Dossier de recherche
Expériences par axe de recherche
Il s’agit de rapports de recherche techniques, non de publications évaluées par les pairs. Chaque rapport précise ses sources, ses conditions de mesure et ses limites. La section des preuves indique ce qui peut être téléchargé ou reproduit.
Compréhension du temps · expérience contrôlée
Le modèle utilise le temps pour sélectionner le bon intervalle
Le modèle utilise-t-il les temps réels pour choisir l’intervalle entre événements, ou devine-t-il à partir d’indices textuels ?
Critères expérimentaux satisfaits · trois entraînements
L’expérience teste le choix d’un intervalle parmi des options données. Elle ne démontre pas un modèle prêt à répondre à toute question temporelle. Une expérience antérieure laissait aussi ouverte l’association fiable d’intervalles répétés aux événements.
Lire le rapport →Comparaison de durées · expérience d’entraînement
Raisonnement sur les durées : de la comparaison aux réponses numériques
Enseigner aussi les rapports entre durées aide-t-il le modèle à identifier la plus longue et à estimer sa valeur ?
Progrès partiel · objectif numérique non atteint
Ce n’est pas un système achevé de réponse sur les durées. Les travaux suivants doivent aligner les prédictions sur les durées réelles et limiter les réponses en cas d’incertitude.
Lire le rapport →Pyrodit RM · Étude de correction R7
Détection des risques : continuité de l’entraînement et précision contextuelle
Préserver le modèle complet et rétablir des données plus variées améliore-t-il la détection sans augmenter les fausses alertes ni perdre des capacités acquises ?
Évaluation R7 terminée · R5 conservé comme modèle en service
Ces résultats portent sur le développement en anglais, avec un seuil distinct par groupe d’évaluation, et non un seuil de production commun validé. Ils ne démontrent pas de performance en turc, en allemand ou pour les autres catégories de risque. Le jeu de contexte avait déjà été examiné et ne constitue pas un test indépendant intact. Aucun test final de contexte n’a été exécuté pour R7, faute de candidat admissible ; les chiffres de contexte rapportés concernent le contrôle lexical distinct.
Lire le rapport →Open source · Compression vectorielle
Semafold : des vecteurs plus petits, des compromis mesurables
Quel espace peut-on économiser pour les vecteurs d’IA en comptant la représentation compressée complète, métadonnées comprises ?
Mesure synthétique · rapport source 0.1.0 du 31 mars 2026 · bibliothèque examinée en 0.2.0
La compression entraîne une perte d’information. La qualité de recherche et le comportement du modèle doivent être évalués sur les données visées. Les très petits blocs de cache peuvent dépasser le stockage 16 bits à cause des métadonnées. Les API de compression et de cache restent en préversion ; les intégrations prêtes à l’emploi pour l’inférence sont hors du périmètre de ce rapport.
Lire le rapport →