Wu Dao 3.0: la famille de modèles d'IA multimodaux de la Chine
Lorsque les États-Unis ont coupé l’accès de la Chine aux puces avancées, la Beijing Academy of Artificial Intelligence a dû choisir : se plaindre des restrictions ou les contourner. Elle a choisi la deuxième option.
Wu Dao 3.0, lancé en juillet 2023, jette le manuel aux oubliettes. Plus de modèles massifs à mille milliards de paramètres en quête de gros titres. À la place, BAAI construit désormais des modèles compacts que les startups chinoises peuvent réellement exécuter sans avoir besoin d’un entrepôt plein de GPU.
Pourquoi BAAI a changé de cap
Wu Dao 2.0 a fait la une en 2021 avec 1.75 mille milliards de paramètres, prétendant rivaliser avec GPT-3. Deux ans plus tard, BAAI a discrètement abandonné cette approche. Les raisons sont les suivantes :
- Les sanctions américaines sur les puces ont limité l’accès aux GPU avancés
- Les coûts d’entraînement des méga-modèles sont devenus prohibitifs
- La politique du gouvernement chinois s’est orientée vers les applications pratiques plutôt que vers les projets de prestige
- La réalité du marché a montré que la plupart des entreprises ont besoin d’outils spécialisés, et non de géants généralistes
La nouvelle stratégie : construire une collection de modèles plus petits (appelés Aquila) qui fonctionnent ensemble. Pensez microservices plutôt que monolithes.
Wu Dao 3.0 expliqué
Wu Dao 3.0 n’est pas un modèle unique. C’est un écosystème d’outils d’IA spécialisés publiés sous la marque Aquila :
AquilaChat : modèles de dialogue
Deux tailles sont disponibles :
- 7 milliards de paramètres : rivalise avec LLaMA 7B et les modèles open source similaires
- 33 milliards de paramètres : vise des conversations plus complexes
Les deux ont été entraînés sur des textes en chinois (40 %) et en anglais (60 %). La version plus petite fonctionne sur du matériel grand public ; vous n’avez pas besoin d’un centre de données.
BAAI affirme qu’AquilaChat 7B surpasse les modèles internationaux comparables, bien que les benchmarks indépendants restent limités.
Les origines : comment Wu Dao a commencé
Le développement a commencé en octobre 2020, plusieurs mois après la sortie de GPT-3. Le nom Wu Dao (悟道) se traduit par « route vers la conscience » en chinois, un nom ambitieux pour un projet ambitieux.
Wu Dao 1.0 a été lancé le 11 janvier 2021, avec quatre modèles spécialisés travaillant ensemble. Chacun gérait des tâches différentes : Wen Yuan (2.6 milliards de paramètres) se concentrait sur les réponses aux questions et la correction grammaticale. Wen Lan (1 milliard de paramètres) générait des légendes d’images à l’aide de 50 millions de paires d’images. Wen Hui (11.3 milliards de paramètres) écrivait des poèmes, créait des vidéos et gérait le raisonnement complexe. Wen Su, construit sur le BERT de Google, prédisait des structures protéiques similaires à AlphaFold.
Puis vint Wu Dao 2.0 le 31 mai 2021. BAAI a fait la une, revendiquant 1.75 mille milliards de paramètres, dix fois plus que les 175 milliards de GPT-3. Les médias l’ont qualifié de « plus grand système d’IA linguistique à ce jour ». Les commentateurs y ont vu la tentative de la Chine de rivaliser directement avec la domination américaine de l’IA.
La réalité des données d’entraînement
Wu Dao 2.0 a utilisé 4.9 téraoctets d’images et de texte, 1.2 To de chinois, 1.2 To d’anglais, plus des données d’images. GPT-3 a été entraîné sur 45 téraoctets de texte seulement. Wu Dao avait dix fois plus de paramètres, mais moins d’un dixième des données d’entraînement.
Le dataset WuDao Corpora pour la version 2.0 contenait 3 To de texte web, 90 To de données graphiques (630 millions de paires texte/image) et 181 Go de dialogue en chinois proxy 1.4 milliard de tours de conversation.
Ce décalage entre le nombre de paramètres et les données d’entraînement laissait entrevoir quelque chose d’important : Wu Dao 2.0 utilisait une architecture différente appelée Mixture-of-Experts (MoE). Contrairement au modèle « dense » de GPT-3, où tous les paramètres s’activent pour chaque tâche, les modèles MoE activent les experts pertinents pour chaque entrée. Cela nécessite moins de puissance de calcul pour l’entraînement, mais la recherche a montré que les modèles MoE à mille milliards de paramètres offrent des performances comparables à celles de modèles denses des centaines de fois plus petits.
Wu Dao 2.0 utilisait spécifiquement FastMoE, développé par l’université Tsinghua/BAAI. C’était une ingénierie astucieuse face aux limites matérielles, bien que le marketing de BAAI mette plutôt l’accent sur le nombre brut de paramètres.
AquilaCode : génération de texte vers code
Encore en développement. Les premières versions peuvent générer :
- Des algorithmes de base (suites de Fibonacci, tri)
- Des jeux simples
- Des scripts utilitaires
Pas encore au niveau des capacités de codage de GitHub Copilot ou de GPT-4, mais en progression. BAAI cible les développeurs qui ont besoin de génération de code dans des contextes techniques chinois.
Série vision de Wu Dao
Une collection de modèles de vision par ordinateur, et non un système unique :
EVA (1 milliard de paramètres) : se concentre sur l’apprentissage de représentations visuelles. Entraîné sur des datasets publics, atteignant de nouveaux benchmarks en :
- Reconnaissance d’images
- Détection d’actions vidéo
- Détection d’objets
- Tâches de segmentation
Open source, contrairement aux concurrents qui gardent leurs modèles de vision propriétaires.
- EVA-CLIP : BAAI affirme qu’il s’agit de la meilleure alternative open source à CLIP disponible. Il gère l’appariement image-texte pour la recherche et la récupération.
- Painter : implémente l’apprentissage visuel « en contexte », on lui montre des exemples et il apprend de nouvelles tâches visuelles sans réentraînement. De façon similaire à l’apprentissage en contexte de GPT-3 pour le texte.
- vid2vid-zero : outil de montage vidéo zero-shot. Modifiez des vidéos à partir de descriptions textuelles sans entraînement sur des datasets spécialisés de montage vidéo.
- Emu (modèles multimodaux) : gère à la fois les images et le texte dans un seul modèle. Les cas d’usage incluent le sous-titrage d’images, la réponse à des questions visuelles et la génération de contenu.
FlagOpen : la couche d’infrastructure
BAAI a également amélioré la plateforme FlagOpen, lancée début 2023. Ce système offre des techniques d’entraînement parallèle, une inférence plus rapide, des outils d’évaluation et des utilitaires de traitement des données, fournissant essentiellement tout ce qui est nécessaire pour développer de grands modèles d’IA. 1
Lorsque Wu Dao 2.0 a fait ses débuts à la conférence Beijing Zhiyuan, ses créateurs ont présenté des poèmes et des dessins chinois générés par lui.2 À la suite de cet événement, une étudiante virtuelle a été créée à partir du modèle d’IA de Wu Dao, Zhibing Hua. Wu Dao alimente l’étudiante virtuelle. Elle peut donc utiliser sa base de connaissances et ses capacités d’apprentissage pour écrire des poèmes, dessiner et composer de la musique.
Bien que ces fonctionnalités ne soient pas mises en avant pour Wu Dao 3.0, elles méritent d’être mentionnées si vous envisagez d’utiliser Wu Dao 2.0 pour votre entreprise au lieu de Wu Dao 3.0.
Figure 1 : poèmes générés par Wu Dao 2.02
Benchmarks d’intelligence
Bien que les benchmarks d’intelligence de Wu Dao 3.0 ne soient pas facilement disponibles, dépasser les niveaux de l’état de l’art (SOTA) constitue la norme du secteur. Vous pouvez accéder aux benchmarks d’intelligence de Wu Dao 2.0 à partir du communiqué de presse de BAAI.3
Benchmarks d’apprentissage zero-shot
- ImageNet : atteint des performances zero-shot à l’état de l’art, surpassant CLIP d’OpenAI.
- UC Merced Land-Use : enregistre la meilleure précision zero-shot en classification aérienne de l’utilisation des sols, surpassant CLIP.
Benchmark d’apprentissage few-shot
- SuperGLUE (FewGLUE) : surpasse GPT-3, obtenant les meilleurs résultats d’apprentissage few-shot.
Benchmarks de connaissances et de compréhension du langage
- LAMA Knowledge Detection : démontre une récupération de connaissances factuelles supérieure, surpassant AutoPrompt.
- LAMBADA Cloze Test : dépasse Microsoft Turing-NLG en compréhension de lecture et en compréhension du contexte.
Benchmarks de récupération texte-image et image-texte
- MS COCO (génération texte-image) : surpasse DALL·E d’OpenAI dans la génération d’images à partir de descriptions textuelles.
- MS COCO (récupération image-texte en anglais) : surpasse CLIP d’OpenAI et Google ALIGN pour récupérer des images à partir de légendes (et inversement).
- MS COCO (récupération image-texte multilingue) : surpasse UC2 et M3P en récupération image-texte multilingue.
- Multi30K (récupération image-texte multilingue) : surpasse également UC2 et M3P, confirmant ses fortes capacités multimodales multilingues.
Wu Dao 3.0 contre OpenAI GPT
Voici une comparaison complète des modèles LLM de Wu Dao 3.0 et de divers OpenAI modèles basée sur BAAI.4 Nous ne pouvons pas fournir de comparaisons plus détaillées et à jour pour Wu Dao, car il ne dispose pas de benchmarks récents et cohérents.
Performance en contexte long
Tests sur quatre tâches :4
- VCSUM (résumé en chinois)
- LSHT (traitement de longues séquences en chinois)
- HotpotQA (raisonnement multi-sauts en anglais)
- 2WikiMQA (questions-réponses multi-documents en anglais)
Benchmark de performance de raisonnement
Tests sur 6 tâches :4
- bAbI #16 et CLUTRR (raisonnement inductif)
- bAbI #15 et EntailmentBank (raisonnement déductif)
- αNLI (raisonnement abductif)
- E-Care (raisonnement causal)
Si vous souhaitez utiliser Wu Dao, vous pouvez l’installer sur votre ordinateur en le téléchargeant gratuit.5
Concurrents de Wu Dao 3.0
Qwen3.5
Qwen3.5 est une famille de grands modèles de langage open-weight d’Alibaba, conçue comme un système multimodal natif Mixture-of-Experts (MoE).
Le modèle phare (Qwen3.5-397B-A17B) contient environ 397B de paramètres, mais n’active qu’environ 17B par inférence, ce qui permet des performances élevées avec des coûts de calcul réduits.
Le modèle utilise une architecture hybride qui combine un routage MoE sparse avec les Gated Delta Networks et l’attention linéaire, permettant une inférence efficace tout en prenant en charge le raisonnement avancé, le codage et la compréhension multimodale.
Qwen3.5 est entraîné sur des données multimodales early-fusion, ce qui lui permet de traiter le texte et les entrées visuelles au sein d’un modèle unifié et d’alimenter des « agents multimodaux natifs » capables de raisonner sur des interfaces et d’effectuer des tâches complexes en plusieurs étapes.6
Kimi K2.5
Kimi K2.5 est un modèle multimodal open source de Moonshot IA, conçu autour d’une architecture centrée sur les agents pour le codage et l’automatisation des flux de travail. Le modèle intègre des capacités de vision et de langage, ce qui lui permet d’interpréter le texte, les images et la vidéo tout en générant du code prêt pour la production.
K2.5 a été entraîné sur environ 15 billions de tokens multimodaux et prend en charge le raisonnement en contexte long (jusqu’à ~256K tokens) ainsi que l’appel d’outils et les flux de travail d’agents autonomes.
Une caractéristique distinctive est son paradigme d’« agent swarm », dans lequel plusieurs agents coordonnés peuvent gérer des sous-tâches en parallèle pour résoudre des flux de travail d’ingénierie ou de développement complexes.
Moonshot a publié le modèle avec un agent de codage, positionnant Kimi K2.5 comme une alternative orientée développeurs aux modèles frontier propriétaires pour construire des systèmes logiciels assistés par l’IA.7
ERNIE 5.0
ERNIE 5.0 est le modèle de fondation phare de Baidu et un système nativement omni-modal qui traite et génère du texte, des images, de l’audio et de la vidéo au sein d’une architecture unique.
Le modèle contiendrait environ 2.4 billions de paramètres utilisant une conception Mixture-of-Experts, permettant une capacité élevée tout en n’activant qu’une fraction des paramètres par inférence pour plus d’efficacité.
ERNIE 5.0 a été intégré dans ERNIE Bot de Baidu et la plateforme d’entreprise Qianfan, prenant en charge une gamme d’applications d’IA générative dans les produits grand public et d’entreprise.8
Ajouter comme source préféréeFAQ
Non. Les modèles Aquila visent des cas d’usage différents. Pour les tâches en langue chinoise avec une puissance de calcul limitée, ils sont pratiques. Pour les capacités générales en anglais, GPT-5 les surpasse nettement.
Oui, les modèles sont open source. Vérifiez les licences spécifiques de chaque composant Aquila, mais l’utilisation commerciale est généralement autorisée.
Barrière de la langue (documentation), intégration de l’écosystème (conçu pour des outils chinois) et écarts de performance dans les tâches en anglais.
Citer cette recherche
Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.
@misc{dilmegani2026,
author = {Dilmegani, Cem and Ermut, Sıla},
title = {{Wu Dao 3.0: la famille de modèles d'IA multimodaux de la Chine}},
year = {2026},
month = mar,
howpublished = {\url{https://aimultiple.com/wu-dao}},
note = {AIMultiple. Consulté le 5 mars 2026}
}Résultats et horodatages de 24 points de données. Téléchargez les données de synthèse présentées dans les graphiques et les tableaux de cet article sous forme de fichier ZIP contenant 2 fichiers CSV.
Vous voulez les données détaillées derrière ? Rejoindre Premium
Journal des modifications
6 mises à jourUne nouvelle section, Wu Dao 3.0 competitors, a été ajoutée à l'article.
Liens de référence
Le travail de Cem chez AIMultiple a été cité par des publications mondiales de premier plan, notamment Business Insider, Forbes, Morning Brew et Washington Post, par des entreprises mondiales comme Deloitte et HPE, par des ONG comme World Economic Forum et par des organisations supranationales comme European Commission. [1], [2], [3], [4], [5]
Tout au long de sa carrière, Cem a été consultant en technologies, acheteur de technologies et entrepreneur technologique. Il a conseillé des entreprises sur leurs décisions technologiques chez McKinsey & Company et Altman Solon pendant plus de dix ans. Il a également publié un rapport McKinsey sur la digitalisation.
Il a dirigé la stratégie technologique et les achats d'un opérateur télécom, sous la responsabilité du PDG. Il a également dirigé la croissance commerciale de l'entreprise de technologie profonde Hypatos, qui a atteint un revenu récurrent annuel à 7 chiffres et une valorisation à 9 chiffres, passant de 0 à ce résultat en deux ans. Le travail de Cem chez Hypatos a été couvert par des publications technologiques de premier plan comme TechCrunch et Business Insider.
Cem intervient régulièrement lors de conférences technologiques internationales. Il est diplômé de Bogazici University en tant qu'ingénieur informatique et titulaire d'un MBA de la Columbia Business School.
Elle a précédemment travaillé comme recruteuse dans des cabinets de gestion de projet et de conseil. Sıla est titulaire d’un master en psychologie sociale et d’une licence en relations internationales.
Soyez le premier à commenter
Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.