Google Research publie PaperOrchestra : cinq agents d'IA rédigent un article scientifique à partir de brouillons
L'idée et les journaux d'expériences existent, mais l'article n'est pas encore écrit : il faut un plan, une revue des travaux existants, des graphiques et la mise en page. Google Research a publié PaperOrchestra, cinq agents d'IA qui assemblent ces brouillons en manuscrit LaTeX, au format attendu par les conférences scientifiques. Un agent établit le plan, un autre cherche la littérature, les suivants rédigent les sections, relisent le texte et dessinent les graphiques. Le dépôt a recueilli 306 étoiles en une journée, mais aucun chiffre de qualité n'a encore été publié.
Traité par IA depuis GitHub Trending AI ; édité par Hamidun News
Imaginez un doctorant dont les expériences sont déjà terminées : il dispose de notes de travail décrivant l'idée et de tableaux de résultats. Il reste pourtant des semaines de tâches répétitives avant d'obtenir un article complet : construire la structure, trouver et résumer les travaux d'autres chercheurs, dessiner les graphiques, puis adapter le tout aux exigences de la conférence. Google Research a publié sur GitHub le projet PaperOrchestra, qui cherche à automatiser précisément cette partie.
Il repose sur cinq agents d'IA, c'est-à-dire des instances d'un modèle de langage chacune dotée d'un rôle étroit, et produit un manuscrit au format LaTeX, le langage de mise en page dans lequel les conférences scientifiques acceptent les articles. En une journée, le dépôt a recueilli 306 étoiles, autrement dit 306 utilisateurs de GitHub l'ont marqué comme intéressant, et il a figuré dans les tendances.
Ce que fait PaperOrchestra
Il s'agit d'un framework multi-agents : au lieu d'un seul grand modèle auquel on demande d'« écrire un article », une équipe de spécialistes se répartit le travail. Selon les auteurs, il comprend un agent de plan, un agent de revue de littérature, un agent de rédaction des sections, un agent de relecture et d'amélioration du texte, et un agent de construction des graphiques.
En entrée, on fournit des matériaux bruts : une description de l'idée et un journal d'expériences. Aucune structure stricte n'est exigée. En sortie, on obtient un manuscrit mis en forme selon le modèle de la conférence cible, avec une revue de littérature et des illustrations générées : graphiques de résultats et schémas conceptuels.
Si l'on décompose le travail du doctorant par rôles, on retrouve exactement cette organisation. Le premier agent esquisse l'ossature de l'article. Le deuxième recherche les travaux pertinents, en retient les plus importants et les intègre au texte. Le troisième rédige les sections. Le quatrième relit le texte et l'améliore. Le cinquième produit les graphiques à partir du code.
Comment le lancer
Le projet s'installe dans un environnement Conda dédié sous Python 3.11, les dépendances étant listées dans requirements.txt. Il faut des clés pour les modèles que vous comptez utiliser : pour Gemini, un projet et une région Vertex AI, ou une variable GEMINI_API_KEY ; pour les modèles OpenAI, OPENAI_API_KEY. Une clé Semantic Scholar est à part : elle sert à la recherche de publications. Si vous souhaitez que la démo envoie le résultat par e-mail, deux champs supplémentaires sont à renseigner.
L'exécution passe par le script paper_writing_cli.py. Deux paramètres sont obligatoires : le dossier contenant les matériaux sources et le dossier contenant le modèle LaTeX. Le dossier de sortie peut être omis : un répertoire horodaté est alors créé. Un commutateur active ou désactive l'agent de graphiques, et l'on peut choisir séparément le modèle des agents rédacteurs et documentalistes et celui des agents relecteurs, qui vérifient le brouillon et le reformulent. Pour ceux qui ne souhaitent pas passer par la console, une démo interactive sous Streamlit est fournie.
Le dépôt contient les scripts d'évaluation automatique, la logique principale des agents et du pipeline, des fonctions utilitaires pour les appels aux API et le traitement des PDF, ainsi que des modèles de conférences. Il est possible d'ajouter son propre modèle en créant un sous-dossier.
Limites et ce qu'on peut en faire
Il faut garder un regard lucide sur ce que le document ne dit pas. Aucun chiffre de qualité n'est communiqué : on ne sait pas à quelle fréquence les articles générés passent l'examen par les pairs, ni à quel point les références bibliographiques sont exactes. Le jeu de données sur lequel le projet a été vérifié n'est pas encore publié : les auteurs promettent de le mettre en ligne ultérieurement. Le travail est décrit dans le préprint arXiv:2604.05018 (Yiwen Song, Yale Song, Tomas Pfister, Jinsung Yoon). Le dépôt est explicitement signalé comme un produit non officiel de Google : il ne faut donc pas attendre de support ni de garanties.
Une question éthique reste également ouverte, que le code ne résout pas. L'assemblage automatique d'un manuscrit à partir de journaux d'expériences peut facilement produire un flot d'articles de faible qualité, alors que de nombreuses conférences encadrent strictement l'usage de l'IA dans la rédaction. La responsabilité de l'exactitude des faits, de la justesse des références et de la description honnête des expériences incombe toujours à l'auteur.
Pour les développeurs d'agents, PaperOrchestra illustre clairement une architecture où la tâche est découpée en rôles étroits, suivie d'une étape distincte d'autovérification après la rédaction. Ce schéma peut être transposé à d'autres documents longs : rapports techniques, documentation, notes d'analyse. Pour les chercheurs, c'est un moyen d'obtenir rapidement un premier brouillon et une base pour les corrections, mais en aucun cas un substitut au travail personnel. Tant que le jeu de données et les évaluations indépendantes ne sont pas disponibles, il faut considérer ce projet comme une ébauche prometteuse, et non comme un outil prêt à l'emploi pour soumettre des articles.
- 21 nov. 2026Le réseau de neurones MIRA génère Rocket League à 20 images par seconde, mais le ping grimpe jusqu'à 460 ms
- 21 nov. 2026Google a construit une copie fermée d'internet avec de fausses banques pour entraîner les agents IA de Chrome
- 21 nov. 2026MLPerf Training v6.1 : Nvidia Rubin et TPU Ironwood font leurs débuts, 153 systèmes au test
- 21 nov. 2026Google ouvre les précommandes de lunettes intelligentes avec Gemini à partir de 395 $, ventes dès le 10 décembre
Questions clés sur cet article
Que sait-on sur Ce que fait PaperOrchestra ?
Il s'agit d'un framework multi-agents : au lieu d'un seul grand modèle auquel on demande d'« écrire un article », une équipe de spécialistes se répartit le travail. Selon les auteurs, il comprend un agent de plan, un agent de revue de littérature, un agent de rédaction des sections, un agent de relecture et d'amélioration du texte, et un agent de construction des graphiques. En entrée, on fournit des matériaux bruts : une description de l'idée et un journal d'expériences. Aucune structure stricte n'est exigée.
Comment le lancer?
Le projet s'installe dans un environnement Conda dédié sous Python 3.11, les dépendances étant listées dans requirements.txt. Il faut des clés pour les modèles que vous comptez utiliser : pour Gemini, un projet et une région Vertex AI, ou une variable GEMINI_API_KEY ; pour les modèles OpenAI, OPENAI_API_KEY. Une clé Semantic Scholar est à part : elle sert à la recherche de publications. Si vous souhaitez que la démo envoie le résultat par e-mail, deux champs supplémentaires sont à renseigner.
Que sait-on sur Limites et ce qu'on peut en faire ?
Il faut garder un regard lucide sur ce que le document ne dit pas. Aucun chiffre de qualité n'est communiqué : on ne sait pas à quelle fréquence les articles générés passent l'examen par les pairs, ni à quel point les références bibliographiques sont exactes. Le jeu de données sur lequel le projet a été vérifié n'est pas encore publié : les auteurs promettent de le mettre en ligne ultérieurement. Le travail est décrit dans le préprint arXiv:2604.05018 (Yiwen Song, Yale Song, Tomas Pfister, Jinsung Yoon).
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.