DeepSeek Harness et Cordis : les coulisses d’une auto-amélioration de l’IA sous contrôle

DeepSeek Harness (DSH) ne démontre pas que DeepSeek a construit un système autonome d’auto-amélioration récursive, ni que l’entreprise a atteint l’intelligence artificielle générale (AGI). Sa portée la plus solide est architecturale : DSH crée un environnement d’exécution dans lequel les outils, les adaptateurs de modèles, la gestion des sessions et même la boucle de l’agent peuvent être traités comme des composants remplaçables. Cette conception rend les expérimentations répétées plus sûres et plus pratiques — une base nécessaire à une auto-amélioration bornée. 2526

L’idée centrale : améliorer le « harness », pas seulement le modèle

L’auto-amélioration récursive, ou RSI (Recursive Self-Improvement), peut recouvrir plusieurs réalités. Un système peut améliorer un artefact précis, comme un algorithme ; aider des chercheurs à concevoir un modèle successeur plus performant ; ou modifier l’infrastructure réutilisable qui définit la manière dont un agent fonctionne. Les travaux sur la RSI distinguent cette forme d’auto-raffinement borné, évalué de l’extérieur, d’une RSI ouverte, dans laquelle le système modifie aussi les mécanismes ou les critères qui servent à l’améliorer. 1

DSH s’attaque clairement à la couche de l’infrastructure. Plutôt que de demander à un agent de réécrire ses poids neuronaux, son architecture lui permet d’expérimenter sur les éléments qui entourent le modèle : prompts, outils, mémoire, politiques, orchestration et boucles d’exécution. Un composant plus performant peut être installé, testé et conservé — ou retiré s’il donne de mauvais résultats.

C’est une avancée significative pour une RSI orientée vers l’ingénierie. Mais ce n’est pas la même chose qu’un agent qui concevrait seul un successeur plus capable, choisirait ses propres objectifs ou déclencherait une explosion incontrôlée de l’intelligence.

Comment Cordis rend les changements récupérables

DSH repose sur Cordis, un runtime de plugins fondé sur ce que sa documentation appelle la « composabilité spatio-temporelle ». Le framework traite deux problèmes distincts des logiciels qui évoluent pendant leur fonctionnement : ce qui se passe dans le temps lorsqu’un composant est chargé ou retiré, et la manière dont les composants interagissent dans la configuration courante du système. 1718

Composabilité temporelle : annuler les effets gérés

Un plugin peut modifier un runtime partagé en enregistrant des ressources, des écouteurs d’événements, des services ou d’autres éléments d’état. Dans un système classique, sa suppression dépend souvent d’un code de nettoyage écrit manuellement, avec le risque de laisser des fuites ou des états « fantômes ».

Cordis associe plutôt les changements du runtime à des effets réversibles. Lorsqu’un composant est retiré, le runtime peut exécuter les opérations inverses correspondantes dans l’ordre approprié. L’objectif n’est pas de faire fonctionner le plugin à l’envers, ni d’annuler toutes les actions externes entreprises par un agent. Il s’agit de rétablir la structure logicielle concernée dans une configuration antérieure valide. 2024

La nuance est essentielle. Un mécanisme d’annulation des inscriptions de plugins ne peut pas effacer automatiquement un e-mail déjà envoyé, restaurer un fichier supprimé, retirer l’influence d’un modèle entraîné sur des données contaminées ou inverser une action irréversible dans le monde physique. La réversibilité de Cordis est donc une propriété logicielle bornée, pas une garantie de sécurité universelle.

Composabilité spatiale : gérer les dépendances

Les composants dépendent également les uns des autres. Un outil peut avoir besoin d’un registre ; un module de mémoire, d’un gestionnaire de session ; une boucle d’agent, d’un adaptateur de modèle et d’une interface d’outils.

La composabilité spatiale permet aux composants de déclarer ces relations. Le runtime peut ainsi coordonner leur activation, leur désactivation, leur remplacement et leur récupération lorsque des fournisseurs ou des dépendances évoluent. Un agent modulaire peut alors se reconfigurer sans que tout le système soit traité comme un bloc unique et fragile. 1820

Ensemble, les effets réversibles et la composition tenant compte des dépendances facilitent les essais, le remplacement de composants, la récupération après une panne et les mises à jour transactionnelles du runtime. Ces fonctions sont des prérequis utiles à l’auto-amélioration : elles réduisent le coût d’un changement, mais aussi celui de son rejet.

Ce que DSH laisse entrevoir de la stratégie AGI de DeepSeek

La conception suggère une voie systémique vers des agents de plus en plus généralistes : rendre l’environnement d’exécution suffisamment malléable pour que l’agent puisse améliorer les mécanismes avec lesquels il accomplit ses tâches.

Cette approche déplace l’attention du seul modèle vers l’ensemble du système. Un modèle inchangé peut devenir plus performant en pratique grâce à de meilleurs outils, à une mémoire plus efficace, à une planification améliorée, à de meilleures évaluations et à des mécanismes de récupération. Si un agent peut proposer des changements à ces mécanismes, les tester selon des critères externes et ne conserver que les versions efficaces, l’amélioration peut s’inscrire dans une boucle contrôlée.

Mais l’architecture, à elle seule, ne prouve pas que DSH réalise de manière autonome une auto-amélioration récursive. Les éléments disponibles décrivent un runtime et un harness open source, pas une boucle complète démontrée dans laquelle DSH générerait, évaluerait, sélectionnerait et déploierait seul des versions toujours plus capables de lui-même. 2526

DSH face aux autres initiatives liées à la RSI

Les systèmes évoqués dans le débat sur la RSI ciblent des couches différentes du processus d’amélioration. Les considérer comme des équivalents directs ferait disparaître leurs différences techniques les plus importantes.

AlphaEvolve de Google DeepMind : faire évoluer des algorithmes grâce à l’évaluation

AlphaEvolve est plus directement une boucle d’optimisation. Des agents s’appuyant sur Gemini proposent des modifications de code, des évaluateurs automatiques les notent et un processus évolutionnaire sélectionne les candidats prometteurs. Google décrit son utilisation pour la découverte et l’optimisation d’algorithmes, notamment dans des problèmes mathématiques et des infrastructures informatiques. 2314

Sa force distinctive est le feedback : chaque proposition peut être testée contre un objectif vérifiable par une machine. DSH, à l’inverse, est principalement une architecture de runtime conçue pour composer et remplacer des composants de façon sûre. AlphaEvolve fait évoluer des solutions ; Cordis rend un système en fonctionnement reconfigurable avec davantage de contrôle.

L’RSI Index d’OpenAI : mesurer plutôt que modifier

Les éléments publics disponibles ici présentent l’RSI Index comme un agrégat de résultats issus d’évaluations de recherche en IA. Dans cette description, il s’agit d’un instrument de suivi des capacités, et non d’un moteur qui modifie un modèle ou exécute lui-même une boucle d’amélioration. Un score peut renseigner sur les performances à certaines tâches liées à l’auto-amélioration, mais il ne prouve pas, à lui seul, qu’un système s’améliore de façon autonome en production. 3435

Il faut donc comparer l’index à DSH comme une couche de mesure, et non comme un concurrent architectural. Les sources publiques fournies ne permettent pas d’évaluer indépendamment sa construction ni la signification exacte de l’évolution de ses scores.

La recherche automatisée « weak-to-strong » d’Anthropic : automatiser la recherche en IA

Les chercheurs automatisés d’Anthropic s’attaquent à un autre goulot d’étranglement : utiliser une supervision plus faible pour entraîner ou orienter un modèle plus puissant. Les agents proposent des idées, mènent des expériences et itèrent sur la recherche consacrée à la supervision weak-to-strong, c’est-à-dire à la manière d’encadrer un modèle plus capable à partir d’un superviseur moins puissant. 4958

Ce travail est plus proche de l’automatisation de certaines étapes de la recherche en IA et de l’évaluation de l’alignement que du remplacement de composants au niveau du runtime propre à DSH. Les deux approches pourraient toutefois se compléter : un agent de recherche pourrait découvrir de meilleurs composants, tandis qu’un harness réversible pourrait les tester et les déployer avec une possibilité de retour contrôlé.

La discussion publique plus large d’Anthropic apporte d’ailleurs une nuance importante : l’entreprise affirme que la RSI totalement autonome n’est pas encore atteinte et qu’elle n’est pas inévitable. 59

Tencent Hyra-1.0 et MiniMax M2.7 : des éléments insuffisants pour comparer leur architecture

Les sources fournies ne contiennent pas de documentation technique fiable et vérifiable indépendamment sur Hyra-1.0 de Tencent ou M2.7 de MiniMax. Il serait donc trompeur d’attribuer à l’un ou à l’autre une architecture RSI précise, ou de les placer sur le même plan documentaire que DSH, AlphaEvolve ou les travaux publiés d’Anthropic.

Pourquoi les environnements et les boucles de feedback deviennent le nouveau front de la concurrence

L’avantage compétitif se situe de plus en plus dans le système qui entoure le modèle de base. Quatre éléments sont particulièrement déterminants :

1. Un environnement capable. Sandboxes, dépôts de code, outils, simulateurs, jeux de données, puissance de calcul et télémétrie de déploiement déterminent les expériences qu’un agent peut réellement mener.
2. Un feedback automatisé. Tests, vérificateurs, benchmarks, fonctions de récompense et métriques de production transforment les changements proposés en expériences mesurables. AlphaEvolve illustre l’intérêt d’associer des idées générées par un modèle à des évaluateurs automatiques. 26
3. La récupérabilité. Versionnage, isolation, traçabilité, retour arrière et étapes de validation permettent de multiplier les expériences sans qu’un seul échec n’endommage durablement le système. Les effets réversibles de Cordis répondent directement à cette exigence. 1720
4. L’itération cumulative. Si chaque cycle améliore le codage, l’évaluation, l’expérimentation ou l’infrastructure, les cycles suivants peuvent devenir plus rapides ou moins coûteux. Les données disponibles étayent toutefois davantage l’idée d’un auto-raffinage borné que celle d’une RSI ouverte et auto-entretenue. 1

C’est pourquoi un modèle légèrement moins performant sur un benchmark peut rester compétitif s’il fonctionne dans un meilleur environnement, doté d’outils, de feedback et de mécanismes de récupération supérieurs. La boucle d’amélioration — et pas seulement le point de contrôle du modèle — devient alors le véritable produit.

Le problème du contrôle reste entier

La récupérabilité réduit les risques ; elle ne les élimine pas. Un bouton de retour arrière ne garantit pas que toutes les conséquences d’une action d’agent soient observables ou réversibles. Des changements peuvent toucher des données, des identifiants, des services externes, des frontières de sécurité ou des décisions humaines échappant au contrôle du runtime.

Une itération plus rapide peut aussi amplifier de mauvais objectifs, le contournement des spécifications, les régressions cachées et les dépendances opaques. Le contrôle humain exige donc davantage qu’un mécanisme de rollback. Les changements doivent rester observables, évaluables de manière indépendante, soumis à des permissions, attribuables et réellement réversibles à l’échelle du système complet — pas uniquement dans le graphe des plugins.

La conclusion la plus solide reste mesurée : DSH et Cordis montrent comment concevoir une infrastructure d’agents capable d’une auto-modification bornée et récupérable. AlphaEvolve illustre la puissance de l’évolution guidée par des évaluateurs, tandis que les travaux d’Anthropic montrent comment l’IA peut participer de plus en plus directement à la recherche. Ensemble, ces initiatives témoignent de progrès vers des boucles d’amélioration assistées par l’IA, mais elles ne démontrent ni une RSI totalement autonome et ouverte, ni l’AGI. 14959