RSI-Anything : prédire avant de tester, la boucle d'IA qui s'améliore à chaque tour

Le dépôt RSI-Anything de l'organisation Gen-Verse sur GitHub a ouvert le 8 octobre 2026, atteignant 122 étoiles et 10 forks en quatre jours. Ce travail sous licence Apache-2.0 unit la recherche sur l'intelligence artificielle qui s'améliore seule à un modèle qui prédit le monde. Le sujet : un agent qui décide à l'avance lequel de ses chemins proposés il va vraiment tester à chaque tour.

L'idée en mots simples, c'est : ne teste pas tout ce qui te passe par la tête ; prédis d'abord, teste le plus prometteur, regarde le résultat, et deviens plus malin au tour suivant. Comme taper sur quatre melons pour entendre lequel est mûr au lieu de les ouvrir tous les quatre. Tester pour de vrai coûte cher, deviner coûte peu. Un agent devient ainsi plus précis à chaque tour avec le même budget.

Proposer, prédire, tester, garder : une boucle en six étapes

La boucle compte six étapes : une politique ou un flux de travail propose des candidats, un modèle du monde prédit chaque résultat, le candidat le mieux noté entre en test réel, prédiction et résultat observé sont notés côte à côte, le retour améliore la politique ou le modèle, et un contrôle de maintien décide quelle version reste. Politique et modèle peuvent se mettre à jour à des rythmes séparés ; la politique peut progresser pendant qu'un modèle fiable reste immobile, et inversement. Le duo de politique et de modèle gardé façonne les candidats du tour suivant et ses données d'apprentissage, si bien que le progrès ne reste jamais dans un seul tour mais s'empile.

À la base se trouve JEPA-Anything : l'équipe menée par PhAI Labs a construit la technique Orthogonal Predictive Factorization, qui découpe une cible cachée en facteurs complémentaires et prédit chaque facteur par sa propre branche. Une analyse MarkTechPost note que ce dessin corrige le problème des signaux forts qui écrasent les faibles dans la prédiction monobloc ; l'équipe a testé la méthode comme modèle du monde dans sept domaines dont la vision, la biologie, les trajectoires cliniques, le contrôle, la dynamique moléculaire, les champs physiques et la météo, battant la base JEPA simple sur les dix tâches dynamiques. Une synthèse AIWeekly rapporte qu'une intervention biologique suggérée par un facteur appris a été confirmée dans des expériences sur cellules et souris.

La réparation de programmes marche ainsi : le modèle producteur 7B nommé ReasonFlux-Coder-7B reste fixe et propose quatre patchs par tour, tandis que le modèle du monde 3B nommé W1 rend des probabilités en cinq classes pour chaque duo de patch et de test. Seul le patch le mieux noté passe les vrais tests, pendant trois tours au plus. 200 tâches CodeContests avec trois graines font 600 évaluations ; le succès aux tests cachés monte de 26,3 pour cent avec un vérificateur statique à 29,2 avec un montage à modèle fixe puis 31,2 avec adaptation du modèle. Les appels de test restent à 3,7 par tâche. CodeContests est le jeu de données que l'équipe DeepMind a ouvert pour la génération de programmes de niveau concours ; le rapport technique sur arXiv souligne que la comparaison utilisait le même producteur et le même budget de candidats.

Pour la généralisation, le même modèle du monde a répété la boucle sur deux grandes collections : le succès aux tests complets atteint 46,37 pour cent sur la mesure APPS Introductory à 1000 tâches et 33,05 sur la mesure LiveCodeBench v6 à 1055 tâches. Le programme de départ restait identique pour chaque tâche et graine, les tests publics guidaient le travail, et tout le pack officiel devait passer à la fin. Le choix au hasard comme le vérificateur statique restaient derrière sur les deux lots.

Des écrans aux laboratoires : une boucle, quatre mondes séparés

En travail sur écran, un agent a tenté la tâche de cases à cocher du pack MiniWoB++ sur les mêmes 100 cas à travers trois versions : le succès a grimpé de 51 à 79 puis 99 pour cent, les actions moyennes par épisode ont baissé de 5,30 à 3,21, et les clics répétés inutiles sont tombés de 237 à zéro. À chaque pas, un modèle du monde note quel clic marchera avant qu'il arrive. La version du milieu agissait moins mais se trompait d'envoi 21 fois ; la version finale agissait un peu plus et réduisait la faute à 1. Sur le travail de bureau, la mesure OSWorld montre un gain relatif de 18,4 pour cent sur l'agent de départ et de 5,5 sur le montage RLAnything. Le dépôt public OSWorld sur GitHub mesure de tels agents avec 369 vraies tâches d'ordinateur.

En planification de laboratoire, la mesure LabHorizon F200 a suivi cinq versions de suite du même modèle de politique 4B : le score final est monté de 21,80 à 46,01 pour cent, dépassant le montage géant de référence à 45,32. Un modèle du monde filtre les séquences candidates avant exécution. En chimie, sur des écrans Suzuki-Miyaura, le meilleur rendement observé est monté de 87,5 à 93,0 pour cent sur l'écran GC à 20 essais et de 82,16 à 96,15 sur l'écran LC-MS en flux à 40 essais, à nombre d'essais inchangé.

L'étude immunitaire a bâti une ligne de bout en bout : les flux d'agents ont d'abord évolué, puis un modèle du monde portant le contexte de cellule, de tissu et d'individu a été construit, et un agent d'analyse à modèle fixe a mené prédiction, auto-correction et tri d'hypothèses. Le résultat est une hypothèse candidate qui suggère le blocage SIRPα avec le réglage de l'axe IL-36γ ; le test au laboratoire humide n'a pas encore eu lieu. Le rapport technique, le dépôt GitHub et les modèles sur HuggingFace sont tous publics. Les notes de reproduction sont concrètes aussi : Linux avec Python 3.10, installation en une commande, entraînement en quatre étapes par les commandes rsi plan et rsi run ; l'archive d'évaluation fait 64 Mo et le complément d'entraînement 236 Mo.

Les limites honnêtes sont écrites dans le rapport aussi : le score de laboratoire est un succès de planification, pas une exécution au banc ; le résultat de chimie se limite à deux écrans Suzuki de 20 et 40 essais ; l'hypothèse immunitaire attend son test. Un modèle du monde apprend à prédire plus juste à chaque tour. L'image reste nette : quand le retour extérieur coûte cher, prédis d'abord, teste peu, apprends le résultat au décideur comme au prédicteur, et ne garde jamais un duo qui ne va pas ensemble. Toute équipe dont la facture de tests gonfle en tire la même leçon.