La principale métrique sur laquelle DeepSeek mise est celle des reasoning benchmarks, c'est-à-dire des tests où le modèle ne doit pas simplement reproduire des schémas appris par cœur, mais résoudre des tâches étape par étape, conserver le contexte, construire une chaîne de raisonnement et éviter les défaillances logiques évidentes. Ces scénarios sont aujourd'hui considérés comme l'un des signes distinctifs du niveau de pointe. Lorsque l'entreprise dit avoir presque comblé l'écart avec les leaders parmi les modèles ouverts et fermés, elle tente en pratique de passer de la catégorie d'alternative solide à celle de concurrent direct du haut du classement.
C'est d'autant plus important pour DeepSeek, qui avait déjà attiré l'attention du secteur en alliant hautes performances et économie d'usage relativement agressive.
Il faut souligner à part le terme preview. Il ne s'agit pas d'une sortie commerciale complète, accompagnée d'une longue liste de résultats confirmés par des laboratoires indépendants, mais plutôt d'une démonstration précoce de la direction que prend la gamme DeepSeek. Dans ce type d'annonce, les entreprises mettent généralement en avant leurs meilleurs cas et leurs propres mesures ; le marché attendra donc presque certainement davantage de détails : taille des modèles, besoins matériels, vitesse d'inférence, qualité en code, en mathématiques et en multilinguisme, et comportement dans de vrais scénarios agentiques.
Même en l'état, le message est assez fort : DeepSeek veut montrer que les choix d'architecture redeviennent une source de sauts, et pas seulement la montée en échelle des jeux de données et du budget d'entraînement.
C'est aussi un tournant important pour l'écosystème, parce que presque rattraper les leaders constitue déjà une position commercialement significative. Dans de nombreux produits appliqués, l'utilisateur n'a pas besoin du record absolu sur un benchmark si le modèle est nettement moins cher, plus rapide ou plus simple à intégrer. Même un petit écart de qualité résiduel peut donc cesser d'être critique si le marché obtient en échange une meilleure économie et plus de flexibilité. Cela concerne surtout les entreprises qui construisent leurs propres assistants, copilots, moteurs de recherche interne de documents ou automatisations du support et des ventes : le coût du passage à l'échelle y devient vite aussi important que les pourcentages des classements.
La conclusion est simple : DeepSeek cherche à s'ancrer non pas à la périphérie de la course à l'IA, mais parmi ceux qui se disputent réellement le leadership en qualité de raisonnement. Pour l'instant, il s'agit d'une affirmation de l'entreprise elle-même, qui doit encore être vérifiée par des tests indépendants. Mais la direction est déjà claire : la concurrence s'intensifie dans le haut du marché, et la pression sur les prix, le rythme des sorties et l'ouverture des technologies ne fera donc que croître. C'est un bon scénario pour le marché, surtout si les nouveaux modèles confirment l'équilibre promis entre qualité et efficacité en usage massif et en entreprise.
- 2 nov. 2026DeepSeek ouvre le code d'un prototype de Super-agent : p95 du temps d'exécution de 15,7 min contre 29,5
- 1 nov. 2026Test de 16 modèles sur 7 moteurs de recherche : Exa obtient en moyenne 10,5 points sur 14, SearXNG environ 3
- 1 nov. 2026La couche de protection MoneyGate n'a laissé passer aucune des 42 demandes frauduleuses adressées à des IA locales
- 31 oct. 2026DeepSeek-V4.1-Flash ramène le cache KV en HBM à 890 octets par token, contre 3514
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.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.