WikiSkill de Google permet aux agents IA de conserver un wiki de leurs propres erreurs
Un article de recherche de Google décrit des agents qui notent ce qui n'a pas fonctionné, le distillent en instructions réutilisables et s'améliorent nettement sans aucune reconversion. Un modèle 9B bat un modèle 27B.
Un agent d’IA a aujourd’hui la mémoire d’un poisson rouge. Il exécute une tâche, fait la même erreur qu’hier, termine et oublie tout. Un nouvel article de Google Research et Virginia Tech, publié sur arXiv le 27 août, propose une solution rafraîchissante et low-tech : laisser l’agent conserver un wiki.
Le système s’appelle WikiSkill et comporte trois couches. La couche brute stocke les traces d’exécution complètes, chaque appel d’outil et chaque résultat, et ne change jamais. La couche Wiki distille cet enregistrement brut en notes structurées, en modèles d’échec documentés d’un côté et en stratégies qui ont fonctionné de l’autre, en s’agrandissant à chaque tour. La couche de compétences contient les instructions réelles que l’agent suit lorsqu’il fonctionne, regroupées sous forme de modules réutilisables appelés compétences d’agent. Si une nouvelle version d’une compétence dégrade les performances, elle peut être annulée. Les chiffres sont substantiels : Gemini-3.5-Flash est passé de 49,5 % à 68,1 % de précision, et Qwen-3.6-27B de 39,4 % à 63,3 %. Dans une comparaison, un modèle 9B avec WikiSkill a surpassé un modèle 27B sans.
Que se passe-t-il réellement ici : cela vaut la peine d’être précis sur ce que l’on apprend ici, car le langage marketing à ce sujet devient glissant. Le modèle lui-même ne change pas. Ses poids, les chiffres fixés lors de l’entraînement, restent exactement tels qu’ils étaient. Ce qui change, ce sont les instructions écrites que l’agent lit avant de commencer à travailler. Ceci est plus proche d’une mémoire externe persistante et d’une amélioration rapide automatisée que d’un modèle qui continue d’apprendre après la publication. Cela ressemble à un déclassement, mais c’est sans doute mieux pour une utilisation pratique : les notes sont lisibles, modifiables et réversibles, alors que le recyclage d’un modèle est coûteux, lent et opaque. Si vous voulez savoir pourquoi votre agent se comporte d’une certaine manière, vous pouvez ouvrir le wiki et le lire. Il s’agit d’une histoire de débogage, pas seulement d’une histoire de référence.
Ce que cela signifie pour vous : la leçon immédiate est celle que vous pouvez appliquer à la main aujourd’hui, aucun code de recherche n’est requis. Si vous utilisez un assistant IA pour une tâche récurrente, conservez un bref document de ce qui a fonctionné et de ce qui a échoué, et collez-le au début de chaque session. C’est WikiSkill en miniature, et l’effet est réel. Plusieurs assistants prennent déjà en charge les fichiers d’instructions ou les compétences enregistrés à cet effet. Pour quiconque s’appuie sur des agents, le résultat qui mérite d’être pris au sérieux est la comparaison de taille : la connaissance accumulée des tâches a comblé un écart qui autrement vous aurait coûté un modèle trois fois plus important, et les coûts de fonctionnement évoluent avec la taille. Une mise en garde juste : ces résultats proviennent des propres évaluations des auteurs, et un système qui écrit ses propres instructions peut également écrire avec une mauvaise habitude et ensuite la suivre fidèlement. La couche de restauration existe pour une raison.
Sources
LAION publie 10 millions d’heures de vidéo pour la recherche ouverte sur l’IA
Le Big Video Dataset extrait 80 millions de vidéos de CommonCrawl, avec des légendes écrites automatiquement pour l'image et le son. Il s'agit uniquement de recherche, et la question du droit d'auteur se situe juste en dessous.
