# Harnais Articles associés

Le Centre d'actualités HTX fournit les derniers articles et analyses approfondies sur "Harnais", couvrant les tendances du marché, les mises à jour des projets, les développements technologiques et les politiques réglementaires dans l'industrie crypto.

Le nouveau blog de Weng Li propose que « l'auto-évolution commence par le Harnais », Cui Tianyi de DeepSeek relaie et approuve

L'ancienne vice-présidente de la sécurité d'OpenAI et cofondatrice du Thinking Machines Lab, Weng Li, propose dans un nouveau blog une voie réaliste pour l'auto-évolution de l'IA. Elle suggère que les progrès initiaux en matière d'amélioration récursive de soi (RSI) pourraient provenir non pas de la modification directe des poids du modèle, mais de l'optimisation du **Harness** – le système externe qui gère l'appel d'outils, la gestion du contexte, la planification des tâches et la validation des résultats pour un agent IA. Le chercheur de DeepSeek, Cui Tianyi, a soutenu cette vision, notant que l'auto-évolution du Harness est une direction de recherche très prometteuse, au même titre que l'auto-évolution du modèle lui-même. Weng Li décrit une progression claire des travaux récents : de l'ingénierie du contexte (comme ACE et MCE, qui structurent la mémoire de l'agent), à la conception de workflows (où l'agent optimise son propre processus de travail, comme dans AI Scientist ou ADAS), et enfin à l'**auto-amélioration du Harness**. Cette dernière couche permet à l'agent d'analyser ses échecs, de proposer des modifications incrémentielles et vérifiables à son propre système d'exécution, puis de les valider avant adoption. Des méthodes comme l'**Evolutionary Search** ou **DGM** (Darwin Gödel Machine) poussent ce concept plus loin en faisant évoluer le code du Harness lui-même par sélection, conduisant à des gains de performance significatifs sur des benchmarks de code, rivalisant avec des agents conçus manuellement. Cependant, Weng Li souligne plusieurs défis persistants : la faiblesse des évaluateurs pour les tâches subjectives ou à long terme, les risques de *reward hacking*, la perte de diversité dans les cycles d'évolution, et la difficulté à concilier succès à court terme et santé à long terme des systèmes. Elle conclut que le Harness et le modèle se renforceront mutuellement, et que le rôle humain évoluera vers une supervision à un niveau d'abstraction plus élevé, sans être exclu de la boucle. La compétitivité future des systèmes d'IA dépendra donc de plus en plus de la sophistication de leur Harness.

marsbit07/08 10:31

Le nouveau blog de Weng Li propose que « l'auto-évolution commence par le Harnais », Cui Tianyi de DeepSeek relaie et approuve

marsbit07/08 10:31

Tout ce qui est en dehors du modèle relève du Harnais : Deepseek entre en scène, pourquoi le champ de bataille principal de la concurrence en IA en Chine a-t-il changé ?

Fin mai 2026, Deepseek a créé une équipe dédiée au « Harness », se concentrant sur un produit agent intelligent pour le code, en concurrence directe avec Claude Code d'Anthropic. Cette initiative reflète un changement majeur dans l'industrie chinoise de l'IA : le champ de bataille passe de la simple création de grands modèles (LLMs) à la construction de chaînes d'outils et de solutions d'automatisation pour le lieu de travail. Mais qu'est-ce que le Harness ? Dans la formule « Modèle + Harnais = Agent », si le modèle représente le cerveau de l'agent, le harnais est son infrastructure d'exécution continue. Il orchestre les actions, gère les appels d'outils, le contexte, la sécurité et la récupération d'erreurs, permettant au modèle de véritablement interagir avec le monde extérieur et d'exécuter des tâches complexes. Deepseek y voit un enjeu stratégique : maîtriser le harnais permet de collecter des données précieuses sur les échecs en situation réelle pour améliorer le modèle, créant un effet de roue. L'ingénierie du harnais est cruciale, car elle détermine la robustesse de l'agent face aux problèmes cumulés d'erreurs et à l'explosion du contexte (token explosion). Cette tendance n'est pas isolée. Les géants chinois développent leurs propres stratégies de chaîne d'outils : Tencent, via WorkBuddy, se positionne comme un connecteur unifié pour l'automatisation organisationnelle au sein de son écosystème (WeChat Work, Cloud). Alibaba, avec le framework PageAgent, mise sur l'automatisation légère directement dans le navigateur pour les applications web. Ces approches divergentes montrent que la course n'est plus aux benchmarks de modèles, mais à la création de solutions verticales robustes pour des scénarios spécifiques. Le marché valide ce virage vers l'exécution autonome. La startup polonaise Viktor, un « collègue IA » de niveau 3 fonctionnant dans Slack, a atteint 20 millions de dollars de revenus annuels récurrents (ARR) en automatisant des tâches complexes et prolongées. Cela prouve la volonté des entreprises de payer pour des agents capables de livrer des résultats finaux sans validation humaine constante, déplaçant la valeur de la « génération assistée » vers « l'exécution autonome ». Pour les entreprises et les développeurs, l'accent doit désormais porter sur les capacités d'ingénierie du harnais : gestion du contexte, mécanismes de reprise sur erreur, isolation, compatibilité avec les flux de travail existants. Face aux restrictions d'accès aux agents occidentaux comme Claude Code, la demande pour des solutions domestiques robustes crée une opportunité majeure pour des acteurs comme Deepseek. La prochaine étape de la concurrence se jouera sur la construction de « cadres épais » (thick frameworks) offrant stabilité, sécurité et contrôle profond, bien au-delà des simples interfaces de conversation.

marsbit06/22 06:11

Tout ce qui est en dehors du modèle relève du Harnais : Deepseek entre en scène, pourquoi le champ de bataille principal de la concurrence en IA en Chine a-t-il changé ?

marsbit06/22 06:11

Tremblez, les humains, l'IA continue d'accélérer sa course effrénée

**Synthèse en français :** L’IA continue d’accélérer sa progression, passant de simples capacités de conversation à des applications pratiques concrètes. Lors de la conférence *BAAI 2026*, les experts ont souligné que la *Scaling Law* reste toujours efficace, malgré les craintes de stagnation. Les modèles de langage et multimodaux continuent de s’améliorer, notamment grâce à des données synthétiques et à l’apprentissage par renforcement, comme le montre l’exemple du modèle *Fable 5* d’Anthropic. L’auto-évolution de l’IA, notamment via l’*AI Coding*, permet désormais aux systèmes de générer et de mettre à jour du code de manière autonome, ouvrant la voie à une automatisation accrue dans le monde numérique. La prochaine frontière est celle des **modèles du monde** (*World Models*), qui visent à connecter l’IA au monde physique. Différentes approches coexistent (centrées sur le langage, les pixels, la 3D ou les représentations visuelles), mais aucun consensus technique n’est encore établi. Des défis majeurs persistent, notamment concernant les types de données nécessaires (vidéo, simulation, données réelles). Le *BAAI* travaille sur un modèle du monde unifié, *Physis-v0.1*, qui cherche à prédire les états physiques futurs avec précision. Parallèlement, les **agents intelligents** progressent rapidement, passant du stade *utilisable* à *fiable*. Des applications concrètes émergent dans la santé, la recherche ou l’assistance aux réunions. Pour optimiser leur performance, l’accent est mis sur le *Harness* – un cadre d’ingénierie qui affine la compréhension des tâches, planifie les actions et intègre des vérifications. En résumé, l’IA avance sur deux fronts : l’exploration des modèles du monde pour interagir avec le physique, et l’amélioration des agents pour des tâches complexes. La route reste longue, mais l’innovation, tant dans les modèles que dans les infrastructures matérielles et logicielles, continue de s’accélérer.

marsbit06/13 02:56

Tremblez, les humains, l'IA continue d'accélérer sa course effrénée

marsbit06/13 02:56

Anthropic met en garde le monde, OpenAI a franchi le "seuil de fiabilité" : l'auto-accélération de l'IA est lancée

Anthropic émet un avertissement mondial sur les risques de l'IA, tandis qu'OpenAI affirme avoir franchi un seuil critique de fiabilité, déclenchant une auto-accélération du développement de l'IA. Selon Anthropic, les progrès vers une auto-amélioration récursive de l'IA sont plus rapides que prévu, conduisant à un appel à un ralentissement des recherches. De son côté, Yann Dubois d'OpenAI révèle que la croissance des capacités de l'IA est linéaire, mais que son utilité perçue fait un bond discret une fois le "seuil de fiabilité" franchi, ce qu'OpenAI aurait atteint vers décembre dernier. Dès lors, l'IA devient un outil de travail fiable et commence à s'auto-accélérer en aidant notamment à la recherche et au développement. Dubois compare la construction de l'IA à un "artisanat" ou une "alchimie" plus qu'à une science pure. Il souligne également le potentiel des systèmes de "Harness" (systèmes d'orchestration) dans des domaines verticaux, affirmant qu'ils pourraient déjà donner un avant-goût d'AGI (Intelligence Générale Artificielle) en comblant le dernier kilomètre : l'intégration, l'accès aux données et la connexion aux workflows métier. Le vrai défi réside désormais dans l'apprentissage continu pour que l'IA puisse s'améliorer avec l'expérience, au lieu de stagner après son déploiement initial.

marsbit06/06 23:29

Anthropic met en garde le monde, OpenAI a franchi le "seuil de fiabilité" : l'auto-accélération de l'IA est lancée

marsbit06/06 23:29

Source interne : DeepSeek met en place une équipe 'Harness' pour concurrencer Claude Code

D'après des sources proches, DeepSeek constituerait une nouvelle équipe "Harness" afin de développer un produit d'agent d'intelligence pour le code, en visant directement Claude Code d'Anthropic. Cette initiative est confirmée par Chen Deli, chercheur principal de DeepSeek. Le recrutement concerne deux postes clés : Chef de produit Harness et Ingénieur R&D Harness, basés à Pékin. L'objectif avancé est de combler l'écart entre les capacités du modèle et les flux de travail réels des développeurs. DeepSeek définit sa vision par la formule : Modèle + Harnais = Agent. Le harnais représente la couche système essentielle permettant au modèle d'agir dans un environnement réel, en gérant le contexte, les appels d'outils, l'exécution, etc. L'article souligne que la concurrence dans le domaine de la programmation IA évolue des simples capacités des modèles vers la maîtrise de l'intégration dans le flux de travail des développeurs. La popularité de Claude Code et d'un projet communautaire appelé DeepSeek-TUI (un agent de codage en terminal) démontre à la fois la maturité perçue des modèles DeepSeek et le besoin d'une solution officielle et intégrée. En lançant son propre projet Harness, DeepSeek cherche à capitaliser sur ses atouts : un accès direct à l'équipe des modèles, la capacité de créer une boucle de rétroaction entre les produits et l'entraînement des modèles, et un contrôle total sur l'expérience développeur. Il s'agit pour la société de passer d'un fournisseur de modèles puissants à un créateur d'agents opérationnels, "en donnant des mains à ses modèles".

链捕手05/22 02:21

Source interne : DeepSeek met en place une équipe 'Harness' pour concurrencer Claude Code

链捕手05/22 02:21

Harness Mince, Compétences Épaisses : La véritable source d'une productivité IA multipliée par 100

Basé sur l'article, l'auteur Garry Tan (PDG de Y Combinator) affirme que la véritable productivité de l'IA ne provient pas des modèles eux-mêmes, mais de la conception systémique qui les entoure. Il introduit le cadre « Thin Harness, Fat Skills » (Harnais mince, Compétences épaisses), qui décompose les applications d'IA en cinq composants clés : 1. **Skill File** : Un document markdown réutilisable qui enseigne à un modèle « comment » accomplir une tâche, comme une méthode invocable avec des paramètres. 2. **Harness** : Une couche logicielle mince qui exécute le modèle, gère les entrées/sorties et applique des contraintes, sans logique métier lourde. 3. **Resolver** : Un système de routage contextuel qui charge la documentation ou les instructions pertinentes au bon moment. 4. **Latent vs. Deterministic** : Une séparation stricte entre le traitement intelligent (jugement, synthèse) et les opérations déterministes fiables (requêtes, calculs). 5. **Diarization** : La capacité du modèle à lire de nombreux documents sur un sujet et à en synthétiser une analyse structurée. L'article illustre ceci avec un exemple concret de matching pour un événement Y Combinator, où le système apprend et s'améliore automatiquement en réécrivant ses propres fichiers de compétences basé sur les retours, sans réécriture de code. La conclusion est que l'avantage décisif (10x à 100x) vient de cette capacité à construire des systèmes qui capitalisent et améliorent continuellement leurs compétences, et non simplement d'utiliser le modèle le plus récent.

marsbit04/13 04:27

Harness Mince, Compétences Épaisses : La véritable source d'une productivité IA multipliée par 100

marsbit04/13 04:27

活动图片