Agent IA sur smartphone Dimensity : capacités et test sur Android

Ce que fournit réellement la puce

Un agent IA sur smartphone Dimensity repose sur plusieurs éléments : du calcul disponible, un modèle compatible, une application capable de l’utiliser et des actions Android autorisées. Le processeur peut accélérer certaines opérations, mais il ne choisit pas à lui seul une app, ne résout pas une permission et ne garantit pas qu’un modèle fonctionne hors ligne.

La fiche officielle du Dimensity 9500 présente la NPU 990 et la deuxième génération du moteur Gen-AI. MediaTek indique aussi la prise en charge de LPDDR5X 10667 et d’un stockage UFS 4.1 à quatre voies. Ce sont des caractéristiques de la plateforme : elles ne donnent ni la quantité de mémoire installée dans un téléphone précis, ni la place encore libre pour un modèle.

MediaTek décrit également, dans sa présentation des capacités d’IA du Dimensity 9500, le traitement de modèles BitNet à 1,58 bit et la production de texte avec un modèle de 3 milliards de paramètres. Ces exemples montrent le type de calcul visé par la NPU. Pour qu’un modèle donné en profite, son format, sa quantification, son environnement d’exécution et l’intégration du fabricant doivent aussi convenir. Les comparaisons de vitesse ou de consommation annoncées par MediaTek portent sur sa plateforme et sa référence de comparaison, pas sur le temps nécessaire pour terminer une tâche dans une app.

Vérifier le téléphone, le modèle et l’application

Avant d’évaluer l’IA locale, relevez la référence exacte du téléphone et sa version d’Android. Vérifiez ensuite la mémoire réellement installée et disponible, l’espace de stockage nécessaire aux fichiers du modèle, puis les informations publiées par l’application ou son fournisseur sur les appareils compatibles. Une mention « Dimensity » dans la fiche du téléphone ne suffit pas à établir qu’une app exploite sa NPU.

• Modèle : identifiant exact, taille, format et quantification des fichiers téléchargés.
• Exécution : application et environnement capables de charger ce format, avec une intégration NPU documentée si l’accélération est recherchée.
• Téléphone : mémoire disponible, stockage libre, mises à jour du constructeur et réglages d’énergie susceptibles de modifier le comportement.
• Action : app cible installée, autorisations accordées et résultat observable après la demande.

La route du modèle mérite une vérification distincte. Un modèle compatible chargé et exécuté sur le téléphone peut permettre une inférence locale. Une réponse reçue d’un modèle en ligne, même sur un téléphone doté d’une NPU, reste une réponse distante. Chez FoneClaw, un modèle en ligne personnalisé peut être configuré et les requêtes par défaut peuvent passer par notre infrastructure ; nos actions sur le téléphone ne signifient donc pas que tout le raisonnement s’effectue hors connexion. La base de notre moteur sur appareil ne constitue pas, à elle seule, une liste de modèles accélérés sur Dimensity.

Si vous devez configurer une adresse de service pour un modèle distant, Connecter une API de modèle IA à un agent Android avec FoneClaw explique ce parcours. Pour distinguer le choix d’un modèle DeepSeek des actions réellement disponibles sur Android, consultez DeepSeek peut-il contrôler un téléphone Android ? Ce qu’un agent IA peut vraiment faire.

Mesurer une tâche reproductible

Voici une méthode de mesure à réaliser sur votre propre appareil, avec des résultats laissés à compléter. Choisissez une tâche courte et identique à chaque essai, par exemple demander à FoneClaw d’ouvrir une app déjà installée. Indiquez son nom exact ou son package ; si plusieurs apps correspondent au nom donné, choisissez la bonne avant de chronométrer le parcours. Le résultat à noter est l’app réellement ouverte au premier plan, pas seulement la réponse textuelle de l’agent.

Avant la première mesure, consignez le modèle de téléphone, la version d’Android, l’app cible, la route du modèle, son identifiant, l’état du réseau, le mode économie d’énergie, la luminosité et la température ambiante approximative. Notez aussi si l’application d’agent et le modèle sont fermés ou déjà chargés. Gardez la même consigne et le même état initial de l’app cible pour chaque répétition. Si vous comparez deux routes de modèle, ne changez que cette route et vérifiez qu’elles reçoivent la même demande.

1. Démarrage à froid : commencez avec l’application d’agent fermée et, si le modèle est local, déchargé. Consignez cet état avant de démarrer le chronomètre à l’ouverture de l’application. Notez ensuite l’instant où vous soumettez la consigne, celui de la première réponse et celui où l’app cible est effectivement ouverte. Le délai depuis l’ouverture inclut ainsi le démarrage et le chargement éventuel ; le délai depuis la soumission permet de distinguer cette phase du traitement de la demande.
2. Répétitions à chaud : gardez l’application d’agent et le modèle chargés, puis revenez au même écran de départ sans les fermer. Pour chaque nouvel essai, chronométrez depuis la soumission de la même consigne jusqu’à la première réponse et jusqu’à l’ouverture vérifiée de l’app cible. Notez séparément ces résultats et ceux du démarrage à froid, dont le point de départ comprend l’ouverture de l’application.
3. Relevez la mémoire avant, pendant et après la série avec un outil de mesure adapté si vous en disposez. FoneClaw peut donner un état compact de la mémoire et de la batterie ; ces instantanés ne mesurent ni un pic de mémoire ni une puissance électrique instantanée.
4. Pour examiner l’autonomie, relevez le niveau de batterie avant et après une série assez longue d’essais, sans brancher le téléphone, puis notez la durée et les réglages conservés. Une variation en pourcentage reste une indication approximative ; une mesure de puissance demande un équipement ou un instrument adapté.

Les fonctions FoneClaw d’ouverture d’app et de consultation des états de batterie et de mémoire permettent d’établir un exemple concret de tâche et de relever le résultat renvoyé sur le téléphone. La page Fonctionnalités FoneClaw présente ces actions. Pour estimer séparément les dépenses liées aux requêtes de modèle, notre guide Coût en tokens d’un agent IA par tâche : formule, exemple et mesure complète les relevés faits sur l’appareil.

Interpréter les résultats avant de choisir

Un long délai avant la première réponse peut venir du chargement du modèle, du réseau ou de la route choisie. Une réponse rapide suivie de l’ouverture de la mauvaise app oriente plutôt vers l’identification de la cible ou l’exécution de l’action. Si les répétitions ralentissent, comparez la température, le mode d’énergie et la mémoire disponible avant d’attribuer l’écart à la NPU.

Regardez surtout la proportion de tâches terminées correctement, le temps jusqu’au résultat visible et la facilité de reprise après erreur. Pour un modèle local, vérifiez que ses fichiers sont présents et que l’application documente son exécution sur le téléphone ; pour une route en ligne, notez les conditions réseau. Ces observations permettent de juger un appareil et une configuration précise. Elles ne se déduisent ni du nom de la puce ni d’un chiffre de génération de texte publié pour le matériel.