Surge AI

Le principal atout de Surge, c'est qui note les réponses. L'entreprise revendique plus de 200 000 docteurs dans son réseau et cite des économistes en activité, des plaideurs, des ingénieurs de la NASA, des médaillés des Olympiades de mathématiques et des cliniciens parmi ses contributeurs. Sur des travaux à fort enjeu, ce critère pèse plus que le volume. Un avocat qui lit un contrat repère des erreurs qu'un annotateur standard laisse filer, et cet écart se retrouve dans les données de préférence sur lesquelles le modèle apprend. L'accès se fait par discipline, donc les domaines très pointus mettent plus de temps à être couverts que les domaines généraux. C'est un service d'annotation experte de données avant d'être une plateforme d'étiquetage de masse, l'inverse des outils de foule.

C'est la partie du catalogue tournée vers les agents. Surge construit des environnements à plusieurs étapes avec outils, systèmes internes et serveurs MCP, puis écrit des vérificateurs qui notent si l'agent a réellement terminé le travail. Un dispositif publié simule une entreprise de support client et entraîne les modèles sur des tickets réalistes ; un autre reproduit le suivi d'une politique interne sur un manuel de cent pages. L'avantage fait la différence : se tromper coûte peu. Un agent peut rater mille fois dans la simulation avant d'approcher un système réel.

Une grille transforme un jugement subjectif en note, et c'est le moteur d'une bonne part des données RLHF collectées par Surge. Dans une tâche de préférence, la personne choisit la meilleure de deux réponses ; dans une tâche notée par grille, elle décompose la qualité en critères pondérés. Une biographie gagne ainsi des points pour avoir suivi fidèlement la vie du personnage et en perd pour avoir écarté ce qui faisait son intérêt. Cette structure permet d'évaluer en volume sans relire chaque réponse, et elle distingue le compétent de l'excellent, une nuance qu'un simple réussite ou échec efface.

Le catalogue vend les mêmes données que celles utilisées par Surge avec les laboratoires, sans projet sur mesure. Les catégories couvrent les agents de code, les agents d'entreprise, le raisonnement multimodal et le raisonnement expert, avec des jeux nommés comme GDP.pdf, Chartography et ComplexConstraints. Parmi les résultats publiés, Kimi K2.7 gagne 20 points sur SWE-Marathon après entraînement sur le jeu code. Les partenaires du programme Trusted peuvent entraîner d'abord et payer si cela fonctionne, ce qui réduit le risque d'acheter des données avant d'avoir vu un chiffre bouger.

Surge publie ses propres classements, notés par des professionnels et non par un autre modèle. Antidote ordonne les réponses du quotidien selon leur utilité à long terme, Hemingway-bench note l'écriture sur le goût et l'intelligence émotionnelle, et la série DAYJOB teste des agents sur des tâches de finance et de santé. Riemann-bench puise ses problèmes avancés chez des mathématiciens en activité. Ces benchmarks donnent aux acheteurs une référence commune et servent aussi d'argument public : un évaluateur expert fait mieux qu'un score automatique.

Surge travaille dans plus de 70 langues avec des linguistes qui conçoivent les données à partir de la grammaire, des idiomes et des usages locaux, sans traduire des prompts anglais. Le volet multimodal couvre l'image, l'audio, la vidéo, les documents et les interfaces. Un résumé juridique en coréen ou un titre brésilien est rédigé par quelqu'un qui le lit dans sa langue, ce qui compte dès que le modèle vise des marchés non anglophones.