DuoDiscover, une flotte d'agents codeurs, accélère vLLM d'un facteur 1,92 et surpasse ArchAgent v2

Le principal obstacle à la recherche autonome d'optimisations en ingénierie réelle, c'est le coût d'une seule vérification. Un benchmark complet ou une trace de service prend des heures, si bien qu'il ne reste qu'une poignée d'essais pour de vraies mesures. Les auteurs de DuoDiscover proposent de contourner cette limite : les agents inventent eux-mêmes un substitut peu coûteux à l'évaluation réelle et veillent à ce qu'il ne mente pas. Sur deux benchmarks au niveau du dépôt de code et quatre jeux de noyaux pour GPU et TPU, le système obtient de meilleurs résultats que les experts humains. Sur une tâche de conception de CPU, il devance ArchAgent v2 basé sur AlphaEvolve avec un temps de recherche nettement inférieur.

Un yardstick plutôt qu'un test complet

DuoDiscover repose sur trois mécanismes. Premier mécanisme : chaque agent de travail de la flotte d'agents de code identifie un objectif d'optimisation et, en parallèle, construit pour lui un évaluateur rapide sur mesure. Les auteurs l'appellent yardstick, c'est-à-dire une règle de mesure. L'agent grimpe ensuite le long du gradient de cette règle, et non de la vraie métrique. Le coût par étape chute de plusieurs ordres de grandeur, et la recherche effectue de nombreuses itérations là où cinq auraient suffi auparavant.

Cette approche a une faiblesse évidente. La recherche sait exploiter l'écart entre le proxy et l'objectif réel : la règle progresse, alors que la vitesse réelle stagne ou recule. D'où le deuxième mécanisme, les fidelity tests. Ils vérifient régulièrement si le classement des candidats selon le yardstick coïncide avec leur classement selon l'évaluation réelle. Si la règle a « dérivé », elle est déclarée invalide.

Le troisième mécanisme concerne l'organisation. La flotte travaille de bas en haut, sans décomposition centrale de la tâche. Un orchestrateur léger lance et arrête les agents, met à jour le briefing de ceux qui travaillent et alimente les nouveaux venus avec le travail validé des autres. Personne ne découpe le problème en sous-tâches à l'avance : la structure émerge de ce que les agents découvrent.

Ce que montrent les mesures

Le système a été testé sur deux benchmarks au niveau du dépôt et sur quatre jeux de noyaux GPU et TPU, soit au total plusieurs centaines de noyaux. Les chiffres clés de l'étude :

• SWE-fficiency : le gain de vitesse moyen est deux fois supérieur à celui des experts humains.
• SOL-Exec : première place sur 121 noyaux sur 235, top 3 sur 212.
• vLLM : accélération d'un facteur 1,92 par rapport au code de base.
• SQLite : accélération d'un facteur 1,38.
• Microarchitecture de CPU : évaluations allant jusqu'à 28 heures, résultat supérieur à ArchAgent v2 comme à la meilleure conception humaine.
• Même cas du CPU : gain de 1,65 d'ArchAgent v2 en 16,7 jours, contre plus de 40 jours.

vLLM et SQLite sont particulièrement parlants. Ce sont des bases de code matures, optimisées de longue date, où les gains faciles ont généralement déjà été récupérés. Une accélération de près d'un facteur 2 sur vLLM signifie que les agents ont trouvé des marges que l'équipe de développeurs n'avait pas exploitées. Le cas de la puce est encore plus intéressant. Lorsqu'une seule mesure dépasse une journée, la recherche évolutionnaire classique se heurte au budget temps. Ici, la règle de mesure a permis de tenir en 16,7 jours, pour un résultat meilleur que celui du système précédent basé sur AlphaEvolve et que celui de l'humain.

À qui cela servira-t-il concrètement ?

L'idée s'applique bien au-delà de l'article. Toute équipe dont les tests de régression, tests de charge ou simulations prennent des heures se heurte au même mur. Conclusion pratique : avant d'augmenter le nombre d'agents, mieux vaut investir dans un proxy rapide et dans un test de sa fiabilité. Sans vérification du classement, l'agent optimisera un artefact de mesure.

Pour les équipes d'infrastructure qui travaillent sur l'inférence et les noyaux, l'article donne un repère : une flotte autonome peut déjà rivaliser avec des experts en noyaux et trouver des gains dans vLLM. Pour les concepteurs de puces, l'enjeu est ailleurs. Réduire le cycle de recherche de plus de 40 jours à 16,7 jours change l'économie des expériences sur la microarchitecture.

Les limites sont aussi claires. Les résultats ont été obtenus par les auteurs sur des benchmarks qu'ils ont choisis, et il n'existe pas encore de vérification indépendante. Le coût de calcul de la flotte n'est pas divulgué dans la publication : la comparaison avec l'humain ou avec ArchAgent v2 n'est donc rigoureuse que sur le temps de recherche. Mais la direction est nette : le goulot d'étranglement de la recherche autonome n'est plus la génération d'idées, mais une vérification bon marché et fiable, et DuoDiscover bâtit toute son architecture autour de ce constat.