Nous menons des travaux de recherche appliquée sur les grands modèles de langage et les agents. Nos projets sont open source, documentés et reproductibles.
La recherche fait partie de notre travail.
Étudier les modèles de près améliore concrètement nos recommandations.
Caching, activations, fiabilité des agents : nous nous intéressons au fonctionnement interne des systèmes que nous déployons.
Chaque projet est open source, testé et documenté. Il peut être lu, audité et réutilisé librement.
Ce que nous apprenons dans ces travaux nourrit directement les missions que nous menons.
Quatre projets open source.
Sur les grands modèles de langage et les agents.
Les LLM facturent moins les tokens gardés en cache, mais aucun outil ne dit si le cache a vraiment servi. cache-rules lit les journaux locaux de Claude Code, calcule le vrai taux de réutilisation à partir des tokens facturés, et repère les 6 erreurs qui cassent le cache. Tout reste sur votre machine.
La détection d'objets classique réclame des milliers d'images annotées et un entraînement. Ici, on décrit la cible en langage naturel (« une voiture », « un avocat sans le noyau ») et un modèle de vision (Gemini) renvoie les boîtes englobantes en JSON, sans aucun entraînement. C'est le « zéro-shot ».
Un agent qui enchaîne 10 étapes fiables à 85 % ne réussit que 20 % du temps : les erreurs se cumulent. AgentGuard s'intercale autour de l'agent, sauvegarde l'état avant chaque étape risquée (checkpoint), détecte les dérives (boucles, explosion des coûts, timeouts) et relance automatiquement. Compatible LangChain, CrewAI ou boucle maison.
Dans un LLM, le refus correspond à une direction dans les activations. La supprimer enlève les refus mais casse souvent la négation (« ne fais pas X ») et le tool-calling. La version « préservante » repère d'abord les directions utiles et les protège avant d'ablater le refus. Sur Qwen2.5-3B : refus 90 % → ~7 %, négation logique ~96 %, capacités agentiques 100 %.