L’innovation IA ne faiblit pas, comme en témoigne cette nouvelle annonce.
Guide sur l’ingénierie des boucles : comment les fonctions « autoresearch » et « Bilevel Autoresearch » transforment les agents IA en boucles de recherche autonomes en apprentissage automatique (ML)
La plupart des gens utilisent encore l’IA comme un champ de travaux de recherche datant de 2015. On tape, on lit, puis on tape à inédit. Une nouvelle approche remplace ces allers-retours manuels par une boucle. Ce guide explique l’ingénierie des boucles à l’aide de deux artefacts validés. Les sources sont le dépôt « autoresearch » d’Andrej Karpathy et l’article « Bilevel Autoresearch ». La structure s’inspire d’un article rédigé par @0xCodila.
À relever, pour commencer, comparons deux modes. Une invite correspond à une instruction, à la suite de laquelle vous décidez de la prochaine étape. Une boucle, en revanche, est un objectif que le modèle d’IA poursuit jusqu’à ce qu’il l’atteigne. Le système planifie, agit, vérifie son propre résultat, puis recommence. Vous définissez l’objectif une seule fois, et la boucle se charge des itérations. Il est essentiel de noter qu’une boucle ne justifie son coût que lorsque le travail est mesurable.
Alors, qu’est-ce qui distingue une véritable boucle d’un chatbot qui répète sans cesse la même chose ? Toute boucle fiable comporte trois éléments.
Ces trois éléments ne relèvent pas de la théorie. Le 7 mars 2026, Karpathy a publié « autoresearch », un dépôt open source sous licence MIT. Il comprend trois fichiers principaux et environ 630 lignes de code. Le projet est devenu viral en quelques jours et compte aujourd’hui près de 90 000 étoiles sur GitHub. Il a par la suite été présenté comme le modèle d’IA dit « Karpathy Loop ».
La conception est volontairement simple, mais rigoureuse. L’agent ne modifie que le fichier `train.py`, qui contient le modèle d’IA GPT, les optimiseurs (Muon et AdamW) et la boucle d’entraînement. Il ne peut pas modifier les utilitaires d’évaluation contenus dans le fichier `prepare.py`. Cette séparation empêche l’agent de faciliter le test plutôt que d’optimiser le modèle. De son côté, un humain rédige le fichier `program.md`, qui contient les instructions que l’agent doit respecter.
Chaque cycle exécute une expérience. L’agent lit le code, propose une modification, s’entraîne pendant cinq minutes, puis conserve la modification ou revient en arrière. L’indicateur de performance utilisé est « val_bpb » (bits de validation par octet) ; plus cette valeur est faible, mieux c’est. Ce budget permet d’effectuer environ 12 expériences par heure, soit une centaine pendant la nuit.
Ce qu’il faut garder à l’esprit :
- Il a par la suite été présenté comme le modèle d’IA dit « Karpathy Loop ».
- Cette séparation empêche l’agent de faciliter le test plutôt que d’optimiser le modèle.
- Ce budget permet d’effectuer environ 12 expériences par heure, soit une centaine pendant la nuit.
Les implications concrètes de cette annonce se dessineront progressivement.
Pour aller plus loin :
- GPT-5.6 : une intelligence de pointe qui s’adapte à vos ambitions
- Anthropic a découvert un espace caché où Claude s’interroge sur divers concepts
Via MarkTechPost : MarkTechPost