Le 15 octobre 2026, une équipe de Google DeepMind a publié sur arXiv un article consacré à quatre agents Gemini 4 Argon qui, partis d’un monde Minecraft généré au hasard, ont tué l’Ender Dragon, le boss final du jeu, 27 heures et 14 minutes après leur premier programme. Personne ne leur a attribué de rôle ni écrit de logique de jeu, et l’article précise qu’il n’y a eu « aucune intervention humaine pendant la partie ». Les agents ont écrit 2 783 programmes et échangé 229 messages ; ils sont morts 605 fois en chemin.
Google DeepMind a présenté le résultat sur X le 16 octobre, en insistant sur des agents qui n’ont utilisé « que du code et du texte » et ont travaillé « sans aucune aide humaine ». Pour les auteurs, Maxence Faldor, Satinder Singh et Roberta Raileanu, c’est à leur connaissance la première fois que des agents d’IA terminent Minecraft en totale autonomie avec la seule bibliothèque standard Mineflayer, sans graine repérée à l’avance ni outil propre au jeu écrit par un humain.
Le fait marquant est la durée. Quatre agents ont suivi un même plan pendant plus d’une journée, sur des milliers d’étapes dépendantes les unes des autres. L’organisme d’évaluation METR suit depuis 2025 une autre mesure : la longueur des tâches qu’un agent mène seul à terme, comptée en temps de travail d’un expert humain. Ses chiffres doublent en l’espace de quelques mois.
Des programmes à la place de la manette
Chaque agent pilotait un joueur avec Mineflayer, une bibliothèque JavaScript libre pour bots Minecraft, et son module de recherche de chemin. Les agents ne voyaient aucune image. Chacun écrivait un court programme, le lançait, puis lisait le texte renvoyé : position, santé, inventaire, résultat ou erreur. La durée médiane d’un programme était de 33,5 secondes.
La partie se jouait sur Minecraft Java Edition 1.20.4, en mode survie et en difficulté facile, commandes de triche désactivées. À part la mention d’une équipe de quatre, les consignes de jeu des agents tenaient en un paragraphe qui fixait l’objectif et leur laissait le partage du travail. Un cinquième agent, l’Observateur, suivait la session sans jouer et confrontait les déclarations des joueurs au journal du serveur. Les chercheurs pouvaient mettre la partie en pause ou l’arrêter depuis un tableau de bord, mais ils n’ont eu, selon l’article, « aucune raison d’intervenir ».
Une journée dans le journal du serveur
Dix minutes après le premier programme, l’agent janesick a proposé une répartition des tâches dans le chat, et auratian a répondu par un autre plan. Les rôles se sont vite stabilisés autour de la nourriture, des diamants, des outils en fer et du portail du Nether, allumé au bout d’une heure et 42 minutes.
L’agent janesick a ensuite localisé par triangulation, à 43 mètres près, le fort souterrain qui abrite le portail de l’End. Quand auratian s’est noyé avec les douze Yeux de l’Ender nécessaires au portail, janesick et lui ont indiqué à bulicame l’endroit exact et la minute où les objets disparaîtraient, et bulicame les a récupérés avec deux minutes et demie d’avance. Le portail de l’End s’est allumé au bout de 13 heures et 17 minutes de partie.
Le dragon a pris l’essentiel du temps restant et a tué les joueurs 69 fois. Vers la 21e heure, auratian a compris que dix cristaux posés au sommet de piliers d’obsidienne rendaient au dragon toute sa santé, et qu’une colonne de terre contre chaque pilier permettait de les atteindre sans pioche. L’équipe a détruit les dix en quatre heures et quarante minutes, et le dragon est mort 39 minutes après la chute du dernier.
Quand un programme d’auratian a annoncé un succès qui n’avait pas eu lieu, l’agent s’est corrigé deux minutes plus tard : son message précédent venait, écrit-il en anglais, d’une « branche de script non protégée » (« unguarded script branch »).
Le coût en jetons
Jusqu’à la victoire, les quatre joueurs ont traité environ 1,35 milliard de jetons (tokens) en entrée, dont 91 % servis depuis le cache, et en ont produit environ 16 millions en sortie, en quelque 24 000 appels au modèle. Au prix catalogue de lancement de Gemini 4 Argon, les auteurs estiment le tout à environ 520 dollars (460 euros au cours BCE du 20 octobre 2026), et à 1 040 dollars (930 euros) au prix standard. La session complète, avec l’Observateur et la journée d’activité qui a suivi la victoire, revient à environ 810 dollars (720 euros), ou 1 620 dollars (1 440 euros) au prix standard. L’article précise que ces chiffres sont des estimations tirées des prix catalogue et des compteurs de la session, distinctes du coût réel de fonctionnement du modèle.
D’autres agents avaient déjà vaincu le dragon
L’article est une prépublication et n’a pas été relu par des pairs. Il cite deux parties antérieures, menées par la communauté, qui avaient déjà abattu le dragon. Dans la première, publiée par AI Bengineering en septembre, un agent Claude Opus 5 seul appelait 37 outils Minecraft de haut niveau en difficulté normale ; la seconde associait un planificateur à un modèle de choix d’actions, sur une graine fixe de speedrun en mode paisible. Tom’s Hardware a rapporté le 20 octobre que la partie de Claude avait duré 3 heures et 56 minutes, avec une seule mort, pour environ 93 dollars (83 euros) en équivalent tarif API.
L’équipe de DeepMind revendique un résultat plus circonscrit. Ses agents n’avaient que la bibliothèque standard, son module de recherche de chemin et un objectif d’un paragraphe, et ils ont écrit eux-mêmes chacun des programmes qu’ils ont lancés.
Les auteurs détaillent eux-mêmes les limites. Mineflayer indiquait aux agents exactement quels blocs et quelles créatures les entouraient, y compris des blocs derrière la roche et l’état interne du dragon, invisibles pour un joueur humain. En difficulté facile, la faim ne peut pas tuer un joueur.
Gemini 4 Argon en savait déjà long sur Minecraft et Mineflayer, grâce à ses données d’entraînement. Plus d’un programme sur cinq (22 %) s’est terminé par une erreur, le combat dans l’End a duré près de 14 heures et le serveur a redémarré six fois. L’article ne décrit qu’une seule partie, « le premier lancement que nous avons tenté », qui ne permet pas de dire avec quelle fiabilité le dispositif réussit.
La mesure des tâches longues de METR
Dans son étude du 19 mars 2025, METR mesurait la longueur des tâches que les agents les plus avancés réussissent en autonomie une fois sur deux, comptée au temps qu’y passent des professionnels humains. Cette longueur doublait environ tous les sept mois depuis six ans. Sa mise à jour Time Horizon 1.1 du 29 janvier 2026, fondée sur une batterie de tâches plus large, situe ce doublement à 131 jours depuis 2023 et à 89 jours depuis 2024.
Sur le graphique de METR, l’horizon à 50 % passe d’environ quatre minutes pour GPT-4, en mars 2023, à environ 17 heures pour une version préliminaire de Claude Mythos Preview, en avril 2026. En ajoutant ce dernier point, le 8 mai, METR a prévenu qu’au-delà de 16 heures, ses mesures ne sont pas fiables avec sa batterie de tâches actuelle. Avec un taux de réussite exigé de 80 %, la même mesure de Mythos Preview tombe à environ trois heures.
La partie de Minecraft n’est pas une mesure de METR, et les deux chiffres ne se lisent pas sur le même axe. METR mesure chaque tâche au temps qu’il faut à un expert humain, lance chaque tâche six fois et compte mille problèmes séparés d’une heure comme une tâche d’une heure répétée mille fois. Les 27 heures sont le temps réel écoulé pendant la partie, en une seule tentative. L’article les compare à la médiane de HowLongToBeat, 45 heures pour qu’un joueur humain termine l’histoire principale de Minecraft, et au record de speedrun sur graine aléatoire, sous les sept minutes.
Notre analyse
La partie testait combien de temps des agents généralistes peuvent poursuivre un même objectif sans intervention humaine. Chaque joueur était une instance d’un agent de programmation, lancé avec les outils qu’il utilise pour le développement logiciel. Les auteurs font eux-mêmes le lien avec le monde du travail, en écrivant que les tâches complexes de génie logiciel et d’entreprise exigent la même capacité à programmer sur de longues séquences et à coordonner plusieurs agents.
D’autres résultats récents portent sur de grandes quantités de code écrites par l’IA, comme les 87 % de réussite d’OpenAI pour réécrire du COBOL, des équivalents gratuits de Word, Excel et PowerPoint écrits en grande partie avec Claude Opus 5.5 ou la décompilation de jeux vidéo par des passionnés, que les modèles d’IA ont accélérée au point que le site decomp.dev ferme.
L’article montre une autonomie soutenue sur une seule partie, et les auteurs ne peuvent pas dire à quelle fréquence le même dispositif gagnerait de nouveau. La fiabilité est aussi la question ouverte des données de METR, dont les horizons à 80 % restent très en dessous de ceux à 50 %. Les auteurs reconnaissent que jouer à partir des pixels, au clavier et à la souris, comme le fait l’agent SIMA 2, « reste beaucoup plus difficile ».
Les prochains repères seront des parties répétées qui donnent un taux de réussite, des essais en difficulté normale ou difficile ou à partir de l’image, un banc d’essai des tâches longues capable de mesurer au-delà des 16 heures où celui de METR cesse d’être fiable, et la fin du prix de lancement de Gemini 4 Argon, qui double le coût estimé de la partie.
Sources
- A team of Gemini 4 Argon agents beats Minecraft, M. Faldor, S. Singh et R. Raileanu, arXiv, 15 octobre 2026
- Four Gemini 4 Argon agents beat Minecraft from scratch in 27 hours, Google DeepMind sur X, 16 octobre 2026
- Google DeepMind says four AI agents beat Minecraft in 27 hours by writing 2,783 programs of their own, Tom’s Hardware, 20 octobre 2026
- Measuring AI Ability to Complete Long Software Tasks, METR, 19 mars 2025
- Time Horizon 1.1, METR, 29 janvier 2026
- Task-Completion Time Horizons of Frontier AI Models, METR, mise à jour le 8 septembre 2026
Image d’en-tête : graphique MACCUS, données Faldor, Singh et Raileanu, arXiv:2610.22319 (15 octobre 2026)
