NeoHorse-1 : l'auto-amélioration récursive, ou l'art de baptiser une boucle « révolution »

Chapô: TokenRhythm, une startup chinoise fondée par un transfuge de Huawei, sort deux modèles censés incarner l'« auto-amélioration récursive ». Les chiffres sont réels, la licence ouverte. Mais la conclusion du papier admet une seule passe de boucle. L'auto-amélioration vraie, personne ne l'a automatisée.

Le mot qui fait rêver les labos

« Recursive self-improvement ». Le Graal. L'IA qui corrige ses propres défauts, qui grimpe la pente sans aide, qui rend les humains inutiles à leur propre usine. C'est le concept qui alimente la moitié des scénarios d'apocalypse et l'autre moitié des pitch decks.

Alors quand une startup sort un papier coiffé de ce mot, on se retourne. Surtout quand elle est dirigée par Wang Yunhe, l'homme qui a piloté les modèles Pangu chez Huawei pendant près de neuf ans.

TokenRhythm Technologies publie le 7 septembre 2026 deux modèles : NeoHorse-1-4B et NeoHorse-1-9B. Licence Apache-2.0, poids ouverts, post-entraînés depuis Qwen3.5. Le rapport arXiv revendique des gains nets sur dix benchmarks. Le 4B passe de 58,94 à 64,87 de moyenne. Le 9B de 65,60 à 69,04.

Jusque-là, rien d'extraordinaire. Un post-entraînement de plus dans une mer de post-entraînements. Sauf que le mot est écrit sur la boîte.

Et c'est là que ça se gâte.

Une passe, pas une révolution

Ouvrez la conclusion du papier. Je traduis : « tentative initiale d'auto-amélioration récursive, plutôt que démonstration définitive ». Et plus loin : « une seule passe de la boucle évaluation-sélection-mise à jour », dont la capacité à accumuler des gains sur plusieurs générations « reste à tester ».

Relisez ça lentement. Le titre vend l'auto-amélioration récursive. La conclusion vend un prototype de boucle de données. Ce n'est pas la même marchandise.

Concrètement, la machine fait quoi ? Elle tient un pool de modèles, un routeur qui choisit le modèle le plus adapté à chaque requête, et elle enregistre tout. Chaque tour utilisateur devient une trace : le besoin prédit, le modèle sélectionné, l'interaction complète, le résultat. Ces traces, dédupliquées, décontaminées, validées par des règles, servent de corpus d'entraînement. On ré-entraîne. On réévalue. On déplace la mixture vers les zones faibles. Et on recommence.

C'est intelligent. C'est même la partie la plus honnête de l'affaire : les données viennent de l'usage réel d'un routeur open source, pas d'un jeu synthétique. Mais ce n'est pas de l'auto-amélioration récursive. C'est une boucle de données avec pipeline qualité et décisions humaines entre chaque itération. L'humain choisit quoi entraîner, quoi évaluer, où allouer les budgets. Le robot n'a pas bouclé la boucle tout seul.

Bref. Le mot est trop grand pour la chose.

Des chiffres qui tiennent, et d'autres qui se cachent

Ne soyons pas injustes. Le travail est sérieux sur le plan technique. Les chercheurs publient leur protocole d'évaluation complet : SGLang v0.5.17, température 1.0, trois runs sur les benchmarks les plus durs, un seul sur les autres. C'est rare, dans un secteur où l'on balance des moyennes sans dire comment elles ont été mesurées.

L'ablation aussi mérite le détour. Même budget, même base Qwen3.5-4B : les trajectoires du routeur battent les données publiques de 6,26 points de moyenne. Autrement dit, les traces de vraie exécution valent plus que les données de synthèse. Ce n'est pas une surprise, mais c'est démontré proprement.

Voici l'essentiel, en clair :

Le 4B dépasse même le Qwen3.5-9B de base sur cinq benchmarks sur dix. QwenClawBench, PinchBench, VitaBench, tau2-Bench, HumanEval. Un modèle quatre fois plus petit qui rattrape son grand frère, c'est le genre de résultat qui fait lever un sourcil. En bien.

Reste que tout est auto-rapporté. Pas de réplication indépendante. Et le terrain de jeu est suspect : QwenClawBench, WorkBuddy Bench, IFBench. Trois benchmarks taillés pour l'écosystème Qwen-Alibaba, la famille dont les modèles de base sont justement issus. La décontamination est affirmée, pas prouvée. Un avantage de familiarité, en somme.

Les incohérences de façade n'aident pas. L'abstract parle d'« onze benchmarks ». Le corps et les tableaux en comptent dix. Le README du 4B affiche un delta de +10,50 sur VitaBench que ses propres valeurs contredisent. Des détails, sans doute. Mais quand on vend du « recursive self-improvement », on relit ses tableaux avant de publier.

Comment on fabrique le modèle, en trois étages