Donnez huit fois la même mission au même agent, avec les mêmes outils et le même budget de calcul. Vous obtiendrez huit résultats différents, dont certains très en dessous des autres. Une étude de Microsoft Research s’est penchée sur cet écart, et le remède qu’elle propose surprend : oublier plutôt que mémoriser.
Un agent qui tourne plus longtemps plafonne quand même
Les chercheurs ont travaillé sur ce qu’ils appellent des « Autoresearch agents » : des systèmes d’IA qui proposent une solution, l’évaluent, puis la raffinent d’après le retour obtenu, en boucle, parfois pendant plus de 100 heures. On imagine volontiers que plus la boucle dure, meilleur est le résultat.
Les mesures ne confirment pas cette intuition. Sur une même tâche, huit exécutions indépendantes du même agent se sont stabilisées à des niveaux très écartés, avec des scores finaux allant de 68,3 à 100,0. L’écart ne se résorbait pas non plus quand on ajoutait nettement plus de calcul, d’après l’article.
Ni la puissance ni la durée n’expliquaient donc la différence : tout se jouait très tôt, dans la direction prise.
Des « bassins d’idées » dont l’agent ne sort pas
Pour le visualiser, l’équipe a placé toutes les solutions produites sur une carte à deux dimensions où les solutions proches se retrouvent côte à côte. Celles d’une même exécution restent presque toujours dans une petite zone. Les auteurs parlent d’« idea basins », des bassins d’idées.
L’image du bassin versant est juste : une fois que l’eau a pris une pente, elle descend vers le même creux, même si une vallée plus profonde existe un peu plus loin. L’agent consacre alors une large part de son budget restant à polir une solution moyenne, pendant que d’autres exécutions ont découvert de meilleures approches.
Compresser régulièrement l’historique de la conversation n’y change rien. Un résumé garde l’orientation du raisonnement passé, donc la pente aussi.
Fork-and-Flush : garder le chantier, jeter la discussion
La méthode proposée, Fork-and-Flush, repose sur deux gestes simples.
- Fork : l’agent se scinde en K branches parallèles. Chacune hérite de l’espace de travail précédent et de tous les fichiers générés.
- Flush : chaque branche perd la totalité de son contexte de conversation, mais conserve l’espace de travail. Elle repart d’une discussion vierge, en s’appuyant sur le code, les fichiers et les résultats déjà enregistrés.
Ensuite, on garde la meilleure branche et on écarte les autres. Pensez à un artisan qui, au lieu de relire ses notes de la veille, revient à l’atelier : les pièces à moitié taillées sont là, mais il n’entend plus son monologue d’hier. Il regarde l’ouvrage avec des yeux neufs.
Le contexte hérité tire en effet chaque branche vers le bassin du parent, puisque les raisonnements précédents orientent les suivants. Un contexte frais rétablit la diversité de la recherche.
Treize tâches longues, de l’empilement de polyominos à la cryptanalyse
Le test couvre 13 tâches longues : empilement de polyominos, ordonnancement d’atelier (job-shop scheduling), cryptanalyse, compression d’un classifieur CIFAR (un jeu d’images de référence), optimisation d’un noyau de calcul pour processeur VLIW (à très long mot d’instruction). Les exécutions durent de quelques heures à plus de 100 heures. Les agents tournent sur GPT-5.6-terra et GPT-5.5, via la GitHub Copilot CLI.
À budget de calcul égal, Fork-and-Flush atteint un score moyen normalisé de 0,78, contre 0,47 pour une exécution unique et 0,54 pour la stratégie best-of-4 (quatre exécutions, on garde la meilleure). Les gains relatifs annoncés sont de 66,0 % et de 44,4 %. La méthode obtient la meilleure moyenne sur 12 des 13 tâches.
La régularité progresse aussi : l’écart-type normalisé tombe à 0,16, contre 0,26 pour une exécution unique. Et le simple fait d’effacer le contexte, sans brancher en parallèle, améliore déjà les résultats de 22 %.
Cette dernière mesure isole l’effet de l’oubli lui-même, indépendamment de la multiplication des essais : même un agent seul, sans concurrents, gagne à repartir d’une conversation vierge.
Le contexte accumulé, une dette pour les agents
Beaucoup d’équipes cherchent à rallonger la mémoire de leurs agents : fenêtres de contexte plus grandes, résumés, bases vectorielles. Cette étude suggère que, sur des tâches d’optimisation longues, le contexte accumulé agit comme une dette. Chaque étape y ajoute des hypothèses qu’on ne remet plus en cause.
La séparation qu’elle met en avant sert davantage que n’importe quelle astuce de prompt : ce qui doit durer vit dans l’espace de travail (code, fichiers, mesures), ce qui doit pouvoir être oublié vit dans la conversation. Un agent bien construit rend cet oubli possible sans rien perdre du travail déjà fait.
Des réserves s’imposent. Les tâches testées ont toutes un score mesurable, ce qui permet de désigner une meilleure branche ; sans critère d’évaluation fiable, le tri des branches devient le vrai problème. Le coût compte aussi : K branches consomment K fois plus de ressources par étape, même si la comparaison se fait ici à budget constant. Enfin, l’étude porte sur deux modèles d’OpenAI, et rien n’indique encore que le phénomène se comporte de la même façon ailleurs.
Pour quiconque laisse tourner un agent des heures durant, la question se pose très concrètement : à partir de quand sa conversation cesse-t-elle de l’aider pour commencer à l’enfermer ?
Ils m’ont fait confiance
« Il ne se contente pas de corriger les symptômes, il cherche à comprendre l'origine des problèmes et à sécuriser les modifications effectuées. J'ai réellement le sentiment d'avoir trouvé un développeur qui comprend à la fois la technique et les enjeux globaux du projet. »
Évaluation client · projet WordPress · septembre 2026
5,0/5 sur 17 évaluations
Faire appel à mes services →
