1 Million de Jetons en Une Réponse : Pourquoi les Longs Chantiers Cassent la Limite

Les gros chantiers échouent rarement parce que le modèle ignore tout, mais parce que la réponse se coupe en deux. L'animateur part d'une frustration connue des développeurs : des modèles Flash rapides et bon marché portent le quotidien, tandis que les tâches dures souffrent d'un contexte fragile et d'une continuité brisée. L'affirmation est audacieuse : un modèle Google expérimental nommé Argon écrirait 1 million de jetons en une seule réponse, environ huit fois les limites actuelles. Je traite ce chiffre comme une affirmation du présentateur, en séparant ses dires des données indépendantes.

Le décor d'abord. Le narrateur raconte que Google n'a publié que des variantes Flash après la Gemini 3.1 Pro du printemps, laissant les développeurs attendre un vaisseau amiral capable d'affronter Claude et GPT sur les tâches dures. Une partie se vérifie dans les fiches publiques : la fiche Artificial Analysis (artificialanalysis.ai) attribue 30 points à la Gemini 3.1 Pro Preview sur l'indice d'intelligence avec une fenêtre de contexte d'un million de jetons. Le score de 53 et le bond de 23 points attribués à Argon n'existent que dans la vidéo, sans entrée Argon dans les tables indépendantes. Le déploiement par étapes appelle la même prudence : partenaires cybersécurité et testeurs de confiance d'abord, puis API payante et abonnés Ultra. Ces ouvertures graduées sont familières, car les très longues exécutions exigent un calcul lourd.

Pourquoi la limite de sortie fragmente le travail des agents

Limite de sortie et fenêtre de contexte se confondent souvent, mais elles diffèrent. La fenêtre dit ce que le modèle peut lire ; la limite dit ce qu'il peut écrire en une réponse. Le présentateur place les anciens modèles Google vers 64 000 et le camp Opus et GPT-6 Astra vers 128 000. Il existe un ancrage indépendant : le guide ClaudeLab (claudelab.net) documente pas à pas le support de 128 000 en sortie sur Opus 4.6 et Sonnet 4.6. Donc 128 000 est un repère réel du secteur, tandis qu'un million reste pour l'instant une affirmation propre à Argon. Comme les modèles utilisent une génération autorégressive , chaque nouveau morceau s'écrivant au regard de tout ce qui précède, un agent au plafond doit résumer puis redémarrer dans une réponse fraîche.

Ce redémarrage n'est pas un simple bouton continuer. L'agent s'arrête, compresse le progrès accompli, puis ouvre une nouvelle réponse ; à chaque passage, noms de variables, décisions antérieures et cas limites rares s'estompent. L'hôte cite trois bénéficiaires concrets : les migrations de code appliquant la même modification soigneuse à des centaines de fichiers, des suites de tests complètes écrites avec cohérence sur tout un dépôt, et des rapports de recherche profonds qui lisent, raisonnent puis rédigent de longs documents sans caler. Le point douloureux sonne juste pour les équipes. L'exemple vedette reste au niveau d'affirmation : un vrai décodeur vidéo aurait été réécrit depuis environ 32 000 lignes de code bas niveau pour tourner 2,7 fois plus vite, sans rapport reproductible joint.

Le prix de l'ingénierie : accumulation d'erreurs et mémoire

Deux barrières expliquent pourquoi tous les laboratoires ne livrent pas d'immenses sorties. D'abord l' accumulation d'erreurs : même des étapes presque parfaites se combinent mal sur de longues chaînes, ce que l'hôte illustre par un petit calcul de probabilité autour de 99 pour cent de fiabilité par étape. Ensuite la mémoire : chaque morceau écrit doit être retenu pendant la production du suivant, donc des réponses plus longues exigent plus de mémoire par étape. La recherche prend cela au sérieux : des travaux sur arXiv (arxiv.org) mesurent comment de petites dérives du cache clé-valeur dégradent la qualité sur de longues générations. Pour le cadre officiel, la fiche DeepMind (deepmind.google) de Gemini 3.1 Pro liste capacités, limites et évaluations de sûreté, une bonne grille pour lire les promesses de long contexte.

La solution décrite dans la vidéo paraît plausible : une très longue réponse est mise en pause puis reprise lors d'appels suivants, si bien que rien n'expire à mi-chemin. L'hôte parle de continuation de décodage long. À environ 100 jetons par seconde, un million complet prendrait près de trois heures d'écriture, donc l'objet vise des chantiers longs et soigneux plutôt que des correctifs rapides. L'attente compte ici : écrire plus long ne veut pas dire finir plus vite, mais finir avec moins de fractures. Côté vitesse, la donnée indépendante vient encore de la fiche Artificial Analysis : la Gemini 3.1 Pro Preview tourne à 115 jetons par seconde, parmi les modèles rapides, donc l'infrastructure semble prête pour la course longue.

Tableau des scores : ce que chaque test mesure

C'est la section qui exige la lecture la plus attentive, car tous les chiffres ne partagent pas la même échelle. Selon le présentateur, Argon mène un test d'ingénierie logicielle réel à 77,9 contre des rivaux vers 74, arrive premier sur un banc d'automatisation et domine le classement Arena textuel voté par des humains, tout en restant derrière Opus sur Frontier SWE et les tests de codage en terminal. La littératie des bancs est essentielle pour interpréter cet écart : le guide Dreaming Press (dreaming.press) souligne qu'un score de codage est un score modèle plus harnais, le même modèle affichant des résultats très différents selon le montage agentique. La recherche sur arXiv (arxiv.org) sur l'effet de harnais appuie l'avertissement, traitant le choix du montage comme une variable cachée. Côté préférence humaine, le classement textuel LMArena (lmarena.ai) offre une table vivante bâtie sur des millions de votes, et toute première place autoproclamée doit se lire face à cette distribution.

D'après la couverture méthodologique relayée via artificialanalysis.ai, les chiffres d'hallucination et d'exactitude exigent la même séparation prudente, et la partie la plus enthousiasmante de la vidéo est aussi la plus facile à mal lire. L'affirmation : Argon afficherait environ 15 pour cent d'hallucination contre 51 pour cent environ pour Astra rivale, parmi les plus bas mesurés à ce niveau. Pourtant l'exactitude sur le même test s'inverse, 50 pour Argon contre 63 pour Astra. Autrement dit, le modèle mène non parce qu'il sait plus de faits, mais parce qu'il se tait quand il ignore. En pratique d'ingénierie, cette distinction vaut de l'argent réel, car une API fabriquée ou une bibliothèque inexistante peut brûler des heures. Ces taux restent toutefois des mesures relayées par la vidéo ; aucune table indépendante ne liste Argon, donc je les porte comme affirmations du présentateur.

Prix, cache et préparation avant essai

Le tarif semble agressif au premier regard : 2 dollars le million de jetons en entrée, 10 dollars en sortie, avec l'entrée en cache 95 pour cent moins chère. La structure correspond aux fiches réelles : la fiche Artificial Analysis (artificialanalysis.ai) liste le même prix d'entrée à 2 dollars et une remise de cache de 90 pour cent pour la Gemini 3.1 Pro Preview. Le mécanisme lui-même est documenté : la documentation Claude (platform.claude.com) explique comment le cache se configure pour les charges à long contexte et pourquoi des correspondances exactes sont requises. L'hôte ajoute que le prix de lancement est introductif et que le coût par tâche compte plus que le prix par jeton ; les appétits cités d'environ 62 000 contre 27 000 jetons par tâche restent des chiffres vidéo uniquement. Ses quatre étapes de préparation sont sensées : choisir une longue tâche où le modèle actuel peine, activer le cache, plafonner la clé API, puis suivre durée et jetons par tâche. J'ajoute une cinquième : lancer la même tâche côte à côte avec le modèle actuel et laisser la mesure, non les slogans, trancher.