Une étude d'Apple révèle qu'un agent unique surpasse les systèmes multi-agents dans les tâches d'apprentissage automatique

Une nouvelle étude d'Apple Machine Learning Research remet en question l'efficacité des systèmes multi-agents dans l'ingénierie de l'apprentissage automatique. Les chercheurs ont découvert qu'un seul agent de codage, bien guidé et nommé Malena, affichait des performances équivalentes ou supérieures à celles de plusieurs systèmes multi-agents complexes.

L'étude, intitulée « Quelle est la nécessité d'un harnais pour un agent puissant dans l'ingénierie ML autonome ? », a été soumise à arXiv le 30 septembre 2026, et met en lumière les inefficacités potentielles des systèmes d'agents élaborés. Malena fonctionne avec un accès shell de base et peut lire, écrire des fichiers et exécuter des commandes bash.

Dans des comparaisons directes, Malena a atteint un taux de réussite de 62,5 % sur le benchmark MLE-bench, surpassant de manière significative le meilleur harnais externe, AiScientist, qui a obtenu un taux de réussite de 47,1 %. Cet écart de 15,4 points de pourcentage suggère que des systèmes plus simples pourraient être plus efficaces que ce que l'on pensait auparavant.

L'étude a également souligné que l'ajout de complexité par la coordination multi-agents n'a pas entraîné d'améliorations significatives des performances. Les chercheurs ont insisté sur le fait que la force du modèle sous-jacent était le facteur principal de la performance, plutôt que la complexité du harnais qui l'entoure.

Cette recherche s'aligne avec des résultats précédents qui remettaient en question l'efficacité des systèmes multi-agents, suggérant un besoin de réévaluation de la manière dont les agents IA sont structurés et déployés dans des applications pratiques.