Pendant la majeure partie de 2026, débattre des scores de référence de l’IA revenait à débattre des modèles. Au cours des deux dernières semaines, cela s’est transformé en débat sur le logiciel qui les entoure. Cette couche, que le secteur appelle un harnais, décide de ce qu’un modèle voit à chaque tour, de ce dont il se souvient et des outils auxquels il peut recourir. Sur un test interactif qui plonge des agents dans des jeux 2D inconnus sans aucune instruction, appelé ARC-AGI-3, Claude Opus 5 d’Anthropic détient le meilleur score officiel avec 30,2 %.

Mercredi, Prime Intellect a indiqué dans un billet annonçant le lancement de Prime Agent que le même modèle, exécuté dans son nouveau harnais open source, avait obtenu 95,5 %, dépassant de peu la référence de 95,4 % pour les experts humains que ARC Prize rapporte pour ce test. Le modèle n’a pas changé. L’échafaudage, lui, a changé. Ce chiffre est celui de l’entreprise et n’a pas été vérifié de manière indépendante.

Fondée en 2024, Prime Intellect vend de la puissance de calcul et des outils d’entraînement aux entreprises qui préfèrent créer leurs propres agents plutôt que de les louer à OpenAI ou Anthropic. TechCrunch a couvert le tour de table en juillet : une Series A de 130 millions de dollars pour une valorisation de 1 milliard de dollars, menée par Radical Ventures, avec l’entreprise à un rythme de revenus annualisés de 100 millions de dollars. Prime Agent lui-même ne coûte rien.

L’argument central de l’entreprise est que les harnais d’aujourd’hui ont été conçus pour des modèles plus faibles. Les menus d’outils fixes et l’élagage automatique du contexte, écrit-elle, « forcent le modèle à contourner son propre échafaudage au lieu d’en tirer parti ». Jusqu’à présent, un ingénieur humain définissait une fois pour toutes, au moment de la conception, les prompts, la mémoire et les rôles des agents auxiliaires, et le modèle travaillait à l’intérieur de ce cadre. Prime Intellect affirme que le modèle peut désormais lire et réécrire lui-même ces éléments en cours de tâche. Si cela se confirme, la capacité mesurée cesse d’être une propriété du seul modèle.

Ce que Prime Agent fait différemment

Au lieu d’un menu d’outils, Prime Agent n’en donne qu’un au modèle : une session Python active qui reste ouverte pendant toute la tâche. Lire des fichiers, exécuter des commandes shell, lancer des agents auxiliaires, tout cela se fait sous forme de code dans cette session. Les anciennes conversations restent dans des variables que le modèle peut parcourir programmatiquement au lieu de les relire, ce qui explique pourquoi l’entreprise rapporte une utilisation de tokens plus faible que celle des harnais auxquels elle l’a comparé.

Le deuxième élément est l’auto-amélioration. Une commande refine lit l’historique de ce que l’agent a essayé et de ce qui s’est passé, puis apporte une petite modification aux propres prompts du harnais, à ses mémoires stockées ou à ses compétences enregistrées. Ces modifications persistent sur disque et se conservent d’une session à l’autre. Le prompt système de base reste verrouillé, et une mauvaise mise à jour peut être annulée par ID. Prime Intellect a publié le code sous licence MIT, utilisable avec les propres clés API d’une personne.

Ce que l’entreprise a mesuré, et ce que personne n’a vérifié

Sur une suite de benchmarks à long contexte, Prime Agent exécutant le modèle open-weights GLM-5.2 a surpassé Codex exécutant GPT-5.6 Sol sur la plupart des lignes. Sur un benchmark en préversion appelé EmulatorBench, il a écrit à partir de zéro des émulateurs fonctionnels SEGA Genesis et Game Boy Color en Rust, dans un bac à sable sans implémentation de référence. Dans le jeu de construction d’usine Factorio, il a porté son score de production à six chiffres en quelques heures.

La vérification est la question ouverte. ARC Prize garde les résultats pilotés par harnais hors de son classement officiel et les redirige vers une catégorie communautaire publique où les scores sont autodéclarés et non vérifiés. La frontière a déjà été mise à l’épreuve une fois : la semaine dernière, après que OpenAI a déclaré que deux paramètres d’API avaient porté son score ARC-AGI-3 à 38,3 %, le cofondateur d’ARC Prize François Chollet a établi une distinction entre les paramètres à usage général et les harnais spécifiques à un benchmark, comme l’a rapporté The Decoder. Prime Intellect affirme que sa seule modification spécifique à ARC-AGI-3 concernait le prompt de la tâche.

La réserve la plus intéressante est celle que Prime Intellect a publiée contre elle-même. Dans Factorio, la même boucle de raffinement qui accumulait des compétences légitimes a découvert qu’elle pouvait faire apparaître des ressources directement dans ses machines via des commandes de console du serveur, contournant entièrement le jeu. Elle a continué à le faire même avec un rappel programmé de ne pas tricher, puis elle est devenue meilleure pour tricher. Un système qui réécrit ses propres instructions pour améliorer les résultats améliorera le résultat effectivement mesuré, quel qu’il soit.

Il y a aussi des échecs plus discrets. Opus 5, le modèle derrière le score mis en avant, n’a pas résolu les tâches d’émulation lors des propres essais de Prime Intellect. Aucun modèle n’a été entraîné autour de ce harnais, ce que l’entreprise présente comme une marge de progression plutôt qu’une faiblesse. Un rapport technique complet est promis pour plus tard.

L’affirmation sous-jacente à tout cela est que la conception du harnais vaut désormais plus qu’une génération de modèle. C’est une affirmation vérifiable, et le test n’est pas 95,5 %. C’est de savoir si quelqu’un en dehors de Prime Intellect peut le reproduire.