Trois fois le score pour 50 dollars, sans toucher au modèle

Joël Niklaus rapporte avoir triplé le score d’un modèle sur Terminal-Bench sans le modifier : cinquante dollars de recherche automatique sur son harnais — l’enveloppe logicielle qui fait d’un modèle un agent, outils, mémoire et boucle de reprise sur erreur. Un agent lit les échecs, corrige le harnais, vérifie que la correction tient. Les poids n’ont pas bougé.

Deux autres travaux vont dans le même sens le même jour. Salesforce publie une méthode de co-évolution : faire évoluer le harnais avec un modèle faible sur sept tâches d’agent d’entreprise, puis entraîner ce modèle sur le harnais obtenu. Et DeepSeek livre le sien dans une version « profondément intégrée » à l’entraînement de V4.1-Flash — le modèle et son enveloppe optimisés ensemble, plus l’un après l’autre.