Vendredi, un chercheur indépendant en IA a déclaré que la persistance était désormais une caractéristique fondamentale des modèles de pointe, ce qui renforce les enjeux pour les agents fonctionnant sur de longues périodes.

Points clés

  • Omarsar0 a déclaré que Opus 5.5, GPT-6 Astra et Gemini 4 Argon partagent la persistance du modèle comme caractéristique fondamentale

  • OpenAI a déployé une mise à niveau parallèle multi-agents pour GPT-6 Astra Pro, qui repose sur la capacité à garder à l’esprit l’objectif global d’une tâche

  • Sans persistance, les agents qui fonctionnent sur de longues périodes peuvent perdre le fil de leurs tentatives précédentes, ce qui oblige les humains à les recentrer constamment

  • Aucun laboratoire n’a publié de référence formelle évaluant spécifiquement la persistance en tant que capacité notée

Omarsar0 a écrit que « si peu de gens en parlent », en citant Opus 5.5 d’Anthropic, GPT-6 Astra d’OpenAI et Gemini 4 Argon de Google comme des modèles qui partagent désormais cette capacité en tant que caractéristique fondamentale, plutôt que comme une fonctionnalité réservée aux cas particuliers.

Cette observation tombe la même semaine qu’OpenAI a lancé une mise à niveau parallèle multi-agents de GPT-6 Astra Pro, une fonctionnalité qui dépend de la capacité des modèles à conserver une compréhension stable de l’objectif global d’une tâche pendant que plusieurs sous-agents en exécutent différentes parties simultanément.

Pourquoi les tâches de longue durée reposent sur la persistance

Les enjeux pratiques concernent tous ceux qui créent des agents destinés à fonctionner sans surveillance pendant des heures, comme les agents de programmation, les assistants de recherche ou les robots du service client. Sans persistance, une tâche de longue durée s’effondre lorsque le modèle perd le fil de ce qu’il a déjà tenté, obligeant les humains à rétablir constamment le contexte, ce qui va à l’encontre de l’objectif de l’automatisation.

Le plug-in Codex d’OpenAI pour Stack Overflow, destiné aux agents, qui, selon l’entreprise, a entraîné une hausse pouvant atteindre 10 fois du nombre d’agents créés, est un exemple concret de produit dépendant de la conservation de l’état qui a trouvé de véritables utilisateurs ce mois-ci.

Pour les développeurs indépendants, les lancements cités ne répondent pas aux questions liées au déploiement.

Quelles utilisations les conditions de licence autorisent-elles ? Les poids sont-ils disponibles ? De quelles ressources de calcul ont-ils besoin ? Et leurs interfaces d’agents prennent-elles en charge les transferts ?

Ce sont ces détails, et non la simple appellation, qui déterminent ce qu’il est réellement possible d’exécuter en dehors d’un laboratoire, alors même que les laboratoires semblent s’accorder sur la persistance comme exigence de base plutôt que comme facteur de différenciation, et rivalisent bruyamment sur les scores aux tests de performance.

À lire également : MLExpert AI double presque son score en ingénierie, qui atteint 72,7 %, et rivalise avec Kimi-K3

Des chatbots sans état aux agents qui se souviennent de leur progression

Les lancements cités par omarsar0 marquent un contraste avec les chatbots de 2023 et 2024, qui ne conservaient généralement pas d’état entre les sessions et comptaient sur les utilisateurs pour recoller le contexte si une conversation reprenait. Le passage aux agents de longue durée s’inscrit dans l’évolution plus générale du secteur, qui délaisse les interfaces conversationnelles au profit de l’exécution autonome de tâches, où un modèle est censé fonctionner pendant de longues périodes avec un minimum de supervision.

Cette évolution s’est accélérée en 2026, les laboratoires s’étant lancés à la poursuite de tests de performance mesurant l’accomplissement de tâches en plusieurs étapes plutôt que la précision sur un seul tour.

Un article récent sur l’ingénierie autonome en apprentissage automatique décrivait des systèmes pilotés par des workflows capables de gérer des « expérimentations à long horizon ». Cette formulation fait écho à la persistance signalée par omarsar0 et laisse penser que les axes de recherche et de développement produit s’alimentent désormais directement l’un l’autre.

Quelle est la prochaine étape pour les architectures d’agents ?

Aucun laboratoire n’a publié de test de performance officiel évaluant spécifiquement la persistance comme une capacité notée. La tendance se manifeste donc surtout à travers des observations éparses comme celle d’omarsar0, plutôt que dans un classement. Il faudra voir si Anthropic, OpenAI ou Google DeepMind proposent une évaluation dédiée dans leurs prochaines fiches système ; une telle initiative transformerait une observation informelle en une mesure quantifiable et comparable entre les modèles.

À lire ensuite : Together AI héberge le modèle Beam de Reflection AI, doté de 501 milliards de paramètres, et le qualifie de « meilleur modèle »