SiMa.ai dévoile Palette 3.0, une mise à jour qui permet d’exécuter plusieurs modèles d’intelligence artificielle sur une même puce embarquée. Selon l’entreprise, le débit peut atteindre 3,5 fois le niveau précédent grâce au décodage spéculatif. Cette version s’adresse en priorité aux développeurs de drones, de robots et de machines autonomes, qui veulent faire tourner l’IA sur l’appareil plutôt que dans un centre de données.
🔑 En bref
- Palette 3.0 exécute plusieurs modèles en parallèle sur le MLSoC Modalix de SiMa.ai.
- Le gain de débit jusqu’à 3,5 fois est associé au décodage spéculatif, selon l’entreprise.
- Le Modalix est annoncé à 50 TOPS sous 10 W, avec une plage de fonctionnement de −40 °C à 85 °C.
- Aucun protocole de mesure détaillé n’accompagne le chiffre de 3,5 fois dans les sources disponibles.
- SiMa.ai a levé 150 millions de dollars en série C, pour une valorisation de 1,45 milliard de dollars en septembre 2026.
Une exécution concurrente au cœur de Palette 3.0
La principale nouveauté de Palette 3.0 concerne l’exécution simultanée de plusieurs modèles sur le MLSoC Modalix. Selon SiMa.ai, une seule puce peut traiter en parallèle des charges de raisonnement complexes et plusieurs modèles, tout en conservant un profil basse consommation. Le Modalix peut également faire tourner sur la puce des conteneurs Docker distincts. Les charges prises en charge incluent les grands modèles de langage (LLM, large language models) et les modèles vision-langage.
Palette 3.0 complète Palette Neat, un environnement de développement agentique lancé en juin 2026. SiMa.ai affirme aussi que les modèles de perception, de profondeur et de raisonnement utilisés dans les drones et les robots s’exécutent plus rapidement avec cette version. L’entreprise ne fournit toutefois pas de valeurs de latence ou de débit détaillées pour chaque type de charge de travail.
| Élément | Donnée communiquée | Statut |
|---|---|---|
| Débit maximal | 3,5 fois | Affirmation de l’entreprise |
| Puissance du Modalix | 50 TOPS sous 10 W | Données promotionnelles |
| Plage de températures | −40 °C à 85 °C | Données promotionnelles |
| Mémoire du module | 16 Go, exécution de GPT-OSS-20B | Annonce de l’entreprise |
| Compatibilité | Broches Jetson Orin NX et Nano | Annonce de l’entreprise |

Décodage spéculatif et modèles à mélange d’experts
Le chiffre de 3,5 fois est associé au décodage spéculatif, une technique dans laquelle un petit modèle propose plusieurs jetons (tokens, unités de texte) que le grand modèle valide ensuite en un seul passage. Palette 3.0 s’appuie sur les algorithmes EAGLE3, DFlash et Gemma 4 MTP. Les sources ne détaillent ni la configuration exacte de chaque test, ni le modèle de référence utilisé pour calculer le gain.
La version prend aussi en charge les grands modèles à mélange d’experts (MoE, mixture of experts). L’exemple cité est GPT-OSS-20B d’OpenAI Group PBC, désormais exécutable sur le module Modalix MLSoC de 16 Go. SiMa.ai indique que les capacités ouvertes sont publiées sur GitHub, où les développeurs peuvent les adapter librement, et que la documentation de la version 3.0 est accessible dans son Developer Center. Le nom commercial exact de la licence open source n’est pas précisé dans les sources.
Model Registry, compilateur et chaîne d’outils
Un nouveau Model Registry recense les performances des modèles. SiMa.ai affirme que chaque résultat est mesuré dans des conditions de puissance représentatives du monde réel, et que les détails des comparaisons sont communiqués sur demande. Sur LinkedIn, l’entreprise évoque par ailleurs un « enhanced Model Browser » permettant d’évaluer la latence et la consommation en watts. Les sources ne précisent pas s’il s’agit du même composant.
Le Model Compiler prend en charge les modèles DNN, y compris les modèles d’IA générative, avec des précisions mixtes INT8 et BF16. Un brief produit de 2025 décrit un compilateur qui répartit les modèles entre les ressources hétérogènes de la puce et utilise des noyaux optimisés. Le document souligne :
« Palette’s integrated ML compiler accepts any model from an ONNX framework. »
SiMa.ai, brief produit Palette SDK, 2025
La suite regroupe plusieurs modules complémentaires :
- Application Development : exemples, plugins de prétraitement et de post-traitement, connecteurs d’ingestion et prise en charge de jusqu’à 16 flux de caméras.
- Device Manager : communication sécurisée avec les cartes, empaquetage, déploiement et maintenance des applications.
- Débogage : GDB pour le MLSoC multicœur, outils LogCat et PerfCat, visualisation du pipeline applicatif.
- Systèmes : Linux, Windows et macOS, avec des environnements embarqués Yocto ou eLXr.
Le cas d’usage AWS : de SageMaker AI au calcul en périphérie
Un billet co-écrit par AWS et SiMa.ai, signé Manuel Lopez Roldan (SiMa.ai) et Jason Westra (architecte senior solutions AWS), décrit l’intégration d’Amazon SageMaker AI avec la plateforme Palette Edgematic. L’exemple utilise YOLOv7 pour détecter des personnes et des équipements de protection individuelle (EPI) dans des entrepôts, des chantiers et des sites de production. L’inférence s’exécute sur les appareils MLSoC afin d’éviter la latence du cloud, de conserver les données sur place et de produire des alertes en temps réel.
Le processus comporte deux phases. La première, d’entraînement et d’exportation, utilise SageMaker pour entraîner et valider le modèle, puis les SDK SiMa.ai pour le charger, le quantifier, le tester et le compiler à partir de PyTorch, TensorFlow ou ONNX. La seconde transfère les artefacts compilés vers Edgematic, les déploie sur l’appareil et évalue les performances sur le matériel cible. L’approche, décrite comme low-code/no-code, réduit la gestion des mises à jour, la maintenance de la chaîne d’outils et l’effort de test.
- Préparation de l’environnement AWS : compte, AWS CLI, Docker, Git, utilisateur IAM disposant des droits nécessaires et accès au portail développeur SiMa.ai, dans la région us-east-1.
- Mise à disposition de l’image Palette pour SageMaker, de plus de 25 Go, stockée dans un dépôt Amazon ECR privé puis rattachée à SageMaker JupyterLab. Sur une connexion de 20 Mbit/s, le push Docker peut durer plusieurs heures.
- Entraînement sur une instance GPU d’au moins 16 Go de mémoire, par exemple ml.g4dn.xlarge avec Fast Launch ou ml.g4dn.2xlarge, avec au moins 30 Go d’espace disque.
- Récupération de 8 000 images annotées par classe depuis le jeu de données open-images-v7, via la bibliothèque fiftyone.
- Ajustement de YOLOv7 pour reconnaître les têtes et les EPI, puis graph surgery, quantification, compilation, transfert vers Edgematic, déploiement et validation des performances temps réel.
La source indique qu’une part de 75 % des images est utilisée pour l’entraînement, mais la phrase est tronquée : la répartition exacte reste donc à vérifier dans le notebook. Le billet AWS insiste par ailleurs sur l’idée d’une exécution autonome au bord du réseau :
« This workflow makes sure AI applications run entirely on the edge without needing continuous cloud connectivity, decreasing latency issues, reducing security risks, and keeping data in-house. »
Manuel Lopez Roldan et Jason Westra, billet AWS
SiMa.ai ajoute qu’une nouvelle application Edgematic peut être créée en quelques minutes. Le cloud reste toutefois présent pour la préparation du modèle et la gestion du déploiement ; seule l’application finale fonctionne sur le edge sans connexion continue.
Financement privé, partenaires et réactions mesurées
SiMa.ai est une entreprise privée. Elle a levé 150 millions de dollars en série C en septembre 2026, à une valorisation de 1,45 milliard de dollars. Fidelity Management & Research et Amplify Partners ont co-dirigé le tour, portant le total des fonds levés à 500 millions de dollars. Parmi les clients et partenaires cités figurent Robert Bosch GmbH, Emerson Electric Co. et Synopsys Inc. Faute de titre coté, les sources ne rapportent aucune réaction boursière.
Sur LinkedIn, où la société compte 27 561 abonnés, l’annonce de Palette 3.0 affichait 253 commentaires au moment de la capture, sans répartition ni analyse de leur tonalité. Les formules « ANY Physical AI Model. REAL Machine Autonomy. » relèvent du discours promotionnel et non de résultats indépendants. Un webinaire organisé le même jour, le 17 novembre à 9 h heure du Pacifique, réunissait Manuel Lopez Roldan et l’Edge AI and Vision Alliance autour du support des modèles, de la compilation et du déploiement d’applications d’IA physique.
Perspectives et scénarios
Palette 3.0 illustre une tendance de fond : déplacer l’exécution de l’IA vers l’appareil lui-même, pour des machines autonomes soumises à de fortes contraintes de puissance et de température. Si le gain de 3,5 fois se confirme sur des benchmarks indépendants et des charges réelles, les intégrateurs de drones et de robots pourraient réduire leur coût total de possession.
Plusieurs scénarios restent ouverts. Dans le scénario central, les gains se vérifient partiellement selon les charges de travail, et l’adoption dépend de la maturité de Palette Neat et de la documentation. Dans un scénario prudent, les chiffres dépendent fortement des modèles et des configurations testés, sans protocole public. Dans un scénario favorable, l’écosystème Edge AI et les partenaires industriels accélèrent les déploiements. Investisseurs et clients devraient attendre des mesures indépendantes avant de tirer des conclusions définitives.
Sources
- SiliconANGLE, annonce de Palette 3.0 (17 novembre 2026)
- AWS Machine Learning Blog, intégration SageMaker AI et Edgematic
- SiMa.ai, brief produit Palette SDK (2025)
- BigDATAwire, communiqué SiMa.ai de janvier 2023
Cet article est publié à titre informatif et éducatif. Il ne constitue en aucun cas un conseil en investissement. Faites vos propres recherches (DYOR) avant toute décision.


