Des recherches menées à plusieurs

Collaborations

Certaines de ces collaborations sont parties d'un commentaire laissé sous l'article ou le post de quelqu'un, d'autres d'un message qu'on nous a envoyé. Chacune a son sujet et ses rebondissements.

Illustration : quatre établis dans un atelier ensoleillé, une carte graphique avec deux cadrans, des cartes de décision près d’une île sous l’orage, une vitrine de points lumineux avec une drosophile et une rangée de blocs d’applis, tous reliés par des fils lumineux à un carnet ouvert rempli de graphiques.

En trente secondes

Trois personnes, trois questions différentes. Chacune construit quelque chose de à elle, et on travaille avec elle sur une question, au grand jour.

Anagha Langhe a vérifié si une version allégée de son modèle (FP8) répond moins bien. Sur 120 questions, une seule est passée de juste à fausse.

Mark Goodbody a testé si ses cadres de raisonnement changent ce que décident ChatGPT et Claude. Dans ces exécutions, les principales distinctions sont apparues avec et sans eux, donc aucun intérêt n'est établi pour l'instant : les modèles font déjà la différence tout seuls entre « ce qu'on peut dire » et « ce qu'on devrait faire ».

Mohan Bheemadolu comprime la mémoire d'un agent en minuscules codes, et on teste ensemble si ça pousse deux IA à tomber d'accord plus souvent sur la même mauvaise réponse.

Regarder sur YouTube

Les histoires

Trois conseillers recommandent l'école, tous d'après la même carte vieille de deux ans. Un conseiller apporte l'inspection du jour : l'entrée de plain-pied de l'école est fermée. Les deux IA ont compté les trois comme une seule source, avec ou sans le cadre de Mark sous les yeux.

Les modèles d'IA distinguent-ils déjà une affirmation d'une action ?

avec Mark Goodbody · ingénieur systèmes, Royaume-Uni · auteur de Mechanical Ethics et de TRACE

Lire l'histoire →

Quand la mémoire d'un agent avait raté le fait, GPT et Claude ont tout de même donné la même réponse 33 fois, et 15 de ces réponses étaient fausses. FlyHash, de Mohan, n'allume que quelques bits actifs par souvenir. Un code plus comprimé rend-il cette erreur partagée plus fréquente ?

Quand la mémoire d'un agent est condensée en codes épars, deux IA s'accordent-elles sur la même mauvaise réponse ?

avec Mohan Bheemadolu · développeur d'agents IA · co-auteur de FlyHash for LLM agent memory

Lire l'histoire →

Comment fonctionne une collaboration

  1. Vous apportez une question, un système ou des données : un modèle que vous faites tourner, une mémoire pour un agent, un ensemble de cas, un article que vous voulez mettre à l'épreuve.
  2. Avant de regarder le moindre résultat, on se met d'accord sur ce qu'on lance et sur ce qui comptera comme une réponse.
  3. Chacun fait tourner sa partie. Tout ce qui peut être ouvert l'est : code, prompts, réponses brutes, chiffres.
  4. L'histoire est publiée sur une page comme celles-ci, en mots simples, avec votre nom et vos liens, et elle grandit au fil du travail.

Proposer une collaboration

Dites-nous en quelques lignes sur quoi vous travaillez, ce que vous aimeriez découvrir et où se trouvent votre code ou votre article. Nous lisons tout et répondons personnellement.

polyhelper.ai@gmail.com