Writer a lancé le 13 août 2026 son nouveau modèle phare, Palmyra X6, pour sa plateforme d’agents d’intelligence artificielle destinée aux entreprises, parallèlement à une reconstruction de la couche de coordination des tâches Writer Agent harness et à l’ajout d’outils de gouvernance permettant de suivre l’utilisation et de fixer des limites de dépenses. L’entreprise affirme que l’utilisation de son produit avec Palmyra X6 réduit les coûts de 52 % en moyenne, avec une amélioration de la vitesse de 48 % et de la qualité de 10 %.
Cette initiative intervient alors que le coût des agents est devenu un facteur majeur dans les décisions d’achat de technologies d’intelligence artificielle au sein des entreprises. Les agents ne se contentent généralement pas de produire une seule réponse : ils exécutent des cycles répétés de planification, de récupération, d’appel d’outils, de vérification et de nouvelle tentative, ce qui implique une consommation de jetons supérieure à celle des chatbots traditionnels. Selon les prévisions de Goldman Sachs citées dans l’article, la consommation de jetons pourrait être multipliée par 24 entre 2026 et 2030 pour atteindre 120 quadrillions de jetons par mois, portée par la généralisation des agents fonctionnant en continu.
Un modèle fondé sur des poids ouverts
Writer ne prétend pas avoir entraîné Palmyra X6 à partir de zéro. Le modèle est une version ayant fait l’objet d’un entraînement postérieur de GLM-5.2, un modèle à mélange d’experts à poids ouverts de l’entreprise chinoise Z.ai, auparavant connue sous le nom de Zhipu AI. Selon le rapport technique de l’entreprise, X6 conserve l’architecture de GLM-5.2 et comprend 744 milliards de paramètres, dont environ 40 milliards sont activés pour chaque jeton.
Writer a utilisé une méthode qu’elle a appelée anchored supervised fine-tuning, ou ASFT, sur un petit ensemble de 626 trajectoires synthétiques sélectionnées pour des tâches d’agents, pendant un seul cycle d’entraînement et avec un faible taux d’apprentissage. Cette méthode utilise un mécanisme de pondération des jetons ainsi qu’un ancrage fondé sur la divergence de Kullback-Leibler afin de limiter l’éloignement du modèle entraîné par rapport à une version figée du modèle de base. L’entreprise a également remplacé l’optimiseur Adam par l’optimiseur Muon pour les matrices de poids fondamentales.
Les données d’entraînement étaient entièrement synthétiques : des modèles enseignants ont généré les plans de tâches, les appels d’outils et les réponses finales, qui sont ensuite passés par des contrôles de qualité structurels, un vérificateur fondé sur un modèle et un jury composé de deux modèles de langage avant d’être utilisés pour l’entraînement.
Prix et performances selon les tests de Writer
Lors d’évaluations internes portant sur neuf capacités, notamment la récupération fondée sur des sources, l’utilisation d’outils, la génération de contenu, la délégation de tâches à des agents secondaires et le respect de la voix de la marque, Palmyra X6 a obtenu une moyenne de 0,87 sur 1,00. Writer compare ce résultat à 0,86 pour Claude Opus 4.8, 0,85 pour Claude Sonnet 4.6, 0,80 pour GPT-5.5 et 0,77 pour Gemini 3.1.
L’entreprise facture le modèle deux dollars par million de jetons d’entrée et huit dollars par million de jetons de sortie, contre respectivement 15 et 75 dollars pour Claude Opus 4.8. Elle affirme que X6 exécute les tâches en 26 secondes en moyenne et peut fonctionner sans supervision directe pour atteindre un objectif unique pendant une durée pouvant aller jusqu’à huit heures.
Ces comparaisons reposent toutefois en partie sur des tests internes menés par Writer elle-même. Dan Bikel, qui dirige la recherche en intelligence artificielle de l’entreprise, a déclaré que le rapport technique comprenait le protocole des tests publics et les évaluations internes, précisant que les tests publics servent d’indicateurs pour vérifier l’absence d’écarts importants, et non d’objectifs d’entraînement principaux.
Infrastructure et gouvernance
Writer affirme que les poids du modèle ont été obtenus depuis le dépôt Hugging Face aux États-Unis et que l’entraînement a été réalisé entièrement sur une infrastructure américaine, les jeux de données ayant été générés et stockés aux États-Unis et les équipements d’entraînement utilisés s’y trouvant également. L’entreprise a aussi mené une évaluation préenregistrée des risques du modèle portant sur les biais politiques, la censure, l’exactitude et le comportement de refus, avec 19 674 réponses évaluées par des examinateurs anonymisés.
Les résultats de Writer indiquent que X6 a présenté les questions politiques sensibles sous un angle latéral dans 80 % des cas lors de l’évaluation ModelSlant du Washington Post. Lorsqu’il utilise le message système destiné au déploiement, il a également enregistré une amélioration de 8,6 points en matière de sécurité contre les attaques dans le référentiel FORTRESS, par rapport à la version de base de GLM-5.2. Le rapport reconnaît toutefois que le comportement du modèle varie selon la langue, ce qui signifie qu’un entraînement postérieur limité ne supprime pas nécessairement toutes les traces du modèle de base.
Parallèlement au modèle, Writer a reconstruit la couche de coordination qui planifie les tâches, regroupe les travaux, les délègue à des agents secondaires et gère le contexte. L’entreprise affirme que cette couche réduit les coûts de 41 % et accélère de 44 % l’exécution des tâches sur l’ensemble des modèles testés, y compris ceux d’Anthropic et d’OpenAI, tout en maintenant la qualité.
Writer a également étendu la prise en charge de plusieurs modèles au sein de Writer Agent, afin que les administrateurs puissent activer des modèles d’Anthropic, d’OpenAI et de fournisseurs de services cloud, notamment Microsoft Azure, AWS Bedrock et Nvidia NIM, ainsi que des modèles de génération d’images.
Une vision unifiée des coûts des agents
Les nouveaux outils de gouvernance ajoutent une vue centralisée de l’utilisation des agents à l’échelle de l’entreprise, ainsi que des analyses pour chaque flux de travail au sein des Playbooks et Skills d’automatisation partageables, accompagnées d’alertes de consommation et de limites de dépenses. Ces outils visent à aider les responsables informatiques et de la sécurité à connaître le coût de chaque flux de travail avant d’en élargir l’utilisation.
Writer affirme que la réduction des coûts ne vise pas à diminuer ses revenus, mais à ouvrir des cas d’utilisation que les entreprises n’auraient auparavant pas automatisés en raison du coût de la main-d’œuvre ou de la consommation de jetons. L’entreprise présente le lancement de Palmyra X6, de la couche de coordination et des outils de gouvernance comme un système unique axé sur le coût d’une tâche réussie, plutôt que sur le seul prix affiché du jeton.