Le chatbot qui répond en un tour de parole, c’est déjà le passé. Place aux agents long-horizon (capables de raisonner et d’agir sur des dizaines d’étapes successives). Mais cette promesse a un coût caché que NVIDIA prétend justement faire fondre.
Avec Nemotron 3 Ultra, un modèle ouvert dévoilé le 4 juin, le fabricant de puces ne vend pas seulement de la puissance brute. Il vend une discipline : raisonner mieux, mais en consommant moins.
Pourquoi les agents IA finissent par coûter cher
Le problème est mécanique. Un agent planifie, appelle des outils, invoque des sous-agents, reçoit des informations, puis réinjecte sans cesse son historique et ses étapes de raisonnement dans le modèle. Plus la tâche dure, plus cette conversation interne enfle.
Le résultat ? Le nombre de tokens (les unités de texte qu’un modèle consomme) explose. Et avec lui, la facture et le risque de goal drift — cette dérive où l’agent, noyé sous son propre bavardage, perd de vue l’objectif initial.
La parade défendue par NVIDIA n’est pas un modèle unique et tout-puissant. C’est une division du travail : des modèles de pointe pour l’orchestration et la planification complexe, des modèles efficaces pour l’exécution à haut volume, la validation et les appels d’outils. Nemotron 3 Ultra vise la première catégorie.
550 milliards de paramètres, mais pas tous en même temps
Sur le papier, le chiffre impressionne : 550 milliards de paramètres. Dans les faits, seuls 55 milliards sont actifs à chaque appel. C’est l’architecture dite Mixture-of-Experts (un mélange d’experts spécialisés dont une fraction seulement s’active selon la requête).
L’intérêt est limpide. La plupart des appels dans un flux agentique sont routiniers ; un sous-ensemble critique exige un raisonnement profond. Nemotron 3 Ultra est pensé pour ces décisions difficiles : tenir une décision d’architecture sur toute une session de programmation, synthétiser des preuves contradictoires issues de centaines de sources, ou vérifier une conception de puce sur des milliers de contraintes.
NVIDIA avance des résultats de référence qui le situent au niveau des meilleurs modèles ouverts, parfois en tête :
- 91 % sur PinchBench (productivité d’agent), à égalité avec le meilleur concurrent cité.
- 82 % sur IFBench (suivi d’instructions), devant ses rivaux.
- 95 % sur Ruler à 1 million de tokens de contexte, là où plusieurs concurrents plafonnent à 256 000.
- En revanche, 54 % seulement sur Terminal-Bench 2.0 (programmation en terminal), derrière des modèles comme Kimi K2.6 à 67 %.
La leçon ? Nemotron 3 Ultra n’est pas le meilleur partout. Il est calibré pour orchestrer, pas pour gagner chaque épreuve isolée.
La vraie promesse, c’est la vitesse et le coût
Car le pari de NVIDIA ne se joue pas sur la seule précision. Il se joue sur le rendement. Le modèle revendique un débit cinq fois supérieur aux autres modèles ouverts de sa catégorie, mesuré sur le classement de l’Artificial Analysis Intelligence Index.
Cinq fois plus vite, cela veut dire des agents qui bouclent leurs tâches plus tôt. Mais l’argument économique est tout aussi central. Sur les épreuves SWE-bench et Terminal-Bench 2.0, le modèle a terminé en utilisant moins de tokens au total et moins de tokens par tour que les modèles comparables. NVIDIA en déduit une baisse du coût des tâches agentiques pouvant atteindre 30 %.
Trente pour cent sur une infrastructure qui tourne en continu, ce n’est pas un détail comptable. C’est ce qui sépare un prototype d’un déploiement viable.
Ce qui se cache sous le capot
Comment concilier capacité de raisonnement et efficacité, deux exigences qui se contredisent habituellement ? NVIDIA mise sur quelques choix d’architecture.
D’abord, un post-entraînement spécifiquement pensé pour les harnais d’agents — l’environnement logiciel dans lequel un agent planifie, appelle des outils, lit des observations, délègue à des sous-agents, valide ses sorties et se relève de ses erreurs. Le modèle a été affiné avec les bibliothèques ouvertes NeMo RL et Gym, sur l’un des plus vastes ensembles de données de résolution de tâches et d’usage d’outils au monde. Il est optimisé pour le travail multi-tours, pas pour la conversation isolée.
Ensuite, une architecture hybride Mamba-Transformer. Les couches Mamba améliorent l’efficacité sur les longues séquences ; les couches Transformer préservent la capacité de rappel précis quand l’agent doit retrouver un fait exact dans une immense fenêtre de contexte. À cela s’ajoute la précision NVFP4, un format de calcul allégé.
Le tout converge vers une même idée : ce n’est pas la taille du modèle qui compte, c’est sa tenue dans la durée.
Un modèle ouvert suffira-t-il à faire la différence ?
Le geste mérite d’être souligné : Nemotron 3 Ultra est un modèle ouvert. Dans un paysage où les laboratoires verrouillent leurs poids, NVIDIA choisit de mettre son orchestrateur entre les mains des développeurs. Sa fenêtre d’un million de tokens, par exemple, le hisse au niveau des références propriétaires comme Gemini 2.5 Pro (Google) ou Claude Sonnet (Anthropic), qui atteignent désormais le même seuil — à la différence près que Nemotron, lui, est librement téléchargeable. Stratégie d’écosystème autant que de générosité : vendre des puces suppose des modèles qui les font tourner.
Pour autant, les chiffres avancés restent ceux du constructeur, sur des bancs d’essai qu’il a lui-même sélectionnés. Le verdict appartiendra aux équipes qui le brancheront sur leurs propres flux agentiques, là où les promesses de débit et d’économie se confrontent au réel.
La question n’est donc pas de savoir si Nemotron 3 Ultra raisonne bien. C’est de savoir s’il tiendra sa cadence quand un agent enchaînera, non pas dix tours, mais mille — sans perdre le fil ni faire exploser la note.
