# Une méthode permet aux agents IA d’apprendre de modèles opaques par le dialogue

> Des chercheurs présentent la distillation communicative on-policy (COPD) : les petits modèles peuvent poser des questions ouvertes à de grands modèles opaques et améliorer leurs performances sur des tâches longues.

Oossa · 2026-11-19 · https://oossa.com/fr/new-method-lets-ai-agents-learn-from-black-box-teachers-via-natural-language

Lirui Luo et ses coauteurs ont publié un article le 19 novembre 2026 présentant la distillation communicative on-policy (COPD). Cette technique permet à un modèle apprenant de décider quand interroger un modèle enseignant opaque en langage naturel libre, puis de s’entraîner à partir de ces échanges sans solliciter de nouveau le modèle enseignant. Sur le benchmark CAMG-II, COPD a obtenu un gain 2,46 fois supérieur à celui de la meilleure méthode existante de distillation on-policy pour modèles opaques. Les auteurs font également état de progrès sur Terminal-Bench 2.1 et SWE-Bench Pro V2.

## Les faits

- Article publié le 19 novembre 2026
- Sur CAMG-II, COPD améliore les performances de 2,46 fois par rapport à la meilleure méthode de référence pour les modèles opaques

## Pourquoi c'est important

Si cette méthode se révèle efficace en pratique, les développeurs pourraient améliorer des agents IA capables d’effectuer des tâches complexes sans avoir besoin d’un accès complet à de grands modèles propriétaires.

## Sources et références

1. [Communicative On-Policy Distillation: Distilling Black-Box Teacher Capabilities through Communication for Long-Horizon Tasks](https://arxiv.org/abs/2611.23673) – arXiv cs.LG, 2026-11-19

Dernière mise à jour: 2026-11-19
