# Pathway signe 29,2 % sur ARC-AGI-1 à 0,0007 dollar la tâche > Pathway obtient 29,2 % au test ARC-AGI-1 avec BDH-CQ, un modèle à raisonnement latent entraîné sur Amazon SageMaker HyperPod. Type : Actualité IA · Catégorie : Outils · Publié le 2026-09-09 · Signal IA - Order & Chaos Source : https://www.orderchaos.eu/signal-ia/actu/pathway-atteint-292-pourcent-sur-arc-agi-1-avec-son-ia-latente Tags : raisonnement latent, infrastructure ia, modèles de langage, sagemaker, efficacité, benchmark, raisonnement, inference --- ## En résumé - Pathway développe BDH-CQ pour raisonner dans un état latent récurrent. - BDH active généralement 5 % de ses neurones à chaque instant. - BDH-CQ atteint 29,2 % en pass@2 sur ARC-AGI-1. **Le signal :** BDH-CQ atteint 29,2 % en pass@2 sur ARC-AGI-1, pour un coût annoncé de 0,0007 dollar par tâche. **Pathway avance** Le modèle BDH-CQ de Pathway a obtenu 29,2 % en pass@2 sur ARC-AGI-1. Le résultat est associé à un coût annoncé de 0,0007 dollar par tâche. Le test présente quelques exemples avant-après d’une règle visuelle inconnue. Le système doit ensuite déduire cette règle et l’appliquer à une nouvelle grille. Pathway présente BDH-CQ comme un système de [raisonnement](/signal-ia/actu/alpamayo-2-pulverise-gpt-4o-de-232-pts-sur-lingoqa) qui calcule dans un espace latent récurrent. Il décode uniquement ses réponses candidates. Il ne génère donc pas de longue trace textuelle intermédiaire. Le résultat communiqué concerne ARC-AGI-1 en août 2026. Il illustre la position de Pathway sur l’efficacité coût-précision. **BDH change l’approche** BDH remplace une séquence de raisonnement verbalisée par des calculs itératifs dans un état latent. Son architecture repose sur un graphe de neurones qui communiquent localement et de manière parcimonieuse. Les connexions entre neurones conservent l’état et les fonctions de mémoire. Le modèle adapte ses états pendant le contexte sans mettre à jour ses poids au moment du test. Pathway indique que l’horizon de raisonnement ne dépend pas d’une fenêtre de contexte fixe. BDH-CQ ajoute l’apprentissage en contexte au modèle BDH. Il explore plusieurs hypothèses en parallèle grâce à des communautés de neurones représentant des solutions candidates. ## BDH utilise des connexions locales **Une activation parcimonieuse** BDH active généralement 5 % de ses neurones à un instant donné. Cette activation réduite limite le calcul nécessaire à chaque étape d’inférence, selon la présentation de Pathway. Le modèle applique aussi un mécanisme d’attention linéaire sur des états fixes et de grande dimension. Cette conception vise à traiter des séquences plus longues sans la complexité croissante associée aux longues séquences des transformeurs. Les états du modèle correspondent directement aux connexions synaptiques entre paires de neurones. Pathway présente cette correspondance comme un moyen d’améliorer la visibilité du raisonnement. BDH utilise PyTorch et s’appuie sur le principe d’apprentissage hébien selon lequel des neurones activés ensemble renforcent leurs connexions. **AWS fournit l’infrastructure** Pathway développe BDH sur Amazon SageMaker HyperPod pour distribuer son entraînement. HyperPod propose un environnement géré pour entraîner des [modèles de langage](/signal-ia/actu/13-ia-revelent-le-mario-quelles-imaginent) et des modèles de fondation sur des centaines ou milliers de GPU. Pathway utilise des instances Amazon EC2 p5en.48xlarge équipées de GPU NVIDIA H200. Chaque instance dispose d’une performance réseau pouvant atteindre 3 200 Gbit/s. Les instances sont reliées par Elastic Fabric Adapter et fonctionnent dans un Amazon EC2 UltraCluster. Pathway surveille ses entraînements avec Amazon Managed Service for Prometheus et Amazon Managed Grafana. Cette observabilité permet de suivre l’utilisation des GPU, la mémoire et les communications entre nœuds. ## BDH-CQ mesure son coût sur ARC-AGI **Le résultat reste ciblé** Le score de 29,2 % en pass@2 constitue le résultat communiqué par Pathway pour ARC-AGI-1. Le coût annoncé s’élève à 0,0007 dollar par tâche. Le [benchmark](/signal-ia/actu/apple-booste-lefficacite-avec-arbitrage-ia) évalue l’acquisition d’une règle à partir d’exemples visuels, puis son application à une nouvelle grille. Pathway relie ce type de raisonnement à des usages comme l’analyse d’incidents de cybersécurité, la coordination de réseaux de transport et les opérations industrielles en temps réel. Ces applications sont présentées comme des cas où les informations et contraintes évoluent. Nicolas Tarducci, responsable de l’architecture des solutions pour les jeunes entreprises chez AWS en Europe, au Moyen-Orient et en Afrique, décrit cette approche comme une piste pour déployer des systèmes de raisonnement plus efficacement à grande échelle. **Les prochaines étapes techniques** Pathway poursuit le développement de BDH comme architecture post-transformeur fondée sur une mémoire récurrente et un calcul local. L’entreprise présente BDH comme une architecture inspirée des réseaux biologiques sans échelle. Elle met en avant quatre principes : interaction locale, activité parcimonieuse, état persistant et ajustement continu. Le dépôt [BDH de Pathway](https://github.com/pathwaycom/bdh) accompagne cette approche. Les travaux théoriques sont également présentés dans [un article arXiv sur BDH](https://arxiv.org/pdf/2509.26507). Côté infrastructure, AWS documente l’observabilité distribuée dans [son dépôt Prometheus et Grafana](https://github.com/awslabs/awsome-distributed-ai/tree/main/observability/prometheus-grafana). BDH-CQ doit ainsi continuer à tester le raisonnement latent sur des problèmes visuels et des calculs distribués.