Jason Wei

wiki
, , , ,
1

Chercheur américain en IA qui a contribué à définir l’ère du raisonnement des grands modèles de langage grâce au chain-of-thought prompting, à l’instruction tuning et à l’étude des capacités émergentes.

Profil
Né(e) vers 1998, États-Unis
Nationalité Américaine
Institution(s) actuelle(s) Meta Superintelligence Labs
Domaines de recherche Grands modèles de langage, chain-of-thought prompting, instruction tuning, capacités émergentes, raisonnement, apprentissage par renforcement
Formation Licence en informatique, Dartmouth College (2020)
Site web jasonwei.net
X / Twitter @_jasonwei
GitHub jasonwei20
Google Scholar Jason Wei

Aperçu

Jason Wei est un chercheur américain en IA dont les travaux sur le chain-of-thought (CoT) prompting, l’instruction tuning et les capacités émergentes ont façonné la manière dont le domaine comprend et entraîne les grands modèles de langage. Il s’est fait connaître chez Google Brain entre 2020 et 2023, en cosignant une série d’articles devenus des références fondamentales dans la littérature sur les LLM. Il a ensuite rejoint OpenAI, où il a été un contributeur clé de la série de modèles de raisonnement qui a culminé avec o1. En juillet 2025, Wei et son collaborateur de longue date Hyung Won Chung ont rejoint ensemble Meta Superintelligence Labs, poursuivant leur focalisation sur le raisonnement et l’apprentissage par renforcement. Bien qu’il ne soit pas titulaire d’un doctorat, Wei est l’un des chercheurs les plus cités de sa génération en TALN, une trajectoire construite presque entièrement à partir de postes de recherche dans l’industrie.

Jeunesse & Formation

Wei a fréquenté la Thomas Jefferson High School for Science and Technology à Alexandria, en Virginie, une école d’élite réputée pour former des talents compétitifs en STIM. Il s’est inscrit au Dartmouth College en 2016, où il a étudié l’informatique sous la direction des professeurs Lorenzo Torresani et Soroush Vosoughi. Alors qu’il était encore étudiant de premier cycle, il a publié son premier article de conférence — une technique d’augmentation de données en TALN — à l’EMNLP 2019, un début de recherche exceptionnellement précoce. Il a obtenu sa licence en 2020 et est passé directement à la recherche industrielle.

Carrière

Google Brain (2020–2023)

Wei a rejoint Google Brain en octobre 2020 en tant qu’AI Resident, un fellowship compétitif d’un à deux ans pour les chercheurs en début de carrière. Il a été promu Research Engineer en décembre 2021, Research Scientist en juin 2022, et Senior Research Scientist en octobre 2022, une progression inhabituellement rapide.

Durant cette période, il a été l’auteur principal ou un contributeur central de trois articles qui ont collectivement réorienté la recherche sur les LLM. Les travaux sur FLAN (2021) ont démontré que le fine-tuning sur instructions améliore considérablement la généralisation zero-shot. L’article sur le chain-of-thought (NeurIPS 2022) a montré qu’en incitant les modèles à produire des étapes de raisonnement intermédiaires, on permet une résolution fiable de problèmes multi-étapes. L’article sur les capacités émergentes (TMLR 2022) a caractérisé le phénomène par lequel de nouvelles capacités qualitatives apparaissent à des seuils d’échelle discrets — une découverte qui a influencé la façon dont les praticiens envisageaient le passage à l’échelle et l’évaluation des modèles. Il a également contribué aux articles sur PaLM et Med-PaLM en tant qu’auteur secondaire.

OpenAI (2023–2025)

Wei a annoncé son passage dans l’équipe ChatGPT d’OpenAI en février 2023. Chez OpenAI, il a travaillé sur les systèmes de raisonnement et d’agents, devenant finalement co-créateur de la série de modèles o1, publiée en version préliminaire en septembre 2024. Les modèles o1 sont entraînés par apprentissage par renforcement sur des traces de chain-of-thought, permettant des performances considérablement supérieures sur des benchmarks de mathématiques, de sciences et de programmation par rapport au CoT basé sur du prompting seul. Wei a également contribué au produit deep research et a co-écrit SimpleQA (un benchmark de factualité sous forme courte) et BrowseComp (un benchmark pour les agents de navigation). Pendant cette période, il est devenu un fervent partisan de l’apprentissage par renforcement, à la fois comme paradigme technique et comme philosophie personnelle, se décrivant publiquement comme un « RL diehard ».

Meta Superintelligence Labs (2025–présent)

En juillet 2025, Wei et Hyung Won Chung ont quitté OpenAI ensemble et ont rejoint le nouveau Superintelligence Labs de Meta. Leur départ s’inscrivait dans une vague plus large de chercheurs seniors d’OpenAI passant chez Meta alors que l’entreprise intensifiait ses ambitions en matière d’AGI avec des packages de rémunération substantiels. L’expertise de Wei en raisonnement et apprentissage par renforcement a été citée par plusieurs sources comme une motivation clé pour l’effort de recrutement de Meta.

Contributions clés

  • Chain-of-Thought Prompting — L’article de NeurIPS 2022 « Chain-of-Thought Prompting Elicits Reasoning in Large Language Models » (avec Xuezhi Wang, Denny Zhou et d’autres) a démontré qu’inciter un modèle à articuler des étapes de raisonnement intermédiaires avant de donner une réponse finale améliore considérablement les performances sur les tâches de raisonnement arithmétique, de sens commun et symbolique. La technique est devenue une pratique courante tant dans la recherche que dans le déploiement et reste l’un des articles les plus cités en TALN.

  • FLAN / Instruction Tuning — « Finetuned Language Models are Zero-Shot Learners » (ICLR 2022) a introduit FLAN (Finetuned Language Net), montrant que le fine-tuning sur un ensemble diversifié de tâches de TALN formatées comme des instructions en langage naturel produit un fort transfert zero-shot. Le suivi « Scaling Instruction-Finetuned Language Models » (JMLR 2024) a étendu cette approche à PaLM et T5, produisant FLAN-T5 et FLAN-PaLM, des familles de modèles largement utilisées tant dans la recherche que dans la production.

  • Capacités émergentes des grands modèles de langage — « Emergent Abilities of Large Language Models » (TMLR 2022, avec Yi Tay, Rishi Bommasani, Barret Zoph, Percy Liang, Jeff Dean et d’autres) a fourni une caractérisation systématique des capacités qui apparaissent brusquement à mesure que la taille du modèle augmente, encadrant ce qui n’était auparavant que des observations anecdotiques comme un phénomène mesurable et débattu dans la recherche sur le passage à l’échelle en IA.

  • OpenAI o1 — En tant que co-créateur de la série de modèles o1 (publiée en septembre 2024), Wei a contribué à faire progresser le paradigme de l’entraînement des LLM à raisonner via l’apprentissage par renforcement sur des traces de chain-of-thought, étendant le CoT d’une astuce de prompting à un objectif d’entraînement central. La famille o1 a atteint des résultats de pointe sur des benchmarks de mathématiques et de programmation de niveau compétitif lors de sa sortie.

  • SimpleQA — « Measuring Short-Form Factuality in Large Language Models » (2024) a introduit SimpleQA, un benchmark de questions factuelles sans ambiguïté et vérifiables conçu pour calibrer l’évaluation de la factualité dans les LLM, comblant une lacune laissée par les ensembles de données de vérification des faits plus longs ou plus difficiles à noter.

  • BrowseComp — « A Simple Yet Challenging Benchmark for Browsing Agents » (2025) a proposé un benchmark pour évaluer la capacité des agents IA à récupérer des informations via une navigation Web en plusieurs étapes, contribuant à l’infrastructure d’évaluation émergente pour les systèmes d’agents.

  • EDA (Easy Data Augmentation) — L’article de l’EMNLP 2019 a introduit des opérations simples d’augmentation de texte — remplacement de synonymes, insertion aléatoire, permutation et suppression — qui ont constamment amélioré les performances de classification de texte. Il est devenu une référence pratique largement utilisée en TALN.

Récompenses & Reconnaissance

  • NeurIPS 2022 Spotlight / Oral — L’article sur le chain-of-thought a été présenté à NeurIPS 2022 et a accumulé des dizaines de milliers de citations, se classant parmi les articles de TALN les plus influents des années 2020.
  • ICLR 2022 — L’article original sur FLAN a été accepté à l’ICLR 2022 et fait partie des références fondatrices pour les modèles de langage ajustés par instructions.
  • Keynotes invitées — Wei a prononcé des discours d’ouverture au KDD LLM Day (2023), au WebConf LLM Day (2024), à l’OpenAI DevDay de San Francisco (2024) et au DAPLab de l’Université Columbia (2025), parmi de nombreuses autres conférences invitées à Stanford, MIT, Princeton, Berkeley et lors des principales conférences industrielles.

Relations clés

  • Hyung Won Chung — Collaborateur de recherche le plus proche ; s’est croisé chez Google Brain et OpenAI, a co-écrit l’article sur le passage à l’échelle de Flan-T5, et a rejoint ensemble Meta Superintelligence Labs en juillet 2025.
  • Denny Zhou — Co-auteur et collaborateur sur les travaux de chain-of-thought prompting chez Google Brain ; scientifique principal chez Google DeepMind connu pour ses recherches sur le raisonnement.
  • Yi Tay — Co-auteur sur l’article sur les capacités émergentes et plusieurs articles sur le passage à l’échelle chez Google Brain ; a ensuite rejoint Reka AI.
  • Quoc Le — Co-auteur senior sur plusieurs articles de Google Brain, dont FLAN et le chain-of-thought ; directeur de la recherche chez Google Brain et figure clé dans les débuts de carrière de Wei.
  • Lorenzo Torresani — Conseiller de recherche de premier cycle à Dartmouth ; professeur d’informatique dont le mentorat a précédé la carrière industrielle de Wei.
  • Soroush Vosoughi — Professeur d’informatique à Dartmouth qui a travaillé avec Wei sur des projets de recherche de premier cycle et l’a ensuite invité à donner une conférence en tant qu’invité.
  • Zhiqing Sun — Chercheur scientifique collaborateur chez OpenAI ; co-premier auteur sur BrowseComp ; a également rejoint Meta Superintelligence Labs en juillet 2025.

Style personnel

La pratique de recherche de Wei se caractérise par une préférence pour des idées propres, empiriquement fondées et qui voyagent bien — des techniques qui peuvent être expliquées en une phrase et qui se généralisent largement à travers les modèles et les tâches. Ses écrits publics, rassemblés sur son site personnel sous une section « Thoughts », tendent vers des observations courtes et directes sur la méthodologie de recherche, les mécanismes de l’apprentissage par renforcement et le développement de carrière, avec une qualité franche inhabituelle parmi les chercheurs de son niveau de notoriété. Il a parlé ouvertement de la façon dont l’immersion dans les concepts d’apprentissage par renforcement a façonné sa philosophie personnelle, en particulier la valeur d’explorer indépendamment plutôt que d’imiter. Sa trajectoire, passant de chercheur de premier cycle à scientifique senior dans trois des laboratoires d’IA les plus compétitifs au monde sans diplôme d’études supérieures, est fréquemment soulignée comme distinctive dans un domaine dominé par les titulaires d’un doctorat.

Références