Lev adapte la profondeur de décision à chaque question, à poids constants
Selon un article du média Jiqizhixin publié le 2 novembre 2026, Lehigh et d'autres institutions présentent Lev, un modèle de décision récurrent : à chaque tour, il lit une fois les probabilités des options ; les mêmes poids peuvent servir à différentes profondeurs, et un mécanisme d'arrêt fixe le nombre de tours par question. Sur JevBench, Lev-2.6B passe de 63,2 % à un tour à 76,2 % à quatre tours.
Ce qui change
Selon un article du média Jiqizhixin du 2 novembre 2026, des chercheurs de Lehigh University, de l'Université de la Colombie-Britannique et du Vector Institute ont présenté Lev, un modèle de décision qui approfondit le raisonnement par récurrence plutôt que par chaîne de pensée. Il reprend la forme de tâche de modèles de décision tels que Jev et Kev : une requête contient un état et plusieurs questions accompagnées d'options candidates, et le modèle donne directement la probabilité de chaque option, sans générer de texte. La différence tient au socle : Lev passe à Ouro ou à Nanbeige4.2, qui intègrent déjà une récurrence dès le pré-entraînement ; le même groupe de couches de décodage est exécuté de façon répétée et, après chaque tour, une tête pointeur partagée lit une fois les probabilités des options. La tête pointeur et les adaptateurs LoRA sont partagés entre les tours, et la perte est moyennée sur tous les tours, de sorte qu'un même checkpoint est un modèle de décision utilisable à chaque profondeur. Un mécanisme d'arrêt par régression logistique, propre à chaque profondeur, décide du tour auquel chaque question s'arrête. Les auteurs qualifient ce mode de calcul de System 1.5 : l'interface continue de donner directement une décision, mais les questions difficiles peuvent consommer plus de calcul. L'article présente trois modèles : Lev-1.4B (Ouro-1.4B, jusqu'à 4 tours), Lev-2.6B (Ouro-2.6B, 4 tours) et Lev-3B (Nanbeige4.2-3B, 2 tours). Pour Nanbeige, la perte ne porte que sur le dernier tour lors du pré-entraînement ; ce modèle sert à vérifier si Lev dépend de tours intermédiaires supervisés. Sur les 231 questions publiques de JevBench, Lev-2.6B passe de 63,2 % à un tour à 76,2 % à quatre tours, soit 13,0 points de pourcentage (intervalle de confiance à 95 % : 7,4 à 19,0), sans changer de poids : seule la profondeur de récurrence varie. La cible de prédiction de l'arrêt n'est pas « la réponse est-elle correcte ? », mais « la réponse actuelle est-elle déjà identique à celle du tour le plus profond ? » ; le seuil retenu est le plus petit qui permet à au moins 98 % des réponses finales de coïncider avec la réponse la plus profonde, si bien que la calibration ne nécessite pas d'étiquettes humaines. L'article, le code, les trois modèles et les trois jeux de données ont tous été rendus publics ; le compte rendu ne précise pas sous quelle licence les poids sont distribués et ne donne pas de conditions commerciales. Il souligne aussi que Lev est une implémentation indépendante qui ne ressemble à OpenAI Decisions que par la forme de la tâche : elle ne reproduit ni ses poids, ni son architecture, ni son API, et n'a pas été comparée à son produit en termes de performance.
Conséquences pour les développeurs
Pour les développeurs, le changement ne réside pas dans le nombre de paramètres, mais dans le déplacement de la « profondeur de calcul » du moment de l'entraînement vers celui du service. Un passage avant unique d'un modèle de décision coûte peu, mais la quantité de calcul est fixée à l'entraînement : une question simple et une question difficile coûtent le même prix ; la chaîne de pensée rend les questions difficiles plus précises, au prix de payer du texte de raisonnement pour chaque question. Dans la comparaison citée par l'article, activer la réflexion sur un même socle de 26B améliore les questions difficiles de 9 à 13 points, tandis que le temps médian sur ces questions devient trois à quatre fois plus long. Lev fait en sorte que des poids identiques offrent des points de fonctionnement différents selon le nombre de tours : l'article indique que la profondeur à la demande n'utilise, sur deux jeux de test mis de côté, que 76 % à 85 % du calcul en boucle du tour le plus profond, pour un écart de précision de 0,3 à 0,8 point. Les limites du gain sont tout aussi concrètes. En nombre d'opérations en virgule flottante, l'article indique que Lev est à égalité avec les approches denses, voire plus coûteux en calcul, car chaque tour exécute tout le socle ; l'avantage se situe dans la latence, pas dans la puissance de calcul : entre 39 et 46 millisecondes, Lev-1.4B et Lev-3B à la demande dépassent de 7,0 à 8,8 points des cascades de même latence, et devancent la meilleure solution dense de 5,4 à 7,5 points ; en revanche, Lev-2.6B à environ 150 millisecondes n'est pas meilleur que Kev-4B utilisé directement. La profondeur n'apporte pas seulement des corrections : sur LevBench, le premier tour supplémentaire corrige 20,4 % des cas et en dégrade 8,6 %, tandis que 12,6 % des questions sont correctes en surface mais fausses au tour le plus profond ; un mécanisme d'arrêt ciblant « l'accord avec le tour le plus profond » ne peut pas rattraper ces cas. Les types de tâches diffèrent aussi : la compréhension du langage gagne 19,0 points, tandis que les jugements de goût comme l'humour et les préférences de couleur n'en profitent pas. Les auteurs supposent que les tours supplémentaires fournissent le calcul séquentiel nécessaire pour combiner plusieurs faits, alors que les jugements de goût n'ont pas besoin de ce type de calcul ; cette explication mécaniste n'a pas été vérifiée indépendamment et ne doit pas être considérée comme une conclusion causale confirmée.
Intégration et évaluation
Les conseils ci-dessous sont conditionnels et ne constituent pas des faits rapportés. D'abord, décidez si vous voulez la profondeur à la demande avant de changer de modèle. Le changement rapporté est le suivant : par rapport au tour le plus profond, la profondeur à la demande permet d'économiser 15 % à 24 % du calcul ; mais l'avantage face à un mélange de profondeurs fixes à coût égal est faible — Lev-2.6B n'est que 0,2 point au-dessus sur le jeu mis de côté, et Lev-3B 1,0 point au-dessus ; et transformer l'économie de tours de boucle en débit en ligne exige encore que le serveur prenne en charge le regroupement et l'ordonnancement de requêtes à profondeurs différentes, ce que l'article précise ne pas avoir fait. Si votre pile d'inférence ne sait pas encore regrouper par profondeur ou sortir plus tôt, il est conseillé de commencer avec deux tours fixes en production ; n'investissez dans l'arrêt que si vous voulez réellement réserver un budget de queue aux questions difficiles et êtes prêt à modifier l'ordonnancement. La condition est que le surcoût de remplissage (padding) et d'ordonnancement entre différents nombres de tours dans un même lot soit acceptable. Le critère mesurable est le suivant : sur un échantillon de votre propre trafic, la profondeur à la demande ne doit pas être inférieure à la frontière à coût égal de la variante à deux tours fixes, tout en faisant baisser le nombre de tours au 95e centile d'au moins 15 % ; si la latence p95 ne s'améliore pas après la modification, le goulot d'étranglement est l'ordonnancement, pas le nombre de tours. Deuxièmement, le seuil d'arrêt doit être recalibré sur votre propre trafic. L'article montre que, sur des données étiquetées, régler le seuil pour « répondre correctement » fait tomber les deux modèles Ouro sous la frontière des profondeurs fixes ; en revanche, avec pour cible « l'accord avec la réponse la plus profonde » et une calibration sur des requêtes cibles non étiquetées, un simple seuil de probabilité maximale ne perd que 0,2 point par rapport à l'arrêt complet, avec 500 questions par pli. La méthode consiste à enregistrer les sorties de chaque tour sur vos propres requêtes métier et à choisir le seuil avec l'étiquette « accord avec la réponse à profondeur maximale », sans reprendre directement les seuils de l'article. La condition est de pouvoir exécuter une passe complète à profondeur maximale hors ligne : non étiqueté ne signifie pas gratuit. Le critère est un taux d'accord d'au moins 98 % entre les réponses à sortie anticipée et les réponses à profondeur maximale sur le trafic mis de côté ; si l'action en aval est irréversible, relevez ce seuil et fixez-le selon le coût métier des erreurs. Troisièmement, avant de remplacer le raisonnement génératif par une interface de décision, faites une comparaison stratifiée. Le compte rendu indique que Lev ne produit que des probabilités sur les candidats, sans texte d'explication, alors que l'activation de la réflexion apporte 9 à 13 points sur les questions difficiles mais allonge le temps plusieurs fois. Pour des tâches comme le routage d'outils, la classification ou le classement d'actions, on peut d'abord comparer les deux approches sur un petit échantillon ; les scénarios qui exigent des justifications ou une trace auditable devraient conserver la voie générative. La condition est que la tâche puisse être énumérée en un ensemble de candidats. Le critère est, sur le même jeu d'évaluation, une précision qui ne baisse pas, une latence p50 dans le budget, et un décompte séparé de la proportion de cas dégradés, pas seulement le gain net. Quatrièmement, n'ajoutez pas de récurrence autour d'un socle dense. Le compte rendu mentionne qu'en connectant les 8 couches intermédiaires de Qwen3.5-0.8B en récurrence à portes puis en entraînant selon la recette de Kev, la précision change de moins d'un demi-point et la porte reste toujours proche de zéro. Si vous voulez un réglage de profondeur, partez d'un socle récurrent natif ; si vous tentez quand même, vérifiez d'abord si la valeur de la porte quitte zéro et si la courbe de précision par tour a une pente : une courbe plate signifie que la récurrence n'est pas utilisée.
Limites et points à confirmer
Les modèles récurrents de l'article ne couvrent que des tailles de 1,4B à 3B, la seule échelle publiquement disponible ; on ne sait pas si la courbe de profondeur tient sur des modèles plus grands ; les conclusions de JevBench ne reposent que sur 231 questions publiques. Le « moins de calcul » de la profondeur à la demande est un décompte hors ligne des tours de boucle, pas un temps en ligne ; les chiffres de latence proviennent d'une seule H200, en bf16, avec une requête à la fois, sans opérateurs fusionnés, capture de graphe ni cache d'état, et sans optimisation serveur : les mesures changeront en production. Les 12,6 % de cas « corrects en surface, faux en profondeur » montrent que l'approfondissement n'est pas monotone. Côté licence, l'article dit seulement que le code, les modèles et les données ont été rendus publics ; il ne précise pas la licence des poids. La publication des poids ne vaut pas licence open source : vérifiez les conditions du dépôt avant un usage commercial. Lev-1.4B, Lev-2.6B et Lev-3B ne figurent pas dans le catalogue de modèles de KimiSeek à la date de vérification du catalogue ; la disponibilité mentionnée dans l'article renvoie au dépôt et aux poids publiés par les auteurs, pas au statut de mise en service chez KimiSeek, et n'implique pas l'existence d'une API fournisseur. Si un service hébergé apparaît un jour, sa disponibilité dépendra du fournisseur concerné. Les chiffres ci-dessus proviennent de l'article de Jiqizhixin et de la description publique de l'article ; ils n'ont pas été reproduits ni mesurés indépendamment.