Infini-AI-Lab lance Hermit, un framework open source pour adapter les harnais des agents IA
Infini-AI-Lab a publié Hermit, un framework open source en Python qui entraîne un « adaptateur de harnais » externe pendant que le modèle de l'agent et son harnais restent entièrement figés. La version 0.1.0 est sortie le 25 octobre 2026, et le postdoc de Carnegie Mellon Haizhong Zheng l'a annoncée sur X le 27 octobre. Distribué sous licence Apache-2.0 (pip install hermit-harness), l'outil ne possède aucun paramètre propre. Son démarrage rapide hors ligne ne demande ni GPU, ni compte de modèle, ni jeu de données, et les exécutions réelles fonctionnent avec n'importe quelle API ou avec un serveur local vLLM, SGLang ou Ollama. Le laboratoire rapporte des gains face aux références sans adaptateur sur OfficeQA, CL-Bench et ServeLearnBench, tous mesurés avec GLM 5.3 Flash. Sur l'exploration de bases de données de CL-Bench, l'adaptateur MWM atteint 0,795 de précision contre 0,580 pour la base de référence en contexte. L'adaptateur limité au prompt tombe à 0,470 sur le même test, donc sous cette base.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de MarkTechPost. Lire l'article original →
L'enjeu pour les développeurs est d'adapter des agents comme Codex ou Claude Code à de nouvelles tâches sans affiner le modèle ni forker le harnais. Un adaptateur de harnais est un harnais externe entraînable, une sorte de plugin doté d'un apprentissage intégré. Là où un adaptateur de modèle comme LoRA modifie le modèle, celui-ci modifie l'agent existant. Il peut contenir des instructions, des compétences, de la mémoire, des outils, du code exécutable, de la logique de coordination entre agents, voire un dépôt entier. Sa spécification définit les parties apprenables et la manière de valider les mises à jour. Il peut ensuite être déployé dans l'espace de travail d'un agent ou exporté en plugin natif pour Codex, Claude Code, Pi ou Hermes. Il faut toutefois relativiser les chiffres : la plupart des résultats proviennent d'exécutions uniques, publiées par les auteurs eux-mêmes et non reproduites de façon indépendante.
Le choix de conception repose sur trois arguments avancés par l'équipe. De nombreux harnais sont propriétaires et fermés. Modifier ceux qui sont ouverts peut casser des interactions entre composants soigneusement réglées. Enfin, un adaptateur appris peut passer d'un modèle ou d'un harnais compatible à un autre. L'entraînement suit une boucle de type apprentissage par renforcement : un Trainer fait exécuter un lot de tâches à l'agent avec l'adaptateur courant, un juge note les sorties, puis un Evolver lit les trajectoires et les retours pour proposer un nouvel adaptateur. Le Trainer le vérifie par rapport au modèle de spécification et l'enregistre comme version suivante. Chaque version est conservée dans un arbre git, ce qui permet de l'inspecter, de revenir en arrière ou de la livrer. Les programmes d'apprentissage peuvent tourner en bac à sable sous Linux avec bubblewrap. Cinq méthodes d'évolution sont fournies, GEPA, SkillOpt, MetaWorld Model, Harness² et Continual Harness, ACE et ReHarness étant annoncées. Il est aussi possible d'écrire son propre Evolver, ce qui place Hermit comme boucle d'entraînement commune à des approches jusque-là dispersées.
Pas d'impact direct sur la France/UE