Le 14 mars dernier, TypeSafe AI a lancé Jev sans faire de vagues. Pas de communiqué tapageur, pas de démonstration spectaculaire. Juste un modèle d’IA qui, selon ses créateurs, résout deux problèmes majeurs des grands modèles actuels : il est 10 fois plus rapide que Llama 3 et 10 fois moins cher à entraîner. Et surtout, il ne ment pas. Enfin, presque jamais. La promesse ? Des hallucinations divisées par 100. Un chiffre qui claque quand on sait que même les modèles les plus chouchoutés, comme GPT-4, en produisent encore des tonnes, malgré des milliards de dollars investis en amont.
Pourtant, personne ne s’arrache Jev. Pas encore. Les géants du secteur, eux, continuent de parier sur des architectures toujours plus gourmandes en données, en énergie et en calcul. Pourquoi ? Parce que Jev ne joue pas selon les règles du jeu. Il ne se contente pas de réduire les coûts ou d’accélérer les réponses. Il bouscule la donne en remettant en cause l’hypothèse centrale de l’IA moderne : plus un modèle est gros, plus il est puissant. Or, Jev pèse seulement 7 milliards de paramètres, contre 70 à 400 pour ses concurrents directs. À titre de comparaison, Mistral Large en compte 123. Et ça marche. Du moins, sur le papier.
Pourquoi les géants ignorent Jev, et ce que ça révèle
Les labs d’IA comme Meta, Google ou Mistral misent sur des modèles massifs, avec des budgets d’entraînement qui frôlent le milliard de dollars. Leur argument ? La taille, c’est la puissance. Plus un modèle a de données, plus il généralise bien. Sauf que Jev prouve que ce n’est pas une loi immuable. Ses créateurs ont opté pour une approche minimaliste mais ciblée : au lieu de noyer le modèle dans des montagnes de texte brut, ils lui ont injecté des données structurées et nettoyées, avec des règles strictes pour limiter les dérives. Résultat : moins d’hallucinations, moins de calculs inutiles, et une facture bien plus légère.
Pourtant, les géants ne bronchent pas. Pourquoi ? Parce que Jev ne s’intègre pas dans leur stratégie. Un modèle rapide et précis, mais petit ? Ça ne justifie pas des data centers géants, des clusters de serveurs et des équipes de milliers d’ingénieurs. Ça ne vend pas non plus des abonnements premium à 20 dollars par mois. Bref, ça ne fait pas rêver les actionnaires.
Il y a aussi un problème technique : Jev est optimisé pour des tâches précises. Vous voulez qu’il résume un rapport financier ? Parfait. Qu’il génère du code ? Très bien. Mais demandez-lui de tenir une conversation naturelle sur des sujets abstraits, et il va trébucher. Les géants, eux, misent sur des modèles polyvalents, même si ça signifie avaler des coûts faramineux et tolérer des erreurs.
Les hallucinations, ce fléau qui coûte cher, et que Jev attaque
En 2023, une étude de l’Université de Stanford a estimé que 40 % des réponses générées par les grands modèles contenaient des informations erronées ou inventées. 40 %. Un chiffre qui n’a pas bougé depuis. Pire : ces erreurs ont un coût réel. Dans la santé, une hallucination peut coûter des vies. Dans la finance, des millions. Même dans le grand public, ça use la crédibilité. Pourtant, personne ne semble pressé de régler le problème.
Pourquoi ? Parce que corriger les hallucinations, c’est compliqué. Les modèles actuels sont comme des enfants surdoués mais instables : ils retiennent des faits, mais les mélangent, les déforment, ou les inventent. La solution classique ? Ajouter plus de données, plus de calculs, plus de couches de modération. Sauf que ça ne marche pas à 100 %. Et ça alourdit encore le modèle.
Jev, lui, prend le problème à l’envers. Au lieu de supprimer les hallucinations, il les contient. Comment ? En limitant la créativité du modèle. Pas de métaphores floues, pas de spéculations hasardeuses, pas de généralisations hâtives. Juste des réponses **précises, même si elles sont moins
