Le laboratoire japonais Sakana AI marque un tournant dans l’évolution de l’intelligence artificielle avec le lancement de TreeQuest, un algorithme open source qui permet à plusieurs modèles d’IA de coopérer pour résoudre des tâches complexes. Mis à disposition sous licence Apache 2.0 depuis fin juin 2025, TreeQuest ambitionne de dépasser les limites des approches traditionnelles basées sur des modèles isolés de plus en plus volumineux.
Contrairement à l’approche dominante du « bigger is better », Sakana AI introduit ici une philosophie d’orchestration intelligente entre modèles existants, visant une intelligence collective distribuée et complémentaire.
Une avancée technique majeure : AB-MCTS et « scaling à l’inférence »
TreeQuest repose sur l’algorithme de Recherche d’Arbre Monte Carlo à Ramification Adaptative (AB-MCTS), une méthode d’exploration qui permet à un système de sélectionner dynamiquement le modèle IA le plus adapté à chaque étape d’une tâche complexe.
Testé sur le benchmark ARC-AGI-2, reconnu pour son exigence, TreeQuest a permis à une combinaison des modèles o4-mini (OpenAI), Gemini 2.5 Pro (Google) et R1 (DeepSeek) de résoudre plus de 30 % des problèmes, contre seulement 23 % pour o4-mini utilisé seul.
Ce résultat souligne la puissance du raisonnement collaboratif entre IA, même lorsqu’un premier modèle échoue. Par exemple, une réponse erronée générée par o4-mini a permis à DeepSeek-R1 et Gemini 2.5 Pro de rebondir pour trouver la bonne solution finale.
Une réponse stratégique aux enjeux industriels
Cette percée intervient dans un contexte où les acteurs de l’intelligence artificielle doivent justifier des coûts d’entraînement massifs et se différencier sur un marché saturé. Sakana AI démontre ici qu’une approche hybride et modulaire, exploitant la diversité des modèles (comme ChatGPT, Gemini, Grok, DeepSeek), peut offrir de meilleures performances à moindre coût.
« Les biais et limites propres à chaque IA peuvent devenir des atouts collectifs si bien orchestrés », précise l’équipe de Sakana AI, soulignant une vision anti-monolithique de l’IA.
Une architecture ouverte, souple et accessible
TreeQuest est fourni avec une API flexible qui permet aux développeurs d’intégrer des logiques personnalisées de scoring, génération, et coordination, avec des points de reprise pour les tâches longues. Le système prend en charge à la fois les déploiements mono-modèle et multi-modèles, rendant l’outil compatible avec des infrastructures techniques variées.
L’open source est ici stratégique : il facilite l’adoption, encourage l’interopérabilité et soutient les ambitions d’un écosystème IA ouvert.
Vers une réduction des hallucinations IA ?
Le chercheur Takuya Akiba, à l’origine du projet, souligne un autre avantage clé de cette approche : la réduction des hallucinations — ces réponses erronées générées par les LLM. En combinant plusieurs modèles ayant des tendances différentes, TreeQuest équilibre les biais et renforce la fiabilité des résultats.
Cette innovation propose ainsi une alternative crédible au développement incessant de modèles toujours plus volumineux, tout en posant les bases d’un futur coopératif pour l’IA.
