Induction Labs a publié un résultat de recherche qui remet en cause une hypothèse de longue date en intelligence artificielle : les machines devraient être entraînées avec des exemples soigneusement annotés de chaque action qu’elles sont censées exécuter. L’entreprise a présenté Photon-1, le premier modèle de ce qu’elle décrit comme une nouvelle classe d’architecture de fondation, appelée « modèles d’imagination », conçue pour apprendre à partir de vidéos à l’échelle d’Internet sans voir d’étiquettes d’action pendant le préentraînement.

Photon-1 est un transformer sparse de type mixture-of-experts comptant 106 milliards de paramètres, dont 5 milliards de paramètres actifs. Il a été entraîné sur environ 575 millions d’images d’enregistrements d’écrans d’ordinateur, ce qui, selon Induction Labs, équivaut à 18 ans de vidéo échantillonnée à une image par seconde. Les données d’entraînement proviennent d’un index initial de deux milliards de vidéos publiquement disponibles, réduit à environ deux millions d’enregistrements d’écran, puis débarrassé des images redondantes au moyen d’un modèle interne de détection d’images clés. Le modèle a été préentraîné à partir de zéro pendant une époque, nécessitant environ 30,000 heures-GPU NVIDIA H200 et 4.4 × 10²² FLOPs.

La principale affirmation d’Induction Labs est que Photon-1 dépasse le Gemini 3.1 Flash-Lite de Google sur les benchmarks internes d’utilisation d’ordinateur de l’entreprise, tout en ayant été entraîné avec au moins 30 fois moins de calcul. L’entreprise indique également que Photon-1 coûte environ trois fois moins cher par million de tokens à servir, avec un coût d’inférence pondéré de $0.11 par million de tokens contre $0.36 pour Gemini. Ces chiffres comportent toutefois des limites importantes : le benchmark est interne et n’a pas été publié, de sorte que les résultats ne sont pas reproductibles de manière indépendante, et l’estimation du calcul utilisé pour Gemini est une projection prudente d’Induction Labs plutôt qu’une donnée vérifiée en externe.

Cette affirmation est notable, car les agents d’utilisation d’ordinateur font partie des domaines où les systèmes d’IA dépendent encore fortement de démonstrations supervisées, de flux de travail propres à certains outils et d’évaluations spécifiques à chaque environnement. Si des modèles peuvent apprendre une dynamique d’interface utile à partir d’enregistrements d’écran non annotés, la quantité d’annotation humaine nécessaire pour construire des agents capables d’accomplir des tâches pourrait être réduite, même si les résultats rapportés pour Photon-1 reposent encore sur une étape plus réduite de finetuning annoté et sur de l’apprentissage par renforcement après le préentraînement.

We’re introducing imagination models: a new foundation model architecture that unlocks learning from internet-scale video. Our first imagination model, Photon-1, learned to use a computer by watching 18 years of screen recording video without action labels. pic.twitter.com/DMhRqL28si — Induction Labs (@induction_labs) July 23, 2026

We’re introducing imagination models: a new foundation model architecture that unlocks learning from internet-scale video. Our first imagination model, Photon-1, learned to use a computer by watching 18 years of screen recording video without action labels. pic.twitter.com/DMhRqL28si

Fonctionnement des modèles d’imagination

Photon-1 se distingue des approches conventionnelles non seulement par son échelle, mais aussi par son architecture. Au lieu de prédire le mot suivant ou de générer des pixels bruts, les modèles d’imagination prédisent de manière autorégressive les images futures dans un espace de représentation appris, à l’aide d’un objectif de token latent suivant. Chaque image vidéo est compressée en 960 tokens discrets grâce à une quantification scalaire finie et n’occupe que 2.2 kilooctets. Induction Labs indique que cette représentation est environ 100 fois plus compacte que les représentations OCR et multimodales existantes, tout en préservant le texte, la mise en page et les changements d’état.

Un encodeur latent différentiel traite les images par paires, en encodant les différences entre états consécutifs plutôt qu’en représentant chaque image uniquement comme un contenu visuel absolu. Cette compression rend praticable, sur le plan informatique, la prédiction autorégressive d’états futurs à grande échelle. Pendant le préentraînement, le modèle apprend ce que l’entreprise appelle une « politique implicite » : en prévoyant à quoi ressemblera ensuite un écran, il internalise la structure causale des interfaces informatiques sans qu’on lui indique quels clics de souris ou quelles frappes clavier ont provoqué les transitions observées.

Transformer cette connaissance issue de l’observation en agent fonctionnel a nécessité une deuxième étape. Induction Labs a finetuné Photon-1 sur moins de 35,000 trajectoires annotées d’utilisation d’ordinateur afin d’enseigner au modèle le format d’action correct. L’entreprise a ajouté des tokens spéciaux permettant à Photon-1 d’émettre des commandes clavier et souris. Au moment de l’inférence, le système fonctionne en deux temps : il imagine d’abord l’état suivant qui ferait progresser la tâche, puis génère l’action destinée à atteindre cet état.

Induction Labs a ensuite utilisé de l’apprentissage par renforcement en ligne, avec des déploiements en temps réel sur des machines virtuelles Linux dans cinq environnements de bureau. Les résultats étaient vérifiés de manière programmatique, et des signaux de récompense servaient à améliorer davantage le modèle. Ce dispositif d’évaluation maintient les travaux rapportés dans le cadre d’environnements logiciels où les états et les résultats peuvent être instrumentés, plutôt que dans des contextes physiques ouverts où la vérification et les contraintes de sécurité sont plus difficiles à automatiser.

L’entreprise indique également que les capacités de Photon-1 s’étendent au-delà du domaine des enregistrements d’écran observé pendant le préentraînement. Après finetuning sur 20,000 parties de dames de tournoi, Photon-1 a surpassé à la fois une baseline à encodeur visuel et une baseline de modèle de langage de taille comparable en simulation du monde et en qualité des coups. Sur 10,000 parties de billard générées synthétiquement, il a obtenu une erreur absolue moyenne de 0.47 dans la prédiction de la position des boules, contre 1.15 pour la baseline LLM et 1.44 pour la baseline visuelle.

Selon Induction Labs, le modèle a également appris des schémas de comportement humain à partir de ses données de préentraînement. Il a appris à interroger un clone de ChatGPT dans une machine virtuelle, à évaluer ses sorties et à orienter la conversation jusqu’à l’achèvement d’une tâche, d’une manière proche de la façon dont les utilisateurs emploient les outils d’IA dans des flux de travail pratiques.

La frontière en expansion des modèles du monde

Photon-1 est présenté alors que l’industrie de l’IA se concentre de plus en plus sur ce que les chercheurs appellent généralement les « modèles du monde ». Ces systèmes sont conçus pour construire des représentations internes de la manière dont les environnements évoluent en réponse aux actions, plutôt que de seulement prédire du texte ou produire des clips vidéo isolés.

En 2026, le développement dans ce domaine s’est accéléré. En mai, Google DeepMind a lancé Genie 3, un modèle du monde interactif en temps réel capable de générer des environnements 3D persistants à 24 images par seconde à partir de texte ou d’images, en utilisant une physique auto-apprise plutôt que des règles codées en dur. La plateforme Cosmos de NVIDIA, qui propose des modèles de fondation du monde à poids ouverts entraînés sur 20 millions d’heures de données du monde réel, a dépassé deux millions de téléchargements et est utilisée par des entreprises de robotique, notamment 1X, Figure AI et Agility, pour générer des données d’entraînement synthétiques.

World Labs de Fei-Fei Li a lancé Marble, un système commercial permettant de créer des mondes 3D modifiables à partir de texte, d’images ou de vidéo. AMI Labs de Yann LeCun, valorisée selon certaines informations à €3 milliards avant même d’avoir lancé un produit, a levé €500 millions pour développer des architectures de type JEPA qui apprennent des représentations abstraites en prédisant dans l’espace latent plutôt que dans les pixels.

Parmi les autres développements figurent Gen-4.5 de Runway, que l’entreprise décrit explicitement comme un « modèle du monde » doté d’une physique réaliste, et DreamZero, un modèle d’action du monde à 14 milliards de paramètres qui a démontré un fort transfert inter-incarnations de la vidéo humaine vers le contrôle robotique en utilisant uniquement des informations visuelles et aucune étiquette d’action.

Pris ensemble, ces efforts suggèrent un changement architectural plus large dans la recherche en IA. Alors que les grands modèles de langage sont devenus efficaces pour repérer des motifs dans le texte, la prochaine génération de systèmes d’IA vise de plus en plus à comprendre la causalité, la physique et les procédures par l’observation directe. La méthode d’Induction Labs, qui apprend à partir de vidéos non annotées par prédiction d’état, s’inscrit dans cette direction tout en s’attaquant à un goulot d’étranglement majeur : la nécessité pour les humains de convertir les observations en actions annotées avant l’entraînement.

Les prochains tests pour cette approche porteront sur la reproductibilité externe, une couverture plus large des benchmarks et des preuves que la même recette d’entraînement fonctionne dans des environnements moins contrôlés. La question de savoir si les modèles d’imagination peuvent s’étendre au-delà des enregistrements d’écran vers le travail physique, les interactions sociales et les dynamiques complexes du monde réel reste ouverte. Pour l’heure, Photon-1 est présenté comme une preuve de concept montrant que les machines peuvent apprendre à agir, au moins en partie, en observant.