Des chercheurs dévoilent AI Model Atlas, une carte 3D rassemblant plus de 100 000 modèles d'IA sur Hugging Face
Une équipe de l'Université hébraïque de Jérusalem crée un outil de visualisation interactive révélant la « généalogie » de plus de 100 000 modèles d'IA dans un graphe 3D explorable depuis le navigateur
Le monde de l'IA compte désormais des centaines de milliers de nouveaux modèles open-source, au point qu'il est presque impossible de savoir d'où vient chaque modèle. Une équipe de recherche menée par Eliahu Horwitz de l'Université hébraïque de Jérusalem vient de lancer le projet AI Model Atlas, un outil de visualisation interactive qui rassemble une quantité massive de modèles de Machine Learning — dont plus de 100 000 modèles de NLP (traitement du langage naturel) hébergés sur la plateforme Hugging Face — et les représente sous forme de graphe 3D interconnecté.
Cette carte ne se contente pas d'afficher joliment des points représentant les modèles : elle montre aussi la « généalogie » (lineage) de chacun — quel modèle a été fine-tuné à partir de quel autre, quel modèle résulte de la fusion (merge) de plusieurs modèles, et quelles architectures descendent de quels modèles d'origine. Les utilisateurs peuvent cliquer, zoomer et explorer les clusters de modèles directement dans leur navigateur, grâce à la technologie de graphes 3D Cosmograph/WebGL.
Le projet repose sur le concept de Weight-Space Learning, c'est-à-dire l'apprentissage par l'exploration des « poids » (weights) de modèles existants, plutôt que l'entraînement d'un nouveau modèle à partir de zéro. Selon l'équipe, cette approche favoriserait le Model Recycling — la réutilisation d'anciens modèles pour en créer de nouveaux — réduisant à la fois les coûts et l'énergie liés aux entraînements redondants.
Le projet possède de solides fondations académiques, avec un article publié sur arXiv (n° 2503.10633) et une présentation à la conférence NeurIPS, l'un des plus grands rendez-vous scientifiques internationaux en IA, sous l'idée « We Should Chart an Atlas of All the World's Models » — qui vise à faire de la cartographie des modèles d'IA mondiaux une norme du secteur.
Lorsque l'origine des modèles d'IA devient transparente, les développeurs thaïlandais peuvent choisir des modèles de base fiables et les faire évoluer en toute légitimité, tout en évitant le coût d'un entraînement à partir de zéro — un enjeu crucial pour les équipes au budget limité.