« Prime Intellect lance Verifiers v1, des ensembles de tâches et environnements modulaires pour l'entraînement et l'évaluation d'agents en RL »

SkillNet : des agents IA augmentés de compétences pour la recherche, l'évaluation, l'analyse de graphes et la planification

Des chercheurs ont publié un tutoriel complet autour de SkillNet, un framework open source conçu pour augmenter les agents d'intelligence artificielle avec des compétences modulaires et réutilisables. Le système repose sur la bibliothèque Python skillnet-ai, accessible via PyPI, et s'appuie sur une API centralisée hébergée à api.openkg.cn. La démonstration utilise GPT-4o comme modèle par défaut, mais le framework reste compatible avec d'autres LLM. Le workflow présenté couvre l'ensemble du cycle de vie d'une compétence : recherche, installation depuis GitHub, inspection des métadonnées, évaluation qualitative, visualisation sous forme de graphe, et enfin intégration dans un pipeline d'exécution piloté par un agent planificateur. Ce type d'architecture répond à un problème concret qui freine le déploiement des agents IA en production : la difficulté à composer des capacités spécialisées de façon fiable et maintenable. Plutôt que d'entraîner un modèle monolithique pour chaque nouveau besoin, SkillNet permet à un agent de découvrir dynamiquement des compétences existantes, de les filtrer selon des critères de qualité mesurables, et de les assembler en pipeline selon les sous-tâches d'un objectif complexe. L'approche est particulièrement utile pour les équipes qui développent des agents multi-domaines, en réduisant la duplication d'efforts et en rendant les briques fonctionnelles auditables et interchangeables. La recherche sémantique intégrée, avec un seuil de similarité paramétrable, va au-delà de la simple correspondance par mots-clés et permet de trouver des compétences pertinentes même quand le vocabulaire ne correspond pas exactement. SkillNet s'inscrit dans un mouvement plus large visant à standardiser l'écosystème des agents IA, à l'image de ce que npm ou PyPI ont fait pour les bibliothèques logicielles. Le projet est adossé à OpenKG, une initiative académique chinoise spécialisée dans les graphes de connaissances ouvertes, ce qui explique l'orientation vers la représentation des relations entre compétences sous forme de graphe. La dépendance à GitHub comme dépôt de référence pour les skills instalables ancre le framework dans les pratiques existantes des développeurs. L'intégration d'une porte qualité automatisée, évaluant chaque compétence sur plusieurs dimensions avant de l'inclure dans un pipeline, anticipe les besoins des environnements de production où la fiabilité est non négociable. Les suites probables incluent l'émergence d'un registre communautaire de compétences validées et l'intégration avec des orchestrateurs d'agents comme LangGraph ou AutoGen.

💬 C'est le genre de truc qu'on attendait depuis un moment pour sortir des agents monolithiques. SkillNet propose quelque chose de sobre : tu découvres une compétence, tu la passes à une porte qualité, tu l'assembles dans un pipeline. Bon, ça vient d'OpenKG, une initiative académique chinoise, donc faudra voir si l'écosystème prend vraiment ou si ça reste un beau prototype de labo.

Mindstone permet à ses agents IA d'entreprise de sélectionner automatiquement le bon modèle par tâche, via Rebel

Mindstone, une startup londonnienne spécialisée dans la transformation par l'IA, a officiellement lancé cette semaine Rebel, un système d'exploitation agentique local qui ambitionne de simplifier radicalement l'orchestration d'agents IA en entreprise. Disponible sur macOS (Intel et Apple Silicon) et Windows, avec Linux en développement, Rebel adopte une licence "Fair Source" permettant aux équipes de moins de 100 utilisateurs de l'utiliser gratuitement, tandis que les organisations plus grandes devront souscrire à une licence entreprise. La société a levé 5 millions de dollars auprès d'investisseurs privés dont Pearson Ventures, Moonfire Ventures et Zanichelli Venture. Sa particularité principale réside dans une architecture locale reposant entièrement sur des fichiers markdown : toute la mémoire des agents, leurs instructions, leurs prompts et leur hiérarchie de tâches sont stockés en fichiers texte simples, contrairement aux frameworks concurrents comme LangGraph, CrewAI ou AutoGPT qui exigent des bases de données cloud et une infrastructure de gestion d'état complexe. Ce choix architectural n'est pas qu'une question de simplicité : il adresse des enjeux concrets de coût, de confidentialité et de souveraineté des données. En évitant les formats lourds comme Word ou PDF, dont les métadonnées consomment inutilement la fenêtre de contexte des modèles, Rebel optimise chaque appel API. Les entreprises gardent leurs instructions, automatisations et mémoire d'agent en local, échappant ainsi à l'enfermement propriétaire d'un éditeur SaaS. L'autre atout central est l'orchestration multi-modèles : Rebel découpe une tâche en sous-tâches et route chacune vers le modèle le plus adapté, en basculant dynamiquement entre modèles locaux et cloud selon la sensibilité des données traitées. Le système propose également des "Skills" (procédures multi-étapes réutilisables), des "Operators" (configurations comportementales pour un contexte donné, comme analyser un pitch deck du point de vue d'un investisseur) et des "Automations" (tâches planifiées en arrière-plan pour scanner des messages, préparer des réponses ou anticiper du travail avant qu'un employé n'ouvre l'application). La montée en puissance des plateformes d'orchestration d'agents reflète une évolution profonde dans la manière dont les entreprises déploient l'IA : on passe de chatbots isolés à des systèmes capables d'agir de façon autonome sur des emails, calendriers, documents et flux de travail internes. Dans cet écosystème en plein essor, Mindstone mise sur la mémoire partagée comme différenciateur stratégique. "La mémoire partagée est la chose la plus puissante que vous puissiez faire avec une IA dédiée aux travailleurs du savoir", affirme Greg Detre, directeur technique de l'entreprise, ajoutant que cela donne à une organisation "la sensation d'être un super-organisme qui devient de plus en plus intelligent". Face aux frameworks destinés aux développeurs, Rebel cible les équipes métier et opérationnelles, un segment encore largement sous-équipé malgré l'explosion de l'offre en IA agentique.

NVIDIA lance BioNeMo Agent Toolkit : des modèles biomoléculaires accessibles aux agents IA pour la découverte de médicaments

NVIDIA a publié une documentation détaillée de son BioNeMo Agent Toolkit, un dépôt open source qui transforme ses modèles biomoléculaires en compétences appelables par des agents d'intelligence artificielle. L'outil couvre un large spectre de tâches scientifiques : repliement de protéines, ancrage moléculaire, chimie générative, analyse génomique, conception de protéines et découverte de biomarqueurs. Chaque compétence se présente comme un répertoire contenant un fichier SKILL.md avec des métadonnées au format YAML, documentant l'objectif du modèle, les entrées requises, les paramètres optionnels, les artefacts attendus et les modes d'échec. Les modèles disponibles incluent OpenFold3, Boltz-2, DiffDock, GenMol, ProteinMPNN, RFdiffusion et Evo 2. L'architecture repose sur deux couches : les NVIDIA NIM (NVIDIA Inference Microservices), qui exposent les modèles comme des services appelables, et une couche d'interfaces adaptées aux agents. Des bibliothèques spécialisées comme cuEquivariance pour les modèles de structure et Parabricks pour la génomique accélèrent les calculs en arrière-plan. L'installation s'effectue via une commande npx skills add, avec la possibilité de cibler un agent précis, comme Claude Code. Les résultats mesurés par NVIDIA sont frappants. En testant un agent Codex CLI propulsé par GPT-5.5 sur des tâches biomoléculaires, le taux de complétion est passé de 57,1 % sans compétences à 100 % avec elles, et les agents ont généré en moyenne deux fois plus d'assertions correctes par tranche de 1 000 tokens. Ce gain illustre un problème fondamental de l'IA appliquée à la recherche scientifique : un agent généraliste orienté vers la biologie manque d'ancrage dans les outils spécialisés nécessaires à la découverte. Sans interface claire entre le raisonnement linguistique et les modèles de simulation moléculaire, l'agent échoue ou hallucine. Le toolkit comble exactement ce fossé, en faisant de chaque modèle biomolécule un outil documenté, vérifiable et réutilisable dans une boucle agentique. Le lancement de ce toolkit s'inscrit dans une tendance plus large : l'émergence des agents scientifiques autonomes, capables de lire des articles, formuler des hypothèses, appeler des APIs et interpréter des résultats expérimentaux. NVIDIA positionne BioNeMo comme l'infrastructure de référence pour ce paradigme dans la découverte médicamenteuse, un secteur où les cycles d'itération sont longs et les erreurs coûteuses. Le dépôt propose déjà des workflows multi-étapes comme generativeproteinbinder_design, qui chaîne automatiquement RFdiffusion, ProteinMPNN et OpenFold3. Deux modes de déploiement sont disponibles : les endpoints NIM hébergés sur build.nvidia.com pour un accès rapide sans infrastructure, ou un déploiement local pour les cas nécessitant une faible latence, une itération intensive ou des contraintes de confidentialité des données. NVIDIA entre ainsi en compétition directe avec des initiatives similaires chez Recursion Pharmaceuticals, Insilico Medicine et les grands laboratoires pharmaceutiques qui expérimentent l'automatisation de la recherche préclinique par l'IA.

[AINews] Des agents pour tout le reste : Codex pour le travail intellectuel, Claude pour la création

OpenAI a déployé cette semaine une mise à jour majeure de Codex, repositionnant l'outil bien au-delà du code pour en faire un agent universel de travail sur ordinateur. Intitulée « Codex for Work », cette évolution introduit un navigateur réactif 42 % plus rapide, de nouvelles commandes comme /chronicle et /goal, une interface de planification inédite et un éditeur de fichiers intégré pour les formats Microsoft Office, avec des connexions directes aux suites Microsoft, Google et Salesforce. Sam Altman a personnellement amplifié le lancement sur X en invitant les utilisateurs à « essayer Codex pour les tâches non-coding ». Dans le même temps, Anthropic a lancé Claude Security, un outil de revue de code axé sur la détection de vulnérabilités, et a annoncé le support de logiciels créatifs majeurs : Blender, Autodesk, Adobe Creative Cloud, Ableton, Splice, Canva et Affinity. Sur le front des évaluations, le UK AI Security Institute a signalé que GPT-5.5 est devenu le deuxième modèle à compléter de bout en bout une simulation d'attaque informatique multi-étapes, avec un taux de réussite moyen de 71,4 % contre 68,6 % pour Claude Mythos Preview. Ces annonces marquent un tournant stratégique dans la compétition entre les deux leaders de l'IA générative. En transformant Codex en agent généraliste, OpenAI cherche à capturer un marché bien plus large que le développement logiciel : les travailleurs du savoir, analystes, juristes, marketeurs et consultants, qui passent leurs journées entre documents, présentations et feuilles de calcul. L'interface dynamique adoptée par Codex, qui laisse l'agent choisir lui-même l'expérience utilisateur selon la nature de la tâche plutôt qu'un simple bouton de bascule, illustre une ambition de « SuperApp » pleinement assumée. Du côté d'Anthropic, l'intégration aux outils créatifs professionnels ouvre Claude à un public radicalement différent : graphistes, musiciens, vidéastes. Quant aux résultats cyber de GPT-5.5, ils remettent en cause l'avantage qu'Anthropic était supposé détenir dans l'automatisation offensive, les performances du modèle continuant de progresser au-delà de 100 millions de tokens d'inférence sans signe de saturation visible. Ces évolutions s'inscrivent dans une dynamique que les observateurs du secteur nomment « la sortie de confinement des agents de coding » : les outils initialement conçus pour les développeurs commencent à coloniser l'ensemble du travail sur ordinateur. OpenAI productise désormais activement l'interface « agent computer-use », tandis qu'Anthropic mise sur la sécurité et la créativité pour différencier Claude. GPT-5.5 Pro envoie également un signal économique notable : selon Artificial Analysis, il améliore légèrement les scores sur le benchmark CritPt par rapport à GPT-5.4 Pro tout en réduisant les coûts d'environ 60 %, suggérant qu'OpenAI parie autant sur l'efficacité que sur la puissance brute. Les prochaines semaines diront si ces repositionnements trouvent un écho réel auprès des utilisateurs non-techniques que les deux entreprises cherchent désormais à conquérir.

💬 OpenAI fait sortir Codex du code pour aller chercher les consultants et les juristes, et l'interface qui s'adapte toute seule à la tâche sans bascule manuelle, c'est là que le truc est sérieux. Claude dans Blender et Ableton, je l'attendais pas, mais ça a du sens comme différenciation. Et GPT-5.5 qui boucle des simulations d'attaque cyber à 71%, ça, ça va faire causer bien au-delà du secteur IA.