Intermédiaire·2 min·23 août 2026

Inherent sort du bois : son IA égale Claude et GPT-5.5 avec 27 milliards de paramètres

🎧 Résumé audio0:00 / 0:00

Une startup DeepMind lance une IA 100 fois plus petite qui égale les géants sur la réplication scientifique.

Pourquoi ça compte pour toi

Inherent vient de démontrer qu'une équipe de 12 personnes à Londres peut faire mieux avec moins — c'est le genre de démonstration concrète qui remet en question la course aux méga-modèles. Pour toi entrepreneur ou créateur, ça signifie que la taille du cerveau IA ne fera peut-être bientôt plus la différence : ce qui compte, c'est comment tu l'entraînes. Et pour les talents tech français qui regardent Londres, c'est un signal qu'il y a de vrais projets ambitieux en dehors de la Silicon Valley.

Ce qu'il faut retenir

1.Faraday (sur Qwen 27B) égale Claude Opus et GPT-5.5 à la réplication de papiers scientifiques, sans qu'on lui dise la réponse
2.Le secret : le reinforcement learning et le « goût de la recherche » — apprendre au modèle à choisir les expériences pertinentes, pas juste à copier
3.Inherent refuse de tout réinventer (code via GPT-5.5, pas de modèle maison) : elle mise sur l'orchestration et l'entraînement

Tu galères avec le jargon ?

Lis la version réécrite en mode débutant — toutes les idées, sans le jargon.

Pourquoi c'est différent des autres « speedruns » de modèles

Tu entends souvent parler de startups qui prétendent battre GPT avec 3 fois moins de paramètres. Généralement, c'est du marketing : ils testent sur un benchmark très spécifique, ou ils trichent sur la méthodologie.

Là, Inherent change de sujet. L'équipe s'en fout de battre Claude ou OpenAI au jeu de la taille. Edward Hughes, cofondateur et directeur scientifique, est clair : « Ce qui nous a fascinés, ce n'est pas tant le résultat que la manière d'y arriver. »

L'ingrédient secret : le goût scientifique

Reproduire un papier scientifique, c'est pas juste : « fais les mêmes calculs. » C'est comprendre pourquoi chaque étape compte, quelles expériences feraient avancer le truc, où appliquer la rigueur.

Inherent appelle ça le « goût de la recherche » — l'intuition de ce qui vaut la peine d'explorer. Ils ne l'enseignent pas par des règles explicites, mais via reinforcement learning : Faraday reçoit une récompense quand elle conçoit une bonne expérience, pas quand elle répète bêtement.

Ça ressemble à l'inverse du prompt engineering. Au lieu de crier des ordres, tu enseignes au modèle à penser comme un chercheur.

Pourquoi c'est un signal pour la suite

Si un modèle 27 fois plus petit peut égaler GPT-5.5 sur une tâche complexe, grâce à un entraînement plus malin, ça craque le mythe : la course aux méga-paramètres n'est pas l'unique chemin.

Pour Inherent, c'est juste le chemin de ronde. La vraie ambition ? Construire une IA scientifique capable de découvrir de nouveaux trucs, pas juste vérifier les vieux.

Cet été 2026, on n'y est pas encore. Mais l'équipe est passée de la discrétion totale à « on a quelque chose » en quelques semaines. Ils veulent porter leurs effectifs de 12 à 20-25 d'ici fin d'année, ce qui suggère qu'ils savent où ils vont.

Le détail qui dit tout

Inherent n'a pas construit sa propre fonction de codage. Elle utilise GPT-5.5 Codex — comme un vrai scientifique emprunterait un microscope au lieu de l'inventer.

C'est bête, mais ça révèle la philosophie : pas de syndrome du tout-faire soi-même, pas d'obsession à tout posséder. Juste : quels outils existent, comment les combiner intelligemment ?

Et concrètement pour toi ?

Choisis ton profil — la lecture de l'article change selon qui tu es.

🔭 Curieux

Pour toi, le vrai story c'est que la course folle « qui a le plus gros modèle » ralentit : une petite équipe intelligente + une bonne méthode d'entraînement peut faire aussi bien avec 27 milliards de paramètres qu'avec les géants à 500 milliards. L'IA devient plus démocratique, pas moins.

Essayer maintenant

Suivre Inherent et ses travaux →

Source