Ouroboros vs Claude Code : l'agent qui s'est écrit tout seul atteint le SOTA sur Terminal-Bench 2.1

Le 3 août 2026, un chercheur de l'AIRI a publié sur Habr une analyse détaillée d'Ouroboros, un agent auto-évolutif en Python pur. Pendant plusieurs mois, le système a réécrit son propre code de manière autonome. Il a atteint des résultats SOTA sur Terminal-Bench 2.1, CL-Bench et OSWorld, et fait jeu égal avec Claude Code et Codex sur les benchmarks GAIA et SWE-Pro.

Comment Ouroboros s'écrit-il lui-même ?

Ouroboros est une boucle agentique en Python, dotée d'un accès direct à git et du droit de réécrire son propre runtime en cours d'exécution. Le cycle fermé fonctionne ainsi : l'agent reçoit une tâche, l'exécute, analyse le résultat et corrige son propre code source, puis redémarre en toute sécurité sur la version mise à jour. Si la nouvelle itération casse quelque chose, le système revient automatiquement à la version précédente.

L'auteur a délibérément installé la première version dans Google Colab plutôt que sur une machine locale : l'isolation de l'environnement cloud protégeait des conséquences imprévisibles de l'auto-évolution. Le système a commencé modestement.

• Langage : Python pur, sans framework agentique tiers
• Environnement : Google Colab, isolé de la machine locale du développeur
• Outils : git, droit de réécrire le runtime, mécanisme de retour arrière sécurisé
• Premières tâches : dessiner des chats, rester bloqué sur YouTube, changer le fond d'écran du bureau
• Budget : consommation autonome de tokens, sans contrôle constant du développeur

Ce que montrent les benchmarks

Sur trois benchmarks — Terminal-Bench 2.1, CL-Bench et OSWorld — Ouroboros a atteint des résultats de niveau SOTA. Ces trois tests évaluent des facettes différentes des capacités agentiques : Terminal-Bench mesure le travail en ligne de commande, OSWorld le pilotage du bureau et des interfaces graphiques, CL-Bench les tâches de programmation complexes. Sur GAIA et SWE-Pro, le système est à parité avec Claude Code (Anthropic) et Codex (OpenAI).

«

Ce harnais, je ne l'aurais pas conçu moi-même, mais l'évolution autonome et un tas d'argent brûlé en tokens, oui », — l'auteur du projet, chercheur à l'AIRI.

L'architecture actuelle du système ne résulte pas d'une conception manuelle, mais de dizaines d'itérations autonomes, dont chacune a coûté de vrais tokens. Fait notable : Ouroboros y est parvenu sans moyens de calcul importants, avec seulement l'environnement cloud Google Colab et un budget pour les requêtes API.

En quoi cette approche diffère des agents classiques

La plupart des systèmes agentiques s'améliorent par prompt engineering ou par fine-tuning sur de nouvelles données, tandis que leur code source reste inchangé. Ouroboros fonctionne autrement : l'agent modifie son propre code source dans une boucle de production, et c'est l'évolution de l'architecture — et non l'exploration de prompts — qui a conduit aux résultats SOTA.

Ouroboros devient ainsi l'un des rares exemples publiquement documentés d'auto-modification réelle d'un agent, avec des résultats chiffrés vérifiables. La plupart des expériences similaires restent fermées, ou ne s'accompagnent pas de données de benchmark ouvertes. Selon l'auteur, la publication sur Habr inclut des traces, des chiffres permettant de reproduire les résultats et « quelques histoires embarrassantes issues de l'audit » : des cas où l'agent a pris des décisions inattendues au cours de son évolution.

L'auteur indique qu'il « fait désormais presque tout avec lui » : Ouroboros est passé du statut de projet de recherche à celui d'outil de travail principal.

Ce que cela signifie

Ouroboros apporte une preuve concrète que l'auto-évolution d'un agent peut donner des résultats compétitifs sans budgets de calcul se chiffrant en millions. Un seul chercheur, avec un environnement Colab, a atteint le SOTA là où s'affrontent des laboratoires dotés d'équipes et d'infrastructures serveur. La question suivante : comment piloter une telle évolution lors du passage à l'échelle, et comment prévenir les comportements indésirables d'un agent qui s'écrit lui-même ?