Evo 1 et Evo 2 ont franchi une ligne que l’IA n’avait pas encore traversée : générer des génomes viraux complets, puis voir certains d’entre eux fonctionner en laboratoire. Dans l’étude Stanford–Arc Institute publiée dans Science en 2026, 16 bactériophages conçus par IA ont été jugés fonctionnels après synthèse et test, avec 302 designs construits au total.
La question n’est donc plus seulement de savoir si ces modèles savent proposer des séquences crédibles, mais ce qu’apporte réellement Evo 2 par rapport à Evo 1 en matière d’échelle, de qualité de génération et de capacité à soutenir ce type d’expérience. Le point important pour un comparatif sérieux est le suivant : les sources disponibles documentent très bien les différences techniques entre les deux modèles, mais ne donnent pas de prix public exact ni de part de marché pour Evo 1 ou Evo 2.
Ce que l’expérience Stanford–Arc a réellement démontré
L’avancée la plus importante n’est pas “des virus IA” au sens sensationnaliste, mais la première génération de génomes de bactériophages complets par un modèle génératif, suivie d’une validation expérimentale.
Dans le protocole décrit par les sources, les chercheurs ont utilisé Evo 1 et Evo 2 pour générer des génomes de phages à partir d’une séquence de départ inspirée de ΦX174, un phage bien étudié qui infecte E. coli. Ils ont ensuite synthétisé 302 designs en ADN et testé ces constructions en laboratoire ; 16 se sont révélés viables et capables d’infecter et de tuer des bactéries E. coli.
À retenir : l’innovation mesurée ici n’est pas la simple création de séquences, mais le passage d’un design numérique à un génome expérimentalement fonctionnel.
Les sources convergent aussi sur un point essentiel : ces phages n’ont pas vocation à infecter l’humain, puisqu’il s’agit de bactériophages ciblant E. coli. Autrement dit, le résultat est biologiquement spectaculaire, mais il reste dans un périmètre expérimental très spécifique.
Evo 1 vs Evo 2 : les différences techniques qui comptent vraiment
Evo 2 est surtout une montée en puissance d’Evo 1 sur trois axes : taille du modèle, volume de données et taille de contexte.
| Critère | Evo 1 | Evo 2 |
|---|---|---|
| Paramètres | 7 milliards | 40 milliards |
| Données d’entraînement | 300 milliards de nucléotides | 9,3 trillions de nucléotides |
| Couverture biologique | principalement prokaryotes et phages | plus de 100 000 espèces, du vivant entier |
| Fenêtre de contexte | 131 000 tokens | 1 million de tokens |
| Infrastructure d’entraînement | non précisée dans les sources consultées | environ 2 000 GPU Nvidia H100 |
| Statut de diffusion | non confirmé dans les sources consultées | non confirmé dans les sources consultées |
Ces chiffres sont cohérents entre plusieurs sources secondaires qui reprennent les données de présentation d’Evo 2. La différence la plus structurante est la fenêtre de contexte : passer à 1 million de tokens permet à Evo 2 de traiter des segments biologiques bien plus longs, ce qui est crucial quand on veut raisonner sur des génomes entiers plutôt que sur des fragments.
Evo 1, de son côté, était déjà conçu pour des séquences biologiques longues, avec une fenêtre de 131 000 tokens et un entraînement sur 300 milliards de nucléotides. Cela en faisait déjà un modèle notable pour la génération de séquences génomiques, mais à une échelle nettement inférieure à Evo 2.
Pourquoi Evo 2 a été plus utile que Evo 1 pour créer des phages fonctionnels
La différence clé n’est pas seulement quantitative : elle est aussi qualitative dans la capacité à explorer un espace de conception plus large.
Dans les résultats rapportés, les chercheurs ont généré un grand volume de candidats, puis sélectionné et synthétisé une sous-partie pour test en laboratoire. Les sources indiquent qu’environ 700 000 versions potentielles auraient été produites au cours du processus de génération, avant qu’une sélection plus stricte ne ramène ce nombre à 285 molécules d’ADN testées expérimentalement. Sur ces 285, 16 ont donné des phages fonctionnels.
Ce type de pipeline montre une logique importante : l’IA ne remplace pas l’expérimentation, elle élargit l’espace des hypothèses testables. Evo 2 semble avoir été particulièrement utile pour cela, car sa capacité à ingérer des séquences beaucoup plus longues et plus diverses lui permet de produire des candidats plus riches, plus variés et potentiellement plus viables.
À retenir : Evo 2 ne “crée” pas un virus à lui seul ; il augmente fortement le volume et la diversité des candidats que les chercheurs peuvent ensuite valider en laboratoire.
Les sources disponibles ne donnent pas de benchmark standardisé type MMLU, GPQA ou SWE-bench pour Evo 1 ou Evo 2, car ces modèles sont évalués ici sur une tâche très spécifique de génération génomique et non sur des benchmarks généralistes d’IA texte. Il n’existe donc pas, dans les résultats consultés, de score comparable à un classement de modèle de langage classique.
Ce que dit l’expérience sur les performances mesurables
Le meilleur indicateur de performance disponible ici est expérimental : 16 phages fonctionnels après synthèse sur 302 candidats construits.
Cette donnée est importante pour trois raisons. D’abord, elle montre que la génération n’était pas purement décorative : une fraction des séquences proposées a fonctionné dans le monde réel. Ensuite, elle confirme que les modèles ont produit des génomes suffisamment plausibles pour être assemblés et testés en laboratoire. Enfin, elle suggère que le modèle peut atteindre un niveau de créativité biologique compatible avec la viabilité, ce qui est rare pour un système génératif.
Les sources mentionnent aussi que certains phages conçus par IA ont été décrits comme “exceptionnellement performants” et capables d’éliminer rapidement des bactéries E. coli déjà résistantes à des phages naturels. D’autres résumés indiquent même que certaines constructions auraient été au moins aussi efficaces que le phage naturel ΦX174, avec parfois une réplication plus rapide. Cette dernière comparaison provient d’analyses secondaires, pas du texte de l’étude directement accessible dans les sources consultées, donc elle doit être lue avec prudence.
| Indicateur | Valeur rapportée |
|---|---|
| Designs générés/testés | 302 |
| Phages fonctionnels | 16 |
| Génomes biologiques potentiels explorés | environ 700 000 |
| Espèces couvertes par l’entraînement d’Evo 2 | plus de 100 000 |
| Nucleotides d’entraînement d’Evo 2 | 9,3 trillions |
Le ratio de succès brut est de (16/302), soit environ 5,3 % sur les candidats physiquement construits. Ce chiffre ne mesure pas la “qualité absolue” du modèle, mais il donne un ordre de grandeur utile sur le rendement du pipeline génératif + filtrage + synthèse.
Prix, accès et part de marché : ce qu’on sait vraiment en 2025-2026
Sur le plan économique, les sources consultées ne donnent pas de prix public exact en € ou $ par mois pour Evo 1 ou Evo 2. Elles ne fournissent pas non plus de grille d’abonnement, ni de version grand public comparable à un produit SaaS classique.
La seule information d’accès citée par une source secondaire est que Evo 2 aurait été publié sous licence Apache 2.0 et mis à disposition gratuitement à partir du 12 septembre 2025, sans compte ni demande d’accès, selon cette reprise. Cette affirmation n’est cependant pas confirmée par les autres sources consultées, donc elle ne peut pas être traitée comme un fait solidement établi ici.
Il n’existe pas non plus, dans les sources disponibles, de donnée fiable sur une “part de marché” d’Evo 1 ou Evo 2. C’est logique : il s’agit de modèles de recherche en génomique, pas de produits massivement distribués avec un marché consommateur mesurable comme ChatGPT ou Gemini.
À retenir : sur les critères “prix” et “part de marché”, le comparatif 2025-2026 est presque vide de données publiques vérifiables ; la vraie comparaison se joue sur l’architecture et les résultats expérimentaux.
Comparatif pratique : Evo 1 ou Evo 2 pour la création de virus IA ?
Evo 1 a ouvert la voie, mais Evo 2 est la version qui rend l’expérience de génération de génomes entiers nettement plus ambitieuse.
| Critère | Evo 1 | Evo 2 | Avantage |
|---|---|---|---|
| Taille du modèle | 7B paramètres | 40B paramètres | Evo 2 |
| Données d’entraînement | 300B nucléotides | 9,3T nucléotides | Evo 2 |
| Fenêtre de contexte | 131k tokens | 1M tokens | Evo 2 |
| Diversité biologique | phages / prokaryotes | arbre du vivant plus large | Evo 2 |
| Génération de phages fonctionnels | base de la démonstration | moteur principal du résultat rapporté | Evo 2 |
| Prix public vérifié | non communiqué | non communiqué | aucun |
| Part de marché vérifiée | non disponible | non disponible | aucun |
Evo 1 reste important parce qu’il constitue la base méthodologique : sans lui, il n’y aurait probablement pas eu la même continuité de recherche vers Evo 2. Mais pour la capacité à générer des séquences plus longues, plus variées et potentiellement plus proches de génomes viables, Evo 2 prend clairement l’avantage.
Dans les faits, l’étude de 2026 ne compare pas les deux modèles comme deux produits commerciaux concurrents ; elle les utilise comme deux étapes d’un même programme de recherche. Evo 1 est le socle, Evo 2 la montée en puissance.
Ce que cette avancée change pour la bio-sécurité
La démonstration a immédiatement soulevé des questions de bio-sécurité, car un modèle capable de proposer des génomes complets peut aussi abaisser la barrière d’entrée pour la conception de séquences biologiques complexes.
Les sources rappellent toutefois que les virus obtenus ciblent E. coli et ne sont pas des virus humains. Cela limite le risque direct dans le cas documenté, mais pas la question plus large : que se passerait-il si des modèles de ce type étaient appliqués à d’autres systèmes biologiques ? Les sources consultées ne donnent pas de réponse expérimentale à cette question, mais elles montrent clairement pourquoi elle est discutée.
La prudence vient aussi du fait que la validation biologique a nécessité une forte intervention humaine : sélection des candidats, synthèse chimique, assemblage, tests et interprétation. L’IA n’a donc pas “fabriqué” un virus autonome ; elle a fourni des designs que des chercheurs ont ensuite rendus matériels et testables.
Notre avis : Evo 2 change d’échelle, pas de nature
Evo 2 est une avancée nette et mesurable par rapport à Evo 1 : 40 milliards de paramètres contre 7 milliards, 9,3 trillions de nucléotides contre 300 milliards, et une fenêtre de contexte de 1 million de tokens contre 131 000. C’est cette montée en échelle qui a rendu possible le pipeline ayant mené à 16 phages fonctionnels.
Notre lecture Brief IA est donc simple : Evo 1 a prouvé que la voie était ouverte, Evo 2 a montré que cette voie pouvait mener à des génomes entiers fonctionnels dans un cadre expérimental. Sur les six prochains mois, le vrai enjeu ne sera pas de savoir si l’IA peut dessiner un virus, mais jusqu’où ce type de génération pourra être encadré, reproduit et audité sans perdre le contrôle du processus.
Si l’on résume le comparatif de façon stricte, Evo 2 gagne sur tous les critères techniques documentés, tandis que les critères économiques demandés — prix mensuel exact et part de marché — restent non publiés dans les sources vérifiables consultées. La prochaine grande question est donc moins “Evo 1 ou Evo 2 ?” que “quelles règles faut-il imposer quand un modèle sait déjà écrire un génome entier ?”