60 sous-agents contre Riemann : la preuve mathématique orchestrée, les assistants personnels de River AI, et la fiabilisation des agents

💡 En résumé

Le 12 août 2026 restera comme une journée où l’agentique a changé de statut : de la démonstration technique à la production scientifique et personnelle. Anthropic a annoncé qu’un modèle non publié a significativement progressé sur l’hypothèse de Riemann — l’un des problèmes mathématiques les plus célèbres, ouvert depuis plus de 150 ans — en orchestrant 60 sous-agents, 650 idées testées et 31 millions de tokens de sortie, avec une preuve formalisée dans l’assistant Lean. Dans le même temps, River AI, la startup d’Igor Babuschkin (co-fondateur de xAI), a levé 1,1 milliard de dollars deux mois après sa création pour construire des « agents gardiens » personnels, entraînables par leur propriétaire. Et la recherche en fiabilisation accélère : génération de workflows guidée par l’exécution (FlowScout), détection d’hallucinations par critique latente (Latent Critic), évolution de modèles par SkillBook (MERA), ordonnancement élastique du RL agentique (TideRL). Le message du jour : les agents savent désormais apprendre — de leurs trajectoires, de leurs échecs et de leurs validateurs.

🔥 Tendances : l’agentique à l’échelle de la science

La preuve mathématique orchestrée par 60 sous-agents

L’annonce d’Anthropic est spectaculaire à double titre. D’abord par le résultat : un modèle non encore publié a « significativement augmenté la borne inférieure des solutions pour lesquelles l’hypothèse de Riemann est vérifiée ». Rappelons l’enjeu : formulée en 1859, l’hypothèse de Riemann concerne la distribution des nombres premiers et reste l’un des sept problèmes du millénaire, avec une prime d’un million de dollars pour une preuve générale — toujours non réclamée.

Ensuite par la méthode, qui dit tout de l’état de l’art agentique. Un employé d’Anthropic sans formation mathématique approfondie a simplement demandé au modèle de « tenter sérieusement » la preuve, puis l’a laissé coordonner la tâche pendant un jour et demi. Bilan de la session :

• 650 idées différentes testées pour résoudre le problème ;
• 60 sous-agents coordonnés, dont la répartition des rôles est édifiante : 2 ont produit les idées mathématiques clés, 13 ont contribué des idées aux agents principaux, 30 ont tenté (sans succès) d’en développer, 13 ont servi de validateurs pour vérifier la correction des arguments, et 2 ont rédigé le papier initial ;
• 31 millions de tokens de sortie consommés au total.

Le résultat a été confirmé par deux mathématiciens internes d’Anthropic et formalisé avec Lean, l’assistant de preuve open source. C’est la dernière d’une série : plusieurs problèmes d’Erdős ont été résolus par des modèles cette année, OpenAI a récemment publié un ensemble de 10 résultats majeurs prouvés par son modèle interne « Astra », et Anthropic avait déjà réfuté la conjecture de Jacobian. La trajectoire est nette : les modèles ne « trichent » plus sur des exercices de style — ils explorent un espace de recherche réel, à une échelle qu’aucun humain ne peut égaler.

River AI : 1,1 Md$ pour des agents « gardiens » personnels

La levée de River AI confirme que le capital suit la même lecture. Fondée par Igor Babuschkin — co-fondateur de xAI, passé par DeepMind et OpenAI — la startup est sortie du stealth en juin et vient de sécuriser 1,1 milliard de dollars en seed/Series A, menée par General Catalyst et AMP PBC (le fonds IA d’Anjney Midha, ex-a16z), avec Nvidia, AMD Ventures, Y Combinator et Temasek.

La thèse de Babuschkin est radicale : réinventer l’IA à partir de l’entraînement pour que les agents deviennent des assistants « personnellement entraînables », plutôt que des remplaçants de travailleurs humains. Sa vision, dans son blog de lancement : « Les agents capables feront partie de la vie quotidienne. Moins comme les assistants que vous appelez quand vous avez besoin d’une tâche, plus comme des anges gardiens : discrètement présents, de votre côté, aidant sur ce qui compte vraiment pour vous. Ils vous connaîtront bien, et ils seront les vôtres, pas ceux de quelqu’un d’autre. »

Concrètement, River propose déjà une API facturée au million de tokens, permettant aux développeurs d’utiliser à la fois du reinforcement learning (RL) et du fine-tuning LoRA sur des modèles ouverts. Le positionnement est assumé comme un antidote au prompt engineering : « Le prompting dirige un modèle que vous ne possédez pas et que vous ne pouvez pas améliorer. River vous permet d’entraîner des modèles ouverts pour qu’ils soient vraiment les vôtres — et de les servir comme n’importe quel endpoint. » La promesse de la « neocloud » : une entreprise peut boucler un run de RL complexe en 15 à 20 minutes. Le timing est choisi : les entreprises veulent contrôler leur destinée modèle en mixant open weights et fournisseurs, et River attaque précisément le maillon du post-entraînement.

L’agent sur le bureau des développeurs

Signal plus terre-à-terre mais tout aussi significatif : OpenAI a lancé l’application desktop ChatGPT pour Linux, en preview mondiale, couvrant ChatGPT, ChatGPT Work et Codex sur Ubuntu 24.04/26.04 LTS, Debian 13 et Fedora 43/44 — les distributions qui servent de base à des centaines de « flavors » dérivées. La société rappelle que Linux était « l’une des plateformes les plus demandées » et que ce lancement étend ChatGPT et Codex à tous les principaux systèmes d’exploitation desktop. Anthropic avait ouvert la voie il y a environ un mois avec Claude desktop pour Linux (Ubuntu 22.04+, Debian 12+). La bataille des agents se joue désormais jusque dans le poste de travail des développeurs open source — exactement la population qui construit l’infrastructure que ces agents vont automatiser.

🤖 Nouveaux outils : la fiabilisation passe à la production

Derrière les gros titres, le batch arXiv du jour (50 papiers cs.LG, dont une proportion record orientée agentique) livre une moisson d’outils de fiabilisation. Quatre systèmes se détachent.

FlowScout : des workflows agentiques générés par l’exécution, pas par la prose

Construire un workflow agentique fiable reste largement manuel. Les tentatives de génération automatique produisaient des workflows « LLM-centrés », où les exécutions d’outils réelles étaient simulées par des nœuds LLM — limitant la stabilité. FlowScout inverse l’approche : il représente le workflow comme un graphe dirigé de nœuds LLM, de nœuds d’appel d’outils et d’arêtes de dépendance, extrait d’abord un « squelette de coordination d’outils » commun depuis les historiques de résolution, puis raffine la topologie par Monte Carlo Tree Search guidé par le retour d’exécution. Les résultats sur quatre domaines de tâches sont nets : amélioration de l’exactitude des invocations d’outils d’au moins 92,69 % et de la qualité d’exécution d’au moins 17,66 % par rapport aux baselines PM4Py, ReAct et AFlow — avec une variance de performance réduite. La leçon : le feedback d’exécution est la matière première de la fiabilité, pas la documentation.

Latent Critic : détecter l’hallucination pendant qu’elle se produit

Les agents « exécutent des actions hallucinées pour forcer une résolution plutôt que d’exprimer leur incertitude » — c’est le constat de départ de Actionable Hallucination Detection. Les détecteurs existants ou bien ne localisent pas l’hallucination, ou bien coûtent trop en latence. Latent Critic est un adaptateur LoRA léger qui opère en parallèle d’un LLM de base gelé, restructurant le flux résiduel du transformer : il amplifie les signaux latents d’ancrage et les traduit en feedback en langage naturel localisé, dans une seule séquence — sans boucle d’inférence secondaire. L’analyse mécaniste (activation patching, probing par couches) montre que ce comportement invariant en rang restructure la géométrie d’incertitude native du modèle en une représentation linéairement séparable, plus transférable que les représentations brutes. Validé sur des modèles Qwen et Llama en prise d’outils, il surpasse les détecteurs externes fine-tunés de taille équivalente en efficacité temps réel.

MERA : faire grandir le petit modèle au lieu de le router

Les routeurs coût-capables (petit modèle pour les invocations faciles, gros pour les difficiles) plafonnent : ils n’améliorent jamais la capacité du petit modèle. MERA (Model Evolution and Routing with Skill Adaptation) utilise l’invocation de modèle comme unité d’adaptation : à chaque cycle, il rejoue les invocations échouées de l’étudiant pour obtenir des démonstrations enseignant vérifiées par exécution, distille les procédures récurrentes dans un SkillBook mis à jour itérativement, et fine-tune un adaptateur LoRA étudiant par apprentissage supervisé (+ GRPO optionnel). Le routage ne sert plus que de machinerie de déploiement, derrière un routeur calibré en coût avec fallback vérifié. Résultats : Qwen2.5-Coder-1.5B passe de 28,7 % à 49,7 % de réussite sur HumanEval+MBPP en quatre cycles ; en déploiement avec fallback par vérificateur, la politique conserve 88,3 % de réussite à 60,8 % du coût du gros modèle permanent. Le système s’améliore — c’est la différence entre économiser et apprendre.

TideRL : le RL agentique, goulot d’étranglement résolu

L’entraînement RL des agents multi-tours pose un problème d’infrastructure : les rollouts « se mettent en pause » pour attendre des environnements externes, reprennent avec des contextes croissants et finissent à des heures très variables — le goodput (débit utile d’entraînement) compte plus que l’occupation GPU brute. TideRL répond par un système élastique « readiness-aware » : Continuous Task Batching (préserve l’état de rollout utile), Resource-Aware Ref-Actor Pipelining (choisit entre streaming découplé et agrégation colocalisée selon le backlog) et Elastic Resource Scaling (déplace les rangs entre rollout et entraînement sur les mêmes signaux de disponibilité). Gains mesurés : goodput d’entraînement RL jusqu’à 5,6× par rapport aux baselines synchrones et +33 % vs asynchrones, taux de hit du KV cache multiplié par 1,58, temps par étape réduit jusqu’à 44,3 % et temps d’attente total divisé par 4,5. C’est le genre de papier sans glamour qui décide si le RL agentique est économiquement viable.

La mémoire agentique et la personnalisation, en complément

IBM Research (blog HuggingFace) compare deux systèmes de mémoire agentique — ACE (Agentic Context Engineering) et son ALTK-Evolve : tous deux transforment les trajectoires passées d’un agent en leçons réutilisables à l’inférence, sans mise à jour de poids ni étiquettes humaines. La divergence est dans la livraison : ACE organise les leçons en un playbook évolutif unique et complet, ALTK-Evolve les consolide en guidelines individuellement récupérables — avec la même exigence : refuser de compresser, car la « brevity bias » (effondrement vers des instructions courtes et génériques) et l’effondrement de contexte sont les ennemis. L’accroche du titre — « Thinking of ACE? We Can Do It with Fewer Tokens » — résume l’enjeu économique : la mémoire agentique doit réduire la facture, pas l’augmenter.

Côté évaluation, UserToolBench teste si un modèle peut inférer des préférences utilisateur latentes depuis l’historique d’interaction, reconnaître quand une clarification est nécessaire et produire des appels d’outils alignés sur l’utilisateur — avec un profil utilisateur caché. Et SINKFLEX-RL (Efficient RL for Long-Horizon Tool-Use Agentic Tasks) attaque le RL long-horizon dans des environnements à double contrôle, entre masques d’attention personnalisés et normalisation de sink. La frontière du jour : personnaliser sans violer la spécification, raisonner longtemps sans s’effondrer.

📊 Analyse : la fiabilité devient le produit

Trois lectures se dégagent de cette journée.

1. L’orchestration multi-agents est passée à l’échelle industrielle. Le run Riemann d’Anthropic est un point de bascule : 60 sous-agents avec des rôles différenciés (explorateurs, contributeurs, validateurs, rédacteurs) ont produit un résultat vérifié et formalisé. La répartition 2/13/30/13/2 n’est pas anecdotique : elle dessine une division du travail computationnelle — quelques agents créatifs, une foule d’explorateurs voués à l’échec, un collège de validateurs. C’est exactement l’architecture que FlowScout, Latent Critic et MERA cherchent à fiabiliser au niveau des mécanismes : la validation n’est plus une option, c’est un rôle à part entière du système.

2. Le capital parie sur la propriété, pas sur la substitution. River AI ne promet pas de remplacer des travailleurs : elle promet des agents « qui vous connaissent bien et qui sont les vôtres ». Entre la déclaration publique de Babuschkin et la levée de 1,1 Md$ en deux mois — avec Nvidia, AMD et YC au capital —, le marché envoie un signal : la valeur de long terme est dans l’agent personnel entraînable, pas dans l’agent générique de remplacement. Le pari « RL + LoRA sur modèles ouverts, exécuté en 15-20 minutes » est aussi une réponse directe aux coûts d’entraînement propriétaires : si l’adaptation personnelle devient bon marché, la frontière entre open et closed se déplace vers la capacité d’apprentissage, pas la taille du modèle.

3. La boucle vertueuse fiabilisation → adoption. Chaque brique du jour renforce la précédente : TideRL rend le RL agentique abordable, MERA rend le petit modèle déployable, Latent Critic rend l’hallucination détectable en temps réel, FlowScout rend le workflow générable depuis l’historique. Et l’AMIE de Google (consultation médicale vidéo en temps réel, architecture multi-agents sur Gemini + Project Astra, évaluée favorablement par des cliniciens dans une étude randomisée, préférée par les patients au chat texte) montre où mène la fiabilisation : des domaines à risque où l’erreur n’est pas permise. Le desktop Linux de ChatGPT, lui, met l’agent au contact quotidien des personnes qui peuvent le mesurer — et le casser.

🎯 À retenir

• Anthropic a orchestré 60 sous-agents (650 idées, 31 M de tokens, validation Lean) pour progresser sur l’hypothèse de Riemann — un modèle sans formation mathématique poussée a dirigé une exploration scientifique réelle. La preuve générale reste ouverte, mais la borne inférieure a bougé.
• River AI a levé 1,1 Md$ deux mois après sa création pour des « anges gardiens » personnels entraînables (RL + LoRA sur modèles ouverts, runs en 15-20 min) — le capital parie sur la propriété de l’agent, pas sur la substitution de l’humain.
• La fiabilisation est le nouveau champ de bataille : FlowScout (+92,69 % d’exactitude d’invocation d’outils), Latent Critic (détection d’hallucination LoRA sans boucle secondaire), MERA (28,7 % → 49,7 % de réussite en 4 cycles), TideRL (goodput RL ×5,6).
• La mémoire agentique se normalise : ACE vs ALTK-Evolve d’IBM — transformer les trajectoires en leçons récupérables, sans compresser, en réduisant les tokens.
• L’agent gagne le desktop Linux (ChatGPT + Codex) pendant que la médecine teste les agents vidéo (AMIE) — l’agentique est entrée dans la vie courante et dans les salles d’examen.