Dans une interview publiée le 30 octobre 2026, Alexandre Moufarek, directeur de l’Inception Team chez Google DeepMind, a décrit les recherches menées avec Fenris Creations dans EVE Online comme étant à un stade précoce et conduites dans des instances sandbox hors ligne. Selon lui, les agents ne sont pas placés sur des serveurs multijoueurs actifs. Ces travaux donnent un aperçu concret de la recherche autour de SIMA 2, un agent conçu pour agir dans des mondes virtuels en 3D.
Une recherche sur EVE Online menée hors ligne
Moufarek a présenté l’utilisation d’instances sandbox hors ligne comme le cadre des recherches de Google DeepMind et de Fenris Creations dans EVE Online. L’entretien publié le 30 octobre 2026 ne donne pas de date de début à ces travaux.
SIMA 2 est l’agent qui observe l’environnement et agit dans le jeu. Genie 3 est un modèle distinct, conçu pour générer des mondes interactifs où l’agent peut être évalué. Cette séparation entre l’agent et le monde généré fait écho aux recherches sur les univers interactifs présentées dans notre article consacré à Genie 4.
Comment SIMA 2 observe et contrôle les jeux
Le rapport technique de l’équipe SIMA décrit une architecture d’agent fondée sur Gemini Flash-Lite ajusté pour interagir avec des environnements virtuels. SIMA 2 reçoit périodiquement des images couleur RGB en 720p et commande le jeu avec 96 touches standard, des clics de souris et des mouvements de souris relatifs discrétisés. Il agit à partir de ce qu’il voit à l’écran, sans accès privilégié à l’état interne du jeu. Le rapport technique détaille son architecture et son interface.
Une configuration distincte peut associer à SIMA 2 Gemini Pro, qui analyse l’historique visuel récent et fournit des consignes de plus haut niveau à un rythme plus lent. Il s’agit d’un modèle séparé, et non du modèle de base utilisé par l’agent.
La vidéo de recherche publiée par Google DeepMind montre SIMA 2 dans plusieurs environnements 3D, avec des commandes et des explications de ses intentions à l’écran.
Dans une autre démonstration, publiée par la chaîne Space Engineers, l’agent reçoit des consignes écrites pour se déplacer, forer de la glace, ouvrir l’inventaire, utiliser son jetpack et extraire de la pierre. Ces actions donnent un exemple concret de l’interface clavier-souris décrite par l’équipe.
Le rapport décrit aussi des consignes données sous forme de croquis, d’émojis et de textes en français, en allemand ou en mandarin. Ce sont des exemples de recherche, pas une promesse de résultats fiables pour chaque langue ou chaque consigne.
L’amélioration passe par des étapes d’entraînement
Le processus décrit par l’équipe ne correspond pas à un apprentissage instantané pendant une partie ordinaire. Gemini propose des tâches, puis un modèle de récompense distinct attribue à chaque trajectoire un score de 0 à 100. L’équipe considère un score d’au moins 50 comme une réussite et réutilise l’expérience accumulée lors des étapes d’entraînement suivantes.
Dans une expérience sur ASKA, l’agent dépassait d’abord le seuil de réussite pour moins d’un quart d’un ensemble fixe de tâches. Après plusieurs itérations d’amélioration, il dépassait ce seuil pour l’ensemble des tâches. Une autre démonstration de progression dans ASKA indique que l’agent a construit un abri dans une fenêtre d’une heure. Ces essais décrivent une amélioration par entraînement successif.
Ce que les évaluations mesurent, et les limites relevées
ASKA et MineDojo n’avaient pas servi à l’entraînement et ont été évalués comme environnements inédits. Dans MineDojo, qui porte sur des tâches de Minecraft, SIMA 2 a accompli des tâches dans 26 des 50 catégories évaluées. Le rapport indique également que son taux moyen de réussite a effectivement doublé par rapport à SIMA 1 dans les environnements d’entraînement étudiés. Ces résultats décrivent des évaluations précises, pas une mesure générale de l’intelligence de l’agent. Les résultats et leurs conditions figurent dans le rapport de l’équipe SIMA.
Le rapport relève encore des difficultés pour les tâches longues qui exigent plusieurs étapes et la vérification de l’objectif, une mémoire limitée au cours des interactions, les commandes précises à bas niveau et la compréhension visuelle de scènes complexes.
Google DeepMind a présenté SIMA 2 le 13 novembre 2025 comme un aperçu de recherche limité et indiqué qu’un petit groupe d’universitaires et de développeurs de jeux bénéficiait d’un accès anticipé. L’annonce de Google DeepMind situait ainsi le projet dans le cadre de la recherche sur les agents pour mondes virtuels.
