Recherche
Nous visons des avancées en IA qui élargissent ce que l’humanité peut comprendre, créer et accomplir. Notre ambition : un avenir où l’intelligence n’est plus un frein au progrès et où ses bénéfices sont partagés par tous.
Axes de recherche
Nous relions modèles, agents et calcul efficace pour créer une IA qui raisonne plus en profondeur et agit de façon plus fiable.
Nous explorons des architectures et des méthodes d’entraînement qui renforcent le raisonnement, l’apprentissage et la généralisation. Nous étudions comment les modèles peuvent résoudre des problèmes inédits et s’appuyer sur ce qu’ils savent déjà.
Nous concevons des systèmes qui transforment la compréhension en action. Nos recherches portent sur la planification, la mémoire et l’autocorrection, afin que les agents puissent poursuivre des objectifs complexes sur des horizons plus longs.
Nous rendons possible davantage de capacités avec moins de ressources. Nous étudions des architectures efficaces, le calcul en basse précision et une inférence plus rapide pour réduire le coût d’entraînement et d’utilisation d’une IA avancée.
Recherche à long terme
Notre recherche à long terme se demande comment l’intelligence peut aider l’humanité à aller plus loin.
Nous explorons de nouvelles architectures, des mémoires plus riches et des méthodes d’entraînement qui pourraient aider l’IA à relever des problèmes plus difficiles et à élargir ce que les gens découvrent et créent.
Nous travaillons sur un pré-entraînement et une inférence plus efficaces pour rendre l’intelligence avancée accessible au plus grand nombre.
Modèles Corepass
Notre programme de modèles relie la recherche en architecture, en entraînement et en inférence à ce que nous apprenons des charges de travail agentiques réelles. Chaque modèle explore un équilibre différent entre capacité, vitesse et efficacité du calcul.
Infrastructure de recherche
Génération automatisée de données de RL
Vera transforme des tâches réelles en occasions d’apprentissage : environnements reproductibles, exécutions d’agents et vérificateurs calibrés. Elle automatise la génération de données d’entraînement et d’évaluation pour l’apprentissage par renforcement, et ancre les progrès dans un travail vérifiable.
Apprentissage par renforcement à grande échelle
Forge est notre framework d’apprentissage par renforcement qui relie tâches, inférence des modèles, récompenses vérifiées et entraînement. Nous le développons pour rendre l’expérimentation plus efficace et transformer l’expérience en modèles plus capables et plus fiables.
Nous réunissons chercheurs en modèles, ingénieurs systèmes et bâtisseurs de produits pour transformer la recherche en capacités utiles à tous.
Rejoindre notre équipe