Ce vers quoi
nous travaillons.
Nos propres poids, avec la couche de cohérence au cœur de l'architecture plutôt qu'enroulée autour du modèle de quelqu'un d'autre. Un modèle moyen à la hauteur en qualité de réponse. Apprendre de ce qui est montré, pas seulement de ce qui est écrit. Et un système qui continue d'apprendre sans oublier ce qu'il savait.
Ce qui arrive, et quand.
Des trimestres, pas des dates. Un objectif de recherche assorti d'un jour précis est une date qui sera fausse ; le trimestre est la résolution honnête dont nous disposons. Ce qui est déjà livré reste affiché comme tel, au lieu de disparaître discrètement.
- T3 2026livré
Le produit tient debout
- Application web, application de bureau pour Windows, API avec ses propres clés
- Lumen répond en trois tailles, avec le même comportement d'abstention
- Quarante-huit outils que le modèle appelle de lui-même, dont quarante et un retestés à chaque vérification de statut
- Abonnements et crédit prépayé pour les entreprises
- Un banc de mesure qui tourne à chaque modification
- T4 2026en cours
Mémoire, équipes et portée
- Authentification à deux facteurs par e-mail pour les comptes détenant des clés API (livré)
- Comptes d'équipe avec invitations, et tableau de bord d'utilisation par membre et par clé (livré)
- Lumen Large en production, et la couche qui l'entoure calibrée (livré)
- Vos propres documents sous forme d'index consultable, chaque réponse citant un passage
- Projets : un dossier de conversations qui partagent fichiers et instructions
- Artefacts : un document modifié sur place au lieu d'être recollé
- MCP, pour que les outils écrits par d'autres fonctionnent ici sans que nous ayons à les écrire
- T1 2027prévu
Qualité des réponses
- Ajustement par préférences après la phase d'instructions
- Raisonnement prolongé avant de répondre, avec les étapes affichées
- Lumen Max, le sommet de la première famille
- Traitement par lots à tarif réduit pour les gros volumes
- T2 2027prévu
Au-delà du texte
- Apprendre des images et de la vidéo, pas seulement de leurs descriptions
- Un canal d'abstention auditable : quelle source a contredit quelle affirmation
- Traitement hébergé en Suisse par défaut pour les comptes entreprise
- Après financementprévu
Gauss
- Nos propres poids à une taille qui vaille la peine d'être servie, entraînés à partir de zéro plutôt qu'adaptés
- La tête de cohérence au cœur de l'architecture, qui évalue l'état caché pendant que la réponse se forme
- Un jeu de test réservé construit à la main, avec l'ECE et l'AUC de la couche interne publiés en même temps
- Puissance de calcul pour l'entraînement : aujourd'hui, nous avons du matériel pour répondre, pas pour entraîner à grande échelle
- Plus tardprévu
Plus de sens
- Signaux de capteurs avec une vérité physique de référence : vibrations, spectres, odeurs
- Apprentissage continu, avec un bilan mesuré de ce qui a changé
Six objectifs, et comment chacun pourrait échouer.
Cette page parle de choses qui n'existent pas encore, ce qui en fait la page de ce site la plus facile à écrire de manière malhonnête. Chaque entrée comporte donc deux moitiés.
- Poids · en cours
Nos propres poids, avec la couche à l'intérieur plutôt qu'autour
Aujourd'hui, la couche de cohérence lit des affirmations auxquelles le modèle s'est déjà engagé. Cela fonctionne, et cela a un plafond : elle ne voit jamais le modèle hésiter. Dans notre propre architecture, la tête lit l'état caché pendant que la réponse se forme encore, soit la différence entre corriger une dissertation et la regarder s'écrire. Un tel modèle de 1,16 milliard de paramètres existe, entraîné à partir de zéro, avec la tête câblée sur trois voies : langage, source, abstention. Tout ce qui dépasse cette taille demande une puissance de calcul que nous ne possédons pas.
Pourquoi c'est important. Une couche placée autour du modèle de quelqu'un d'autre est un bon produit, mais un avantage concurrentiel mince. La même idée intégrée à des poids qui nous appartiennent ne se copie pas en changeant une URL de base. Et c'est la seule version qui peut s'abstenir avant que la phrase n'existe, plutôt qu'après.
Comment nous saurions que c'est un échecSi la tête interne, une fois calibrée sur un vrai jeu de test réservé, ne fait pas mieux que la couche externe placée sur un modèle acheté, alors l'argument architectural est faux, et la conclusion honnête serait de rester là où nous sommes et de vendre cela. Nous préférons le découvrir par une mesure que par un lancement.
- Taille · en cours
Un modèle moyen à la hauteur en qualité de réponse
Le but n'est pas un modèle plus grand. C'est un modèle moyen dont les réponses tiennent la comparaison avec celles d'un grand sur le travail que les gens apportent vraiment (lire, extraire, expliquer, rédiger) tout en ne coûtant qu'une fraction à exploiter. Le chemin n'est pas davantage de paramètres, mais une meilleure division du travail : le langage dans un espace, les sources dans un autre, et une couche qui sait quand les deux ne concordent pas.
Pourquoi c'est important. L'inférence se paie chaque jour, pour toujours. Un système dont les coûts croissent linéairement avec son succès doit sans cesse augmenter ses prix, et cette pression finit par atteindre les réponses.
Comment nous saurions que c'est un échecSi la taille moyenne n'égale un grand modèle que sur les questions où le contexte apporte déjà le savoir, et reste nettement derrière partout ailleurs, alors c'est une amélioration du routage et non de la qualité. Nous le dirions.
- Sens · en recherche
Apprendre des images et de la vidéo, pas seulement du texte
Le texte est un enregistrement avec pertes d'un monde qui, pour l'essentiel, n'est pas du texte. Un modèle qui n'a jamais fait que lire sur une machine qui tombe en panne connaît les phrases qu'on écrit à ce sujet. Celui qui a regardé cent heures de machines en panne sait quelque chose que les phrases omettent : à quoi cela ressemble juste avant. C'est précisément ce que personne n'écrit.
Pourquoi c'est important. L'essentiel du savoir d'un atelier, d'un laboratoire ou d'un bloc opératoire n'a jamais été écrit. Il se montre.
Comment nous saurions que c'est un échecSi l'entraînement sur la vidéo produit un modèle qui décrit les images avec aisance mais ne sait pas répondre à une question à laquelle les images répondent, nous aurons construit un générateur de sous-titres. C'est un vrai produit, mais pas celui-ci.
- Sens · prévu
Plus de deux capteurs
La vue et le langage sont les deux par lesquels nous avons commencé, parce que ce sont ceux pour lesquels il existe des données. Ce ne sont pas partout les deux qui comptent le plus. La vibration vous dit qu'un roulement lâche. L'odeur vous dit qu'un lot a tourné, qu'un câble surchauffe, qu'un patient a une infection, des heures avant qu'un instrument ne le mesure. Ce sont des signaux avec une vérité physique de référence, exactement le genre de chose qu'une couche de cohérence peut utiliser pour vérifier.
Pourquoi c'est important. Un canal d'abstention a besoin de quelque chose avec quoi être en désaccord. Une mesure de capteur est une preuve qu'on ne peut pas tordre à force d'arguments, ce qui en fait le partenaire le plus solide possible pour un modèle de langage.
Comment nous saurions que c'est un échecLes données de capteurs sont étroites et coûteuses à collecter. Si nous ne parvenons pas à réunir assez d'un signal pour battre un classificateur spécialisé sur cette seule tâche, l'ajouter à un modèle généraliste relève de la vanité.
- Apprentissage · en recherche
Apprendre en continu, sans oublier ce qu'il savait
Aujourd'hui, un modèle est figé à la fin de l'entraînement et tout ce qui vient après relève de la recherche documentaire. C'est une décision d'ingénierie raisonnable, et une mauvaise description de la façon dont fonctionne la compréhension. Nous voulons un système qui intègre de nouveaux contenus en continu, avec un bilan mesurable de ce qui a changé, et sans l'oubli catastrophique qui rend inutilisable un entraînement prolongé naïf.
Pourquoi c'est important. Le savoir entre dans un index en quelques minutes. Le comportement demande des heures d'ajustement fin. Une capacité demande des jours de pré-entraînement prolongé. Tout ce qui raccourcit le troisième change ce qu'une petite équipe peut entreprendre.
Comment nous saurions que c'est un échecSi les mises à jour continues coûtent plus qu'un réentraînement périodique, ou si les performances sur les tâches d'origine baissent sans que personne ne s'en aperçoive, c'est pire que le modèle figé qu'elles remplacent. La mesure doit elle aussi tourner en continu, pas une seule fois à la fin.
- Confiance · prévu
Un canal d'abstention que l'on peut auditer, pas seulement observer
Aujourd'hui, le système peut dire qu'il ne sait pas. L'étape suivante est de pouvoir montrer pourquoi : quelle source a contredit quelle affirmation, et avec quelle force. L'espace de cohérence est un espace et non un scalaire précisément pour que cela soit possible : un chiffre vous dit à quel point deux choses divergent, un espace vous dit sur quoi.
Pourquoi c'est important. Dans un travail réglementé, une réponse qu'on ne peut pas expliquer est une réponse qu'on ne peut pas utiliser, aussi bonne soit-elle.
Comment nous saurions que c'est un échecSi les explications s'avèrent être des histoires reconstruites après coup qui ne prédisent pas le comportement du modèle, elles sont pires que pas d'explication du tout, parce qu'on les croit.
Tout le reste de ce site est construit.
L'architecture derrière ces objectifs tourne aujourd'hui, sous une forme plus petite. C'est la partie que vous pouvez essayer plutôt que lire.