De la recherche scientifique à la création 3D, Atria Dawn veut faire travailler l’IA sur des projets complets

Atria Dawn sort de sa phase Preview avec 512 000 tokens de contexte, de meilleures capacités agentiques et des démonstrations en recherche, 3D et création.

Entraîner un modèle de prédiction de structures protéiques, dessiner une main robotique en 3D ou produire une animation entièrement modifiable dans PowerPoint. Ces projets illustrent les ambitions d'Atria Dawn, le modèle d'intelligence artificielle développé par le Shanghai Artificial Intelligence Laboratory. Sa version officielle succède à Atria Dawn Preview avec une fenêtre de contexte étendue à 512 000 tokens, des capacités renforcées dans l'utilisation d'outils et de nouveaux résultats sur les tâches professionnelles de longue durée. Un modèle conçu pour mener les projets jusqu'au bout

Atria Dawn appartient à la catégorie des modèles agentiques de grande capacité, avec une architecture d'environ 700 milliards de paramètres issue des travaux du laboratoire chinois.

Sa particularité réside dans la manière dont il aborde les tâches complexes. Plutôt que de produire uniquement des réponses ou des fragments de code, il cherche à conduire un projet à travers plusieurs étapes : compréhension des objectifs, utilisation d'outils, exécution, vérification des résultats et correction des erreurs.

La version Preview disposait déjà d'une fenêtre de contexte de 256 000 tokens. Son doublement permet désormais de conserver davantage d'informations pendant des travaux prolongés, notamment lorsqu'un agent doit consulter de nombreux fichiers, suivre des expériences ou revenir sur des décisions précédentes.

Les améliorations concernent également la programmation appliquée au machine learning, avec une attention particulière portée à la stabilité des processus nécessitant de nombreuses interactions avec des outils. Des expériences scientifiques aux modèles 3D

L'une des démonstrations les plus techniques concerne la prédiction de structures protéiques. Dans un environnement privé d'accès au web, Atria Dawn a utilisé OpenFold, un framework fondé sur l'architecture AlphaFold 2 de Google DeepMind, pour conduire des expériences et optimiser un système existant.

Le modèle a participé à l'ajustement de plus de 80 millions de paramètres sur environ 19 000 chaînes protéiques, au cours de 3 000 étapes principales d'entraînement utilisant deux GPU.

Selon le laboratoire, la configuration optimisée améliore d'environ 2,7 % la cohérence structurelle locale par rapport à la configuration de référence lors d'une validation sur le même lot de données. Ce résultat mesure une amélioration expérimentale ciblée, et non une supériorité générale sur les systèmes spécialisés de prédiction protéique.

Les démonstrations couvrent également la conception assistée par ordinateur. À partir de descriptions, Atria Dawn peut produire des modèles géométriques et des dessins techniques représentant notamment des fusées, des motos, des locomotives ou des mains robotiques articulées. Quand PowerPoint devient un outil d'animation

Une autre démonstration explore les possibilités de création directement dans PowerPoint, sans recourir à un logiciel de montage vidéo.

À partir d'un scénario, Atria Dawn a conçu une animation utilisant environ 440 éléments graphiques et 29 diapositives. Les objets se déplacent, se dispersent et se recomposent grâce aux transitions Morph natives du logiciel.

Chaque élément, y compris les textes, reste modifiable dans la présentation. Le résultat n'est donc pas une vidéo importée, mais une composition animée construite avec les outils de PowerPoint.

Le modèle peut également analyser une publication scientifique pour en extraire les objectifs, les méthodes et les résultats, puis les organiser sous forme de poster académique comprenant textes, graphiques et équations.

Dans un autre registre, il transforme un passage du roman historique Les Trois Royaumes en carte animée de la bataille de Guandu, avec une représentation des déplacements militaires et de leur évolution.

Ces exemples montrent l'intérêt d'une IA capable de produire des supports exploitables et modifiables, au-delà de la simple génération d'images. Des résultats en progression, mais inégaux selon les tâches

Les évaluations publiées avec la version officielle montrent plusieurs progrès par rapport à Atria Dawn Preview.

Sur AutomationBench, consacré à l'exécution de tâches automatisées, le score passe de 53,8 à 54,7. Sur Workspace-Bench, il progresse de 65 à 66,1, tandis que MLE-bench Lite atteint 88,2, contre 86,2 précédemment.

Sur WideSearch, consacré à la recherche d'informations à travers plusieurs sources, le tableau officiel affiche 84,6, contre 81,9 pour la Preview. La communication publiée sur 𝕏 mentionne toutefois 84,8, une légère différence entre les deux supports.

Les performances ne progressent pas partout. Sur SWE-bench Pro, Atria Dawn passe de 59,6 à 59,4, tandis que certains concurrents conservent une avance importante dans le développement logiciel.

Sur JobBench, en revanche, le modèle progresse nettement, de 50,3 à 57,5. Il dépasse notamment GPT-5.6 Sol dans le comparatif publié, mais reste derrière Claude Opus 5.

Ces résultats proviennent principalement des évaluations réunies par le laboratoire, avec des environnements et protocoles différents. Ils ne constituent pas une mesure universelle de la fiabilité du modèle. Des livrables plutôt que de simples réponses

Atria Dawn explore également l'analyse de données professionnelles. Dans une démonstration, le modèle rapproche cinq fichiers commerciaux, calcule les bénéfices de différentes catégories de produits, identifie des anomalies et produit des visualisations permettant de comparer les résultats aux objectifs.

Le laboratoire présente aussi plusieurs créations réalisées par sa communauté : applications web générées à partir d'une instruction, visualisation interactive de l'évolution des continents et simulation d'un vol touristique au-dessus de Hong Kong.

Le site officiel d'Atria donne accès à ces démonstrations, tandis que les ressources du projet sont proposées sur GitHub, Hugging Face et ModelScope. La plateforme de découverte permet également d'expérimenter les modèles selon les modalités d'accès disponibles.

A