Axion-1.0 est un modèle de base pour agents que ByteDance a publié le 2 novembre, avec l'article, la recette d'entraînement et le code entièrement publics, sous licence Apache 2.0. La conclusion d'abord : si vous voulez apprendre comment les modèles d'agents sont entraînés, c'est le projet open source le plus intéressant à lire en ce moment. Si vous voulez télécharger un modèle prêt à l'emploi et vous mettre au travail tout de suite, attendez — l'étape des poids n'est pas encore complètement au point.
Axion-1.0, ce sont deux modèles et une recette d'entraînement publique
Axion-1.0 existe en deux tailles : 35B (3B calculés par token) et 122B (10B par token), deux architectures de type mixture-of-experts construites respectivement sur Qwen3.6-35B-A3B et Qwen3.5-122B-A10B. Ce n'est pas un modèle entraîné à partir de zéro, mais un modèle d'agent entraîné sur une base Qwen avec une recette en trois étapes : deux tours de fine-tuning supervisé léger suivis d'un tour d'apprentissage par renforcement, sur environ 18 000 exemples d'entraînement et à peu près 1 000 heures-GPU pour la version 122B. L'agent embarque quatre outils : recherche web, visite de pages web, recherche d'articles scientifiques et exécution de code Python. Côté résultats, la version 35B dépasse GPT-5.5 et Gemini 3.1 Pro sur trois tests d'agents orientés recherche, et la version 122B obtient 59 points au Humanity's Last Exam. Le dépôt officiel est sur GitHub, dans l'organisation bytedance, sous le nom de projet axion1_0.
Avant de déployer, clarifiez ce que vous obtenez vraiment
Le code et la recette sont sur GitHub : construction des données, filtrage, prompts, code d'entraînement et scripts d'évaluation sont tous là. Suivez-les et vous pouvez reproduire l'intégralité du processus d'entraînement — c'est là sa vraie valeur. Les poids 35B se téléchargent sur Hugging Face, mais le README du projet précise lui-même qu'il s'agit d'une reproduction communautaire, pas de poids officiels. Au format BF16, cela représente environ 70 Go — impossible à faire tourner sur un ordinateur ordinaire ; il faut au minimum une carte graphique à grosse mémoire ou une carte louée. Pour les poids 122B, il n'existe pour l'instant aucun lien de téléchargement officiel ; pour les utiliser, il faut les entraîner soi-même en suivant la recette. Il n'y a pas d'interface de chat prête à l'emploi ni de script de déploiement en un clic. Aujourd'hui, cela ressemble davantage à un compte rendu d'expérience public qu'à un produit clé en main. Contrairement à DeepSeek Harness, un runtime pour faire tourner des agents, Axion-1.0 est un modèle pour étudier comment les agents sont entraînés.
Trois pièges — lisez-les avant de vous lancer
Premier piège : prendre les poids communautaires pour des poids officiels. En cas de problème, il n'y a pas de support officiel ; mises à jour et correctifs dépendent de la communauté. Deuxième piège : se laisser aveugler par les scores de benchmarks. Les scores de type HLE mesurent des tâches de recherche — cela ne veut pas dire que la programmation ou la recherche au quotidien fonctionne aussi bien. Troisième piège : sous-estimer le coût de la reproduction. Une recette publique ne veut pas dire bon marché — la facture d'entraînement du 122B se chiffre toujours à plus d'un millier d'heures-GPU. Le projet convient aux chercheurs et ingénieurs qui veulent étudier les méthodes d'entraînement des agents ; il ne convient pas à ceux qui veulent simplement un modèle prêt à utiliser tout de suite — qu'ils attendent les poids officiels ou un paquet communautaire. Pour comprendre d'abord l'architecture MoE, voyez comment le mixture of experts économise du calcul.
