Anthropicingénieursontétabliunefeuillederouteen14étapes,décomposantunearchitectureàtroiscouchesetunepileàquatreniveauxdecompoundagepourconstruireunsystèmed’auto-améliorationitératifautourdeFable5;lecontenuestissud’articlestechniquesetd’expériencespubliquesdel’équipe.L’expérienceContinualLearningBenchd’AnthropicmontrequeFable5,équipédemémoire,atteintuntauxdecouverturedevérificationde73%.##Architecturedepileàquatreniveauxdecompoundage:fonctionnementcoucheparcouche,delacoucheprimitiveàlacouched’auto-amélioration

(Source:AnthropicFable5)Selonlecadredel’articleoriginal,lapileàquatreniveauxdecompoundageestconstruitedebasenhaut.Lasortiedechaquecouchecirculeverslehautjusqu’àlacouchesupérieure,oùelleestnotée,distillée,puisréécritedanslacouchemémoire:·Couche1(Primitives):comprendFable5lui-même,lessous-agents,lesworktreesetlesoutils;c’estleniveauutiliséparlaplupartdesutilisateursactuellement.·Couche2(Orchestration):effectuedesbouclesd’auto-correctionavec/goaletOutcomes,uneorchestrationmulti-étapesparworkflowdynamique,etdesRoutinespouruneexécutioncloudàlongterme.·Couche3(Mémoire):comprendlesfichiersd’état(STATE.md),lescompétences(Skills),lesbasesdeconnaissances(KnowledgeBases)etlesleçonsdistillées.·Couche4(Auto-amélioration):comprendl’auto-vérificationvisuelle,lesbouclesd’évaluation(eval)etladistillationderègles.L’agentnotesapropresortie,affinelescompétences,réécritlesleçonsdanslamémoire,fermantainsilaboucle.##/goaletOutcomes:comparaisondescasd’utilisationdesdeuxbouclespilotéesparobjectifsSelonlesdocumentstechniquesd’Anthropic,/goal(ClaudeCode)etOutcomes(ClaudeManagedAgents)partagentlamêmeformedebase:unévaluateurindépendantvérifieletravail;unverdict«nonatteint»déclencheuneitérationsuivante;lorsquel’évaluateurvalide,labouclesetermine.Lesrèglesdechoixentrelesdeuxsontlessuivantes:/goal:convientauxtâchesexécutéeslocalement,auseind’unesession,avecunétatfinalmesurable(ex:débogagedecode,affinaged’unseulfichier).Utilisedesobjectifstextuelsetunmodèleévaluateur.Outcomes:convientauxtâchesnécessitantdesheuresoudesjoursd’exécutionsurl’infrastructurehébergéeparAnthropic(ex:entraînementdeML,migrationlongue).Utilisedescritèresdenotationbaséssurdesfichiers,dessous-agentsévaluateurs,etimposeunplafondstrictdemax_iterations.Principestructurelclécommun:l’agentquiécritlecoden’estpasceluiquilenote.##ExpérienceContinualLearningBench:Fable5atteint73%decouverturedevérificationmémoireSelonl’expérienceContinualLearningBench1.0d’Anthropic,laprogressionmémoireencinqétapes(Échec→Enquêter→Vérifier→Distiller→Consulter)présentelesdifférencessuivantesselonlesmodèles:Sonnet4.6:sortieàl’étape1;mémoirelimitéeàdesnotesd’échecetdessuppositionsnonrésolues;consulterarementlesnotesprécédentes;lamémoirenesecapitalisepas.Opus4.7:sortieàl’étape3;créedesdocumentsderéférenceavecannotationsd’incertitude;tauxdecouverturedevérificationde7à33%(médiane~17%).Fable5:tendàparcourirl’intégralitédescinqétapes;dansl’exécutionlaplusperformante,atteintuntauxdecouverturedevérificationde73%(22questionssur30),etdistillelesleçonsapprisesenrèglesgénéralesapplicablesauxtâchesfutures.Deplus,dansl’expérienceParameterGolf,Fable5,associéàunvérificateurindépendant,aexplorédesmodificationsarchitecturalesplusvastes,traversédesrésultatsintermédiairesnégatifs,etfinalementobtenuenvironsixfoisplusd’améliorationsqu’Opus4.7.##Progressionmémoireencinqétapesetarchitecturedufichierd’état:lescinqsectionsdeSTATE.mdSelonlesdocumentstechniquesd’Anthropic,lescinqsectionsdufichierd’état(STATE.md)correspondentauxcinqétapesmémoire:Verifiedfacts(faitsdontonacessédespéculer,sortiedel’étape3),Generalrules(règlesdistilléesau-delàdescasparticuliers,sortiedel’étape4),Openfailures(travailencoursdesétapes1-2),Lessonslearned(autresortiedel’étape4),Lastsession(indicateurdereprisepourl’étape5).LesdonnéesduContinualLearningBenchmontrentquesiSTATE.mdetlescompétencesassociéesnesontpaslusendébutdesession,mêmeFable5présenteuncomportementmémoiredeniveauSonnet.Lescompétencessontstockéesdans~/.claude/skills/,utilisablesentreprojets;ellesconstituentlevecteurd’accumulationàlongtermedelamémoireprocédurale.Chaqueleçonconfirméedoitêtreinscritedansunecompétence,passeulementdansSTATE.md.##ClassifieurdesécuritéFable5etroutagedescoûts:backupversOpus4.8pourlesdomainesàhautrisque,routagedescoûtsselonlacomplexitéSelonlesdocumentstechniquesd’Anthropic,Fable5intègreunclassifieurdesécuritéquirefusederépondredanslesdomainesdelarecherchedevulnérabilités,delabiologie,delachimieetdeladistillationdemodèles,etbasculeautomatiquementversOpus4.8.Sasystemcardde319pagesdocumentel’étenduecomplèteduclassifieur;certainscomportementsdedéclassement,découvertsaprèslelancementdejuin2026,étaientenfouisdansledocument.Lemodèlederoutagedescoûtsréellementutiliséparlesingénieursd’Anthropicestlesuivant:Fable5jouelerôled’orchestrateur(planificationinter-jours,délégationdesous-agents,vérificationvisuelle);Opus4.8traitelessous-tâchesdifficilesmaisbornées(décisionsarchitecturales,débogagecomplexe)etsertdebackuppourlesblocagesduclassifieur;Sonnet4.6gèrelestâchesouvrièresàhautvolume(lint,refactoringsimple,misesàjourdedocumentation);Haiku4.5sertdesous-agentévaluateuretdeclassifieuréconomique.##Questionsfréquentes####**Quelleestladifférenceentre«auto-amélioration»et«auto-apprentissage»deFable5?**Selonlesdocumentstechniquesd’Anthropic,l’auto-apprentissagesignifiequelemodèlemetàjoursesproprespoidsenfonctiondecequ’ilaappris.Fable5nefaitpascela,etaucunmodèlepubliquementdisponibleneréaliseactuellementcettecapacitéenproduction.L’auto-améliorationsignifiequelesystèmeentourantlemodèlesecapitaliseàchaqueexécution:lamémoireaccumuledesfaitsvérifiés,lescompétencess’affinentenintégrantdescaslimites,lesbouclesd’évaluationaméliorentlesprompts;lemodèlelui-mêmeresteinchangé,c’estl’environnementd’exécutionquidevientplusaffûté.####**QuesontlesRoutinesetquandseront-elleslancées?**Selonlesdocumentstechniquesd’Anthropic,lesRoutinessontdesconfigurationsClaudeCodesauvegardées(prompts,dépôts,connecteurs,permissions)quis’exécutentsurl’infrastructurecloudhébergéeparAnthropicsouscertainesconditionsdedéclenchement,mêmesilamachinelocaleestéteinte.LesRoutinesontétélancéesle14avril2026enavant-premièrederecherche,avectroistypesdedéclenchement:planifié,parAPI,etparévénementGitHub.####**Pourquoiunsous-agentvérificateurindépendantest-ilmeilleurquel’autocritique?**Selonl’articletechniquedel’ingénieurd’AnthropicPrithviRajasekaranetlesdonnéesdelancementdeFable5,lorsqu’unmodèleévaluesapropresortie,ilvoitsaproprechaînederaisonnementetatendanceàconcluredemanièrecohérenteaveccequ’ilaprécédemmentécrit.Unautreagentnevoitquelasortieetlescritèresdenotation;levérificateurn’aaucunintérêtdanslejeuduproducteur,peutexplorerunespaced’hypothèsesplusvasteetseremettrederésultatsintermédiairesnégatifs.

Avertissement : Les informations figurant sur cette page peuvent provenir de sources tierces et sont fournies à titre indicatif uniquement. Elles ne reflètent pas les points de vue ou opinions de Gate et ne constituent pas un conseil financier, d’investissement ou juridique. Le trading des actifs virtuels comporte des risques élevés. Veuillez ne pas vous fonder uniquement sur les informations de cette page pour prendre vos décisions. Pour en savoir plus, consultez l’avertissement.

Actualités associées

07-05 12:40

Anthropic sécurise une capacité de centres de données de 1,4 million de kW en Australie pour jusqu'à 15 milliards de dollars.

07-05 07:37

Anthropic prévoit de sécuriser 1,4 million de kilowatts de capacité de centre de données en Australie pour un coût allant jusqu'à 15 milliards de dollars.

07-04 21:16

Le score de débogage de Claude Fable 5 chute de 86,2 à 25,9 le 1er juillet, mais Arena.AI indique une performance stable