Talos-1 est devenu disponible pour les entreprises le 15 septembre, a annoncé Ablatic AI — le lancement officiel que ce blog avait signalé comme l'élément à surveiller lorsque la spin-off de JKU Linz s'était fait connaître en août avec une bêta réunissant environ 100 entreprises. Cette phase bêta est désormais datée avec précision : deux mois et demi, jusqu'à la mise sur le marché. L'argument de vente n'a pas changé — un grand modèle de langage entièrement construit, entraîné et exploité sur une infrastructure européenne, positionné face à la portée du CLOUD Act américain sur des données hébergées dans l'UE — mais ce qui est nouveau cette semaine, c'est ce que l'annonce d'août n'avait pas encore : un modèle nommé, des chiffres publiés, une tarification réelle, et une affirmation technique précise expliquant comment une petite spin-off universitaire a pu se permettre de l'entraîner.
L'affirmation d'efficacité est la vraie nouveauté ici
Ablatic affirme que Talos-1 utilise une architecture de modèle conçue en interne qui rompt avec la relation quadratique habituelle entre la longueur du contexte et le calcul — dans un transformeur classique, doubler la longueur d'un document quadruple à peu près le coût de traitement. L'architecture de Talos-1 utilise à la place jusqu'à 14 fois moins de puissance de calcul et déplace jusqu'à 79 fois moins de données en mémoire qu'un modèle conventionnel de même taille pour générer une réponse, l'avantage croissant avec le contexte : huit fois à 256 000 tokens (environ 500 pages), quatorze fois à un million. Ce sont des chiffres dérivés de l'architecture, fournis par Ablatic elle-même, pas un benchmark indépendant, mais le cadrage pratique est concret et mérite d'être pris au sérieux comme une contrainte d'ingénierie réellement résolue plutôt qu'un argument marketing : la citation du CTO Julian Mauerkirchner est que l'équipe a dû réduire les coûts d'entraînement et d'exploitation avant de pouvoir être compétitive, et l'entreprise indique clairement que l'entraînement sur de longues séquences — qui, pour les grands fournisseurs, mobilise une capacité de centre de données à l'échelle du milliard — n'a été possible que dans le cadre de l'allocation de calcul EuroHPC réelle d'Ablatic grâce à cette architecture. Pour une équipe de cette taille, reposant sur du calcul EuroHPC public plutôt que sur le cluster propre d'un hyperscaler, une architecture sous-quadratique n'est pas une optimisation : c'est la condition préalable pour que tout le projet fonctionne.
Au lancement, Talos-1 traite 200 000 tokens par requête ; Ablatic prévoit de porter ce chiffre à 512 000 plus tard cette année, puis à terme à un million, ce pour quoi l'architecture est conçue — l'entreprise indique que la contrainte restante est la capacité serveur, pas le modèle lui-même.
Ce que la phase d'essai a réellement testé
Le communiqué de presse nomme des cas d'usage pilotes précis plutôt que de rester abstrait : la correction de devoirs sur une plateforme d'apprentissage, la recherche dans la documentation interne d'une entreprise de télécommunications, et la saisie de justificatifs dans un service comptable. C'est une vérification de concrétude utile face au cadrage que ce blog avait signalé en août, à savoir que Talos est pensé pour une IA qui « exécute un travail » plutôt qu'elle ne répond à des questions — lire des contrats, remplir des formulaires, mener à bien un processus à travers plusieurs systèmes. Trois cas d'usage pilotes réels dans trois secteurs différents, menés sur deux mois et demi avec plus de 100 entreprises, constitue un essai nettement plus substantiel que ce que la plupart des lancements de modèles divulguent avant leur mise sur le marché.
Les chiffres de benchmark, avec la réserve habituelle
Les propres comparaisons d'Ablatic situent Talos-1 à 74,4 % sur Toolathlon (un test de tâches d'agent autonome dans des logiciels réels — e-mail, agenda, tableurs), contre 80,6 % pour Claude Opus 5 et 74,9 % pour GPT-5.6 Sol ; à 82,2 % sur IFBench (suivi précis d'instructions), devant GPT-5.6 Sol, DeepSeek V4 Pro et GLM-5.3 ; et à 90,8 % sur OmniDocBench (analyse de documents réels contenant tableaux et formules), à deux points du meilleur score. Tout cela provient du propre tableau comparatif d'Ablatic, publié sur ablatic.ai/models — la même réserve qui s'applique à chaque tableau de benchmark de fournisseur couvert par ce blog s'applique ici : des affirmations réelles, précises et vérifiables face à des concurrents nommés, mais pas encore une confirmation par un agrégateur indépendant. Ce qui mérite d'être noté en soi, c'est la forme du résultat : le premier modèle livré par une petite spin-off européenne se situant à un écart de quelques points de Claude Opus 5 et devançant GPT-5.6 Sol sur au moins un benchmark agentique, plutôt que d'accuser les larges retards habituellement associés à un modèle régional de première génération.
Tarification et argument juridique, désormais chiffrés
Talos-1 est tarifé à 1 € par million de tokens en entrée, 4 € par million de tokens en sortie, et 0,10 € par million de tokens en entrée mis en cache, servi via une API compatible OpenAI de sorte que les intégrations existantes migrent sans modification. Ablatic indique que les données clients ne sont pas utilisées pour l'entraînement et que l'entreprise agit en tant que sous-traitant au sens de l'article 28 du RGPD — le même argument juridictionnel que ce blog avait couvert en août, à savoir qu'un hébergement dans l'UE seul ne bloque pas la contrainte juridique étrangère de la même façon qu'une incorporation dans l'UE et une exploitation exclusivement européenne peuvent le faire, désormais rattaché à un produit réel, tarifé et en service plutôt qu'à un engagement de phase bêta. L'accès reste toutefois encadré plutôt qu'en libre-service : les entreprises contactent directement Ablatic et démarrent par un projet pilote construit autour de leur propre cas d'usage, l'auto-inscription à l'interface étant prévue une fois la capacité serveur étendue — un séquencement cohérent avec une équipe encore en train de dimensionner son infrastructure pour tenir la feuille de route de fenêtre de contexte qu'elle vient de publier.
Ce que ce lancement sur le marché règle réellement est plus étroit que « l'Europe a désormais son concurrent à Claude ou GPT ». Il règle le fait que la promesse couverte par ce blog en phase bêta en août a été tenue à peu près dans les délais, avec davantage de transparence que la plupart des lancements de modèles n'en fournissent — un mécanisme architectural précis pour justifier l'argument de coût, des cas d'usage pilotes nommés, et une tarification publiée — tout en laissant la question la plus difficile, celle de savoir si ces chiffres de benchmark tiendront une fois testés par quelqu'un d'autre qu'Ablatic, exactement là où elle en était il y a deux semaines.