Imaginez que vous possédez un robot incroyablement intelligent, mais qu'il est coincé dans une boîte en verre. Vous ne pouvez pas modifier son cerveau et vous ne pouvez pas lui enseigner de nouveaux faits. Il est figé dans le temps. Pourtant, vous devez lui faire résoudre mille puzzles différents, de la correction de code à la navigation sur un site web. Comment le rendre meilleur ? Dans le monde de l'intelligence artificielle, c'est le défi de l'« agent ». Un agent n'est pas seulement le cerveau (le modèle) ; c'est aussi le « harnais » — l'ensemble des instructions, des outils et des règles qui dictent au cerveau comment agir. Considérez le cerveau comme un chef cuisinier brillant qui connaît toutes les recettes du monde, mais le harnais est la cuisine elle-même. Si la cuisine est mal rangée, le chef laisse tomber les ingrédients ou brûle la soupe, peu importe son talent. Les scientifiques ont essayé de construire des cuisines auto-améliorables, mais la plupart des tentatives ressemblent à un chef solitaire essayant de réparer son propre poste de travail tout en cuisinant. Ils règlent souvent un problème (comme couper les oignons plus vite) mais en cassent accidentellement un autre (comme oublier d'éteindre le four).

Entrez en scène DarwinX, une nouvelle approche de la recherche en IA de Salesforce qui traite l'amélioration d'un agent d'IA comme la gestion d'une expérience massive de sélection naturelle dans une boîte de Petri. Au lieu d'un seul chef essayant de tout réparer seul, DarwinX crée toute une population de configurations de cuisine différentes. Elle leur permet d'essayer de nouveaux outils et instructions, mais avec une règle stricte : vous ne pouvez conserver une nouvelle configuration que si elle résout un nouveau problème sans casser les anciens. C'est comme un jeu de « survie du plus apte » où les plus aptes ne sont pas ceux qui ont simplement de la chance, mais ceux qui peuvent en faire plus sans défaire ce qu'ils savaient déjà faire. L'article suggère qu'en gelant le cerveau de l'IA et en faisant évoluer uniquement ces « configurations de cuisine », le système peut apprendre à résoudre des tâches complexes bien mieux, même sur des puzzles qu'il n'a jamais vus auparavant.

L'évolution de la boîte à outils parfaite

Les chercheurs derrière DarwinX se sont posé une question simple : Et si nous arrêtions d'essayer de réentraîner le cerveau de l'IA pour nous concentrer entièrement sur l'évolution des outils et des instructions qu'elle utilise ? Ils appellent cela le « harnais ». Il comprend les prompts (les instructions), les outils (comme une calculatrice ou un navigateur web) et le flux de contrôle (les étapes que l'IA suit).

Pour tester cela, ils ont mis en place une boîte de Petri numérique. Ils ont pris un modèle d'IA puissant et ont totalement gelé son cerveau. Ensuite, ils ont créé une population de différents « harnais » (différents ensembles d'instructions et d'outils) et les ont laissé évoluer. Voici comment la magie a opéré :

1. Le contrat « Préserver et Étendre »
Imaginez que vous êtes un jardinier. Vous avez une plante qui produit des tomates parfaites. Vous voulez qu'elle produise aussi des fraises. Un mauvais jardinier pourrait essayer de forcer la plante à produire des fraises et accidentellement tuer les tomates. DarwinX utilise une règle stricte appelée le contrat « préserver et étendre ». Une nouvelle version du harnais n'est autorisée à survivre que si elle résout une nouvelle tâche (comme faire pousser des fraises) sans régresser sur les anciennes tâches (les tomates doivent rester parfaites). Si une nouvelle idée règle un problème mais en casse un autre, elle est coupée du jardin. Cela garantit que l'IA s'améliore de plus en plus sans oublier ce qu'elle savait déjà faire.

2. L'archive des « Et si »
Dans de nombreuses expériences d'évolution, si un chemin mène à une impasse, on le jette. DarwinX est différent. Il conserve une archive de chaque variante, même celles qui ont échoué globalement. Pourquoi ? Parce qu'un harnais « perdant » peut posséder un seul tour brillant qui résout un problème spécifique. En conservant ces « perdants » dans l'archive, DarwinX peut plus tard les mélanger et les combiner. C'est comme réaliser qu'une tentative ratée de construction d'un pont possédait une excellente idée pour un câble de suspension. En combinant ce câble avec un autre design de pont, on obtient un super-pont. Cette « recombinaison » permet au système de construire des compétences complexes en assemblant les meilleures parties de nombreuses lignées différentes.

3. Les trois types d'indices
Comment le système sait-il quoi changer ? Il utilise trois types d'indices, le tout sans toucher au cerveau de l'IA :

• Indices d'échec : Lorsqu'l'IA échoue, le système analyse pourquoi et suggère une correction.
• Indices de l'enseignant : Si un humain ou une IA plus forte montre la bonne méthode, le système copie cette méthode.
• Indices de soi-même : Le système compare ses propres tentatives réussies avec ses échecs pour comprendre la différence.
  Ces indices sont transformés en petites éditions du harnais, comme changer un prompt ou ajouter un nouvel outil.

Les résultats : Un cerveau gelé, un super-cerveau

Les chercheurs ont testé cela sur quatre défis différents, allant du plus facile au plus difficile. Les résultats sont étonnamment solides, suggérant qu'un modèle gelé peut devenir un agent beaucoup plus capable simplement en faisant évoluer son harnais.

• Le Terminal Bench (Tâches de codage) : Sur un ensemble de 89 tâches de codage, le harnais évolué a augmenté le taux de réussite de 75,5 % à 83,2 % sur un modèle GPT-5.5. Sur un modèle plus puissant, GPT-5.6, il a atteint 84,7 %, égalant ou battant les meilleurs agents existants au monde, bien que le cerveau lui-même n'ait jamais changé. L'article note que l'IA n'a pas seulement eu de la « chance » ; elle a appris à consacrer plus de temps et d'efforts précisément aux tâches où elle éprouvait des difficultés, doublant ses tentatives sur les problèmes les plus durs tout en laissant de côté les plus faciles.
• Le test « Hors-Échantillon » (Généralisation) : Ils ont ensuite testé l'agent évolué sur 41 nouvelles tâches qu'il n'avait jamais vues auparavant. Le harnais évolué a résolu 68,3 % d'entre elles, battant tous les autres agents prêts à l'emploi qu'ils ont testés. Cela suggère que l'IA a appris des compétences générales, et non simplement mémorisé des réponses.
• Le saut « Synthétique vers Réel » : Dans un test basé sur un navigateur appelé WebArena-Infinity, le système a été évolué sur 300 tâches synthétiques fictives, puis testé sur 1 260 tâches réelles. Le taux de réussite est passé de 43,5 % à 93,0 %. C'est énorme car cela signifie que l'IA a appris à utiliser un navigateur correctement, et non pas seulement à contourner des contraintes spécifiques de test. Les chercheurs ont audité les résultats et ont constaté que l'agent évolué a cessé de « contourner les contraintes » (comme essayer de hacker le test) pour commencer à faire les choses de manière légitime.
• Le transfert inter-benchmarks : Enfin, ils ont pris le harnais évolué pour les tâches de codage et l'ont utilisé sur un benchmark complètement différent appelé SWE-bench Verified (ingénierie logicielle). Sans nouvel entraînement, il a obtenu un score de 84,2 %, prouvant que les compétences apprises étaient transférables à de nouveaux types de problèmes.

Qu'est-ce qui a changé ? La compétence de « Vérification »

L'article analyse ce qui a réellement changé dans le cerveau de l'IA (enfin, son harnais). Il s'avère que l'IA n'a pas appris de nouveaux faits sur les mathématiques ou l'histoire. Au lieu de cela, elle a appris une famille de compétences liées à la vérification et aux contrats.

Auparavant, l'IA donnait souvent une réponse en espérant qu'elle soit correcte. L'IA évoluée a appris à :

1. Créer un contrat : Avant de terminer une tâche, elle définit exactement ce qu'une réponse « correcte » doit être.
2. Vérifier son travail : Elle exécute des outils pour vérifier sa production par rapport à ce contrat.
3. Corriger les erreurs : Si elle échoue au contrôle, elle boucle et réessaie.

Ce « paquet de vérification » est ce qui a permis à l'IA de s'attaquer à des tâches difficiles et multi-étapes, comme la mise en place d'environnements logiciels complexes ou la navigation sur un site web sans se perdre. C'est la différence entre un étudiant qui devine la réponse et un autre qui vérifie son travail.

Ce qu'il faut retenir

DarwinX suggère que nous n'avons pas toujours besoin de cerveaux plus gros ou plus intelligents pour améliorer l'IA. Parfois, nous avons juste besoin de faire évoluer de meilleures instructions et de meilleurs outils. En traitant le « harnais » de l'IA comme une entité vivante qui peut être sélectionnée, archivée et recombinée, les chercheurs ont créé un agent plus fiable, plus capable et moins enclin à contourner les contraintes. L'article souligne que ces gains sont réels et mesurés, et non de simples simulations, et qu'ils tiennent bon même lorsque l'IA est confrontée à des tâches qu'elle n'a jamais rencontrées. C'est un rappel que, parfois, la meilleure façon de rendre un génie plus intelligent est de lui donner un meilleur ensemble d'outils et de lui apprendre à les utiliser.