Nous Research a annoncé dimanche la sortie de Hermes Mixture of Agents 2.0, une nouvelle version de son cadre d’orchestration de modèles qui agrège les réponses de plusieurs grands modèles de langage, dont GPT, Claude et DeepSeek, afin de produire des résultats surpassant ceux de chaque modèle pris individuellement sur les principaux benchmarks.
D’après un rapport, MoA 2.0 constitue une mise à jour du framework Hermes Agent existant de Nous Research et en conserve la nature open source.
Comment fonctionne le système
Hermes MoA 2.0 agit comme une couche d’agrégation (« ensemble layer »). Le système interroge plusieurs modèles de base en parallèle, collecte leurs réponses, puis synthétise une sortie finale. Cette approche, dite « Mixture of Agents », considère chaque modèle d’IA comme un spécialiste contribuant à la réponse globale, plutôt que de s’en remettre à un seul modèle censé gérer toutes les tâches.
Les utilisateurs peuvent configurer la liste des modèles impliqués dans un ensemble donné. Par défaut, la configuration s’appuie sur GPT, Claude et DeepSeek, trois modèles qui reflètent des philosophies d’entraînement et des corpus de données distincts. En mutualisant leurs sorties, MoA 2.0 capte des forces réellement complémentaires.
Les résultats de benchmark publiés à l’occasion du lancement montrent que MoA 2.0 dépasse chacun de ses modèles composants, que ce soit sur les tâches de raisonnement, de programmation ou de suivi d’instructions. L’écart est particulièrement marqué sur les tests de raisonnement à long horizon, où les modèles isolés ont tendance à perdre le fil.
Le framework reste entièrement open source, ce qui permet aux chercheurs et aux développeurs d’auditer l’architecture, de remplacer les modèles de base et d’adapter l’ensemble à des cas d’usage spécifiques.
À lire aussi : Anthropic dépasse OpenAI avec une valorisation de 965 Md$ dans une course au financement relancée
Les labs open weight misent sur l’orchestration d’agents
Nous Research s’est forgé une réputation en publiant des modèles « open weight » destinés en priorité à la communauté de recherche. Le framework Hermes Agent original avait posé, début 2026, un premier standard pour l’orchestration multi‑modèles.
Plus largement, le cycle de développement de l’IA open weight s’accélère. Z.ai a publié GLM-5.2 début juillet 2026, présenté comme un modèle de codage open weight ciblant des tâches d’ingénierie à long horizon. Cette sortie s’inscrit dans une stratégie récurrente des labs open weight : attaquer des segments de compétences précis où les modèles fermés bénéficient d’un avantage de réputation.
À lire aussi : Des experts estiment que la participation de 5 % d’OpenAI ancrerait davantage l’IA sous contrôle étatique
Junyang Lin, ancien directeur technique de Qwen, a publiquement défendu fin juin 2026 l’idée que les systèmes à base d’agents constituent la prochaine étape logique de l’IA. Une position en phase avec la philosophie de conception de MoA 2.0, qui mise sur des combinaisons d’agents et de modèles comme levier de montée en capacité, difficile à reproduire avec de simples itérations d’entraînement sur un modèle unique.
La sortie de Hermes MoA intervient aussi en plein débat dans la communauté scientifique sur la place respective des modèles de base (« foundation models ») et des couches d’agents qui s’y greffent.
Andrej Karpathy a mis en garde début de semaine contre une approche « agent‑first » qui risquerait de répéter certains errements des premiers cycles de recherche d’OpenAI. Nous Research tente de tracer une voie médiane : s’appuyer sur des modèles de base puissants comme briques d’entrée, tout en ajoutant par‑dessus une couche d’orchestration.
À lire aussi : OpenAI vise une IPO à 1 000 Md$ tandis que Microsoft conserve le plus gros lot
Les points à surveiller
Hermes MoA 2.0 n’a pas encore été confronté aux tous derniers modèles de pointe. Claude Sonnet 5 et les variantes mises à jour de GPT, sorties à la mi‑2026, pourraient rebattre les cartes des benchmarks. Nous Research n’a pas, à ce stade, publié d’article académique détaillé accompagnant le lancement.
L’enjeu pratique pour les développeurs est toutefois clair. Un outil open source capable d’améliorer de façon démontrable les scores de modèles fermés en les combinant réduit la barrière d’accès, en permettant aux équipes de recherche de bénéficier de capacités de raisonnement de premier plan sans supporter le coût des API de modèles de frontière à chaque requête.
Pour l’industrie de l’IA, MoA 2.0 renforce l’idée que la diversité des modèles – plutôt qu’un champion unique dominant le marché – pourrait structurer la prochaine phase de déploiement de l’IA. Il faudra suivre de près les réponses d’OpenAI et d’Anthropic face à ces approches par ensembles dans les prochains mois.
À suivre : La politique à double face sur Trump et Anthropic que la Maison Blanche refuse d’expliquer