🤖 AI

Argus: A General-Purpose Agentic Runtime for Long-Horizon Reasoning

Argus est un environnement d'exécution agentique à poids fixe et à usage général qui atteint une performance de raisonnement à long terme supérieure à travers divers benchmarks en utilisant un état persistant et auto-évolutif géré par des rôles spécialisés pour vérifier, récupérer et affiner de manière autonome les trajectoires de mission.

Auteurs originaux : Boxiu Li, Zimo Wen, Yijia Fan, Junxiang Lei, Sufeng Guo, Jiaao Wu, Ruize Tang, Mukai Li, Yifei Shen, Xiaoyu Chen, Wanbo Zhang, Runjing Gu, Yifei Gao, Yuheng Wu, Xuyao Huang, Zelong Zhao, Jiachen Zhang

Publié 2026-08-06

📖 8 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Boxiu Li, Zimo Wen, Yijia Fan, Junxiang Lei, Sufeng Guo, Jiaao Wu, Ruize Tang, Mukai Li, Yifei Shen, Xiaoyu Chen, Wanbo Zhang, Runjing Gu, Yifei Gao, Yuheng Wu, Xuyao Huang, Zelong Zhao, Jiachen Zhang, Shibo Hu, Hangxi Guo, Yilin Chen, Yuzhe Zhang, Fan Yang, Chuan Wen, Xian Zhang, Xuanhe Zhou, Zhijie Deng

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le Détective de Longue Durée : Pourquoi l'IA a besoin d'une mémoire et d'un coach

Imaginez que vous essayiez de résoudre un mystère massif s'étendant sur plusieurs jours, comme comprendre comment construire un robot fonctionnel à partir de zéro ou écrire un roman qui soit cohérent. Si vous étiez un programme informatique d'il y a quelques années, vous auriez peut-être essayé de le résoudre en lisant les instructions, en faisant une supposition, puis en oubliant immédiatement tout ce que vous venez de faire avant de réessayer. C'est ainsi que fonctionnaient beaucoup d'« agents » d'IA précoces : ils étaient comme des détectives qui résolvent un indice, puis souffrent d'une amnésie totale, et doivent recommencer toute l'enquête depuis le début chaque fois qu'ils rencontrent une impasse. Ils étaient rapides pour lire, mais terribles pour apprendre de leurs propres erreurs sur une longue période.

Le domaine du « raisonnement à long horizon » (long-horizon reasoning) vise précisément à corriger cela. Il pose la question suivante : Comment une IA peut-elle maintenir un plan sur des jours ou des semaines, se souvenir de ce qu'elle a tenté hier, et changer de stratégie lorsqu'elle réalise qu'elle fait fausse route ? L'idée clé est que l'intelligence ne dépend pas seulement d'un gros cerveau (un modèle puissant) ; il s'agit aussi d'avoir un bon carnet de notes (une mémoire persistante) et un coach strict (la vérification) qui vous empêche de vous mentir à vous-même quand vous êtes bloqué. Ce document traite de la manière de construire un système d'IA qui ne se contente pas de tourner en rond, mais qui fait réellement évoluer ses propres méthodes au fil du temps, en devenant meilleur pour résoudre des problèmes difficiles sans avoir besoin d'être réentraîné de zéro.

Rencontrez Argus : L'IA qui apprend à pivoter

Rencontrez Argus, un nouveau type de « runtime » d'IA (considérez-le comme le système d'exploitation ou le moteur qui fait fonctionner le cerveau de l'IA). Les chercheurs derrière Argus, une équipe de Microsoft et de plusieurs universités de premier plan, ont réalisé que pour qu'une IA s'attaque à des projets de longue durée véritablement difficiles, elle ne peut pas simplement avancer aveuglément. Si l'IA essaie de corriger un bug dans un immense code source ou de prouver un théorème mathématique complexe, elle pourrait passer des heures sur un chemin qui s'avère être une impasse. Une IA normale pourrait simplement continuer à forcer, gaspillant temps et énergie. Argus est différent : il est conçu pour pivoter.

Voyez Argus comme une équipe de recherche hautement organisée travaillant dans un bureau partagé, plutôt qu'une personne travaillant seule. Cette équipe possède quatre rôles distincts, et ils ne mélangent jamais leurs fonctions :

Le Manager : Le patron qui détient la vision globale. Il s'assure que l'équipe reste concentrée sur l'objectif initial (comme « construire un robot »), même si le plan quotidien change.
Le Planificateur : Le stratège qui décompose le grand objectif en petites tâches réalisables pour la journée.
L'Ingénieur : Le bâtisseur qui écrit réellement le code, lance les expériences ou fait les calculs.
Le Réviseur : L'inspecteur de contrôle qualité strict. Son travail est d'examiner ce que l'Ingénieur a construit et de dire : « C'est bon », « Cela nécessite des corrections » ou « Stop, ce chemin est une impasse ».

La magie d'Argus est qu'il traite l'échec comme une donnée. Lorsque l'Ingénieur essaie une méthode et qu'elle échoue, le Réviseur ne se contente pas de dire « oups ». Il enregistre précisément pourquoi elle a échoué. Cet enregistrement est sauvegardé dans un « état de projet » permanent (le carnet de notes partagé de l'équipe). Plus tard, si l'équipe tente de reprendre ce même chemin sans issue, le système se souvient : « Hé, nous avons essayé cela hier et cela n'a pas fonctionné », et pivote vers une nouvelle idée. C'est ce qu'on appelle la persistance guidée par la vérification. Le système ne « apprend » (ne met à jour sa mémoire) que si le Réviseur vérifie que la nouvelle information est réellement vraie et utile.

Ce qu'ils ont découvert : Meilleur pour corriger le code et rédiger des articles

L'équipe a testé Argus sur des défis incroyablement difficiles pour voir si cette approche d'une « équipe avec une mémoire » fonctionne réellement.

1. Le test de correction de code (SWE-Bench Pro)
Ils ont confié à Argus 731 bugs logiciels réels à corriger. C'est comme donner à un programmeur un code source désordonné et cassé et lui demander de le réparer sans aide humaine.

Le Résultat : Argus a réussi à corriger environ 78 % des bugs.
La Comparaison : Un outil d'IA standard (Direct Copilot) a réussi à en corriger seulement 59 %.
Le Coût : Argus a utilisé environ 1,41 fois plus de « tokens » informatiques (les unités de base de la pensée) que l'outil standard.
La Conclusion : Argus était nettement plus précis, même s'il a davantage « réfléchi ». Il a prouvé que prendre le temps de vérifier le travail et de se souvenir des erreurs passées porte ses fruits.

2. Le test de « l'augmentation de l'intelligence » (Auto-évolution)
C'est la partie la plus fascinante. Les chercheurs ont observé Argus au fil du temps. Ils n'ont pas modifié le cerveau de l'IA (les poids du modèle sont restés exactement les mêmes). Au lieu de cela, ils ont simplement laissé le système construire son « carnet de notes » de compétences et de souvenirs.

Le Résultat : À mesure que le système exécutait davantage de tâches et remplissait son carnet de compétences vérifiées, il devenait plus rapide et moins coûteux. Dans les phases ultérieures du test, Argus utilisait 21 % de tokens en moins et mettait 15 % de temps en moins par tâche par rapport à ses débuts.
La Signification : L'IA n'avait pas besoin d'être réentraînée pour s'améliorer ; elle avait juste besoin de se souvenir de ce qu'elle avait appris. Elle a fait évoluer son propre « état de runtime », devenant un travailleur plus efficace sans changer son cerveau fondamental.

3. Le test « Ne vous mentez pas à vous-même » (Intervention du Réviseur)
L'équipe a suivi la fréquence à laquelle le Réviseur intervenait. Sur 731 tâches, le Réviseur a été sollicité pour 466 d'entre elles.

Le Sauvetage : Dans 43 cas, le Réviseur a déclaré : « Ce n'est pas encore terminé, réessayez ». Après que l'Ingénieur a réessayé, 34 de ces tâches ont été corrigées avec succès, et 22 l'ont été si bien qu'elles ont passé un second examen plus strict.
Le Blocage : Le Réviseur a également empêché le système de revendiquer une victoire sur 35 tâches qui étaient en réalité impossibles ou défectueuses. C'est crucial : cela signifie que le système a appris à dire « Je ne peux pas faire cela » au lieu d'halluciner une fausse solution.

Au-delà du code : Mathématiques, Puces et Articles

Argus ne s'est pas arrêté à la correction de code. L'équipe a démontré qu'il pouvait gérer d'autres tâches à « long horizon » :

Recherche Mathématique : Dans une campagne visant à prouver un théorème mathématique complexe, Argus a gardé une trace d'un chemin qui s'est avéré faux (une « route falsifiée »). Au lieu de le supprimer, il l'a conservé comme un panneau « ne pas entrer ». Cela a aidé le système à éviter cette impasse plus tard et à renforcer avec succès les limites du théorème.
Rédaction d'articles : Ils ont lancé six projets de recherche différents pour rédiger des articles scientifiques. Le système a géré 254 missions, a survécu à 16 retours en arrière majeurs (où il a dû revenir en arrière et changer tout son plan), et a tout de même réussi à terminer les six articles. Un projet a même transformé une idée ratée en une étude réussie sur les « résultats négatifs », prouvant que parfois, découvrir ce qui ne fonctionne pas est une découverte scientifique valable.
Conception de puces : Dans un test redoutable, Argus a conçu une puce informatique (ACE-2). Le système a écrit le code, vérifié le timing, et la conception finale a passé tous les tests matériels stricts. Le système savait même exactement ce qu'il n'avait pas vérifié (comme si la puce fonctionnerait en conditions réelles) et a listé clairement ces limites.

L'essentiel

Argus démontre que pour que l'IA puisse accomplir un travail réel et de longue durée, elle a besoin de plus qu'un gros cerveau. Elle a besoin d'un système qui sépare le « patron » de l'« ouvrier », conserve un registre permanent de ce qui a fonctionné et de ce qui n'a pas fonctionné, et dispose d'un « réviseur » strict pour l'empêcher d'inventer des réponses.

L'article suggère qu'en utilisant cette approche de « vérification par étape », l'IA peut résoudre des problèmes plus complexes, devenir plus efficace au fil du temps sans nécessiter de réentraînement, et même admettre quand elle est bloquée. Ce n'est pas une baguette magique qui résout tout instantanément, mais c'est une étape majeure vers une IA capable de travailler avec nous sur des projets longs et complexes sans se perdre ou mentir sur ses progrès. Comme le notent les auteurs, il ne s'agit pas seulement d'obtenir un meilleur score à un test ; il s'agit de construire un système capable de persister, de pivoter et de faire évoluer ses propres méthodes pour affronter les défis complexes et incertains du monde réel.

Résumé Technique : Argus – Un Runtime Agentique à Usage Général pour le Raisonnement à Longue Horizon

1. Énoncé du Problème

Les tâches de raisonnement à longue horizon (par exemple, la réparation de logiciels, la preuve mathématique, la découverte scientifique) ne sont pas simplement des courses pour exécuter un plan fixe sur un nombre déterminé d'étapes. En pratique, l'intention de l'utilisateur reste stable tandis que l'objectif opérationnel, les contraintes et les critères de vérification doivent être affinés à mesure que les preuves s'accumulent. Les systèmes d'agents actuels sont confrontés à une ambiguïté critique : un système qui abandonne sa cible déclarée peut avoir découvert que la cible était mal spécifiée, ou il peut avoir échoué et avoir rationalisé son échec. Sans mécanisme pour distinguer ces deux cas, les systèmes souffrent de « dérive d'objectif » (goal drift), où les objectifs se dégradent vers ce que l'exécuteur est capable d'achever.

Les approches existantes éliminent généralement ce choix en fixant l'objectif et en optimisant l'exécution vers celui-ci, ou elles reposent sur des transcriptions limitées à une session qui perdent leur continuité lorsque les contextes sont compactés. Cela conduit à trois échecs chez les agents de longue durée :

Échec de Continuité : La preuve motivant une révision est perdue lorsque les transcriptions sont supprimées.
Échec d'Acceptation : Le composant effectuant le travail déclare également sa complétion, créant un conflit d'intérêts.
Échec d'Expérience : Seuls les artefacts finaux survivent, empêchant les routes réfutées de servir de preuves pour des pivots futurs.

2. Méthodologie : Le Runtime Argus

Argus est un runtime agentique persistant et auto-évolutif conçu pour permettre et gérer en toute sécurité le « pivotement vérifié ». Il sépare les paramètres fixes du modèle de l'état mutable et durable du runtime.

2.1 Architecture Centrale

Le système opère sur un état de projet durable divisé en missions bornées. Il emploie quatre rôles pilotés par des modèles avec des autorités distinctes :

Manager (Gestionnaire) : Ancre l'intention stable de l'utilisateur ( $\iota$ ), l'état de la campagne et les transitions d'étape. Il admet les raffinements matériels du contrat opérationnel.
Planner (Planificateur) : Décompose l'état actuel en tâches bornées et dépendances.
Engineer (Ingénieur) : Implémente les tâches, invoque des outils et exécute des expériences. Il peut effectuer une auto-révision sur des travaux à faible risque et bornés.
Reviewer (Réviseur) : Inspecte indépendamment les artefacts et les registres d'exécution. Il émet des verdicts de complétion (terminé, continuer, bloqué) lorsque la politique ou une requête l'exige.

Ces rôles opèrent sur trois plans : Contrôle (ordonnancement), Exécution (travail) et Registres (historique immuable).

2.2 Persistance à Vérification Gérée et Auto-Évolution

Argus introduit un mécanisme d'admission à vérification gérée. L'état du runtime ( $H_t$ ) inclut la mémoire, les compétences, les outils, les vérificateurs et les politiques de routage.

Évolution du Modèle Fixe : Les poids du modèle sous-jacent ( $\theta$ ) restent fixes. L'évolution se produit uniquement dans l'état persistant et la politique de contrôle.
Protocole d'Admission : Les mises à jour candidates (mémoires, compétences, routes rejetées) ne deviennent réutilisables qu'après :
1. La génération par un rôle (ex: Ingénieur).
2. La revue par rapport aux preuves et artefacts natifs de la tâche.
3. L'engagement par un propriétaire autorisé (ex: Réviseur ou Manager).
Raffinement du Contrat : Le contrat de travail est modélisé comme $K_t = (\iota, o_t, c_t, v_t)$ , représentant l'intention stable, l'objectif opérationnel, les contraintes et les critères de vérification. Les raffinements sont admis via un opérateur ManagerAdmit qui nécessite une preuve ( $e_t$ ) et une autorité ( $u_t$ ), garantissant que les pivots sont distinguables de la dérive.

2.3 Théorie du Processus-vers-Capacité

Le système traite la trajectoire du processus comme un sur-ensemble de l'artefact final. Il définit la Densité d'Intelligence Dense ( $\rho_I$ ) comme le taux de raisonnement pertinent, d'action efficace et de vérification valide par unité de temps. Il postule que la conservation de l'enregistrement complet du processus (incluant les branches échouées) offre un avantage décisionnel (ordre d'information de Blackwell) par rapport à l'artefact final seul, permettant aux missions futures d'éviter les impasses et de tirer parti des exclusions vérifiées.

3. Contributions Clés

Le document présente sept contributions spécifiques :

Formalisation : Un modèle de contrat ( $K_t$ ) et un opérateur ManagerAdmit pour un pivotement vérifié sur de longs horizons.
Conception du Runtime : Un système où le raffinement du contrat est détenu par un rôle et journalisé, séparant l'intention stable des changements opérationnels.
Métriques de Routage du Réviseur : Données empiriques montrant que des Réviseurs indépendants sont invoqués pour 63,7 % des tâches SWE-Bench Pro, avec des taux de récupération spécifiques pour les demandes de révision.
Étude de Cas de Production de Papier : Une campagne de six projets s'étendant sur 640 heures et 254 missions, démontrant la gestion du cycle de vie de la recherche de bout en bout, incluant les retours en arrière (rollbacks) et les pivots de résultats négatifs.
Trace Mathématique : Une reconstruction résolue par rôle d'une campagne mathématique conservant une route falsifiée et six mises à jour fondées sur des preuves.
Performance de Benchmark : Une évaluation unifiée à travers sept arènes, établissant un plancher de capacité sans sacrifier la performance des tâches finales.
Adoption Upstream : Un noyau RWKV6 optimisé par Argus fusionné dans le dépôt upstream de Flash Linear Attention.

4. Résultats

4.1 Performance des Benchmarks

Argus a été évalué à travers sept arènes hétérogènes :

SWE-Bench Pro : A atteint ~78 % de précision contre 59 % pour Direct Copilot, en utilisant 1,41× plus de jetons (tokens) agrégés.
AARRI-Bench : A atteint 76,8 % sur les tâches de stagiaire de recherche (contre 68,3 % pour la référence).
Synthèse de Données de Raisonnement Mathématique : A atteint un écart de 28,0 (pass@4 - pass@1), surpassant les références (Arbor : 20,83, Claude : 8,33).
GPU & Entraînement : Résultats compétitifs sur l'entraînement B200/H100 nanochat (0,9636 BPB contre le meilleur humain 0,9646) et les speedruns nanoGPT (79,77s contre l'humain 80,18s).
MLE-Bench Lite : A décroché 9 médailles (3 Or, 3 Argent, 3 Bronze) lors de compétitions avec vérification externe.

4.2 Efficacité Longitudinale (Auto-Évolution)

Dans la session SWE-Bench Pro (731 tâches), le système a démontré une auto-évolution du runtime à vérification gérée :

Mature vs Startup : Les vagues matures (W19–22) ont utilisé 21 % de jetons d'entrée de résolution en moins et 15 % de temps de workflow actif en moins par tâche par rapport aux vagues de démarrage (W1–6).
Récupération par le Réviseur : Sur 43 tâches où le Réviseur a demandé une révision, 34 (79,1 %) ont passé plus tard le vérificateur officiel, et 22 (51,2 %) ont complété un sauvetage par boucle de révision stricte.
Non-Monotonie : La trajectoire n'était pas monotone ; les vagues de tâches difficiles (W23–24) ont montré des rebonds de ressources, et le système a enregistré 34 récupérations de vérificateurs et 22 sauvetages stricts, prouvant la capacité du système à se remettre des échecs initiaux.

4.3 Études de Cas Verticales

Campagne Mathématique : A conservé une route falsifiée et six mises à jour de la frontière des théorèmes. Le système a réussi à pivoter d'une réduction échouée vers un renforcement de borne fondé sur une preuve.
Production de Papier : Six projets ont atteint la complétion de soumission. Une campagne a pivoté d'une affirmation de méthode positive vers une étude de diagnostic de résultats négatifs de 4 500 lignes après sept retours en arrière (« no-go »).
Matériel (ACE-2) : Le runtime a conçu un accélérateur d'inférence (Qwen2.5-0,5B W4A8) certifié pour un périmètre spécifique (synthèse cartographiée, timing statique) avec des exclusions explicites (pas de sign-off de puissance, pas de validation de silicium).
Science des Matériaux : Le runtime a simplifié une méthode de génération de MOF publiée en identifiant et en supprimant un biais dans la comparaison originale, aboutissant à une méthode plus simple et plus efficace.

5. Signification et Revendications

L'article affirme qu'Argus démontre un harnais général et auto-évolutif capable de réviser, de récupérer et d'accumuler des approches vérifiées sans forcer chaque trajectoire de long horizon à une affirmation de succès.

Distinction de la Dérive : En exigeant une admission par rôle basée sur des preuves pour les changements d'état, le système distingue le pivotement rationnel de la rationalisation de l'échec.
Le Processus comme Donnée : Les trajectoires conservées forment des données structurées pour le futur apprentissage supervisé et par renforcement, connectant les sorties du modèle à des états, outils et décisions de révision concrets.
Portée Modeste : Les auteurs précisent explicitement que l'« auto-évolution » est liée au modèle fixe (basée sur l'état, non sur les poids) et que les résultats sont observationnels. Ils ne prétendent pas que le système a atteint l'intelligence artificielle générale ou qu'il peut remplacer entièrement les chercheurs humains. Le système est présenté comme un outil qui « s'arrête » lorsque les objectifs sont sous-spécifiés, faisant remonter les contraintes que l'utilisateur aurait pu omettre, plutôt que d'optimiser aveuglément vers un objectif potentiellement erroné.

Le rapport conclut que le runtime combine avec succès une large capacité de tâche, une accumulation vérifiée à travers les missions et une livraison de recherche soutenue, offrant un nouveau paradigre pour les systèmes agentiques à long horizon où la persistance et le pivotement sont gérés par la vérification plutôt que par une planification fixe.