Maison
Une équipe universitaire met fin au monopole des géants de la technologie grâce à SFT ; OpenSeeker-v2 arrive en tête du classement des moteurs de recherche
Dans le paysage en constante évolution des grands modèles linguistiques (LLM), les capacités de recherche approfondie sont devenues l’atout décisif des agents intelligents avancés. Pourtant, ce domaine a longtemps été dominé par des géants du secteur disposant de moyens financiers considérables. Les approches de développement conventionnelles reposent généralement sur des pipelines gourmands en ressources, qui englobent le pré-entraînement, le pré-entraînement continu (CPT), le réglage fin supervisé (SFT) et l’apprentissage par renforcement (RL).
Une équipe de chercheurs universitaires a récemment dévoilé ses derniers travaux, OpenSeeker-v2, qui remettent fondamentalement en cause cette vision établie. Selon leur rapport, l’entraînement sur des trajectoires de tâches de haute qualité et à haut niveau de difficulté permet même à une approche simple de réglage fin supervisé (SFT) de produire un agent de recherche de premier plan.

L’équipe a défini trois stratégies d’optimisation clés pour la synthèse de données : premièrement, l’extension du graphe de connaissances afin de créer un espace d’exploration plus vaste ; deuxièmement, l’élargissement substantiel du répertoire d’outils pour repousser les limites fonctionnelles ; et enfin, l’application d’un filtrage strict à faible nombre d’étapes pour garantir la qualité et l’efficacité des données d’entraînement.
Les résultats expérimentaux révèlent qu’OpenSeeker-v2 (avec 30 milliards de paramètres et une architecture ReAct), entraîné sur seulement 10 600 points de données, a affiché des performances impressionnantes sur quatre benchmarks principaux : il a obtenu un score de 46,0 % sur BrowseComp, 58,1 % sur BrowseComp-ZH, 34,6 % sur « Humanity’s Last Exam » et 78,0 % sur xbench. Ces chiffres ont non seulement établi de nouveaux records, mais ont également largement surpassé les modèles industriels s’appuyant sur des pipelines lourds combinant CPT, SFT et RL — tels que Tongyi DeepResearch.

Il est frappant de constater qu’il s’agit du premier agent de recherche de pointe (SOTA) développé par une équipe entièrement universitaire en utilisant uniquement le SFT, à une échelle et avec une architecture de modèle identiques. L’équipe a désormais mis en open source les poids du modèle OpenSeeker-v2. Cette avancée réduit considérablement les obstacles à la R&D pour les agents de recherche avancés et offre une voie de développement plus accessible et plus légère tant pour la communauté universitaire que pour celle de l’open source.
Article : https://arxiv.org/pdf/2605.04036
Article connexe
Meta supprime la fonction de retouche photo par IA suite aux critiques des utilisateurs
Meta, le géant des réseaux sociaux, est une fois de plus au cœur d’un débat public concernant l’équilibre délicat entre l’intelligence artificielle et la vie privée des utilisateurs. Selon TechCrunch, les Superintelligence Labs de Meta ont présenté u
PDG de DeepMind, Hassabis : Je dors six heures par jour et je me sens généralement plein d’énergie vers 1 h du matin.
Fortune a récemment publié une interview avec Demis Hassabis, PDG de Google DeepMind, révélant son approche non conventionnelle du repos et de la productivité. Hassabis a divulgué qu’il dort très peu, structurant ses heures d’éveil en deux blocs de t
OpenAI et Anthropic se disputent des parts de marché malgré des résultats en deçà des attentes
Bien que des informations récentes laissent entendre qu’OpenAI n’aurait pas atteint ses objectifs de chiffre d’affaires, ce qui a pesé sur les valeurs technologiques ce mardi, les investisseurs privés
Recommandations de sujets spéciaux liés
commentaires (0)
Dans le paysage en constante évolution des grands modèles linguistiques (LLM), les capacités de recherche approfondie sont devenues l’atout décisif des agents intelligents avancés. Pourtant, ce domaine a longtemps été dominé par des géants du secteur disposant de moyens financiers considérables. Les approches de développement conventionnelles reposent généralement sur des pipelines gourmands en ressources, qui englobent le pré-entraînement, le pré-entraînement continu (CPT), le réglage fin supervisé (SFT) et l’apprentissage par renforcement (RL).
Une équipe de chercheurs universitaires a récemment dévoilé ses derniers travaux, OpenSeeker-v2, qui remettent fondamentalement en cause cette vision établie. Selon leur rapport, l’entraînement sur des trajectoires de tâches de haute qualité et à haut niveau de difficulté permet même à une approche simple de réglage fin supervisé (SFT) de produire un agent de recherche de premier plan.

L’équipe a défini trois stratégies d’optimisation clés pour la synthèse de données : premièrement, l’extension du graphe de connaissances afin de créer un espace d’exploration plus vaste ; deuxièmement, l’élargissement substantiel du répertoire d’outils pour repousser les limites fonctionnelles ; et enfin, l’application d’un filtrage strict à faible nombre d’étapes pour garantir la qualité et l’efficacité des données d’entraînement.
Les résultats expérimentaux révèlent qu’OpenSeeker-v2 (avec 30 milliards de paramètres et une architecture ReAct), entraîné sur seulement 10 600 points de données, a affiché des performances impressionnantes sur quatre benchmarks principaux : il a obtenu un score de 46,0 % sur BrowseComp, 58,1 % sur BrowseComp-ZH, 34,6 % sur « Humanity’s Last Exam » et 78,0 % sur xbench. Ces chiffres ont non seulement établi de nouveaux records, mais ont également largement surpassé les modèles industriels s’appuyant sur des pipelines lourds combinant CPT, SFT et RL — tels que Tongyi DeepResearch.

Il est frappant de constater qu’il s’agit du premier agent de recherche de pointe (SOTA) développé par une équipe entièrement universitaire en utilisant uniquement le SFT, à une échelle et avec une architecture de modèle identiques. L’équipe a désormais mis en open source les poids du modèle OpenSeeker-v2. Cette avancée réduit considérablement les obstacles à la R&D pour les agents de recherche avancés et offre une voie de développement plus accessible et plus légère tant pour la communauté universitaire que pour celle de l’open source.
Article : https://arxiv.org/pdf/2605.04036
Meta supprime la fonction de retouche photo par IA suite aux critiques des utilisateurs
Meta, le géant des réseaux sociaux, est une fois de plus au cœur d’un débat public concernant l’équilibre délicat entre l’intelligence artificielle et la vie privée des utilisateurs. Selon TechCrunch, les Superintelligence Labs de Meta ont présenté u
PDG de DeepMind, Hassabis : Je dors six heures par jour et je me sens généralement plein d’énergie vers 1 h du matin.
Fortune a récemment publié une interview avec Demis Hassabis, PDG de Google DeepMind, révélant son approche non conventionnelle du repos et de la productivité. Hassabis a divulgué qu’il dort très peu, structurant ses heures d’éveil en deux blocs de t
OpenAI et Anthropic se disputent des parts de marché malgré des résultats en deçà des attentes
Bien que des informations récentes laissent entendre qu’OpenAI n’aurait pas atteint ses objectifs de chiffre d’affaires, ce qui a pesé sur les valeurs technologiques ce mardi, les investisseurs privés











