Méthode
Plus long à démarrer. À nous jusqu’au cœur.
Nous avons choisi de construire notre intelligence artificielle de la manière difficile : dès la première ligne du code d’entraînement. Voici les règles qui accompagnent ce choix.
Principes
01 — À partir de zéro
Aucun modèle emprunté. Beaucoup de produits d’IA sont une couche d’instructions posée sur un modèle entraîné par quelqu’un d’autre. Pas les nôtres. Chaque modèle Halveos est entraîné par nous, à partir de son premier paramètre, avec du code que nous avons écrit.
C’est plus long. En échange, nous comprenons chaque partie du système, et personne d’extérieur ne peut le modifier, en fixer le prix ou l’éteindre.
02 — La preuve avant l’éloquence
Une phrase, une preuve. Une réponse bien tournée ne vaut rien si on ne peut pas la vérifier. Preuve répond à partir de documents, et chaque phrase qu’elle présente comme un fait est accompagnée du passage qui la prouve, pour que vous puissiez la vérifier d’un clic.
Quand elle ne trouve pas de preuve, la bonne réponse est de le dire, et de montrer ce qui a été trouvé. Voir comment Preuve répond.
03 — Mesurer plutôt que promettre
Chaque nouveau modèle passe exactement les mêmes tests que le précédent. Pas une démo choisie avec soin : les mêmes questions, notées de la même manière, à chaque fois.
Si un modèle n’est pas meilleur, il n’avance pas, même s’il brille en conversation. Lire comment nous mesurons.
04 — Des données propres
Nous n’utilisons que des données que nous avons le droit d’utiliser : textes sous licence ouverte, documents publics, et données écrites pour nous sous des licences qui le permettent. Chaque source est consignée avec sa licence.
Si nous ne savons pas dire d’où vient une donnée, elle n’entre pas.
05 — La sécurité par défaut
La sécurité fait partie de l’entraînement et des tests, ce n’est pas un filtre ajouté à la fin. Notre IA apprend à reconnaître la détresse et à orienter vers une aide réelle et vérifiée. Lire nos engagements de sécurité.
06 — Dire où nous en sommes
Nous disons ce qui marche et ce qui ne marche pas. Preuve est en développement, et nous ne présenterons jamais sur ce site une capacité comme disponible avant qu’elle ne le soit.
Le processus
Comment un modèle quitte le laboratoire.
Six étapes séparent un nouveau modèle du public. Un modèle qui échoue à une étape recule, il n’avance pas.
Données
Les sources sont choisies, vérifiées, nettoyées et consignées. Les doublons et les textes de mauvaise qualité sont écartés.
Pré-entraînement
Un nouveau modèle Core apprend la langue à partir de zéro, avec notre propre code.
Apprentissage du dialogue
Le modèle apprend à converser : suivre une demande, demander des précisions, lire des sources, reconnaître ce qu’il ignore.
Évaluation
Des tests fixes, notés de la même manière pour chaque modèle. Les résultats sont comparés à la génération précédente.
Revue de sécurité
Les situations sensibles sont testées exprès. Les échecs sont corrigés dans les données d’entraînement, pas cachés.
Mise en service
Seulement alors, le modèle remplace le précédent dans l’espace IA.