OpenSeeker défie OpenAI et Alibaba avec son modèle IA

OpenSeeker : une alternative open-source aux géants de l'IA

OpenSeeker se présente comme un agent de recherche IA entièrement open-source, conçu pour opérer de manière autonome sur le web à divers niveaux. Ce qui distingue OpenSeeker, c'est sa transparence totale : toutes les données d'entraînement, le code source et les poids du modèle sont disponibles publiquement. L'objectif affiché est ambitieux : mettre fin au monopole des données détenu par des entreprises majeures telles qu'OpenAI ou Alibaba.

Le modèle d'OpenSeeker est formé à partir de questions qui émergent de la structure des liens du web, une méthode qui va au-delà des simples recherches. Grâce à un processus d'apprentissage de type enseignant-élève, le modèle est capable d'extraire des informations pertinentes même à partir de données bruyantes.

Malgré des ressources d'entraînement limitées, OpenSeeker parvient à se mesurer à des systèmes beaucoup plus gourmands en ressources, bien qu'il ne puisse encore égaler les modèles propriétaires les plus avancés.

Avec seulement 11 700 points de données d'entraînement et une unique session d'entraînement, OpenSeeker parvient à obtenir des résultats comparables à ceux de géants comme Alibaba. Toutes les données, le code et le modèle sont accessibles librement, marquant une avancée significative vers une IA plus ouverte.

Le monopole des données dans le domaine des agents de recherche IA

Les agents de recherche IA puissants, capables de naviguer et de collecter des informations sur internet de manière autonome, ont longtemps été le domaine réservé des grandes entreprises technologiques. Des acteurs comme OpenAI, Google et Alibaba protègent jalousement leurs données d'entraînement. Même lorsque certains projets partagent les poids de leurs modèles, les données sous-jacentes restent souvent inaccessibles.

Ce contrôle strict des données a ralenti la progression de la recherche ouverte pendant près d'un an, selon des chercheurs de l'Université Jiao Tong de Shanghai. Avec OpenSeeker, ces chercheurs visent à renverser cette tendance en rendant toutes les données d'entraînement, le code et les poids du modèle disponibles sous licence MIT.

Une approche innovante basée sur la structure des liens web

OpenSeeker repose sur deux concepts clés pour générer ses données. Pour les paires question-réponse, l'équipe utilise la véritable structure des liens du web comme point de départ, générant des questions à partir de cette base. Le système commence par des pages de départ choisies aléatoirement dans un corpus web d'environ 68 Go de données en anglais et 9 Go de données en chinois, puis suit les hyperliens vers des pages connexes pour extraire les informations cruciales.

Les noms et termes spécifiques sont ensuite remplacés par des descriptions vagues, empêchant ainsi une simple recherche par mots-clés de fournir la réponse. Cela oblige à une véritable recherche et à un raisonnement en plusieurs étapes.

Un processus de filtrage en deux étapes élimine les questions inutilisables : un modèle de base solide ne doit pas pouvoir répondre sans outils, mais doit être capable de résoudre les questions avec un contexte complet. Si l'une des conditions échoue, la question est rejetée.

La seconde idée se concentre sur les chemins de recherche que le modèle apprend. Les pages web contiennent souvent du bruit qui peut dégrader la qualité des chemins de solution enregistrés. Lors de la génération de données, un modèle enseignant reçoit un résumé nettoyé des résultats de recherche précédents pour prendre de meilleures décisions.

Pendant l'entraînement, le modèle étudiant voit les données brutes, non nettoyées, mais doit reproduire les décisions de haute qualité du professeur. Cela l'oblige à apprendre à distinguer le signal du bruit par lui-même.

La qualité des données prime sur la quantité

OpenSeeker est basé sur le modèle Qwen3-30B-A3B et a été entraîné avec seulement 11 700 points de données lors d'une unique session, utilisant un ajustement supervisé sans apprentissage par renforcement ni ajustements répétés.

Selon l'article, le modèle a atteint un score de 48,4 % sur le benchmark BrowseComp-ZH en langue chinoise, surpassant le modèle Tongyi DeepResearch d'Alibaba qui a obtenu 46,7 %. Le modèle d'Alibaba a suivi un processus en trois étapes d'entraînement prolongé, d'ajustement supervisé et d'apprentissage par renforcement.

Sur le benchmark BrowseComp en langue anglaise d'OpenAI, OpenSeeker obtient 29,5 %, presque le double des 15,3 % de DeepDive, le précédent leader parmi les agents entièrement ouverts.

Une comparaison avec MiroThinker met en évidence l'importance de la qualité des données par rapport à la quantité brute : ce modèle a été alimenté avec 147 000 exemples d'entraînement mais n'atteint que 13,8 % sur BrowseComp-ZH. OpenSeeker atteint un score 3,5 fois supérieur avec moins d'un douzième des données.

Les données d'entraînement en chinois d'OpenSeeker nécessitent en moyenne 46 appels d'outils par tâche, contre seulement 27 pour BrowseComp-ZH.

Il reste cependant un écart avec les systèmes propriétaires les plus puissants. Le GPT-5-High d'OpenAI atteint 54,9 % sur BrowseComp, et DeepSeek-V3.2 avec 671 milliards de paramètres atteint 51,4 %. OpenSeeker fonctionne avec une fraction de la taille du modèle et de l'effort d'entraînement.

La question de l'accès aux données d'entraînement de haute qualité est un enjeu central dans l'industrie de l'IA depuis un certain temps. L'année dernière, une équipe de recherche a publié le Common Pile, un ensemble de données textuelles de 8 To construit à partir de sources sous licence ouverte. Jusqu'à présent, cela n'a pas beaucoup contribué à ébranler la domination des modèles commerciaux.