L’IA sans le brouillard
Dépêches de l'intérieur de la machine
Des articles indépendants sur la recherche en IA, les modèles locaux, les agents et leur sécurité. Choisissez un sujet ou cherchez dans les archives.
Rechercher des articles →Explorer les sujets
Tous les articles →Articles récents
Tous les articles →-
2026-10-19
Une citation n'est pas une preuve : auditer ce qu'affirme vraiment une réponse RAG
Un [1] entre crochets indique où regarder, pas ce qu'on y trouvera. Comment vérifier, affirmation par affirmation, si un passage cité étaye une réponse générée.
Recherche en IA -
2026-10-17
Les tokens par seconde sont deux benchmarks sous un trench-coat
Un unique chiffre de tokens par seconde masque l'ingestion du prompt, le décodage et la charge de travail qui compte réellement.
Modèles locaux -
2026-10-16
Une sortie structurée n'est pas une vérité : ce qu'un schéma JSON garantit, et ses limites
Une grammaire contraint la forme d'une réponse. Elle ne prouve pas que les valeurs correspondent à la source.
Modèles locaux -
2026-10-13
Les modèles de décision bouffent le pain des modèles de chat
Cloudflare, Amazon et Jev ont tous sorti des modèles de décision en octobre 2026. La question n'est pas lequel est le meilleur — c'est pourquoi utiliser un modèle de chat pour le routage en 2026.
Modèles locaux -
2026-10-12
Les modèles de langage à diffusion ont un problème de cache. Cela devient enfin intéressant.
Les modèles de langage à diffusion génèrent du texte en parallèle, mais le débruitage répété coûte cher. De nouveaux travaux sensibles au cache rendent le compromis intéressant.
Modèles locaux -
2026-10-09
L'injection de prompts est un problème d'autorisations
Les filtres aident, mais une défense durable empêche un agent manipulé de causer un dommage coûteux.
Sécurité de l’IA -
2026-10-06
Pass@1 est le mensonge le plus coûteux de l’IA
Un modèle qui réussit une fois n’est pas nécessairement fiable. Les répétitions et les tâches longues révèlent la facture cachée de Pass@1.
Recherche en IA -
2026-09-11
Un classement d'embeddings n'est pas un cahier des charges
Les évaluations et les cartes de modèles aident à présélectionner ; la qualité de recherche se décide sur un corpus et des requêtes représentatifs.
Modèles locaux