Un laboratoire à la demande pour faire évoluer les modèles d’entreprise

Entraînement, déploiement et retours de production se rejoignent dans Model Factory, la nouvelle plateforme de Prime Intellect.

Un appel d’outil qui échoue, un correctif inefficace ou une tâche abandonnée peuvent devenir la matière d’un nouvel entraînement. Cette circulation entre usage réel et modification des poids occupe une place centrale dans Model Factory, la plateforme de Prime Intellect qui réunit entraînement, évaluation et déploiement des modèles.

L’offre prolonge l’ancien service Lab en élargissant le travail possible sur les modèles, du préentraînement à leur adaptation par apprentissage supervisé ou par renforcement. Les équipes définissent leurs tâches, leurs données et leurs critères de réussite ; la plateforme prend en charge l’orchestration du calcul, de l’inférence et des environnements d’exécution. Un modèle entraîné peut ensuite être déployé derrière un point d’accès pour une application, utilisé pour générer des données synthétiques ou soumis à une nouvelle évaluation. Plusieurs manières de modifier les poids

L’apprentissage supervisé ajuste un modèle à partir d’exemples sélectionnés : réponses attendues, démonstrations ou tâches menées à bien dans un domaine donné. Il peut constituer une première étape avant l’apprentissage par renforcement. Dans ce second cas, l’agent tente des tâches, reçoit un score et voit ses poids mis à jour à partir de ces essais. Le choix du signal de récompense appartient à l’équipe qui conduit l’expérience.

Pour les agents qui programment ou manipulent des outils, l’exécution se déroule dans des environnements isolés. Les intégrations avec verifiers, l’Environments Hub et Harbor relient les tâches aux outils disponibles et à leur notation. L’annonce évoque une capacité allant jusqu’à plusieurs dizaines de milliers de microVM simultanées, une échelle annoncée par le fournisseur.

Le préentraînement et la poursuite d’entraînement d’un modèle de base complètent ces possibilités. La documentation distingue néanmoins les ambitions générales de la plateforme et les configurations déjà prises en charge : le préentraînement hébergé est encore en bêta, avec une initialisation depuis zéro testée sur des architectures denses. Le fine-tuning supervisé hébergé porte lui aussi la mention bêta. Du service géré au cluster dédié

Deux modes d’accès correspondent à des degrés de contrôle différents. Dans le service à la demande, une équipe soumet sa configuration et utilise les GPU gérés par Prime Intellect. La facturation dépend des GPU occupés et du temps d’utilisation. Le stockage persistant et l’ingestion des traces font l’objet de frais distincts.

Les déploiements dédiés sont mis en place avec l’équipe du fournisseur. Ils réunissent entraînement, inférence, Slurm et Kubernetes sur un même cluster. L’accès direct à cette infrastructure autorise des changements plus profonds, comme le choix d’une version précise du logiciel d’entraînement, au lieu de la version gérée proposée par défaut.

La promesse de contrôle concerne aussi les modèles obtenus. Les conditions du service attribuent au client les modèles issus de ses entraînements, sous réserve des droits attachés au modèle de base et aux composants tiers. Partir d’un modèle open weights ne dispense donc pas de respecter sa licence. Les traces ne deviennent pas seules des progrès

La collecte des tentatives relie le modèle déployé à l’expérience suivante. Les traces enregistrent les outils appelés, le chemin suivi et les points d’échec. Leur examen sert à choisir de nouveaux exemples, à construire un environnement ou à revoir la manière de noter une tâche. Cette sélection reste un travail de recherche et d’ingénierie.

Pour un agent de programmation, une hausse du score peut être confrontée aux correctifs produits et aux résultats des tests. Des versions intermédiaires du modèle peuvent ensuite être évaluées sur des tâches séparées de celles de l’entraînement. L’équipe dispose alors d’éléments pour décider si la nouvelle version mérite de remplacer celle utilisée en production.