Si l’industrie de l’intelligence artificielle mise principalement sur des modèles toujours plus grands, Sakana AI, jeune laboratoire japonais d’IA, propose une approche radicalement différente et open source. Fin juin, l’entreprise a publié TreeQuest, un algorithme sous licence Apache 2.0 conçu pour faire collaborer plusieurs modèles d’intelligence artificielle afin de résoudre des problèmes complexes.
L’annonce intervient alors que de nombreuses entreprises cherchent à éviter l’enfermement dans des solutions propriétaires, préférant construire des architectures flexibles capables d’exploiter plusieurs IA selon leurs forces respectives.
De l’intelligence collective, pas un modèle unique
Dans l’écosystème actuel, chaque acteur majeur promeut son propre modèle géant : OpenAI avec GPT, Google avec Gemini, Anthropic avec Claude, etc. Sakana AI casse cette logique de compétition à somme nulle. TreeQuest permet à ces modèles concurrents de travailler ensemble, en exploitant les forces de chacun pour pallier leurs faiblesses individuelles.
Concrètement, TreeQuest s’appuie sur une technique baptisée AB-MCTS (Adaptive Branching Monte Carlo Tree Search), un algorithme de recherche arborescente qui décide quel modèle est le plus pertinent pour résoudre chaque étape d’un problème. Lors de tests sur le benchmark ARC-AGI-2, une combinaison de trois modèles (OpenAI o4-mini, Gemini 2.5 Pro et DeepSeek R1) a ainsi résolu 30 % des tâches, contre 23 % pour le modèle o4-mini seul.
Cette approche démontre que même un modèle se trompant initialement peut contribuer à guider les autres vers la bonne solution, comme dans un travail d’équipe.
Un cadre open source adaptable
TreeQuest est publié sur GitHub sous licence libre Apache 2.0. Il propose une API modulaire, permettant aux développeurs d’adapter la logique d’orchestration et de gestion des scores. Il prend en charge les déploiements à modèle unique ou multi-modèles, avec la possibilité de relancer des sessions longues.
Sakana AI voit dans cette approche collaborative un moyen de réduire des problèmes classiques des LLM, comme l’hallucination, en équilibrant les biais et limites des différents modèles.
Alors que le secteur peine à justifier le coût de modèles toujours plus volumineux, TreeQuest ouvre une voie alternative : améliorer l’intelligence globale sans démultiplier la taille des modèles individuels. Dans un billet de blog, Constellation Research salue cette approche comme une rupture avec la course au « modèle unique supérieur ». Sakana AI défend une vision où la diversité des modèles devient une force, dans un esprit proche du logiciel libre.
