Xenon Hunmin VLM 397B est ouvert, mais Qwen-CUA remporte toujours le test le plus difficile

Xenon a publié Hunmin VLM 397B en open source, conférant à un modèle de 397 milliards de paramètres de nouvelles capacités de contrôle informatique après un entraînement sur huit GPU Nvidia B200. Cette publication rend disponibles, sous licence Apache 2.0, la reconnaissance d’écran, les clics, la saisie au clavier et le travail de bureau en plusieurs étapes. Pourtant, les propres résultats de Xenon révèlent une distinction importante entre la reconnaissance des éléments d’interface et l’exécution de tâches plus longues.

Xenon Hunmin VLM 397B a obtenu 75,6 sur ScreenSpot-Pro, un benchmark mesurant la capacité d’un modèle à localiser des cibles d’interface dans des applications professionnelles. Selon l’entreprise, ce résultat l’a placé deuxième du classement Hugging Face du benchmark lors du lancement du modèle. Il a également surpassé à la fois son modèle de base Qwen3.5 et Qwen-CUA dans cinq évaluations d’ancrage d’interface rapportées.

La hiérarchie change lorsque le test passe de la localisation d’un bouton à l’achèvement d’un flux de travail complet. Xenon rapporte un score de 70,5 dans son évaluation OSWorld de 360 tâches, contre 77,1 pour Qwen-CUA dans la même configuration reproduite. Cet écart rend cette publication plus révélatrice qu’une simple annonce de classement.

Hunmin démontre qu’une entreprise peut transférer une capacité spécialisée dans un immense modèle ouvert avec un cluster d’entraînement relativement modeste. Il ne démontre pas que la précision visuelle seule produit l’agent informatique le plus fiable. Pour les développeurs et les acheteurs en entreprise, cette distinction compte davantage que le nombre de paramètres mis en avant.

Xenon Hunmin VLM 397B ajoute le contrôle informatique à Qwen3.5

Cette publication transforme un modèle multimodal généraliste en modèle ouvert d’utilisation informatique sans réentraîner l’intégralité de sa base de 397 milliards de paramètres.

Xenon, également connu à l’international sous le nom de GenON, a publié le modèle le 18 septembre 2026. L’entreprise publie ses modèles via l’organisation mncai sur Hugging Face. Son nouveau dépôt comprend le modèle en pleine précision, une version FP8, des résultats d’évaluation et des recommandations de mise en œuvre.

Hunmin part de Qwen3.5-397B-A17B, un modèle mixture-of-experts à poids ouverts de l’équipe Qwen d’Alibaba. Il compte 397 milliards de paramètres au total, mais n’en active qu’environ 17 milliards à chaque passe avant. Cette conception offre la capacité de connaissances d’un très grand modèle sans mobiliser chaque paramètre pour chaque jeton.

La publication originale de Qwen3.5 a introduit le traitement multimodal natif du texte, des images et de la vidéo. Xenon a conservé cette base tout en ajoutant des capacités d’utilisation informatique. Ces capacités permettent au modèle d’interpréter des captures d’écran, de produire des coordonnées et de décider quelle action d’interface doit venir ensuite.

Le nom public complet du modèle est Hunmin-397B-A17B-CUA. CUA signifie computer-use agent, un système qui exécute des tâches via les interfaces graphiques utilisées par les humains. Au lieu de s’appuyer uniquement sur l’API d’un site web, un tel modèle peut utiliser des navigateurs, des applications bureautiques et des logiciels de bureau au moyen de contrôles visibles.

Cette approche prolonge les précédents travaux de Xenon sur Hunmin. L’entreprise a publié Hunmin 32B en 2025, puis Hunmin VLM 235B au début de 2026. Sa chronologie d’entreprise relie également la série Hunmin à OneAgent, un produit d’IA d’entreprise orienté vers l’action.

Xenon affirme que le nouveau modèle conserve l’essentiel des performances de Qwen3.5 en coréen. Sur huit benchmarks coréens rapportés, ses scores sont restés à environ deux points du modèle de base. Plusieurs résultats individuels ont légèrement progressé, tandis que d’autres ont reculé.

Cet équilibre revêt une importance stratégique pour Xenon. Un modèle d’utilisation informatique qui perd trop de capacités linguistiques peut rencontrer des difficultés avec les instructions, les documents et les interfaces localisées. Préserver les performances en coréen donne à l’entreprise un positionnement plus clair en entreprise qu’un modèle optimisé uniquement pour les tâches web en anglais.

La fiche modèle publique fournit davantage de détails que les titres de lancement. Elle identifie les données d’entraînement, la pile logicielle, la configuration matérielle, les paramètres de comparaison et les limites connues des évaluations. Elle qualifie également les résultats de référence de scores reproduits par les auteurs, et non de scores communiqués par les fournisseurs.

Cette transparence améliore l’utilité de la publication. Les développeurs peuvent voir quelles comparaisons partagent la même configuration, au lieu de combiner des chiffres incompatibles issus de classements distincts. Elle expose aussi le compromis qui définit la position actuelle de Hunmin.

Huit GPU B200 ont assuré le travail de post-entraînement

L’affirmation la plus importante de Xenon concerne l’efficacité de l’entraînement, non le nombre total de paramètres du modèle.

Entraîner de zéro un modèle de base de 397 milliards de paramètres exigerait bien plus de huit GPU. Xenon ne l’a pas tenté. L’entreprise a transféré une capacité existante d’utilisation informatique dans Qwen3.5, puis a affiné le modèle résultant au moyen d’apprentissage supervisé et d’apprentissage par renforcement.

La première étape a utilisé Qwen-CUA comme source du comportement de contrôle informatique. Xenon a calculé les différences de paramètres entre Qwen-CUA et le checkpoint de base Qwen3.5 correspondant. L’entreprise a ensuite approximé ces différences grâce à une décomposition en valeurs singulières tronquée, une méthode mathématique qui compresse une grande matrice en composantes de rang inférieur.

Ces différences compressées sont devenues des adaptateurs de type LoRA. LoRA, ou adaptation de faible rang, représente une mise à jour du modèle avec des matrices entraînables plus petites au lieu de modifier indépendamment chaque poids d’origine. Xenon a fusionné ces adaptateurs dans le checkpoint Qwen3.5-397B-A17B plus vaste.

Cette technique importe parce que le fine-tuning conventionnel devient difficile à mesure qu’un modèle grandit. Les états de l’optimiseur, les gradients, les activations et les poids du modèle consomment tous de la mémoire GPU. La mise à jour d’une représentation limitée de faible rang réduit le volume de données entraînables et la charge mémoire associée.

Xenon a ensuite quantifié le checkpoint transféré en FP8. FP8 stocke de nombreuses valeurs numériques sur huit bits, réduisant l’utilisation de mémoire par rapport aux formats 16 bits. L’équipe a effectué un post-entraînement supplémentaire via FP8 QLoRA, un fine-tuning supervisé et un apprentissage par renforcement d’agent.

Le fine-tuning supervisé a appris au modèle à partir d’exemples contenant les actions d’interface souhaitées. L’apprentissage par renforcement d’agent a ensuite récompensé les comportements réussis dans des environnements informatiques. Xenon identifie GRPO, ou Group Relative Policy Optimization, comme la méthode de renforcement utilisée à cette étape.

La pile d’entraînement comprenait MS-Swift, Ray, Megatron-Core et vLLM. Xenon cite ScaleCUA-Data d’OpenGVLab comme jeu de données supervisé. L’entreprise liste également ScaleCUA et CUA-Gym comme environnements d’apprentissage par renforcement.

Selon Xenon, l’ensemble du processus de post-entraînement a été exécuté sur huit GPU Nvidia B200. Cette affirmation ne signifie pas que le modèle de base complet a été créé sur huit accélérateurs. Elle signifie que les étapes de transfert de capacités et de post-entraînement ont utilisé ce cluster après que Qwen avait déjà construit le modèle de base.

Cette distinction évite qu’un résultat d’ingénierie impressionnant devienne une comparaison trompeuse de puissance de calcul. Xenon a bénéficié du modèle d’origine de Qwen, du checkpoint spécialisé Qwen-CUA, de jeux de données d’entraînement ouverts et de logiciels d’optimisation établis. Sa contribution réside dans la combinaison efficace de ces composants et leur adaptation aux capacités visées.

La méthode offre un modèle possible pour les petits fournisseurs d’IA. Au lieu de financer un nouveau modèle de base, une entreprise peut partir d’un checkpoint ouvert et y ajouter une compétence opérationnelle ciblée. Elle peut ensuite consacrer une puissance de calcul limitée aux données de tâche, à l’évaluation et au renforcement plutôt que de répéter le préentraînement généraliste.

Cette voie réduit également la distance entre les travaux universitaires et les modèles d’entreprise déployables. Une équipe peut se concentrer sur les applications, les langues locales et les environnements contrôlés. Le modèle résultant peut toujours hériter de vastes capacités visuelles et linguistiques de sa base.

Cependant, le modèle reste exigeant lors de l’inférence. Une architecture mixture-of-experts n’active qu’une partie de son ensemble de paramètres, mais les 397 milliards de poids doivent toujours être stockés. La publication FP8 de Xenon réduit environ de moitié les besoins de stockage, mais le déploiement exige toujours une infrastructure multi-GPU conséquente.

L’affirmation relative à l’entraînement sur huit GPU ne doit donc pas être interprétée comme une promesse de déploiement sur huit GPU. L’entraînement d’adaptateurs et le service d’un modèle fusionné impliquent des besoins en ressources différents. Les équipes d’entreprise doivent évaluer la capacité mémoire, la bande passante d’interconnexion, la latence, la concurrence et la consommation énergétique avant de choisir cette architecture.

La reconnaissance d’écran est l’avantage le plus net de Hunmin

Les meilleurs résultats de Hunmin montrent qu’il peut identifier des cibles d’interface, en particulier sur des écrans professionnels denses.

L’ancrage d’interface graphique relie une instruction écrite à un emplacement précis sur une capture d’écran. Si un utilisateur demande à un agent de sélectionner une formule de feuille de calcul, le modèle doit trouver la cellule ou le contrôle de barre d’outils pertinent. Une faible erreur de coordonnées peut envoyer l’agent dans le mauvais menu ou modifier le mauvais fichier.

ScreenSpot-Pro teste cette capacité dans des applications professionnelles haute résolution. Ses tâches comprennent des interfaces plus denses et moins indulgentes que les sites web grand public classiques. Le benchmark ScreenSpot-Pro a été conçu parce que les précédents tests d’ancrage ne représentaient pas suffisamment les logiciels de bureau spécialisés.

Xenon rapporte un résultat de 75,6 avec une inférence à vue unique et de 76,6 avec une méthode de zoom avant. Ses scores de base Qwen3.5 reproduits étaient respectivement de 72,7 et 75,1. Qwen-CUA a obtenu 62,2 sans zoom et 71,9 avec zoom dans le même environnement rapporté.

Hunmin a également obtenu 96,2 sur ScreenSpot-v2, contre 95,2 pour son modèle de base et 95,0 pour Qwen-CUA. Sur OSWorld-G, une évaluation axée sur l’ancrage, il a atteint 79,9. Sur la version affinée OSWorld-G-R, il a obtenu 86,8.

La fiche modèle indique que ces résultats d’ancrage ont dominé le groupe de comparaison évalué par Xenon dans sa configuration reproduite. Cette formulation est importante. Elle n’établit pas une position de leader permanente parmi tous les modèles, toutes les configurations d’évaluation ou toutes les soumissions ultérieures.

Les résultats rapportés montrent néanmoins une tendance cohérente. Hunmin améliore la perception des interfaces dans plusieurs tests, au lieu de s’appuyer sur un seul chiffre favorable. Son avantage le plus important sur Qwen-CUA apparaît sur ScreenSpot-Pro, où l’écart atteint 13,4 points dans la configuration de Xenon.

Pour les logiciels d’entreprise, cette force présente une valeur pratique. Les interfaces denses restent courantes dans les systèmes comptables, les plateformes de gestion de la relation client, les environnements de développement et les outils d’administration interne. Beaucoup de ces produits proposent des API incomplètes ou exigent des actions couvrant plusieurs états visibles de l’interface.

Un modèle ancré peut aussi fonctionner avec des applications plus anciennes qui n’ont jamais été conçues pour l’intégration à l’IA. Il peut identifier les contrôles à partir des pixels et des libellés au lieu de dépendre d’éléments web structurés. Cela offre une couverture plus large, tout en créant également des défis de fiabilité et de sécurité.

Xenon demande aux utilisateurs de fournir des captures d’écran en résolution native et de normaliser les coordonnées dans une plage allant de zéro à 1 000. Les coordonnées obtenues doivent ensuite être mises à l’échelle selon la largeur et la hauteur réelles de l’écran. Ces détails peuvent affecter sensiblement la précision des clics.

Le modèle utilise également une limite d’historique visuel de cinq captures d’écran pour les évaluations d’utilisation informatique rapportées. Xenon indique qu’un historique plus proche de 20 images peut augmenter l’utilisation de mémoire et le coût d’inférence. Cette fenêtre plus réduite reflète un choix de déploiement, et non uniquement un choix de benchmarking.

Limiter l’historique visuel peut rendre les coûts de service plus maîtrisables. Cela peut aussi laisser un agent avec moins d’éléments sur les actions, boîtes de dialogue ou états de page antérieurs. Cette tension devient plus importante à mesure qu’une tâche s’allonge.

Un seul clic précis ne nécessite pas une mémoire étendue. Mener à bien un flux de travail en 30 étapes, si. Cette différence explique pourquoi les solides scores d’ancrage de Hunmin ne se traduisent pas automatiquement par une position de leader sur les tâches informatiques complètes.

Qwen-CUA reste en tête sur les tâches informatiques de bout en bout

Le résultat central est partagé : Hunmin repère mieux les cibles d’interface, tandis que Qwen-CUA achève davantage de tâches de longue durée.

OSWorld évalue les agents dans de véritables applications informatiques plutôt que de tester des coordonnées isolées. Les tâches peuvent impliquer des navigateurs, des opérations sur fichiers, des clients de messagerie, des éditeurs d’images, des outils documentaires et plusieurs applications. L’agent doit observer un état, choisir une action, s’adapter aux changements et poursuivre jusqu’à l’achèvement.

Le benchmark OSWorld officiel a initialement réuni 369 tâches informatiques avec des états initiaux reproductibles et une évaluation fondée sur l’exécution. Xenon a utilisé une configuration de 360 tâches pour les résultats de sa fiche modèle. L’entreprise indique que tous les modèles comparés utilisaient la même limite d’historique visuel de cinq images.

Hunmin a obtenu 70,5 dans cette évaluation. Le modèle de base Qwen3.5 a atteint 48,2, ce qui représente un gain de 22,3 points pour Hunmin. Il s’agit d’une amélioration substantielle, qui étaye l’affirmation de Xenon selon laquelle son post-entraînement a ajouté un comportement significatif de contrôle informatique.

Pourtant, Qwen-CUA a obtenu 77,1 dans la même configuration reproduite, devançant Hunmin de 6,6 points. WindowsAgentArena produit le même classement. Hunmin a obtenu 50,9, soit 9,1 points de plus que les 41,8 du modèle de base, tandis que Qwen-CUA a atteint 57,3.

Ces résultats n’invalident pas les gains d’ancrage de Hunmin. Ils montrent qu’un agent a besoin de plus qu’un ciblage visuel précis. Il doit planifier, suivre sa progression, gérer les erreurs, comprendre l’état de l’application et éviter les actions qui font dérailler le flux de travail.

Prenons un agent chargé de mettre à jour des chiffres dans une feuille de calcul puis d’envoyer le résultat par e-mail. Il peut localiser correctement chaque menu, cellule et bouton. Il peut néanmoins échouer en modifiant le mauvais classeur, en appliquant une formule à la mauvaise plage ou en joignant un fichier obsolète.

Les tâches plus longues amplifient les petites erreurs. Une erreur précoce modifie les captures d’écran ultérieures et invalide le plan initial. Le modèle doit détecter cet écart et se rétablir, plutôt que de poursuivre avec assurance sur une mauvaise trajectoire.

Les résultats d’entraînement de Hunmin révèlent l’origine d’une partie des améliorations. Xenon affirme que son checkpoint issu du transfert de capacités a atteint 66,2 sur OSWorld avant l’entraînement ultérieur. Le fine-tuning supervisé et l’apprentissage par renforcement ont porté ce score à 70,5, soit un gain supplémentaire de 4,3 points.

Cette progression confirme l’intérêt de la méthode de Xenon. Le transfert de capacités a apporté une grande partie de l’aptitude initiale à l’usage informatique, tandis que le post-entraînement spécifique aux tâches l’a améliorée. Toutefois, l’avance restante de Qwen-CUA suggère que certains comportements ont été compressés imparfaitement ou modifiés lors de l’intégration.

L’objectif en langue coréenne peut également influencer ce compromis. Hunmin préserve mieux les performances sur huit benchmarks coréens que Qwen-CUA dans plusieurs comparaisons. Xenon n’a pas optimisé uniquement le score OSWorld le plus élevé possible.

Par exemple, Hunmin a obtenu 76,1 sur KMMLU-Pro, contre 71,4 pour Qwen-CUA. Il a également atteint 80,3 sur K-MMStar, contre 75,0. Ces résultats suggèrent un profil multilingue plus équilibré, bien qu’il s’agisse toujours d’évaluations reproduites par l’entreprise.

Cet équilibre peut compter pour les entreprises coréennes. Un modèle doit comprendre les instructions, documents, terminologies et interfaces utilisateur locaux avant que sa capacité à cliquer ne devienne utile. Un score d’agent plus élevé, centré sur l’anglais, ne tranche pas toutes les décisions d’achat.

Néanmoins, Xenon ne devrait pas présenter son leadership en matière d’ancrage comme équivalent à un leadership global dans l’usage informatique. Sa fiche modèle évite cette erreur en publiant la comparaison défavorable avec OSWorld. La couverture du lancement est moins utile lorsqu’elle insiste sur la deuxième place de ScreenSpot-Pro sans expliquer l’écart de bout en bout.

Pour les acheteurs, la comparaison appropriée dépend de la charge de travail visée. Un flux de travail dominé par le ciblage dense d’interfaces peut favoriser le profil de Hunmin. Une séquence plus longue exigeant récupération et planification peut révéler sa faiblesse actuelle face à Qwen-CUA.

L’ouverture du modèle offre aux équipes une autre option. Les développeurs peuvent examiner la version publiée, l’adapter et mener des évaluations contrôlées sur leurs propres logiciels. Cette flexibilité est précieuse, mais elle ne supprime pas la nécessité de tests spécifiques à chaque application.

Les poids ouverts n’éliminent pas le risque de déploiement

L’accès sous Apache 2.0 améliore le contrôle, mais un modèle téléchargeable d’usage informatique reste loin d’être un travailleur autonome sûr.

Xenon a publié le modèle original et une variante FP8 sous Apache 2.0. Cette licence autorise généralement l’usage commercial, la modification et la redistribution, sous réserve de ses conditions. Elle donne aux entreprises davantage de liberté de déploiement qu’un agent fermé disponible uniquement via une interface hébergée.

L’accès ouvert permet également une évaluation privée. Une entreprise peut tester Hunmin contre des applications internes sans envoyer de captures d’écran à un fournisseur tiers de modèles. Les équipes peuvent mesurer son comportement sur la langue locale, des formulaires spécialisés et des flux de travail propres à l’organisation.

Cependant, l’accès au modèle n’est qu’une couche d’un système d’usage informatique. Un agent de production a toujours besoin d’un environnement d’exécution, d’un contrôleur d’actions, d’un modèle de permissions, d’une piste d’audit, d’une stratégie de gestion des identifiants et d’un processus de récupération. Il lui faut aussi des défenses contre les instructions malveillantes intégrées dans des pages web ou des documents.

Un modèle d’usage informatique peut interagir avec tout ce que le compte du système d’exploitation peut atteindre. Cela peut inclure les e-mails, les dossiers clients, le stockage cloud, les tableaux de bord internes et les applications financières. Une seule action erronée peut avoir des conséquences qu’une mauvaise réponse de chatbot n’a pas.

Les benchmarks d’ancrage à l’écran fournissent peu d’éléments sur l’autorisation ou l’intention. Localiser le bon bouton « Delete » constitue une réussite technique, même si l’appuyer violerait une politique. L’agent qui l’entoure doit déterminer si l’action est autorisée et si une approbation humaine est nécessaire.

Les tâches de benchmark commencent également depuis des états contrôlés. Les postes de travail réels accumulent notifications, mises à jour logicielles, extensions de navigateur, sessions expirées, mises en page personnalisées et tailles de fenêtres incohérentes. Ces variations peuvent modifier à la fois ce que voit le modèle et ce qu’une action produit.

Xenon reconnaît plusieurs limites d’évaluation. L’entreprise indique que les résultats dépendent de la résolution des captures d’écran, des paramètres de raisonnement, des limites d’interaction, du logiciel de service et des versions de benchmark. Elle déconseille également de comparer directement ses scores à des résultats produits avec des historiques de captures d’écran bien plus longs.

Cette prudence devrait guider l’interprétation de chaque chiffre de la publication. L’entreprise a reproduit les modèles de référence dans son propre environnement. Cela crée une comparaison interne plus équitable, mais les résultats n’ont pas encore été largement reproduits par des équipes indépendantes.

Le classement dans les tableaux de résultats représente une autre incertitude. Les classements de ScreenSpot-Pro peuvent évoluer à mesure que de nouveaux modèles et méthodes d’inférence apparaissent. Une deuxième place au lancement est un instantané daté, non un statut permanent.

L’échelle de paramètres introduit également un risque opérationnel. Même avec la quantification FP8 et l’activation clairsemée, les organisations ont besoin d’une infrastructure adaptée. Un modèle spécialisé plus petit peut offrir une précision suffisante avec une latence plus faible, un déploiement plus simple et un fine-tuning plus facile.

Les équipes devraient donc comparer les systèmes au niveau des flux de travail. Parmi les mesures utiles figurent le taux d’achèvement, la fréquence des interventions, le nombre moyen d’étapes, le succès de la récupération, la latence et la gravité des actions échouées. Un score de benchmark agrégé unique ne peut pas couvrir toutes ces dimensions.

Le même principe s’applique au travail de connaissance entourant les opérations des agents. Les équipes ont besoin de dossiers consultables sur les instructions, résultats, exceptions et décisions humaines. Une base de connaissances IA contrôlée peut aider les réviseurs à reconstituer pourquoi une tâche automatisée a produit un résultat donné.

Cela ne rend pas un agent sûr à lui seul. Cela crée des éléments pour la revue, le débogage et l’amélioration des politiques. Les systèmes d’usage informatique deviennent plus faciles à gouverner lorsque leurs actions restent reliées aux documents et décisions qui les ont autorisées.

La publication de Xenon mérite d’être créditée pour avoir présenté des limites et des comparaisons défavorables aux côtés de ses scores les plus forts. Cette transparence permet aux développeurs de poser de meilleures questions. La prochaine étape est un test indépendant qui mesure à la fois les capacités et les conséquences des défaillances.

Trois signaux montreront si Hunmin peut combler l’écart

L’importance de Hunmin dépend désormais d’une reproduction indépendante, de meilleurs résultats à long horizon et d’une adoption au-delà d’un dépôt de modèles.

Le premier signal est la réplication indépendante des benchmarks. Des chercheurs externes doivent exécuter Hunmin, Qwen3.5 et Qwen-CUA avec le même matériel, le même historique de captures d’écran, les mêmes paramètres de raisonnement et le même harnais de tâches. Des résultats similaires renforceraient l’affirmation de Xenon selon laquelle le transfert de bas rang a préservé des capacités utiles de contrôle informatique.

La réplication devrait couvrir plus que ScreenSpot-Pro. Les chercheurs devraient tester l’ancrage, l’achèvement complet des tâches, la récupération, la latence et la consommation de ressources. Ils devraient également publier les catégories d’échec, et pas seulement les scores agrégés.

Si des exécutions indépendantes reproduisent le résultat d’ancrage de 75,6 et le score OSWorld de 70,5, la confiance dans l’évaluation de Xenon augmentera. De grands écarts affaibliraient le récit du lancement et pointeraient vers une sensibilité à la configuration.

Le deuxième signal est de savoir si Xenon réduit l’écart à long horizon avec Qwen-CUA. Son modèle actuel trouve déjà les cibles avec précision ; les prochains gains doivent donc venir de la planification et de la gestion d’état. Une meilleure mémoire, des environnements d’apprentissage par renforcement plus solides ou une récupération des erreurs améliorée pourraient accroître l’achèvement de bout en bout.

Un futur checkpoint devrait réduire le déficit OSWorld rapporté de 6,6 points sans sacrifier les performances en coréen. Ce résultat étayerait l’argument de Xenon selon lequel un post-entraînement efficace peut produire un modèle d’usage informatique équilibré et pratique. Des améliorations de l’ancrage seules laisseraient la limitation centrale non résolue.

Le troisième signal est le déploiement au sein de OneAgent ou d’un autre produit d’entreprise. Un checkpoint public démontre l’accès technique, mais l’usage produit révèle si le modèle résiste aux contraintes de latence et aux interfaces imprévisibles. Une adoption réelle montrerait aussi si les entreprises accordent suffisamment de valeur au contrôle en langue locale pour accepter les exigences d’infrastructure du modèle.

Xenon affirme prévoir d’utiliser ces nouvelles capacités pour améliorer OneAgent et étendre le travail que l’IA peut accomplir. Les acheteurs devraient surveiller les déploiements nommés, les flux de travail reproductibles, les taux d’intervention et les preuves que les tâches restent fiables hors des environnements de benchmark.

Les études de cas les plus utiles décriront les limites aussi clairement que les réussites. Elles devraient identifier les applications que l’agent peut utiliser, les actions nécessitant une approbation et la fréquence à laquelle un humain doit intervenir. Sans ces détails, les annonces clients offriront peu d’éléments techniques.

Xenon Hunmin VLM 397B est déjà une publication d’ingénierie notable. Elle montre qu’une équipe relativement ciblée peut ajouter un comportement de contrôle informatique à un immense modèle ouvert en utilisant huit GPU haut de gamme pour le post-entraînement. Ses propres chiffres empêchent également un récit de victoire facile.

Les développeurs qui évaluent le modèle devraient commencer par un flux de travail restreint et un bac à sable réversible. Mesurez la réussite complète des tâches, et pas seulement la précision des clics, puis consignez chaque intervention ou récupération. Comparez ensuite ces résultats avec Qwen-CUA et des alternatives plus petites dans des conditions identiques. La licence ouverte rend ce travail possible, mais seuls des tests indépendants établiront si l’avantage d’ancrage de Hunmin devient une action fiable.