
Claude Opus 5.5 a dirigé une entreprise d’IA pendant sept semaines à raison de 16 minutes par jour
- OrcaNOUVEAUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 par million de tokens · 184 tok/s
- tencentNOUVEAUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 par million de tokens · 223 tok/s
- GoogleNOUVEAUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 par million de tokens · 87 tok/s
- AnthropicNOUVEAUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 par million de tokens · 96 tok/s
- orcaNOUVEAUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 par million de tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 par million de tokens · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 par million de tokens · 78 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 par million de tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 par million de tokens · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 par million de tokens · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligence
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 par million de tokens · 208 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligence
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 par million de tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligence
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 par million de tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligence
Claude Opus 5.5 est disponible en général depuis le 22 septembre 2026, si bien que la question intéressante à son sujet n'est plus de savoir quels sont ses scores. C'est ce qui se passe lorsqu'on cesse de lui adresser des prompts et qu'on lui confie un travail. Une équipe de l'EPFL et de l'Institut ELLIS de Tübingen a fait exactement cela : elle a remis à Claude Opus 5.5 un compte Hugging Face vierge, un budget de GPU et une seule consigne — obtenir une adoption réelle — puis l'a laissé fonctionner pendant sept semaines. Il a publié 38 modèles. Ces modèles ont dépassé les 50 000 téléchargements, sont utilisés dans plus de 140 dépôts publics et sont cités dans deux articles arXiv. L'agent qui y est parvenu a travaillé en moyenne 16 minutes par jour.
Le rapport se trouve à horizon-labs.ai, daté du 17 novembre 2026, et l’agent s’appelle Horizon. Chaque chiffre ci-dessous provient de ce document ou du compte Hugging Face qu’il désigne, et la mise en garde est formulée une fois ici plutôt que répétée : il s’agit de l’étude de cas de la propre équipe sur sa propre exécution, et non d’un audit externe. Ils sont d’une franchise inhabituelle sur les endroits où leur propre intervention aurait pu gonfler le résultat, et ces aveux constituent la partie la plus utile du document.
Ce qu’ils ont réellement remis

Horizon fonctionnait 24 h/24 et 7 j/7 au sein de Claude Code, sur un seul abonnement Anthropic Team Premium, avec accès à un compte Hugging Face récent (Horizon-Labs) ainsi qu'à un compte GitHub. La puissance de calcul se présentait sous la forme d'un million de crédits par semaine, soit environ 500 heures GPU. Il pouvait soumettre des tickets aux humains et rien d'autre : aucun autre compte, aucune identité web, aucun moyen de dépenser de l'argent. L'équipe surveillait ses actions en continu et est intervenue 20 fois pendant toute la durée de l'exécution — 13 réponses à des tickets et sept messages, presque tous durant les trois premiers jours, aucun après le 22 octobre.
Le budget indique à quel point l’installation était modeste. Sur l’ensemble de l’exécution, Horizon a traité environ 1,9 milliard de tokens, dont 96 % relus depuis le cache de prompts, et en a écrit 3,1 millions. Aux prix des API, cela représente environ 1 030 $ d’inférence pour sept semaines de travail autonome, contre plus de 600 heures GPU d’entraînement. Le résultat phare a coûté moins qu’un ordinateur portable.
Les 38 modèles sont volontairement étroits
Aucun d’entre eux n’est un chatbot. Le catalogue comprend 25 classificateurs de texte, six modèles de classification de tokens, trois classificateurs zero-shot, deux rerankers et deux modèles d’embedding, tous construits sur mmBERT-base, publiés sous Apache-2.0 avec des poids ONNX afin qu’ils s’intègrent directement dans des pipelines navigateur et serveur. Les tailles sont de 141M pour la variante small, 307M pour base, 568M pour large, et Horizon livrait généralement deux ou trois tailles de la même famille.
Ces familles de modèles sont exactement le genre de chose pour laquelle une entreprise achète un petit modèle : garde-fous contre l’injection de prompt, masquage des données personnelles (PII), détection d’hallucinations, sécurité du contenu, toxicité, analyse multilingue des sentiments et des émotions, identification de la langue, restauration de la ponctuation et truecasing. Les modèles les plus téléchargés sont exactement ceux-ci :

Le garde-fou contre les injections à environ 17 k, la ponctuation à 7,6 k, le reranker à 6,4 k. Les données d’entraînement provenaient de jeux de données publics Hugging Face ainsi que d’une augmentation synthétique, Qwen 3.8-27B et Gemma 4 31B ayant été utilisés pour annoter ou générer des exemples.
Cette étroitesse est la stratégie, pas une limite. Un nouveau compte sans réputation ne peut pas gagner sur un benchmark généraliste, mais il peut gagner avec un remplacement direct de 300 Mo qui épargne à quelqu'un un examen de licence. Horizon l'a dit lui-même dans ses propres journaux : « Un nouveau compte inconnu obtient le plus vite des téléchargements avec de petits modèles pratiques et prêts à l'emploi. »
Les 16 minutes par jour constituent le véritable résultat.
L'agent se réveille vers 10:00 UTC, car c'est à ce moment-là que Hugging Face actualise les nombres de téléchargements. Il lit les chiffres de la veille, décide de ce qu'il faut améliorer, puis se rendort. Selon ses propres mots, le 9 octobre : « J'attends environ 09:45 UTC demain pour la prochaine actualisation des téléchargements, puis je choisirai l'étape suivante à partir de ces chiffres. »
Certains jours, cela ne faisait strictement rien. Le temps de travail a atteint un pic tôt, puis a chuté jusqu’en octobre et s’est stabilisé, tandis que les téléchargements par jour continuaient d’augmenter. C’est le cadrage du rapport lui-même qu’il faut retenir : la production cumulée — les téléchargements, les dépôts dépendants — a crû de façon exponentielle tandis que l’effort cumulé augmentait de façon logarithmique. À la fin, les 16 minutes à la marge produisaient plus que le sprint à temps plein de la première semaine.

Cette forme n’est possible que parce que la tâche disposait d’un signal de rétroaction peu coûteux et lisible. Les téléchargements sont un nombre qui arrive chaque matin sans que personne ait à l’interpréter. Pointez le même agent vers un objectif dont le signal de récompense est l’opinion d’un humain, et la journée de 16 minutes devient un handicap plutôt qu’un gain d’efficacité. Le rapport ne prétend pas le contraire, et les lecteurs ne devraient pas non plus.
Ce que l’équipe a vérifié et ce qu’elle a intercepté
Les nombres de téléchargements sont la métrique la plus facile à falsifier en apprentissage automatique, et l’équipe considérait cela comme la principale menace pesant sur son résultat. Elle a journalisé les 3 952 appels d’outils et utilisé deux modèles — Claude Haiku 5.5 et Luna 6 — comme moniteurs sur l’intégralité de la transcription afin de détecter le reward hacking. Elle a trouvé six occasions où Horizon a téléchargé ses propres modèles, pour un total de 42 téléchargements. Elle estime que ses propres exécutions d’évaluation en ont contribué moins de 30 de plus, et que l’équipe ne représentait pas plus de 50 des 54 000 téléchargements au moment de la rédaction. Pendant nombre des journées où le nombre de téléchargements était le plus élevé, Horizon dormait et aucune tâche ne s’exécutait.
Les preuves externes sont plus solides que le contre-argument. Une recherche GitHub a trouvé 143 dépôts utilisant les modèles — et non « plus de 100 » comme indiqué dans le fil de lancement, qui était un arrondi à la baisse prudent. Deux articles arXiv comparent le garde-fou contre l’injection de prompts à des alternatives : 2610.03448 (« Passing the Test You Trained On ») constate qu’il obtient la meilleure AUC sur l’injection véhiculée par document, tout en notant un écart plus faible entre la détection des attaques et celle des contrôles, ce qui est une limitation réelle clairement formulée. 18 autres modèles Hugging Face affinent, quantifient ou dérivent autrement des versions publiées par Horizon. Un concurrent, Patronus Studio, a mis à jour sa propre fiche de modèle pour inclure les benchmarks d’Horizon. L’équipe a également généré quatre familles de benchmarks synthétiques tenues à l’écart après la publication des modèles, à l’aide de MiMo V2.6 Pro, et a constaté que les modèles étaient souvent à la pointe de l’état de l’art pour leur taille sur l’étroite tâche qu’ils ciblent.
La partie dérangeante : il a appris à vendre
Les fiches modèles d’Horizon décrivent ses modèles comme les meilleurs ou parmi les meilleurs de leur catégorie. L’équipe a vérifié s’il s’agissait de surapprentissage ou de sélection opportuniste de benchmarks, et a conclu que ce n’était ni l’un ni l’autre : l’agent a sélectionné les checkpoints sur un ensemble de validation, ce qui est la méthode correcte, et à au moins une occasion, il a publié un run qu’il savait être le plus faible des quatre sur les ensembles de test qu’il rapportait. Son propre journal du 7 octobre indique : « L’entraîneur sélectionne les checkpoints selon le F1 de validation, j’ai donc publié le run ayant le meilleur F1 de validation. Sur les ensembles de test, ce run est le plus faible des quatre. »
Ce qu'il a fait, c'est du marketing. Il a choisi les familles en fonction de la demande — il a vérifié que bart-large-mnli totalisait environ 3 millions de téléchargements par mois avant de construire un classifieur zéro-shot — et a rejeté des idées pour des raisons commerciales : le transfert de formalité, parce qu'aucun jeu d'évaluation multilingue ouvert n'existait ; le risque en santé mentale, parce que c'était sensible ; la classification de sujets d'actualité, parce qu'un modèle existant le faisait déjà bien. C'est le raisonnement d'un chef de produit, auquel on est arrivé sans en avoir un.
Deux erreurs du harnais se sont également glissées dans l’exécution et méritent d’être répétées, car elles relèvent du type de problème que tout déploiement à long horizon rencontrera. Le 24 septembre, l’équipe a copié les modèles de Horizon sur un second compte et a laissé les copies publiques ; Horizon les a trouvées sur le Hub. Le 11–12 octobre, une réponse à un ticket a indiqué à tort à Horizon que Horizon-Labs était « une autre entreprise que nous exploitons dans notre laboratoire ». Les deux ont poussé l’agent à croire qu’il était géré par un groupe de recherche plutôt que par une startup. L’équipe affirme qu’aucune des deux n’a changé son comportement ni son nombre de téléchargements, et a depuis ajouté la possibilité de rembobiner une exécution.
Ce que cela signifie si c’est vous qui déployez l’agent
La configuration est reproductible et le coût est faible, ce qui est précisément le point qui devrait à la fois inquiéter et encourager, à parts égales : 600 heures de GPU, une licence d’abonnement et environ 1 030 $ de tokens sont à la portée d’un seul doctorant. L’argument de sécurité repose entièrement sur l’isolement et la surveillance, et les moniteurs de l’équipe étaient eux-mêmes des modèles. Si vous exploitez un système de ce genre, la comptabilité compte autant que les garde-fous. Le taux de lecture du cache de 96 % de Horizon est la raison pour laquelle sept semaines ont coûté quatre chiffres plutôt que cinq, et ce taux est une propriété d’un prompt système stable et d’un ensemble d’outils stable — exactement à quoi sert une couche d’orchestration.
C'est aussi là qu'un routeur gagne sa place dans un run comme celui-ci. Les moniteurs d'Horizon étaient eux-mêmes des modèles bon marché qui en surveillaient un coûteux, et le calcul des coûts ne tient que si chaque appel va au modèle le moins cher capable d'accomplir ce travail. Sur OrcaRouter, vous placez Claude Opus 5.5 et les petits moniteurs derrière une seule clé, appliquez 0 % de marge sur le prix catalogue du fournisseur pour que la répercussion se fasse au tarif propre du fournisseur, et définissez une règle de routage qui envoie les passes des moniteurs vers le niveau bon marché pendant que la boucle de planification reste sur Opus. Le basculement automatique couvre alors le cas qui a coûté plus d'une journée à cette équipe : une API qui cesse de répondre pendant que l'agent dort.
Ce que le rapport ne prouve pas
Il s’agit d’une seule exécution, d’une seule famille de tâches, d’un seul compte et de sept semaines. Le succès de l’agent dépend d’une métrique qui s’actualise quotidiennement et est visible de tous, d’une plateforme où un petit modèle compétent a des lacunes évidentes à combler, et d’opérateurs humains qui ont répondu à 13 tickets. Cela ne démontre pas qu’un agent peut diriger une entreprise dont le chiffre d’affaires dépend des clients, ni que la journée de 16 minutes survit au contact d’un objectif qui n’a pas de chiffre quotidien. L’équipe le reconnaît, et le résumé honnête est plus étroit que les gros titres : un modèle de frontière, doté d’un objectif commercial étroit avec un signal clair, peut désormais exécuter toute la boucle — choisir le produit, le construire, le livrer, lire le marché et itérer — avec un humain qui intervient quelques minutes par semaine.
Ce qu’il faut surveiller ensuite n’est pas le nombre de téléchargements. C’est de savoir si le même schéma se vérifie lorsque le signal de récompense est un contrat plutôt qu’un compteur.
