← Retour au blog
AiEnviron 8 min de lecture

Un modèle ouvert de 397B pilote désormais votre bureau. Celui de 9B n'est qu'à neuf points.

Publié le 7 nov. 2026
Un modèle ouvert de 397B pilote désormais votre bureau. Celui de 9B n'est qu'à neuf points.

NorthCUA est sorti le 3 novembre avec trois modèles à poids ouverts et le harness qui les fait tourner. Le chiffre en tête est Pro, un système mixture-of-experts de 397B paramètres qui obtient 88 sur OSWorld-Verified, un benchmark où un agent doit accomplir des tâches en plusieurs étapes dans un vrai système d'exploitation : déplacer des fichiers, changer d'application, remplir des formulaires, lire un écran et décider où cliquer ensuite.

Le chiffre qui mériterait plus d'attention, c'est 78.9. C'est Nano, à 9B paramètres.

Neuf points d'écart au benchmark pour un facteur 44 de taille de modèle. Mini se situe au milieu, à 35B et 85 points. Sur WebArena-Verified, le benchmark de navigation web, l'écart est tout aussi resserré.

Ce que le benchmark mesure vraiment

OSWorld-Verified donne une tâche et une machine virtuelle à un agent, et note si l'état final correspond. C'est plus proche du vrai travail qu'un QCM, et plus loin du vrai travail qu'il n'y paraît. Les tâches sont bien spécifiées, l'environnement est propre, et rien d'inattendu ne vient interrompre.

Un score de 88 veut dire qu'environ 12 pour cent des tâches échouent. C'est un bon résultat pour un système de recherche et un mauvais résultat pour un produit qui touche à vos fichiers. Si un agent se trompe une fois sur huit, et que certaines de ces erreurs consistent à supprimer la mauvaise chose ou à cliquer sur le mauvais bouton, personne ne va le laisser sans surveillance sur un portable de travail.

C'est la lecture honnête de la sortie, et il faut créditer les auteurs : le rapport technique n'en fait pas trop. Il ne publie pas non plus de scores absolus pour chaque comparaison, présentant les résultats des modèles fermés comme des verdicts plutôt que des tableaux : Pro bat Qwen3.8-Max et Kimi-K3 sur OSWorld, Mini bat Kimi-K3, et sur WebArena Mini bat Qwen3.8-Max tandis que Pro bat les deux.

Ce sont les évaluations des auteurs sur leur propre jeu de tâches. À prendre comme une affirmation, pas comme une position au classement.

Comment il a été entraîné

Trois pièces, et le nommage est d'une littéralité inhabituelle.

L'Experience Flywheel fournit des tâches exécutables tirées d'un usage réel des applications. L'intérêt, c'est que les tâches viennent avec leur ground truth, parce qu'on peut vérifier si le tableur a été correctement rempli.

Le Harness tient ensemble une longue interaction : il enregistre les décisions, renvoie les observations et valide les résultats sur des sessions qui durent bien plus longtemps qu'une fenêtre de contexte. Chaque trajectoire a été collectée dans un sandbox E2B isolé, ce qui veut aussi dire que les données d'entraînement sont reproductibles et que le modèle n'a jamais vu une machine réelle qu'il pourrait casser.

Staged Learning, c'est le planning. Ça commence par un mid-training de grounding, qui apprend au modèle à quoi ressemblent un bouton et un champ de texte. Ensuite du fine-tuning supervisé longue portée sur des trajectoires complètes. Puis de l'apprentissage par renforcement conjoint sur desktop et web avec Group-Relative Policy Optimization, la même famille de méthodes derrière la plupart des gains récents des modèles de raisonnement.

L'échelle, c'est plus de 4 millions d'étapes d'interaction GUI sur des dizaines d'applications. C'est beaucoup pour des données GUI et peu face aux corpus de texte derrière un modèle de langage de frontière, ce qui est exactement la condition dans laquelle la spécialisation gagne.

La variante Ultrafast est l'artefact le plus intéressant

NorthCUA-Ultrafast associe sélection directe d'action et génération, en tournant sur le modèle Nano d'avant le RL. En clair, il saute l'étape de raisonnement et fait correspondre observation et action par des raccourcis appris, avec retour à la réflexion quand le raccourci n'est pas confiant.

Le rapport lui attribue une complétion moyenne 2.3 fois plus rapide sur des tâches WebArena réussies et appariées. Mêmes tâches, même succès, moins de la moitié du temps réel.

C'est la forme du problème de déploiement des agents computer-use, et ce n'est pas la forme que la plupart des gens imaginent. Le taux de réussite attire l'attention. La latence, elle, détermine si un humain va vraiment regarder l'agent travailler ou quitter la pièce. Une tâche qui prend quatre minutes et réussit 85 pour cent du temps, c'est un outil. La même tâche en 100 secondes, c'est une fonctionnalité.

Ça dit aussi quelque chose sur l'endroit où l'intelligence doit vivre. Si un modèle 9B avec des raccourcis est presque aussi bon qu'un 397B qui réfléchit fort, alors pour une large classe de tâches desktop, le goulot n'a jamais été la profondeur du raisonnement. C'était la qualité du grounding et la couverture des données, et c'est moins cher à améliorer.

Pourquoi les poids ouverts comptent plus ici qu'ailleurs

Un agent computer-use voit votre écran. Chaque capture peut contenir une fiche client, un champ de mot de passe, un produit non annoncé, un tableau de bord interne. Envoyer ce flux à une API distante est une décision de gouvernance des données. Pour pas mal d'organisations, c'est une décision qu'elles n'ont pas le droit de prendre.

C'est sur cette contrainte de gouvernance, plutôt que sur la capacité brute, que se vend cette sortie. Les hôpitaux, banques, contractants publics et industriels qui veulent de l'automatisation desktop sans faire passer leurs captures d'écran par un tiers ont maintenant trois tailles au choix, plus le harness, et pas de frais de licence logicielle.

Le conseil pratique qui suit est ennuyeux et juste. Commencez par Nano sur les trois tâches que vous faites le plus souvent : remplir un formulaire, exporter un rapport, déplacer des données entre deux applications. S'il y arrive, Mini tient le volume de production sur un seul GPU de datacenter. Pro existe pour trouver le plafond, et si votre problème de plafond n'est pas résolu par Pro, le problème est votre conception de tâche, pas le modèle.

Trois tailles, c'est une décision de prix

Livrer 9B, 35B et 397B dans une seule sortie, c'est une façon de laisser les clients se trier eux-mêmes.

Trois cubes de céramique blanche mate de tailles différentes sur du lin clair, sous une lumière douce venant du haut.

9B paramètres tiennent sur un portable ou un mini PC. C'est la version qu'une petite entreprise d'un pays où l'egress cloud coûte cher peut faire tourner, et c'est la version qui rend cette sortie pertinente en dehors des quelques marchés habituels. 35B tiennent sur un GPU de datacenter, le palier où atterriront la plupart des déploiements de production. 397B existent pour établir que l'architecture passe à l'échelle, et pour être cités dans l'abstract.

Le rapport façon arXiv fait quelque chose de similaire avec son évaluation. Il se compare à des modèles fermés à mille milliards de paramètres plutôt qu'à des pairs ouverts, parce que la comparaison qui est citée est celle qu'on gagne. Un lecteur qui veut savoir ce que Nano vaut face à un modèle vision-langage 32B bien réglé ne le trouvera pas ici.

Rien de tout ça ne rend les chiffres faux. Ça les rend étroits, et le geste utile pour un acheteur est d'ignorer le titre et de tester le palier qu'il peut payer.

La partie que personne n'a résolue

Douze pour cent d'échec, c'est une statistique. Derrière, il y a des comportements précis que tous les systèmes computer-use partagent.

Ils lisent mal l'état. Un agent clique une case déjà cochée, et l'étape suivante suppose qu'il vient de l'activer. Ils perdent la trace de la fenêtre qui a le focus. Ils rejouent une action partiellement réussie et doublent l'effet. Et ils n'ont aucune notion d'irréversibilité, donc la même confiance s'applique à ouvrir un menu et à appuyer sur envoyer pour un mail à quatre cents personnes.

Rien dans cette sortie ne traite ça. L'atténuation est architecturale : faire tourner l'agent dans un conteneur, prendre un snapshot avant chaque étape irréversible, exiger une confirmation humaine sur une liste d'actions définie, et journaliser chaque clic avec une capture d'image pour qu'un échec puisse être diagnostiqué.

Les poids ouverts rendent cette architecture moins chère à construire, et c'est le vrai argument en leur faveur. Une API fermée vous force à faire confiance à la couche de sécurité du fournisseur. Un checkpoint ouvert vous laisse mettre votre propre clôture autour.

Les neuf points entre 9B et 397B disent quelque chose sur les deux prochaines années de ce marché. Les modèles vont s'améliorer lentement, et les produits se construiront autour du palier qui est assez bon à un coût qui tient. Si Nano suffit à votre flux de travail aujourd'hui, l'ingénierie intéressante est dans le harness que vous construisez autour du modèle que vous avez déjà.

Articles associés