Blobfish AI

Blobfish AI s'attaque à un goulot d'étranglement précis du post-entraînement d'agents : construire le premier jeu de tâches reste gérable, mais reconstruire le suivant après une amélioration du modèle ne l'est pas. Une fois qu'un modèle maîtrise un programme, ces tâches n'enseignent plus rien, et en rassembler de nouvelles via des entretiens d'experts et des sandboxes fabriqués à la main peut prendre des mois. Blobfish remplace cette réinitialisation manuelle par une boucle de génération continue.

Chaque environnement est un monde fonctionnel, pas un jeu de données statique. Il contient des enregistrements, fichiers et états connectés qui se comportent comme un vrai lieu de travail ; des serveurs MCP simulés avec une CLI d'agent uniforme couvrant CRM, ERP et tableurs ; des flux de travail ancrés à difficulté ajustable et résultats connus ; et des vérificateurs déterministes qui contrôlent si l'agent a modifié le monde correctement. L'état final attendu étant généré avant la tâche elle-même, la vérification ne dépend pas d'un juge IA.

La méthode de génération se résume par « générer en avant, rédiger en arrière » : construire le monde simulé, cartographier un graphe d'interactions valides entre outils, échantillonner un chemin viable d'appels d'outils à état final connu, puis écrire la requête utilisateur qui exigerait naturellement ce chemin. L'entreprise rapporte des expériences précoces ayant généré 2 000 environnements spécifiques à un domaine pour entraîner un modèle de 14 milliards de paramètres, lequel a surpassé un modèle DeepSeek bien plus grand sur des benchmarks MCP. La cible est constituée d'équipes de post-entraînement et de recherche plutôt que d'utilisateurs finaux, l'entrée en relation passe donc par une conversation et non par une inscription en libre-service.