Induction Labs a dévoilé Photon-1 le 23 juil. 2026, le premier de ce qu’elle appelle des « modèles d’imagination » — une nouvelle catégorie d’architecture de base conçue pour apprendre à partir de la vidéo à l’échelle d’Internet, sans exemples d’actions étiquetées pendant l’entraînement préalable. Le transformeur à mélange d’experts clairsemés de 106 milliards de paramètres avec 5 milliards de paramètres actifs a été entraîné sur environ 575 millions d’images issues d’enregistrements d’écran d’ordinateur, soit l’équivalent de 18 ans de vidéo échantillonnée à raison d’une image par seconde. La société affirme que Photon-1 surpasse Gemini 3.1 Flash-Lite de Google sur des benchmarks internes d’utilisation d’ordinateur, malgré un entraînement avec au moins 30 fois moins de calcul, tout en coûtant environ trois fois moins cher par million de tokens à servir, soit 0,11 $ contre 0,36 $ pour Gemini. Le modèle remet en question une hypothèse de longue date en IA : pour apprendre aux machines à agir, il faudrait des exemples méticuleusement étiquetés de chaque action qu’elles doivent effectuer. L’approche d’Induction Labs supprime un goulot d’étranglement critique en permettant aux machines d’apprendre des connaissances procédurales simplement en observant des vidéos non étiquetées d’interfaces informatiques en cours d’utilisation.
Photon-1 Architecture et spécifications d’entraînement
Photon-1 a été entraîné de zéro pendant une seule époque sur un ensemble de données distillé à partir d’un index initial de deux milliards de vidéos publiquement disponibles, filtrées ensuite à environ deux millions d’enregistrements d’écran et débarrassées des images redondantes par un modèle interne de détection de keyframes. Le processus d’entraînement a nécessité environ 30 000 heures de GPU NVIDIA H200 et 4,4 × 10²² FLOPs. Chaque image vidéo est compressée en 960 tokens discrets via une quantification scalaire finie, occupant seulement 2,2 kilooctets — environ 100 fois plus petit que les représentations OCR et multimodales existantes — tout en préservant le texte, la disposition et les changements d’état. Un encodeur latent différentiel traite les images par paires, en encodant les différences entre des états consécutifs plutôt que le contenu absolu des images. Le modèle prédit les images futures de manière autorégressive dans un espace de représentation appris, à l’aide d’un objectif « next-latent-token ». Les résultats de benchmark cités par Induction Labs s’accompagnent d’avertissements importants : le benchmark est interne et non publié, ce qui signifie que les résultats ne sont pas indépendamment reproductibles, et l’estimation de calcul de Gemini est une projection prudente d’Induction Labs plutôt que des données vérifiées.
Compression des modèles d’imagination et processus de fine-tuning
Transformer la connaissance observationnelle en agent fonctionnel a exigé une deuxième étape. Induction Labs a finetuné Photon-1 sur moins de 35 000 trajectoires d’utilisation de l’ordinateur étiquetées afin de lui apprendre le format d’action correct, en ajoutant des tokens spéciaux qui permettent au modèle d’émettre des commandes clavier et souris. Lors de l’inférence, le système fonctionne en deux étapes : il imagine d’abord le prochain état qui ferait avancer la tâche, puis génère l’action destinée à atteindre cet état. Un apprentissage par renforcement en ligne a suivi, avec des déploiements en temps réel sur des machines virtuelles Linux dans cinq environnements de bureau, une vérification programmatique des résultats et des signaux de récompense guidant des améliorations supplémentaires. Quand il a été finetuné sur 20 000 parties de checkers en tournoi, Photon-1 a surpassé à la fois une base de référence à encodeur de vision et une base de référence de modèle de langage de taille similaire, sur la simulation du monde et la qualité des coups. Sur 10 000 jeux de billard générés synthétiquement, il a atteint une erreur absolue moyenne de 0,47 pour la prédiction de la position des boules, contre 1,15 pour la base LLM et 1,44 pour la base de vision. Le modèle a aussi capturé des schémas de comportement humains à partir de ses données d’entraînement préalable, apprenant à solliciter un clone de ChatGPT dans une machine virtuelle, à vérifier ses sorties, et à piloter la conversation jusqu’à ce que la tâche soit terminée.
Développements de modèles de monde en 2026
Photon-1 arrive à un moment où l’industrie de l’IA se tourne vers ce que les chercheurs appellent largement des « world models » (modèles de monde) : des systèmes qui construisent des représentations internes de la manière dont les environnements évoluent en réponse aux actions, plutôt que de se limiter à prédire du texte ou à générer des clips vidéo isolés. En mai, Google DeepMind a publié Genie 3, un modèle de monde interactif en temps réel capable de générer des environnements 3D persistants à 24 images par seconde à partir de texte ou d’images, avec une physique apprise par auto-apprentissage plutôt que des règles codées en dur. La plateforme Cosmos de NVIDIA, qui propose des modèles de fondations « open-weight » entraînés sur 20 millions d’heures de données du monde réel, a dépassé deux millions de téléchargements et est adoptée par des entreprises de robotique, dont 1X, Figure AI et Agility, pour la génération de données d’entraînement synthétiques. World Labs de Fei-Fei Li a lancé Marble, un système commercial permettant de créer des mondes 3D éditables à partir de texte, d’images ou de vidéo. Les AMI Labs de Yann LeCun — évaluées, selon les informations, à 3 milliards d’euros avant la sortie d’un produit — ont levé 500 millions d’euros pour poursuivre des architectures de type JEPA qui apprennent des représentations abstraites en prédisant dans l’espace latent plutôt qu’en pixels. D’autres développements notables incluent Gen-4.5 de Runway, que l’entreprise présente explicitement comme un « world model » avec une physique réaliste, et DreamZero, un modèle d’action de monde de 14 milliards de paramètres qui a démontré un fort transfert cross-embodiment de la vidéo humaine vers le contrôle de robots, en n’utilisant que l’information visuelle, sans étiquettes d’action.
FAQ
Que s’est-il passé le 23 juil. 2026 chez Induction Labs ?
Induction Labs a dévoilé Photon-1, le premier « modèle d’imagination » — un transformeur à mélange d’experts clairsemés de 106 milliards de paramètres avec 5 milliards de paramètres actifs entraîné sur environ 575 millions d’images d’enregistrements d’écran d’ordinateur sans étiquettes. Le modèle apprend à utiliser un ordinateur en regardant des vidéos sans étiquettes d’action pendant l’entraînement préalable.
Comment les performances de Photon-1 se comparent-elles à celles de Google Gemini 3.1 Flash-Lite ?
Induction Labs affirme que Photon-1 surpasse Gemini 3.1 Flash-Lite de Google sur des benchmarks internes d’utilisation d’ordinateur, malgré un entraînement avec au moins 30 fois moins de calcul. La société indique un coût d’inférence de 0,11 $ par million de tokens, contre 0,36 $ pour Gemini. Le benchmark est interne et non publié, et l’estimation de calcul de Gemini est une projection propre d’Induction Labs.
Quels développements de modèles de monde ont eu lieu en 2026 ?
En mai, Google DeepMind a publié Genie 3, un modèle de monde interactif en temps réel générant des environnements 3D persistants à 24 images par seconde. La plateforme Cosmos de NVIDIA a dépassé deux millions de téléchargements et est adoptée par des entreprises de robotique, dont 1X, Figure AI et Agility. Marble de World Labs de Fei-Fei Li a été lancé pour créer des mondes 3D éditables. Les AMI Labs de Yann LeCun ont levé 500 millions d’euros pour poursuivre des architectures de type JEPA.
