Institut Allen pour l'intelligence artificielle

Institut de recherche

L'institut Allen pour l'intelligence artificielle, en anglais : Allen Institute for Artificial Intelligence, (abrégé : Allen Institute for AI, ou encore plus bref : Ai2) est un institut de recherche américain basé à Seattle dans l'état de Washington.

Allen Institute for Artificial Intelligence
Histoire
Fondation
10 décembre 2013
Cadre
Surnom
(en) AI2Voir et modifier les données sur Wikidata
Type
Organisation à but non lucratif
Domaine d'activité
Siège
Pays
Organisation
Effectif
~ 200 personnes
Fondateur
Directeur général par intérim
Peter Clark (depuis mars 2026)
Personnes clés

Paul Allen (fondateur)
Oren Etzioni (en) (directeur de 2013 à 2022)

Peter Clark (en) (membre fondateur, directeur de recherche)
Chiffre d'affaires
80,3 M$ (), 52,1 M$ (), 131,2 M$ (), 58,6 M$ (), 112,5 M$ (), 298,7 M$ (), 18,2 M$ (), 38,5 M$ (), 68,8 M$ (), 66,1 M$ (), 188,4 M$ (), 184,2 M$ (), 240,4 M$ (), 272,1 M$ ()Voir et modifier les données sur Wikidata
Site web
Identifiants
IRS

Histoire

modifier

L'institut est fondé fin 2013[1] par Paul Allen[2], milliardaire américain et cofondateur de Microsoft, qui en confie la direction à Oren Etzioni (en). Celui-ci quitte alors l'Université de Washington, où il travaillait depuis plus de vingt ans. Ai2 est conçu sur le modèle de l'Institut Allen des sciences du cerveau (en). Son objectif initial est notamment de développer des systèmes d'intelligence artificielle « capables d'acquérir des connaissances et de raisonner ». Etzioni ambitionne alors de dépasser les capacités de systèmes tels que Siri et Watson, qu'il juge limitées[3].

En novembre 2015, Ai2 lance Semantic Scholar, un moteur de recherche consacré aux publications scientifiques utilisant des techniques d'intelligence artificielle pour analyser et organiser la littérature scientifique. Initialement consacré à l'informatique et donnant accès à environ trois millions de publications, le service est conçu pour aider les chercheurs à faire face à l'augmentation du nombre de travaux scientifiques publiés[4],[5],[6].

Parallèlement à ses activités de recherche, Ai2 développe un incubateur destiné à favoriser la création d'entreprises spécialisées dans l'intelligence artificielle. Après avoir accompagné notamment Kitt.ai, spécialisée dans le traitement automatique du langage et rachetée par Baidu en 2017, et Xnor.ai, issue de travaux sur l'intelligence artificielle embarquée, l'institut ouvre en 2017 son programme à des entrepreneurs extérieurs, auxquels il propose un financement, des locaux et l'accès à l'expertise de ses chercheurs[7],[8]. L'incubateur poursuit ensuite son développement ; en 2020, il se dote d'un fonds de 10 millions de dollars soutenu notamment par plusieurs sociétés de capital-risque, tandis que Xnor.ai est rachetée la même année par Apple[9].

En 2018, Paul Allen annonce un financement supplémentaire de 125 millions de dollars[10] sur trois ans en faveur d'Ai2, destiné à financer ses travaux existants ainsi que le lancement du projet Alexandria, consacré au développement de systèmes d'intelligence artificielle dotés de sens commun[11],[12]. Le programme doit notamment élaborer des méthodes d'évaluation du sens commun, recueillir à grande échelle des connaissances de sens commun auprès d'humains et construire des représentations de ces connaissances susceptibles d'être réutilisées par différents systèmes d'intelligence artificielle[13],[14].

À la fin de septembre 2022, Oren Etzioni quitte la direction d'Ai2 après près de neuf années à sa tête ; il demeure membre du conseil d'administration et conseiller de l'institut et devient directeur technique de l'AI2 Incubator[15]. L'incubateur est séparé d'Ai2 la même année et devient une organisation indépendante, tout en conservant des liens avec l'institut[16]. En juillet 2023, Ali Farhadi, professeur à l'Université de Washington et ancien responsable des équipes d'apprentissage automatique d'Apple, succède à Etzioni à la tête de l'institut[17].

En mai 2023, Ai2 annonce OLMo (Open Language Model), un projet de développement de grands modèles de langage ouverts destiné notamment à la recherche scientifique. À partir de 2023, l'open source et la reproductibilité des modèles d'intelligence artificielle deviennent un axe important des activités de l'institut. Farhadi défend alors une politique d'« ouverture radicale » (radical openness) visant à proposer une alternative aux modèles développés par les grandes entreprises technologiques[18]. Ai2 entend rendre accessibles non seulement les modèles, mais aussi leurs données d'entraînement, les méthodes utilisées pour leur entraînement et leur ajustement ainsi que leurs outils d'évaluation[19].

En février 2024, l'institut publie OLMo, concrétisant cette politique d'ouverture en rendant accessibles non seulement les poids du modèle, mais également ses données d'entraînement, son code d'entraînement et d'évaluation ainsi que les éléments nécessaires à l'étude et à la reproduction de son développement[20]. Cette démarche se distingue de celle de nombreux modèles dits « ouverts » dont seuls les poids sont accessibles[21]. OLMo figure parmi les systèmes utilisés par l'Open Source Initiative lors de l'élaboration et de la validation de sa définition de l'intelligence artificielle open source et satisfait aux critères examinés dans ce cadre[22]. Ai2 poursuit ensuite cette politique d'ouverture avec de nouvelles générations d'OLMo et d'autres familles de modèles.

Activités de recherche

modifier

Aristo est un projet de recherche en intelligence artificielle développé par l'Allen Institute for Artificial Intelligence sous la direction du chercheur Peter Clark. Conçu parmi les premiers programmes de recherche de l'institut, il vise à développer un système capable de répondre de manière fiable à des questions scientifiques de niveau scolaire, comme étape vers la conception de systèmes capables de comprendre des connaissances scientifiques et de raisonner à leur sujet[23],[24].

Pour mesurer les progrès du système, l'équipe utilise des examens scolaires de sciences : en 2013, Aristo n'obtient que 27 % à des tests de niveau quatrième année de l'enseignement américain ; son score moyen atteint 49 % en 2016. Les chercheurs considèrent ces examens comme un moyen d'évaluer des capacités allant au-delà de la simple recherche d'informations, certaines questions nécessitant de combiner plusieurs connaissances ou de faire appel au sens commun[24].

Le projet connaît une progression importante avec le développement des modèles de langage. En 2019, Aristo obtient plus de 90 % de réponses correctes aux questions à choix multiples sans diagramme du New York Regents Science Exam de huitième année, et plus de 83 % à celles de douzième année. Le système combine alors huit modules de résolution, utilisant différentes méthodes, notamment la recherche d'information, le raisonnement et de grands modèles de langage[23]. Cette performance ne signifie toutefois pas forcément que le système maîtrise l'ensemble d'un examen scolaire : les questions comprenant des diagrammes sont exclues et les résultats concernent un domaine et un format de questions déterminés[2].

Le nom « Aristo » fait référence à Aristote, le projet ayant été conçu dans la continuité de l'ambition de Paul Allen de créer un « Digital Aristotle » (« Aristote numérique ») ; selon ses concepteurs, le nom Aristo évoque plus précisément « Aristotle as a child » (« Aristote enfant »)[23].

Semantic Scholar

modifier

Semantic Scholar est une plateforme d’indexation et de découverte de la littérature scientifique, lancée par Ai2 en novembre 2015[5]. Elle construit un graphe bibliographique reliant articles, auteurs, revues et citations, enrichi par des résumés automatiques, des classifications et des représentations sémantiques. Ces données sont accessibles au moyen d’API et de jeux de données téléchargeables, ce qui permet leur réutilisation dans des outils de recherche documentaire et des analyses quantitatives de la littérature scientifique[25].

Initialement limité à environ trois millions de publications en informatique, il utilise notamment des techniques de traitement automatique des langues et d'apprentissage automatique pour analyser les publications et leurs relations, afin d'aider les chercheurs à identifier les travaux pertinents au sein d'une littérature scientifique en forte croissance[4],[26]. Son corpus, progressivement étendu à d'autres disciplines, couvre depuis 2019 l'ensemble des domaines scientifiques[27].

Modèles, données et outils ouverts

modifier

OLMo et Dolma : modèles et données d'entraînement

modifier

À partir de 2023, Ai2 développe un ensemble de ressources visant à rendre le pré-entraînement des grands modèles de langage plus accessible à l'étude et à la reproduction. Dans le cadre du projet OLMo, Ai2 rend public en août 2023 Dolma[28], un corpus destiné à la recherche sur le pré-entraînement des modèles de langage, documenté d'environ trois mille milliards de jetons (tokens), accompagné des outils utilisés pour sa constitution ; les premiers modèles OLMo (Open Language Model) sont eux rendus publics dès février 2024[29] et leurs poids, les données d'entraînement, le code d'entraînement et d'évaluation, les journaux ainsi que des points de contrôle intermédiaires (checkpoints) sont diffusés[20],[30],[31].

Les deux publications sont distinguées à l'ACL en 2024, Dolma recevant le Best Resource Paper Award et OLMo le Best Theme Paper Award[32]. OLMo fait également partie des systèmes ayant satisfait à la phase de validation de la définition de l'intelligence artificielle open source élaborée par l'Open Source Initiative[22]. La disponibilité des étapes intermédiaires d'entraînement a ensuite permis à des chercheurs extérieurs à Ai2 d'utiliser OLMo pour étudier, entre autres, les relations entre pré-entraînement et ajustement fin ainsi que l'acquisition de connaissances factuelles au cours de l'entraînement[33],[34].

En novembre 2024, Ai2 publie OLMo 2, deuxième génération de sa famille de modèles de langage ouverts. Les premières versions comptent 7 et 13 milliards de paramètres et sont entraînées sur environ cinq mille milliards de jetons ; comme pour OLMo, Ai2 publie les données d'entraînement, le code, les recettes d'entraînement, les évaluations et de nombreux points de contrôle intermédiaires, ce qui permet de reproduire ou d'étudier différentes étapes du pré-entraînement[35]. Cette ouverture est notamment exploitée dans des travaux ultérieurs : une étude publiée dans les Findings of EACL en 2026 utilise OLMo 2 et l'accès à son corpus de pré-entraînement pour étudier expérimentalement la dégradation des modèles lors d'un entraînement récursif sur leurs propres données synthétiques, les auteurs indiquant que cet accès aux données était nécessaire à leur protocole expérimental[36].

En novembre 2025 lui succède OLMo 3, une famille de modèles de 7 et 32 milliards de paramètres déclinée notamment en versions de base, d'instruction et de raisonnement[37].

Lors de sa publication, Ai2 présente certaines variantes d'OLMo 3 comme obtenant, sur ses propres évaluations, des performances comparables à celles de modèles à poids ouverts de taille similaire, notamment Llama 3.1[38]. Comme point de comparaison extérieur aux évaluations d'Ai2, le site Artificial Analysis publie un indice, l'« Intelligence Index », qui agrège plusieurs tests de raisonnement, de connaissances, de mathématiques et de programmation. À titre indicatif, en août 2026, cet indice affiche des scores estimés à 2 pour OLMo 3 7B Instruct contre 7 pour Llama 3.1 8B Instruct[39],[40].

La disponibilité des étapes intermédiaires est utilisée dès 2026 par des chercheurs extérieurs à Ai2 pour suivre l'apparition et l'évolution de représentations internes au cours du pré-entraînement : une étude consacrée aux « vecteurs de personnalité » (persona vectors) exploite ainsi plusieurs checkpoints d'OLMo 3 afin de déterminer à quel moment ces représentations apparaissent et comment elles évoluent jusqu'aux versions post-entraînées[41].

Des travaux de recherche publiés en 2026 ont par ailleurs évalué OLMo 3 aux côtés de Llama 3.1 et d'autres modèles sur des propriétés particulières, notamment la tendance à la complaisance envers l'utilisateur, la fiabilité de réponses simulées à des enquêtes et la sensibilité du comportement de sécurité au contexte d'évaluation[42],[43],[44].

Tülu et le post-entraînement

modifier

Avec la famille de modèles Tülu[45], Ai2 étend cette politique d'ouverture au post-entraînement, étape lors de laquelle un modèle pré-entraîné est notamment spécialisé pour suivre des instructions et produire les comportements recherchés. Tülu 3, rendu public à partir de 2024, associe aux modèles leurs jeux de données, le code, les outils d'évaluation et les recettes utilisées pour plusieurs méthodes de post-entraînement, notamment l'ajustement supervisé, l'optimisation directe des préférences (DPO) et l'apprentissage par renforcement à récompenses vérifiables[46],[47]. Cette démarche vise notamment à rendre reproductibles des techniques dont les données et les procédures restent souvent non publiées chez les principaux producteurs de modèles ; l'Associated Press présente en 2025 Tülu 3 comme l'un des exemples de la stratégie d'Ai2 consistant à ouvrir davantage les différentes étapes de conception de ses systèmes[21]. Les ressources Tülu ont par la suite été reprises comme matériel expérimental dans d'autres travaux de recherche, notamment pour étudier la sélection des données de post-entraînement, les modèles de récompense et les méthodes d'apprentissage par préférences[48],[49].

Molmo : modèles multimodaux, et PixMo : jeux de données

modifier

Ai2 applique également cette approche aux modèles multimodaux avec Molmo (Multimodal Open Language Model) et les jeux de données PixMo, publiés à partir de 2024. Molmo est une famille de modèles vision-langage capables notamment d'interpréter des images, de répondre à des questions à leur sujet et de localiser des éléments visuels ; PixMo réunit les données utilisées pour leur entraînement, notamment des descriptions détaillées d'images, des questions-réponses et des données permettant de relier du texte à des positions dans l'image[50],[51].

Contrairement à plusieurs modèles à poids ouverts dont l'entraînement repose en partie sur des données synthétiques produites par des systèmes propriétaires, les auteurs de Molmo indiquent avoir constitué PixMo sans recourir à d'autres modèles vision-langage pour produire ces données ; les poids, les nouveaux jeux de données et le code sont publiés avec le projet[52].

Molmo est utilisé comme modèle de référence ou objet d'étude dans des recherches indépendantes sur le raisonnement spatial, l'évaluation des modèles multimodaux, la localisation d'objets et les capacités de jugement des modèles vision-langage[52],[53].

Le benchmark CAPTURe teste notamment Molmo 7B-D sur le comptage d'objets visibles ou masqués par une occlusion et met en évidence une augmentation de ses erreurs lorsque des objets sont occultés[54]. Les versions 7 et 72 milliards de paramètres de Molmo figurent également parmi les modèles évalués par VL-RewardBench pour leur capacité à juger des réponses à des requêtes multimodales, notamment dans des tâches de détection d'hallucinations et de raisonnement[55].

Fonctionnement de l'institut

modifier

Organisation

modifier

Ai2 est un organisme à but non lucratif de recherche en intelligence artificielle, établi à Seattle dans l'État de Washington[17],[21]. L'organisme est administré par un conseil d'administration et dirigé par un directeur général ; après le départ d'Ali Farhadi en mars 2026, le chercheur Peter Clark, membre fondateur de l'institut, en assure la direction par intérim pendant la recherche d'un successeur permanent[56]. Ses déclarations fiscales publiques indiquent qu'il relève du régime américain des organismes exonérés d'impôt et qu'il a enregistré environ 206 millions de dollars de recettes et 145 millions de dollars de dépenses pour l'exercice 2024[57]. Son statut d'organisme à but non lucratif n'exclut toutefois pas les financements privés ni les collaborations avec des entreprises du secteur[58].

En mars 2026, l'institut compte environ 200 personnes[56].

Partenariats et collaborations

modifier

Ai2 entretient un partenariat de longue durée avec l'École P.G. Allen d’informatique et d’ingénierie de l'université de Washington. Plusieurs chercheurs occupent d'ailleurs des fonctions dans les deux organismes[30],[59].

Le développement des modèles ouverts d'Ai2 repose notamment sur des collaborations avec des partenaires variés (entreprises privées, institutions publiques, organismes de formation, etc.), lui apportant des ressources logistiques et une expertise technique[30],[60].

Ces collaborations s'étendent à des programmes de recherche et d'infrastructure de plus grande ampleur. En 2025, Ai2 conclut par exemple un partenariat avec Google Cloud qui prévoit notamment la mise à disposition d'OLMo, Tülu et Molmo dans le catalogue de modèles Vertex AI et une collaboration dans le cadre de la Cancer AI Alliance[61]. La même année, Ai2 prend la direction de l'Open Multimodal AI Infrastructure to Accelerate Science (OMAI), programme soutenu par la National Science Foundation et Nvidia et auquel participent également plusieurs universités américaines. Le projet vise à développer une infrastructure et des modèles multimodaux ouverts destinés à la recherche scientifique[58].

Financement

modifier

Historiquement financé principalement par Paul Allen puis par sa succession, Ai2 a progressivement diversifié ses ressources. En 2018, Allen annonce un apport supplémentaire de 125 millions de dollars sur trois ans afin de soutenir les recherches de l'institut, notamment le projet Alexandria[62],[11]. En 2022, plus de 95 % de son budget annuel d'environ 100 millions de dollars provenait encore de la succession Allen, mais l'institut cherchait déjà à accroître ses autres sources de financement[17]. Cette diversification s'accélère avec l'obtention, en 2025, de 152 millions de dollars sur cinq ans provenant de la National Science Foundation (75 millions) et de Nvidia (77 millions, notamment sous forme de ressources de calcul), pour un programme de développement de modèles d'IA ouverts destinés à la recherche scientifique[58],[63]. Depuis 2025, son principal soutien philanthropique est le Fund for Science and Technology, fondation dotée de 3,1 milliards de dollars créée conformément aux dispositions successorales de Paul Allen[64].

Références

modifier
  1. ↑ (en) State of Washington, « Washington Corporations and Charities Filing System » Accès libre, sur Office of the Secretary of State, Corporations & Charities Division (consulté le )
  2. 1 2 (en) Cade Metz, « A Breakthrough for A.I. Technology: Passing an 8th-Grade Science Test » Accès payant, The New York Times, — Reproduction intégrale sous licence dans (en) « Grade 12 Literacy Assessment: Supporting Materials Compilation » Accès libre [PDF], Government of British Columbia (consulté le ), p. 10-13.
  3. ↑ (en-US) John Cook, « Going beyond Siri and Watson: Microsoft co-founder Paul Allen taps Oren Etzioni to lead new Artificial Intelligence Institute », sur GeekWire, (consulté le )
  4. 1 2 (en) Jacob Demmitt, « Paul Allen’s AI2 launches search engine designed specifically for scientists », sur GeekWire, (consulté le )
  5. 1 2 (en) Ariana Eunjung Cha, « Paul Allen’s AI research group unveils program that aims to shake up how we search scientific knowledge. Give it a try. », The Washington Post,‎ (lire en ligne Accès payant)
  6. ↑ (en) Nicola Jones, « New AI-Based Search Engines are a "Game Changer" for Science Research » Accès payant, sur Scientific American
  7. ↑ Johanna Diaz, « Le Allen Institute for Artificial Intelligence ouvre son incubateur à de nouvelles start-up », sur ActuIA, (consulté le )
  8. ↑ (en) Devin Coldewey, « Allen-backed AI2 incubator aims to connect AI startups with world-class talent », sur TechCrunch, (consulté le )
  9. ↑ (en) Devin Coldewey, « Allen Institute for AI's Incubator expands with $10M fund from high-profile VCs », sur TechCrunch, (consulté le )
  10. ↑ (en) Alison Snyder, « Trying to give AI some common sense », sur Axios, (consulté le )
  11. 1 2 (en-US) Taylor Soper, « Paul Allen to invest $125M for new ‘common sense AI’ project, aims to achieve ‘major breakthroughs’ », sur GeekWire, (consulté le )
  12. ↑ (en) M. J. Prest, « Gifts Roundup: Paul Allen Pledges $125 Million for Artificial-Intelligence Research » Accès payant, The Chronicle of Philanthropy,
  13. ↑ (en) Alan Boyle, « How Paul Allen’s plan to make AI more sensible aims to keep us humans safer », sur GeekWire, (consulté le )
  14. ↑ (en) Clare McGrane, « AI2 taps University of Washington researcher to lead $125M ‘common sense AI’ initiative », sur GeekWire, (consulté le )
  15. ↑ (en) Kurt Schlosser, « Oren Etzioni stepping down as CEO of Allen Institute for AI after nine years at research hub », sur GeekWire, (consulté le )
  16. ↑ (en) Devin Coldewey, « AI2 Incubator scores $200M in compute to feed needy AI startups », sur TechCrunch, (consulté le )
  17. 1 2 3 (en) Todd Bishop, « Apple machine learning leader Ali Farhadi named CEO of Allen Institute for Artificial Intelligence », sur GeekWire, (consulté le )
  18. ↑ (en) Kyle Wiggers, « AI2 is developing a large language model optimized for science », sur TechCrunch, (consulté le )
  19. ↑ (pt-BR) Steve Lohr, « Cientista que vendeu empresa para Apple quer tirar IA do monopólio das big techs », Folha de S.Paulo, (consulté le )
  20. 1 2 (en) Kyle Wiggers, « AI2 open sources text-generating AI models — and the data used to train them », sur TechCrunch, (consulté le )
  21. 1 2 3 (en) Matt O'Brien, « AI nonprofit CEO says 'closed nature' of most artificial intelligence research hinders innovation » Accès libre, sur Associated Press, (consulté le )
  22. 1 2 (en) « Open Source AI Definition (OSAID) - OSI Final Board Report », sur Open Source Initiative (consulté le )
  23. 1 2 3 (en) Peter Clark, Oren Etzioni, Daniel Khashabi et al., « From “F” to “A” on the N.Y. Regents Science Exams: An Overview of the Aristo Project », AI Magazine, vol. 41, no 4,‎ (DOI 10.1609/aimag.v41i4.5304)
  24. 1 2 (en) John Stang, « Is A.I. Smarter Than a Fifth Grader? No. Nor a Fourth Grader. », sur Seattle Weekly, (consulté le )
  25. ↑ Rodney Kinney, Chloe Anastasiades, Russell Authur et Iz Beltagy, The Semantic Scholar Open Data Platform, (DOI 10.48550/ARXIV.2301.10140, lire en ligne)
  26. ↑ (en) Suzanne Fricke, « Semantic Scholar », Journal of the Medical Library Association, vol. 106, no 1,‎ , p. 145–147 (PMID 29339939, PMCID 5764585, DOI 10.5195/jmla.2018.280)
  27. ↑ (en) Devin Coldewey, « AI2’s Semantic Scholar expands to cover 175 million papers in all scientific disciplines », sur TechCrunch,
  28. ↑ (en) Luca Soldaini, Rodney Kinney, Akshita Bhagia et al., « Dolma: an Open Corpus of Three Trillion Tokens for Language Model Pretraining Research », Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics,‎ , p. 15725-15788 (DOI 10.18653/v1/2024.acl-long.840)
  29. ↑ (en) Dirk Groeneveld, Iz Beltagy, Evan Walsh et al., « OLMo: Accelerating the Science of Language Models », Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics,‎ , p. 15789-15809 (DOI 10.18653/v1/2024.acl-long.841)
  30. 1 2 3 Marie-Claude Benoit, « Comment Ai2 démocratise la recherche sur les LLM avec OLMo (Open Language Model) », sur ActuIA, (consulté le )
  31. ↑ (en) Devin Coldewey, « AI2 drops biggest open dataset yet for training language models », sur TechCrunch,
  32. ↑ (en) « Best Paper Awards », sur Association for Computational Linguistics,
  33. ↑ (en) Kaiser Sun et Mark Dredze, « Amuro & Char: Analyzing the Relationship between Pre-Training and Fine-Tuning of Large Language Models », Proceedings of the 10th Workshop on Representation Learning for NLP (RepL4NLP-2025), Association for Computational Linguistics,‎ , p. 131–151 (DOI 10.18653/v1/2025.repl4nlp-1.11, lire en ligne, consulté le )
  34. ↑ (en) « Tracing Multilingual Factual Knowledge Acquisition in Pretraining », Findings of the Association for Computational Linguistics: EMNLP 2025,‎ (lire en ligne)
  35. ↑ (en) Kyle Wiggers, « Ai2 releases new language models competitive with Meta’s Llama », sur TechCrunch,
  36. ↑ (en) « Demystifying Mixed Outcomes of Self-Training: Pre-training Analyses on Non-Toy LLMs », Findings of the Association for Computational Linguistics: EACL 2026,‎ (lire en ligne)
  37. ↑ (en-US) Jonathan Kemper, « OLMo 3 debuts as the first fully open "thinking" model with step-by-step logic exposed to users », sur The Decoder, (consulté le )
  38. ↑ (en) Emilia David, « Ai2’s Olmo 3 family challenges Qwen and Llama with efficient, open reasoning and customization », sur VentureBeat,
  39. ↑ (en) « Olmo 3 7B Instruct Intelligence, Performance & Price Analysis », sur Artificial Analysis (consulté le )
  40. ↑ (en) « Llama 3.1 8B - Intelligence, Performance & Price Analysis », sur Artificial Analysis (consulté le )
  41. ↑ Viktor Moskvoretskii, Dominik Glandorf, Jorge Medina Moreira et Tanja Käser, Tracing Persona Vectors Through LLM Pretraining, (DOI 10.48550/arXiv.2605.13329, lire en ligne)
  42. ↑ (en) Arya Shah, Deepali Mishra et Chaklam Silpasuwanchai, « Too Nice to Tell the Truth: Quantifying Agreeableness-Driven Sycophancy in Role-Playing Language Models », Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), Association for Computational Linguistics,‎ , p. 30788–30801 (DOI 10.18653/v1/2026.acl-long.1421, lire en ligne, consulté le )
  43. ↑ (en) Radhakrishnan Venkatakrishnan, Travis Brodbeck et Michael D. Young, « Who Speaks for Whom? LLM-Generated Survey Data as a Proxy for Public Opinion », Proceedings of the Seventh Workshop on Natural Language Processing and Computational Social Science, Association for Computational Linguistics,‎ , p. 133–148 (DOI 10.18653/v1/2026.nlpcss-1.9, lire en ligne, consulté le )
  44. ↑ Florian A. D. Burnat et Brittany I. Davidson, Measuring Evaluation-Context Divergence in Open-Weight LLMs: A Paired-Prompt Protocol with Pilot Evidence of Alignment-Pipeline-Specific Heterogeneity, (DOI 10.48550/arXiv.2605.06327, lire en ligne)
  45. ↑ Yizhong Wang, Hamish Ivison, Pradeep Dasigi et Jack Hessel, « How Far Can Camels Go? Exploring the State of Instruction Tuning on Open Resources », Advances in Neural Information Processing Systems 36, NeurIPS 2023, Datasets and Benchmarks Track, Neural Information Processing Systems Foundation, Inc. (NeurIPS),‎ , p. 74764–74786 (ISBN 978-1-7138-9911-2, DOI 10.52202/075280-3268, lire en ligne, consulté le )
  46. ↑ (en) Devin Coldewey, « Ai2’s open source Tülu 3 lets anyone play the AI post-training game », sur TechCrunch,
  47. ↑ (en) Nathan Lambert, Jacob Morrison, Valentina Pyatkin et al., « Tülu 3: Pushing Frontiers in Open Language Model Post-Training », Conference on Language Modeling,‎ (lire en ligne)
  48. ↑ (en) W. Shi et al., « DIDS: Domain Impact-aware Data Sampling for Large Language Model Training », Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing,‎ (lire en ligne)
  49. ↑ (en) C.-A. Li et al., « Transferring Textual Preferences to Vision-Language Understanding through Model Merging », Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics,‎ (lire en ligne)
  50. ↑ (en) Will Knight, « The Most Capable Open Source AI Model Yet Could Supercharge AI Agents », sur Wired,
  51. ↑ (en) Devin Coldewey, « Ai2’s Molmo shows open source can meet, and beat, closed multimodal models », sur TechCrunch,
  52. 1 2 (en) Matt Deitke, Christopher Clark, Sangho Lee et al., « Molmo and PixMo: Open Weights and Open Data for State-of-the-Art Vision-Language Models », Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition,‎ (lire en ligne)
  53. ↑ Darryl Hannan, John Cooper, Dylan White et Timothy Doster, Foundation Models for Remote Sensing: An Analysis of MLLMs for Object Localization, (DOI 10.48550/arXiv.2504.10727, lire en ligne)
  54. ↑ (en) A. Pothiraj et al., « CAPTURE: Evaluating Spatial Reasoning in Vision Language Models via Occluded Object Counting », Proceedings of the IEEE/CVF International Conference on Computer Vision,‎ (lire en ligne)
  55. ↑ (en) « VL-RewardBench: A Challenging Benchmark for Vision-Language Generative Reward Models », Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition,‎ (lire en ligne)
  56. 1 2 (en) Todd Bishop, « Allen Institute for AI CEO Ali Farhadi steps down as nonprofit navigates shifting AI landscape », sur GeekWire,
  57. ↑ (en) « The Allen Institute For Artificial Intelligence », sur ProPublica — Nonprofit Explorer (consulté le )
  58. 1 2 3 (en) « NSF and NVIDIA partnership enables Ai2 to develop fully open AI models to fuel U.S. scientific innovation », sur National Science Foundation, (consulté le )
  59. ↑ (en) Kristin Osborne, « Allen School partners with Ai2 to advance open AI and breakthrough science, with support from NSF and NVIDIA », sur Paul G. Allen School of Computer Science & Engineering, (consulté le )
  60. ↑ (en) « CSC and LUMI part of AI2’s OLMo language model », sur CSC – IT Center for Science, (consulté le )
  61. ↑ (en) « Highlights from Ai2 at Google Cloud Next », sur Allen Institute for AI, (consulté le )
  62. ↑ (en) Cade Metz, « Paul Allen Wants to Teach Machines Common Sense », The New York Times,‎ (lire en ligne)
  63. ↑ (en) Todd Bishop, « Allen Institute for AI lands $152M from Nvidia and NSF to lead national AI project », sur GeekWire,
  64. ↑ (en) Todd Bishop, « Microsoft hires former Ai2 CEO Ali Farhadi and key researchers for Suleyman’s AI team », sur GeekWire,