Ce qu'il faut retenir
- Prime Intellect a publié Prime Agent le 5 août 2026, un harness d'agent open source sous licence MIT, conçu pour le code et les tâches autonomes longues.
- 95,5 % sur ARC-AGI-3, au-dessus du seuil d'expert humain rapporté par ARC Prize (95,4 %) — sur trois exécutions à 95,0 / 95,2 / 95,5 %, et 183 niveaux sur 183 complétés.
- Le modèle sous-jacent n'a pas changé : Claude Opus 5 plafonnait à 30,2 % dans le harness officiel du benchmark. C'est l'enveloppe logicielle autour du modèle qui produit l'écart, pas une nouvelle génération de modèle.
- Deux idées expliquent ce saut : le Recursive Language Model, qui traite le contexte comme une variable manipulable par du code, et le continual harness, qui laisse l'agent réécrire ses propres prompts, compétences et mémoire.
- Pour une entreprise, la conséquence est directe : la performance d'un agent ne se choisit pas seulement en choisissant un modèle. Le harness est devenu une variable d'architecture à part entière — et désormais une variable auditable, puisqu'elle est ouverte.
Ce que Prime Intellect a publié le 5 août 2026
Prime Intellect n'est pas un nouvel entrant. Le laboratoire s'est fait connaître par l'entraînement décentralisé de modèles ouverts, et publie cette fois un objet différent : non pas un modèle, mais l'enveloppe logicielle qui l'entoure.
Prime Agent est un harness — le terme désigne la couche qui donne à un modèle ses outils, sa mémoire, son accès au système de fichiers et sa capacité à enchaîner des actions. Claude Code, Codex ou Opencode sont des harness. La particularité de Prime Agent est d'être entièrement open source sous licence MIT, là où les harness des grands laboratoires restent propriétaires.
Le dépôt affiche déjà 2 400 étoiles et 167 forks. Le positionnement annoncé : le code et les tâches autonomes de longue durée.
95,5 % sur ARC-AGI-3 : pourquoi ce chiffre compte
ARC-AGI-3 est le benchmark de raisonnement interactif d'ARC Prize. Il ne pose pas des énigmes statiques : il place l'agent dans des environnements de jeu inconnus, où il doit découvrir l'objectif par lui-même, construire un modèle du monde et apprendre en continu. C'est un test de planification longue avec retour d'information rare — beaucoup plus proche d'une tâche métier réelle qu'un questionnaire de connaissances.
À son lancement, il a laminé l'état de l'art. Tous les modèles de pointe passaient sous la barre de 1 %, le meilleur d'entre eux, Gemini 3.1 Pro, à 0,37 %.
Prime Agent, avec Claude Opus 5, atteint 95,5 % en Best@1 — au-dessus du seuil d'expert humain de 95,4 % rapporté par ARC Prize. Le résultat tient sur trois exécutions (95,0, 95,2 et 95,5 %), avec 99,97 % en Best@3 et la totalité des 183 niveaux complétés.
Le graphique dit l'essentiel : le même modèle passe de 30,2 % à 95,5 % selon le harness qui l'utilise. Claude Opus 5 est identique dans les deux cas. Ce qui change, c'est la manière dont on lui donne accès au contexte, aux outils et à sa propre mémoire.
Comment un harness triple, puis triple encore, la performance d'un modèle
Le contexte comme variable, pas comme conversation
La première idée s'appelle Recursive Language Model (RLM). Dans un agent classique, tout passe par la fenêtre de contexte : pour analyser un fichier de 50 000 lignes, le modèle doit le lire, donc le faire entrer en tokens.
Prime Agent inverse la logique. Il expose un environnement Python persistant — un REPL — dans lequel le contexte devient une variable manipulable par du code. Plutôt que de lire un fichier pour le résumer, l'agent écrit une fonction qui le parcourt et n'en retient que ce qui compte. Et la délégation à des sous-agents devient un simple appel de fonction : rlm(...) engendre un agent enfant, en parallèle ou en arrière-plan.
Le gain de tokens n'est pas un détail d'optimisation : c'est ce qui rend possible des tâches longues sans saturer le contexte.
Un harness que l'agent réécrit lui-même
La seconde idée est le continual harness. L'état du harness — ses prompts, ses compétences, sa mémoire, ses définitions de sous-agents — n'est pas figé dans le code. C'est une matière que l'agent peut créer, lire, modifier et supprimer à partir de ses propres trajectoires.
Concrètement, la commande /refine fait relire à l'agent ce qu'il vient de faire et applique des mises à jour ciblées, adossées à des preuves d'exécution. Les enchaînements récurrents peuvent être promus en paquets Python importables — l'agent se construit une bibliothèque de compétences à mesure qu'il travaille.
C'est là que se joue le mot « auto-amélioration » : pas un modèle qui se réentraîne, mais une enveloppe qui apprend de ses propres exécutions.
La controverse du harness : ce que l'épisode OpenAI a révélé
Ce résultat arrive dans un contexte tendu. Une semaine plus tôt, OpenAI publiait des scores ARC-AGI-3 nettement supérieurs pour GPT-5.6 Sol : 38,3 % contre 7,8 % dans le harness officiel, simplement en activant deux réglages d'API — la conservation du raisonnement et la compaction du contexte.
François Chollet, cofondateur d'ARC Prize, a tracé la ligne : des réglages d'API généralistes, disponibles pour tous les utilisateurs et non conçus pour le benchmark, sont acceptables ; un harness taillé spécifiquement pour ARC-AGI-3 ne l'est pas. Il a reconnu la légitimité de la démarche d'OpenAI tout en exigeant que les fournisseurs déclarent clairement leurs réglages et leurs coûts.
Prime Intellect a d'ailleurs appliqué la même prudence en sens inverse : le laboratoire indique avoir évalué Opus 5 et GPT-5.6 Sol avec Claude Code et Codex, obtenu des résultats inférieurs aux chiffres officiels de ces éditeurs, et choisi de retenir les chiffres officiels plutôt que les siens.
L'épisode installe une évidence inconfortable pour l'industrie : un score de benchmark ne qualifie plus un modèle seul, mais un couple modèle + harness. Comparer deux modèles sans préciser leur enveloppe n'a plus grand sens.
Ce que ça change concrètement pour une entreprise
Votre choix de modèle pèse moins que vous ne le pensez
C'est la conséquence la plus directe, et elle est contre-intuitive. La plupart des comités de direction que nous accompagnons en diagnostic posent la question sous la forme « quel modèle choisir ? ». Les chiffres d'ARC-AGI-3 suggèrent que la question est mal cadrée : un écart de 65 points sur le même modèle, uniquement dû à l'enveloppe, dépasse de loin l'écart entre deux modèles concurrents de même génération.
Cela ne veut pas dire que le modèle est indifférent. Cela veut dire que l'investissement marginal est probablement mieux placé dans l'outillage, la mémoire et l'orchestration que dans le passage au modèle le plus cher du marché.
Un harness ouvert est un harness auditable
Pour les organisations soumises à des exigences de conformité, le point n'est pas académique. Un harness propriétaire est une boîte noire de plus dans la chaîne : vous ne savez ni ce qu'il envoie, ni ce qu'il conserve, ni comment il décide de tronquer un contexte.
Une licence MIT change la nature de la conversation. Le code peut être lu, audité, modifié, et exécuté sur votre propre infrastructure — ce qui le rend compatible avec une approche d'IA souveraine, là où un harness fermé rattaché à une API tierce ne l'est pas. Pour un dossier AI Act ou une revue de sécurité, la différence est considérable.
Autonomie longue : la vraie promesse, et ses limites
Prime Agent mise sur la durée : sessions qui survivent à la déconnexion du terminal, exécution planifiée, modes autonomes bornés par des budgets de tours, de tokens et de temps, communication directe entre agents sans repasser par l'humain.
C'est exactement ce qui manque aux assistants conversationnels quand on veut leur confier un vrai chantier. C'est aussi ce qui appelle le plus de prudence : un agent qui travaille des heures sans supervision produit beaucoup de valeur — ou beaucoup de dégâts. Les budgets bornés sont une réponse partielle ; la gouvernance des droits d'accès en est une autre, et elle relève de vous, pas de l'outil.
Les limites qu'il faut garder en tête
Un benchmark reste un benchmark. ARC-AGI-3 mesure l'acquisition de compétences dans des environnements de jeu. La transposition à un système d'information d'entreprise — données sales, permissions, processus métier implicites, interlocuteurs humains — n'a rien d'automatique. Prime Intellect cite d'autres évaluations (contexte long, noyaux GPU, Factorio), mais aucun de ces terrains n'est un ERP.
Le coût n'est pas dans le score. Atteindre 95,5 % suppose un budget de calcul que le classement n'affiche pas. Pour une PME, la question n'est pas « peut-on atteindre le niveau expert humain ? » mais « à quel coût par tâche, comparé à combien d'heures économisées ? ».
Un harness auto-modifiable est un objet nouveau à gouverner. Si l'agent réécrit ses propres prompts et compétences, la traçabilité de ce qu'il est devenu au bout de trois mois est un sujet en soi — de sécurité comme de conformité.
Conclusion : le harness devient une décision d'architecture
Pendant deux ans, la question qui structurait les projets d'IA était « quel modèle ». Prime Agent illustre un déplacement : à modèle constant, l'enveloppe fait la différence entre 30 % et 95 % sur une tâche de raisonnement long. Le harness cesse d'être un détail d'implémentation pour devenir une décision d'architecture, au même titre que le choix d'hébergement ou de base de données.
Pour une entreprise, la lecture pratique tient en une phrase : avant de payer plus cher pour un modèle marginalement meilleur, regardez ce que votre agent a le droit de faire, ce dont il se souvient, et qui peut auditer son enveloppe.
Lire aussi : Claude Code vs Hermes vs Opencode : lequel choisir en 2026 ?
Sources
- Prime Intellect — Prime Agent: A self-improving RLM agent (5 août 2026)
- PrimeIntellect-ai/prime-agent — dépôt GitHub, licence MIT (consulté le 6 août 2026)
- ARC Prize — ARC-AGI-3, benchmark de raisonnement interactif (2026)
- The Decoder — OpenAI claims GPT-5.6 Sol beats Opus 5 on ARC-AGI-3, but only with its own custom test harness (30 juillet 2026)
- OpenAI — How enabling two settings tripled our scores on the ARC-AGI-3 benchmark (juillet 2026)
Vous évaluez des agents IA pour vos équipes et vous ne savez pas si le sujet est le modèle, l'outillage ou la gouvernance ? Parlons-en — nous vous aidons à définir votre stratégie IA, à prototyper vos cas d'usage et à garder la maîtrise de votre infrastructure.
