Google Harness² Renforce Même Modèle Sans Réentraînement

Un agent IA réunit deux choses : un modèle qui raisonne et un harnais qui l'équipe. Le harnais porte les consignes, les règles à respecter, la mémoire consultable, les outils appelables et les agents auxiliaires délégables. Google Research nomme harnessing l'optimisation de cette couche, et la thèse tient en une ligne : agent égale modèle plus harnais. Un modèle brillant dans une installation négligée produit un travail faible ; le même modèle gelé obtient donc des scores très différents selon son entourage.

Les équipes montent souvent cette installation une fois pour toutes. Elle convient aux tâches prévues, puis fléchit devant des tâches fraîches que personne n'avait anticipées. Google nomme ce régime le monde ouvert : rencontrer des tâches ignorées au moment du montage. Le praticien cité dans la vidéo raconte la même peine dans son système multi-agents : un travail raté réclame presque jamais un modèle neuf, toujours une installation réparée.

D'abord les scores, ensuite le mécanisme

Les chiffres viennent de trois suites professionnelles : WorkBuddy-Bench pour le bureau, le web et le logiciel ; JobBench pour les tâches métier de bout en bout ; LAB, le test d'agents juridiques de Harvey. Sur quatre combinaisons modèle-harnais avec GLM-5 et Gemini 3.5 Flash, un seul cycle ajoute jusqu'à 11,5 points sur WorkBuddy-Bench, 4,5 sur JobBench et 11,8 points de réussite partielle sur LAB. Le dépôt GitHub affiche les mêmes chiffres vedettes dans son README, et les nombres de la vidéo collent à la source logicielle primaire.

Le frappant, c'est que tous ces gains sortent d'un seul cycle, poids du modèle inchangés. Personne n'a réentraîné quoi que ce soit ni payé un nouveau modèle fondateur ; seuls les fichiers autour ont bougé. L'article sur arXiv montre que des budgets plus larges ajoutent encore des points, avec des exécutions parallèles jusqu'à k égal cinq. Ce motif compte : il fait passer le travail de harnais du ouï-dire à un axe de rendement mesurable. Le dossier arXiv reste l'appui primaire de mesure.

Trois verbes et huit fichiers

Chaque tâche traverse une boucle contrastive en trois verbes : proposer, sonder, composer. Un éditeur de harnais rédige deux montages candidats, l'un contre les faiblesses générales comme la planification, l'autre pour le domaine courant. Les deux tentent la même tâche à conditions égales, et un compositeur ne garde que les changements appuyés par le contraste de comportement. Aucune réponse correcte ne guide le choix ; le récit AI Primer compte quatre exécutions par tâche au budget par défaut, base plus deux candidats plus le composé.

La surface modifiable couvre huit pièces sur fichiers : consignes principales, garde-fous des limites dures, mémoire consultée, guide d'usage des outils, agents auxiliaires délégataires, paquets de savoir-faire et scripts prêts à l'appel, plus l'intermédiaire qui observe chaque tour. Les quatre premières fixent ce que l'agent sait au départ ; les deux suivantes, son usage des outils et le partage ; la dernière, l'intérieur de chaque tour. Qui pilote déjà des outils d'agents y reconnaîtra les mêmes briques sous d'autres noms.

Tout ceci tient dans une seule tâche : la récursion au niveau tâche. Au-dessus tourne une seconde boucle, la récursion au niveau harnais. Après chaque tâche, un réflecteur d'expérience garde le montage adopté et les leçons tenues. Elles rejoignent une bibliothèque d'amélioration durable, carnet d'auto-perfection que la tâche suivante lit avant de proposer. Seules les leçons prouvées demeurent ; le carnet se remplit de coups éprouvés, non de paris. La revue AgentGid souligne la même coupure et note que l'éditeur derrière les chiffres vedettes est Claude Opus 4.8, plus fort que les exécutants.

Budgets, limites et leçon

Le budget supplémentaire se dépense de deux façons. La récursion parallèle essaie plusieurs montages à la fois et bâtit des successeurs combinés : exploration large. La récursion séquentielle reprend le meilleur montage et le polit tour après tour : fouille profonde. Dans les deux sens, le rendement monte avec le budget. L'exécution tourne aujourd'hui sur des outils déjà courants : OpenCode par défaut, Codex en option.

Voici les coûts honnêtes. Chaque sondage rejoue l'agent sur la tâche entière ; tester six montages plus les sessions d'édition coûte six tournées. D'où le conseil du guide officiel : commencer par un petit lot de tâches. Version 0.1.0, ni produit Google officiel ni appli en un clic : machine Linux et Python 3.12 requis. Le billet TheAIFeed pose la bonne question : gains établis, l'enjeu devient le budget d'exécution. L'accès réseau des exécutants reste sans bornes et Codex tourne sans bac à sable : les campagnes appartiennent à un espace isolé.

Outils mis à part, la leçon voyage bien : réparer l'installation avant d'accuser le cerveau. Consignes, règles, scripts de mémoire et paquets de savoir-faire sont de la prose ordinaire, modifiable par tous. Cette discipline sert déjà l'agent que vous pilotez aujourd'hui. Mon critère pour ces cadres : la boucle s'améliore-t-elle sans nounou humaine ? Le mécanisme de bibliothèque le promet. Les exécutants faibles ont le plus gagné au tableau : les premiers prix attendent les installations les plus brouillonnes, non les modèles les plus forts.