Google publie en open source Harness2, qui permet aux agents d'IA de réécrire leur propre harnais
Google Research a publié Harness2 sous licence Apache-2.0, un cadre qui réécrit le harnais d'un agent au moment du test. Une seule étape a permis à GLM-5 de gagner 11,5 points.

Google Research a publié Harness2, un cadre open source destiné aux agents d'IA, sous licence Apache-2.0. Annoncé le 18 octobre 2026, cet outil réécrit le harnais qui entoure un agent pendant que celui-ci est testé, au lieu de laisser cette structure figée.
Selon le résumé publié, une seule étape d'affinage a fait progresser de 11,5 points le score du modèle GLM-5 sur WorkBuddy-Bench. Ce gain aurait été obtenu sans aucune mise à jour des poids du modèle.
Pourquoi le harnais compte
Dans les systèmes d'agents, le harnais désigne la couche qui entoure un modèle : ses instructions, les outils qu'il peut appeler et la logique de contrôle qui détermine le déroulement d'une tâche. Un même modèle peut donner des résultats très différents selon cette configuration. Harness2 adopte une approche récursive, qui laisse le système redessiner cette couche au lieu de compter sur des ingénieurs pour l'ajuster à la main.
Comme aucun réentraînement n'est nécessaire, cette approche ouvre la voie à une capacité accrue des modèles existants, sans coûteux cycles d'entraînement. Cela pourrait séduire les équipes qui n'ont pas les moyens de construire ou d'affiner leurs propres modèles.
Questions en suspens
Les informations publiques restent limitées pour l'instant. On ne sait pas encore si des gains similaires se vérifient avec d'autres modèles et d'autres benchmarks, ce qui se passe sur plusieurs étapes d'affinage, ni combien de puissance de calcul supplémentaire le processus exige. L'amélioration annoncée de 11,5 points ne concerne qu'un modèle sur un seul benchmark.
La licence permissive permet néanmoins à des chercheurs extérieurs de vérifier eux-mêmes ces affirmations. Cette publication s'inscrit dans une conviction grandissante du domaine : la performance des agents dépend non seulement du modèle sous-jacent, mais aussi de la structure construite autour de lui, et Harness2 propose une tentative concrète d'automatiser cette partie du travail.
Commentaires
Aucun commentaire pour le moment. Lancez la discussion ou posez une question.
Articles liés
Google DeepMind affirme que des biologistes utilisant sa plateforme agentique Antigravity ont identifié un peptide candidat dont l'action est prévue contre des agents pathogènes respiratoires, actuellement en cours de test en laboratoire.
Lors de la conférence Hexacon à Paris, l'équipe de Calif.io a fait la démonstration d'un jailbreak sans attache fonctionnant jusqu'à iOS 27.0.1, y compris sur l'iPhone 18 Pro, l'IA ayant contribué à identifier la chaîne d'exploitation.
Le laboratoire AI4Bharat de l'IIT Madras et NVIDIA publieront bientôt Nemotron-pretraining-Indic-v1, un corpus synthétique couvrant 22 langues indiennes, ainsi que le pipeline ouvert qui a servi à le construire.

