BDH-CQ : le modèle qui raisonne sans écrire un mot
Le résumé du papier BDH-CQ de Pathway : le raisonnement en vecteurs, le test ARC-AGI, les chiffres et les liens pour lire l'original.
Le papier
BDH-CQ : In-Context Learning with Recurrent Latent Reasoning, par Pathway. arXiv:2608.09888, publié le 10 août 2026.
- arXiv : https://arxiv.org/abs/2608.09888
- Page Hugging Face : https://huggingface.co/papers/2608.09888
- Billet de blog de Pathway : https://pathway.com/blog/pathway-150m-model-breaks-arc-agi-1-cost-efficiency-frontier
Le problème
Aujourd'hui un LLM raisonne en écrivant : c'est le chain of thought.
Chaque étape intermédiaire doit être projetée dans un vocabulaire de tokens, ressortir token par token, puis être relue par le modèle avant qu'il continue. Le raisonnement passe par le langage, et on paye chaque token. Plus la trace grossit, plus le coût et la latence montent.
Ce que propose BDH-CQ
Le papier supprime cette étape. Le modèle avale les exemples, raisonne dans un état latent récurrent, uniquement en vecteurs, et ne décode que la réponse finale. Aucune étape intermédiaire n'est traduite en mots.
Deux conséquences :
- on ne peut pas retrouver les états intermédiaires du raisonnement, donc c'est encore plus une boîte noire
- un état continu peut porter plusieurs hypothèses en parallèle, alors que traduire en langage naturel oblige à en choisir une seule
La mémoire suit la même logique : pas de cache classique, donc économie à nouveau.
Le benchmark : ARC-AGI
ARC-AGI est le benchmark inventé par François Chollet en 2019.
Le principe : on montre au modèle deux ou trois exemples de transformation sur des grilles de couleur, et il doit appliquer le même pattern sur la grille suivante. Dans l'exemple montré dans la vidéo, la règle à retrouver c'est de garder uniquement les cases allumées sur les deux panneaux. Le modèle n'a jamais vu cette règle à l'entraînement : il doit la deviner tout seul.
Les résultats
| Modèle | Score ARC-AGI-1 (pass@2) | Coût par tâche |
|---|---|---|
| BDH-CQ (High), 150M paramètres | 29,5 % | 0,00070 $ |
| ChatGPT (GPT-5.6 Luna, Low) | 34 % | prix API public |
Le coût de BDH-CQ est estimé à partir du compute d'inférence mesuré, en comptant 3 dollars par heure de GPU H200, soit environ 0,85 seconde de H200 par tâche.
Pathway annonce que BDH-CQ tourne environ 11 fois moins cher par tâche que GPT-5.6 Luna (Low), même après la baisse de 80 pour cent des prix API d'OpenAI du 30 juillet 2026.
Ce qu'il faut retenir
- 150 millions de paramètres. Pas 150 milliards. C'est la taille de GPT-2 en 2019.
- Ce qui fait la différence sur le coût, ce n'est pas le prix du token : c'est le nombre de tokens générés, qui s'effondre.
- Ce n'est pas le meilleur modèle en raisonnement, mais c'est le meilleur en rapport score prix : il repousse la frontière d'efficacité d'ARC-AGI-1.
- Il s'appuie sur Dragon Hatchling (BDH), l'architecture récurrente post-transformer de Pathway.
Une question sur le papier ? Réponds-moi directement en message privé.