Team Naver a fait forte impression à ICML 2026, présenté à COEX à Séoul. L’équipe a dévoilé un ensemble cohérent de recherches qui vont des avancées de modèles d’IA (AI model advancement) à des technologies capables d’interagir avec le monde réel (physical AI). Ces travaux mettent l’accent sur la sécurité, l’efficience opérationnelle et la compréhension spatiale 3D.
## Sécurité des LLM : red‑teaming et Stable‑GFlowNet
La sécurité des grands modèles de langage (LLMs) est au cœur des présentations. Team Naver a mis en avant des techniques de red‑teaming qui simulent des attaques pour révéler des vulnérabilités avant le déploiement en production.
Parmi ces avancées, Stable‑GFlowNet corrige des instabilités d’entraînement et la répétition de motifs problématiques, ouvrant la voie à des scénarios d’attaque plus variés et plus réalistes. Ce type d’outil renforce la capacité à tester des modèles dans des conditions proches de l’adversité réelle.
## Efficacité opérationnelle : Simerge, FlowBot et fusion de modèles
L’optimisation de l’exploitation des modèles et agents a été illustrée par plusieurs innovations. Simerge permet de rassembler plusieurs modèles spécialisés en n’ajustant qu’une seule couche, obtenant des gains significatifs sur des benchmarks en vision et en NLP.
FlowBot, pour sa part, automatise la recherche d’ordonnancement optimal quand plusieurs IA collaborent, réduisant la dépendance à une orchestration humaine minutieuse.
Team Naver a aussi montré des méthodes pour améliorer le post‑traitement des LLM en regroupant des milliers de jeux de données par caractéristiques, puis en consolidant les modèles via une seule fusion efficace.
## Compréhension 3D et restitution de scènes en mouvement
Sur la 3D, l’équipe a présenté une méthode capable de reconstituer des scènes tridimensionnelles en mouvement à partir de séquences monocaméra floues ou tremblées.
Contrairement aux approches classiques où mouvement et forme se confondent, la nouvelle méthode estime les formes à partir des trajectoires de mouvement, améliorant nettement la fidélité des reconstructions. Ce progrès est crucial pour la perception robotique et les applications de réalité virtuelle.
## Seoul World Model : une ville virtuelle pour la recherche et la robotique
Team Naver a également dévoilé le Seoul World Model, une réplique virtuelle de la ville de Séoul créée en collaboration avec des universités et centres de recherche.
Cette plateforme de physical AI simule des données spatiales sur l’ensemble de la métropole, offrant un terrain d’entraînement riche pour l’apprentissage de trajets et de comportements robotiques, ainsi que pour la validation d’agents dans des environnements urbains réalistes.
## Impact et perspectives
Les travaux présentés témoignent d’une ambition pragmatique : faire passer les avancées théoriques au stade de déploiement industriel. L’accent sur la sécurité via le red‑teaming, l’efficience par la fusion de modèles et l’extension dans le monde physique avec des simulations urbaines dessinent une feuille de route cohérente pour l’IA appliquée.
À moyen terme, ces technologies pourraient accélérer l’intégration des LLM et des agents autonomes dans des services réels tout en limitant les risques opérationnels et en enrichissant la perception spatiale des systèmes embarqués.
