Une bonne vérification de l’intégrité des agents à long terme n’est pas une référence. C’est une tâche facile à vérifier et difficile à simuler.
C'est pourquoi j'aime toujours autant ma petite expérience hyperlink_button. Sur le papier, cela paraît trivial : un champ Streamlit qui ressemble à un lien texte mais se comporte comme un bouton. En réalité, c’est exactement le genre de tâche qui permet de déterminer si un agent est réellement capable de travailler.
La tâche est suffisamment petite pour que vous puissiez savoir si elle a réussi. Mais c'est aussi assez gênant pour avoir de l'importance : Python du côté Streamlit, React/TypeScript du côté frontend, packaging, intégration, documentation, tests, et tous les endroits habituels où « semble plausible » n'est pas la même chose que « fonctionne ».
C’est pourquoi je pense que ce type de projet constitue un meilleur test qu’un benchmark tape-à-l’œil. La vraie question n’est pas de savoir si un modèle peut émettre du code. La vraie question est de savoir si le flux de travail qui l'entoure peut le maintenir honnête : lui faire lire les bons documents, mettre en œuvre les exigences réelles et prouver qu'il n'a pas triché.
Cette question semble particulièrement pertinente à l’heure actuelle, car le début de 2026 a été rempli d’affirmations confiantes selon lesquelles les agents à long terme ont franchi un seuil réel.
METR suit les progrès de l'IA en fonction de la durée pendant laquelle un agent peut accomplir une tâche, et non seulement de ses performances sur des critères précis. « 2026 : This is AGI » de Sequoia propose une définition volontairement pratique : l’AGI est la capacité de « comprendre les choses ». Et « Mesurer l'autonomie des agents IA en pratique » d'Anthropic a ajouté des données de déploiement réelles : des exécutions de Claude Code plus lo...
[Courte citation de 8% de l'article original]