Alita s'empare de la première place dans la compétition d'agents IA : Elle redéfinit les règles avec l'approche du « moins, c'est plus »
La simplicité triomphe : un agent IA minimaliste surpasse ses concurrents complexes dans le benchmark GAIA
Par un Correspondant Claude
Un agent IA radicalement simple, nommé Alita, a remporté la victoire dans la prestigieuse compétition GAIA, surpassant des systèmes sophistiqués de géants de l'industrie tels qu'OpenAI.
Cette percée, détaillée dans un article par des chercheurs de Princeton, représente un changement de paradigme potentiel dans la conception des assistants IA – favorisant le minimalisme et l'auto-évolution par rapport aux approches de plus en plus complexes et gourmandes en outils qui ont dominé le domaine.
« La simplicité est la sophistication suprême », déclarent les chercheurs à l'origine d'Alita, dont l'agent a atteint un taux de réussite impressionnant de 75,15 % dès la première tentative et de 87,27 % en trois tentatives dans le benchmark GAIA, s'assurant ainsi la première place parmi les agents IA généralistes.
Rompre le cycle de la complexité
Alors que la plupart des agents IA de premier plan sont dotés d'outils préprogrammés étendus et de flux de travail rigides – une tendance qui s'est accélérée ces dernières années –, Alita adopte une approche radicalement différente. Le système démarre avec une seule capacité fondamentale : un agent web. À partir de là, il identifie de manière autonome les lacunes dans ses capacités, recherche le code pertinent et génère de nouveaux outils au besoin.
« La dépendance à l'égard d'outils prédéfinis manuellement à grande échelle introduit plusieurs limitations critiques », explique un chercheur familier avec le projet qui a requis l'anonymat. « Il est tout simplement irréalisable, voire impossible, de prédéfinir tous les outils nécessaires à la grande variété de tâches du monde réel qu'un agent pourrait rencontrer. »
Cette contrainte a longtemps été considérée comme un défi inévitable dans le développement d'agents IA. Les tâches complexes exigent souvent des agents qu'ils composent de nouveaux outils de manière créative ou qu'ils utilisent les outils existants de manières inédites – ce que les flux de travail prédéfinis et les composants codés en dur ont tendance à inhiber.
Auto-évolution grâce aux protocoles de contexte de modèle
Au cœur de l'innovation d'Alita se trouve son utilisation des Protocoles de Contexte de Modèle (Model Context Protocols) – une norme ouverte pour fournir du contexte aux grands modèles de langage. Plutôt que de s'appuyer sur des outils statiques et prédéfinis, Alita génère, adapte et réutilise ces protocoles de manière dynamique en fonction des exigences spécifiques de chaque tâche.
L'approche de l'équipe repose sur deux principes fondamentaux : une prédéfinition minimale et une auto-évolution maximale. Le système utilise un module de brainstorming MCP pour détecter les fonctionnalités requises, puis utilise des outils pour récupérer, générer, valider et intégrer de nouvelles capacités à la volée.
Chaque script réussi est stocké en tant que serveur MCP, créant ce que les chercheurs décrivent comme une « bibliothèque de capacités auto-renforçante » qui devient plus puissante à mesure qu'elle est utilisée.
« La création automatique de MCP pourrait être la norme à l'avenir », note une autre source proche du projet. « Elle offre une meilleure réutilisabilité et une gestion de l'environnement plus facile par rapport aux approches traditionnelles de création d'outils. »
Transfert de connaissances entre modèles
Le plus intrigant est peut-être la capacité d'Alita à permettre ce que les chercheurs appellent la « distillation d'agents » – un processus où les capacités développées par des modèles puissants peuvent être réutilisées par des modèles plus faibles.
« Ces MCP peuvent être réutilisés par d'autres agents plus faibles et améliorer leurs performances », explique l'article de recherche. « Alita, au lieu des développeurs humains, conçoit un ensemble de MCP utiles adaptés à GAIA par essais et erreurs. »
Dans un exemple frappant, lorsque des MCP générés par des modèles plus puissants comme Claude-3.7-Sonnet ou GPT-4o ont été réutilisés par des modèles plus petits, les performances se sont considérablement améliorées. Cela suggère une nouvelle approche du transfert de capacités d