Nvidia étoffe ses modèles ouverts pour les usages RAG

À GTC Berlin, Nvidia a présenté une nouvelle série de modèles à poids ouverts pour les entreprises et administrations européennes, avec un accent net sur les workflows de RAG, la santé, la robotique et la conduite autonome. L’objectif est clair : proposer des briques plus faciles à inspecter et à adapter que des modèles fermés, alors que la demande de souveraineté IA progresse en Europe. Pour les équipes qui n’ont ni les moyens ni le temps de tout entraîner elles-mêmes, le message est simple : il y a désormais des options plus modulables, et pas seulement des boîtes noires bien polies.

Des modèles plus ouverts, mais pas complètement opaques

Nvidia mise sur une définition assez large de l’open weights : les poids des modèles sont téléchargeables, mais l’éditeur va plus loin que beaucoup de concurrents en publiant aussi les données d’entraînement et les recettes utilisées pour obtenir le modèle final. Cette approche change la donne pour les clients qui veulent auditer, reproduire ou reconstruire une variante sur leur propre architecture Nemotron, plutôt que de se contenter d’un simple fine-tuning a posteriori. L’Allen Institute suit une logique comparable avec ses modèles OLMo.

Le contraste est net avec la plupart des modèles dits ouverts, souvent distribués sans explication détaillée sur leur fabrication. Dans ce contexte, Nvidia essaie de convaincre les acheteurs européens que l’ouverture utile ne se limite pas au téléchargement. C’est aussi une affaire de méthode, de traçabilité et de contrôle technique.

RAG, PDF et vidéos : ce que les nouveaux modèles savent faire

Les nouvelles briques présentées couvrent plusieurs étapes d’un pipeline RAG, c’est-à-dire une méthode qui découpe des documents, les convertit en vecteurs, puis les classe avant de les injecter dans le contexte d’un LLM. Nvidia a lancé de nouveaux modèles d’embedding et de reranking basés sur Nemotron 3.5, capables de traiter texte et images dans 34 langues. Ils existent en tailles allant de 1 à 8 milliards de paramètres, avec des versions quantifiées NVFP4 pour les accélérateurs Blackwell.

L’entreprise affirme que son modèle de 8 milliards de paramètres figure désormais en tête des classements de densité sur le benchmark ViDoRe V3.1 en précision BF16 [à vérifier]. Nvidia a aussi présenté Nemotron Parse, un modèle entraîné pour extraire des informations de documents PDF, souvent pénibles à exploiter car ils mêlent texte, tableaux et scans. Selon l’éditeur, la version à 1 milliard de paramètres traite environ 10,5 pages par seconde sur un seul H100.

Dans le même lot, Nvidia a mis à disposition Alpamayo 2 Edge, une version plus compacte de son modèle de conduite autonome, pensée pour le traitement en temps réel de flux vidéo et de données capteurs sur la plateforme DRIVE AGX Thor. Une semaine plus tôt, l’entreprise avait déjà montré Nemotron 3.5 Super et teasé Nemotron 3.5 Bolt, un MoE de 74 milliards de paramètres annoncé pour tenir dans 24 Go de mémoire vidéo. Nvidia promet un téléchargement à partir de vendredi.

Pourquoi cette stratégie parle aux acheteurs européens

Le sous-texte est commercial autant que technique. En Europe, la demande pour des solutions d’IA dites souveraines pousse les organisations à préférer des modèles qu’elles peuvent héberger, adapter et documenter. Nvidia cible précisément ce segment avec des composants prêts à l’emploi, mais suffisamment ouverts pour rassurer les équipes sécurité, conformité et data.

La stratégie reste toutefois pragmatique : peu d’entreprises ont la capacité de bâtir un grand modèle depuis zéro, alors qu’un socle ouvert et bien documenté permet d’accélérer des projets internes sans repartir de rien. En pratique, cela rend l’IA moins spectaculaire, mais plus exploitable. Et c’est souvent là que se joue le budget.