Les modèles d’IA appliqués à la santé progressent rapidement, mais ils restent souvent spécialisés sur un nombre limité de tâches. Dans leur article **« Cura 1T: Specialized Model for Agentic Healthcare »**, des chercheurs décrivent un modèle pensé pour réunir plusieurs usages critiques dans un même système : communication avec les patients, raisonnement clinique sur texte et images, diagnostic interactif et utilisation d’outils liés aux dossiers médicaux électroniques.
Le point central de la proposition est une boucle d’**auto-évolution sous supervision humaine**. À chaque cycle, un agent d’entraînement définit une capacité à renforcer, entraîne le modèle, évalue ses performances sur des trajectoires de benchmark, puis ajuste le mélange de données à partir des erreurs observées. Les auteurs indiquent ainsi privilégier une amélioration ciblée, fondée sur des exemples synthétiques et sélectionnés, plutôt qu’une simple mise à jour générique sur des données médicales.
Cette approche répond à un problème bien identifié dans les modèles spécialisés : améliorer une compétence peut en dégrader une autre. Dans le domaine médical, où les interactions sont sensibles et les workflows complexes, cette fragilité est particulièrement critique. Cura 1T est présenté comme une tentative de mieux équilibrer des capacités hétérogènes, depuis l’échange conversationnel jusqu’à l’exécution de tâches outillées.
D’après le résumé publié sur arXiv, Cura 1T se classe **au sommet ou à proximité du sommet** sur une suite d’évaluations en santé face à des modèles de référence avancés. Les auteurs ajoutent qu’il resterait compétitif sur des benchmarks de raisonnement hors domaine et d’agents. Ces résultats devront toutefois être appréciés à la lumière du détail méthodologique complet et des conditions exactes d’évaluation décrites dans le papier original.