Le nouveau modèle Maxwell-V1-Flash redéfinit l'efficacité des architectures MoE avec 35B de paramètres et des performances dépassant Qwen3.6 sur les benchmarks agentiques.

Le 17 novembre 2026 marque un tournant historique dans l'écosystème de l'intelligence artificielle open-source. L'équipe Maxwell vient de dévoiler Maxwell-V1-Flash, un modèle de langage de type Mixture-of-Experts (MoE) de 35 milliards de paramètres. Contrairement à de nombreuses sorties récentes qui reposent sur du fine-tuning de modèles préexistants, Maxwell-V1-Flash a été entraîné intégralement à partir de zéro (from scratch), une prouesse technique qui garantit une cohérence architecturale et une optimisation profonde de ses capacités de raisonnement.
L'architecture de Maxwell-V1-Flash repose sur une structure MoE extrêmement fine et sophistiquée. Le modèle totalise 35 milliards de paramètres, mais grâce à une activation sélective, seuls 3 milliards de paramètres sont sollicités par token (hors embeddings). Cette approche permet de combiner la puissance de calcul d'un grand modèle avec la latence d'un modèle beaucoup plus petit.
L'innovation majeure réside dans l'utilisation de 256 experts ultra-granulaires, parmi lesquels seulement 12 sont activés par token. Pour stabiliser le flux d'information, l'équipe a intégré 4 experts partagés toujours actifs. De plus, le modèle introduit les 'Manifold-Constrained Hyper-Connections' (mHC), un système de flux résiduels multiples avec une agrégation apprise dépendant de l'entrée, permettant une circulation de l'information bien plus fluide que les architectures Transformers classiques.
Les résultats de Maxwell-V1-Flash sont sans appel, particulièrement dans les domaines de la programmation et de la recherche agentique. Sur le benchmark Terminal-Bench, le modèle affiche un score de 58.65, surpassant Qwen3.6-35B-A3B (47.42) avec une amélioration relative de 23%. Sur SWE-bench Verified, il maintient une avance avec 65.4 contre 63.4 pour son concurrent direct.
Le saut le plus spectaculaire est observé sur BrowseComp, un benchmark crucial pour les capacités de recherche agentique. Maxwell-V1-Flash obtient 76.3, soit une progression massive de 62% par rapport aux 47.0 de Qwen3.6-35B-A3B. Cette performance s'explique par une meilleure gestion des outils et une navigation plus intelligente dans les environnements complexes. Enfin, sur le plan de la mémoire, le modèle excelle avec un score RULER 256K de 93.35, surpassant largement les 85.75 de la base Qwen3.6.
Maxwell-V1-Flash a été pré-entraîné sur un corpus colossal de 26 trillions de tokens multilingues, ce qui lui confère une polyvalence linguistique et culturelle exceptionnelle. Sa fenêtre de contexte étendue supporte jusqu'à 256 000 tokens, rendant le modèle idéal pour l'analyse de documents massifs ou de bases de code entières.
Pour les ingénieurs souhaitant déployer le modèle localement, l'optimisation est au rendez-vous. Avec des poids pesant environ 73.6 GB, Maxwell-V1-Flash peut tenir sur une seule carte DGX Spark de 128 GB. L'implémentation de la 'Block Sparse Attention' permet une accélération de 6.7x lors du traitement de contextes longs, résolvant ainsi l'un des principaux goulots d'étranglement de l'inférence actuelle.
Grâce à ses scores élevés en programmation et en recherche, Maxwell-V1-Flash est particulièrement adapté pour le développement d'agents autonomes capables d'interagir avec des terminaux et des navigateurs web. Il excelle également dans les tâches de RAG (Retrieval-Augmented Generation) complexes nécessitant une analyse de contexte très large.
Les développeurs peuvent l'utiliser pour la génération de code complexe, l'automatisation de workflows de recherche, ou encore comme moteur de raisonnement pour des chatbots de nouvelle génération nécessitant une grande précision logique.
Le modèle est immédiatement accessible à la communauté. Les poids et le rapport technique détaillé sont disponibles sur Hugging Face et GitHub. Les ingénieurs peuvent intégrer Maxwell-V1-Flash dans leurs pipelines via les bibliothèques standards de l'écosystème open-source.