BDH-CQ
Mis à jour le
En bref
BDH-CQ est un modèle de raisonnement de 150 millions de paramètres qui résout des tâches par calcul itératif dans un espace latent, sans verbaliser son raisonnement, pour un coût jusqu'à 11 fois inférieur à un modèle comparable d'OpenAI sur ARC-AGI-1.
📖 Définition
💬 En termes simples
Comme un joueur d'échecs qui calcule plusieurs coups à l'avance en silence, sans jamais murmurer sa réflexion à voix haute avant de jouer.
🎯 Exemple concret
Dans son préprint du 10 août 2026, Pathway montre que la configuration à 150 millions de paramètres de BDH-CQ résout 29,5 % des tâches ARC-AGI-1 pour 0,0007 $ US chacune, contre 0,040 $ US pour GPT-5.6 Luna (Low) d'OpenAI.
💡 Le saviez-vous ?
Un coût d'inférence plus bas, comme les 0,0007 $ US par tâche de BDH-CQ, n'équivaut pas automatiquement à une consommation électrique réduite : ce sont deux mesures distinctes, rarement rendues publiques ensemble.
📖 Pour aller plus loin
❓ Questions fréquentes
Pourquoi BDH-CQ coûte-t-il moins cher à faire fonctionner?
Qu'est-ce que le test ARC-AGI-1?
Est-ce que BDH-CQ remplace des modèles comme ChatGPT?
📚 Sources
- BDH-CQ: In-Context Learning with Recurrent Latent Reasoning (préprint) (Björn Engdahl et al. (Pathway), 2026)
- The Dragon Hatchling: The Missing Link between the Transformer and Models of the Brain (préprint) (Adrian Kosowski et al. (Pathway), 2025)
🔗 Termes liés
🏷️ Catégorie parente