Ajout automatique par WPeMatico
La mise à jour d’avril du SDK Agents d’OpenAI introduit deux nouvelles briques qui manquaient pour passer de l’agent-jouet au déploiement réel. Le sandboxing natif permet de confiner un agent dans un espace de travail isolé, avec accès limité aux fichiers et outils d’un périmètre défini. Et le nouveau harness d’exécution sépare proprement le plan de contrôle (boucle agent, appels modèle, routing d’outils, approbations, tracing, récupération d’erreurs) du plan de calcul (sandbox où l’agent lit, écrit, exécute du code, installe des dépendances, snapshot son état).
Sora, c’est fini les amis !
Hé oui, cest chacals d’OpenAI ferment leur plateforme de vidéos IA, et franchement, ça me rend un peu triste. À vrai dire, même si c’était que de la vidéo générée à partir de prompts, moi je me marrais bien. C’était fun de regarder le produit de ses prompts mais aussi de regarder les conneries des autres. Les versions québécoises, aïe aïe aïe, c’était quelque chose quand même !
Andrej Karpathy, ancien chercheur chez OpenAI et ex-responsable de l’IA chez Tesla, a laissé tourner un agent IA pendant 48 heures sur un petit modèle de langage. Résultat : 700 expériences, 20 optimisations retenues et un gain de 11 % sur le temps d’entraînement.
Mais c’est quoi ce concept d’autoresearch ? Et bien le fonctionnement est assez direct : un agent IA reçoit un script d’entraînement de 630 lignes en Python et un budget de calcul fixe de 5 minutes par expérience sur un seul GPU. Et c’est là que l’agent se met en mouvement pour lire le code, formuler une hypothèse, modifier le script, lancer l’entraînement, évaluer le résultat, et surtout décider, ou non, de conserver une modification.