Meta et Pokee poussent les agents IA vers le local

Meta et Pokee ont chacun présenté un modèle pensé pour les agents IA, mais avec des philosophies différentes. D’un côté, Meta Glimmer, un modèle open-weight de 30 milliards de paramètres conçu pour tourner sur un laptop ou un PC récent. De l’autre, Pokee-Isaac 28B, qui vise les contextes longs avec une fenêtre de 10 millions de tokens et une exécution sous licence dans un VPC, sur site ou sur appareil. Le point commun est simple : ramener l’IA agentique plus près des données, là où certaines organisations n’ont tout simplement pas le droit de sortir les dossiers.

Des modèles pensés pour travailler au plus près des données

Le virage est stratégique. Les agents IA accumulent du contexte à chaque action, observation et sortie d’outil, ce qui finit vite par saturer les modèles classiques. Pokee répond à ce problème avec Isaac, un modèle text-only destiné aux usages de longue durée, tandis que Meta met en avant Glimmer pour l’orchestration d’agents sur ordinateur personnel. Dans les deux cas, l’idée est de réduire la dépendance aux grands endpoints cloud, encore dominants sur les tâches agentiques les plus lourdes.

Chez Pokee AI, Isaac est distribué via une API compatible OpenAI, mais les poids ne sont pas publiés. Le modèle est licencié pour des déploiements en VPC, sur site ou sur appareil, avec une prise en charge annoncée dès le premier jour pour vLLM et SGLang. Meta, de son côté, pousse une logique plus ouverte avec un modèle open-weight ; c’est moins opaque qu’un modèle fermé, même si cela ne dit rien sur les données d’entraînement. La nuance compte, surtout pour les équipes qui doivent faire valider chaque brique avant de la brancher à des données sensibles. Les juristes, eux, ne rient pas souvent, sauf quand un benchmark tient sur une seule ligne de GPU.

Ce que montrent les chiffres publiés

Pokee met surtout en avant la tenue en contexte long. Sur RULER, Isaac affiche 93,3 % à 10 millions de tokens, avec une stabilité annoncée sur l’ensemble des longueurs testées. Sur MRCR v2 avec huit “needles”, le modèle atteint 0,607 à 256K, 0,743 à 512K et 0,500 à 1M. Les résultats agentiques sont plus contrastés : 70,94 sur BFCL v4, 0,662 de moyenne sur τ³-bench, 74,59 % de couverture sur MCP-Atlas et 65,1 % sur Terminal-Bench 2.1, derrière Luna sur ce dernier point.

Meta n’a pas publié, dans les éléments fournis ici, un tableau de benchmarks comparable pour Glimmer. En revanche, l’entreprise insiste sur son positionnement matériel : un modèle de 30 milliards de paramètres, capable de tourner sur un seul GPU et donc sur un MacBook récent ou un PC équipé d’une puce récente. Cette promesse d’exécution locale n’est pas qu’un argument marketing. Elle répond à un besoin très concret chez les entreprises qui veulent éviter les allers-retours vers le cloud, ou qui doivent garder leurs données dans une frontière réglementaire stricte.

Une bataille pour les usages sensibles

Les secteurs visés sont assez nets : santé, finance, assurance, défense, secteur public, juridique, recherche pharmaceutique ou semi-conducteurs. Dans ces environnements, le problème n’est pas seulement la performance brute, mais le droit d’accès aux données et la capacité à opérer sans API externe. Les cas d’usage suivent la même logique : revue de grands dépôts de code, analyse de contrats sur plusieurs années, investigation d’incidents dans des journaux volumineux, ou agents qui enchaînent des outils sans devoir compresser leur mémoire toutes les cinq minutes.

Dans cette course, le local et le déployable en interne deviennent des arguments de marché, pas seulement des choix techniques. Meta y ajoute un discours politique sur l’open-weight, en phase avec la ligne défendue par Mark Zuckerberg, tandis que Pokee pousse un modèle plus fermé sur les poids mais pensé pour l’infrastructure privée. L’un mise sur la diffusion, l’autre sur le périmètre contrôlé. Même combat, moyens différents.