Lor transforme un chercheur en chef d'orchestre de centaines d'agents IA
Mirendil lance Lor, une plateforme où des centaines d'agents IA programment, exécutent des expériences et pilotent des machines pendant plusieurs jours.
Cent deux agents IA, cent demandes de modification de PyTorch et huit minutes de travail en moyenne par environnement créé. Avec Lor, Mirendil présente une plateforme conçue pour automatiser une partie du travail habituellement réalisé par les équipes de recherche en intelligence artificielle. Plutôt que d'assister ponctuellement un développeur, Lor permet de déléguer des expériences entières, de répartir les opérations entre plusieurs agents et de mobiliser automatiquement les machines nécessaires.
Le système est actuellement disponible en bêta privée, gratuitement sur invitation. Il fonctionne sur macOS, Linux et le web, avec la possibilité d'utiliser des modèles d'OpenAI, Anthropic, Google, DeepSeek ou encore Mirendil. L'entreprise le présente comme une infrastructure capable de prendre en charge une grande partie du travail opérationnel d'un laboratoire d'IA, depuis l'écriture du code jusqu'à l'analyse des résultats. Des centaines d'agents pour un seul projet
Une expérience de recherche en IA peut nécessiter des dizaines d'opérations relativement indépendantes : examiner des journaux d'exécution, corriger des scripts, comparer des configurations, reproduire des résultats ou préparer des environnements d'entraînement.
Ces tâches sont souvent parallélisables, mais leur coordination demande du temps. Lor permet à un agent principal de répartir le travail entre plusieurs agents, chacun pouvant disposer de son propre environnement et de ses propres ressources.
L'utilisateur peut ainsi demander d'exécuter douze expériences d'ablation pendant la nuit, de comparer les résultats et de produire un rapport. Il peut également confier l'audit d'un dépôt logiciel, avec la création de propositions de correction pour les problèmes identifiés.
La plateforme prend en charge des centaines d'agents simultanés, dont les activités peuvent être suivies et interrompues individuellement.
Dans une démonstration interne, Mirendil indique avoir mobilisé 102 agents pour construire des environnements à partir de 100 pull requests du projet PyTorch, avec une durée moyenne de huit minutes par environnement.
Cette expérience illustre la capacité de la plateforme à répartir de nombreuses opérations. Elle ne fournit toutefois pas de taux de réussite indépendant, ni de comparaison directe avec une équipe humaine réalisant les mêmes tâches. Des agents qui réservent eux-mêmes leurs GPU
L'une des principales différences avec les assistants de programmation traditionnels concerne la gestion du calcul.
Dans Lor, les agents peuvent demander des machines virtuelles, préparer leur environnement, installer les dépendances nécessaires, lancer une expérience et libérer les ressources une fois le travail terminé.
L'utilisateur n'a pas besoin de créer séparément un compte chez un fournisseur cloud pour chaque opération. L'infrastructure est intégrée à la plateforme, avec des ressources que les agents mobilisent à la demande.
Cette organisation permet d'envisager des tâches comme la reproduction d'un tableau de résultats scientifiques sur huit GPU, la comparaison de plusieurs configurations d'entraînement ou le lancement d'une campagne d'évaluation.
L'agent peut organiser les machines, répartir les calculs et rassembler les résultats avant de soumettre son analyse.
Mirendil ne précise pas encore les quotas de calcul associés à la bêta privée, ni les modalités tarifaires qui remplaceront l'accès gratuit. La mise à disposition de ressources GPU ne signifie donc pas que les utilisateurs disposent d'une capacité illimitée. Travailler plusieurs jours sans garder son ordinateur allumé
Lor repose sur une séparation entre l'agent et la machine sur laquelle ses commandes sont exécutées.
L'agent reste actif dans le cloud, tandis que ses opérations peuvent se dérouler sur un ordinateur géré par Mirendil, un poste personnel ou une autre machine enregistrée par l'utilisateur.
Cette architecture permet de lancer une tâche depuis un ordinateur portable, de faire exécuter les calculs sur des serveurs distants et de consulter les résultats ultérieurement depuis un autre appareil.
L'utilisateur peut fermer son ordinateur sans interrompre les agents travaillant sur des machines toujours accessibles.
Mirendil affirme que certains agents peuvent poursuivre leurs activités pendant plusieurs jours, voire plusieurs semaines, en surveillant les processus, en identifiant des erreurs et en tentant de résoudre les blocages.
L'entreprise cite notamment une session nocturne durant laquelle ses agents auraient détecté et corrigé des vulnérabilités dans LiteLLM.
Il s'agit d'un exemple communiqué par Mirendil. L'annonce ne fournit pas de rapport d'audit externe permettant de vérifier la portée de ces corrections ou leur intégration définitive dans le projet concerné. Une plateforme qui peut utiliser plusieurs familles de modèles
Lor n'est pas limité aux modèles développés par Mirendil.
La plateforme annonce une prise en charge des familles Claude, GPT-6, Gemini, Grok, GLM, Kimi et DeepSeek, ainsi que de modèles de Meta.
Cette approche permet de choisir différents systèmes selon la nature du travail : programmation, raisonnement, analyse de documents, investigation ou traitement de longs historiques.
Lor intègre également Fern, le premier modèle de Mirendil, capable de traiter jusqu'à 10 millions de tokens de contexte.
Cette capacité peut être particulièrement utile pour examiner de grands dépôts logiciels, lire de longues traces d'agents ou analyser plusieurs journées de journaux d'entraînement sans devoir réduire systématiquement l'information disponible.
Il faut néanmoins distinguer la capacité de contexte et la performance pratique. Un modèle acceptant dix millions de tokens ne garantit pas qu'il exploite avec une précision identique chaque information contenue dans cette fenêtre. Les évaluations publiées pour Fern montrent notamment que les résultats dépendent de la difficulté du raisonnement demandé. Un modèle de plusieurs centaines de milliards de paramètres construit par un chercheur