journal
Blog
2026-01-24·8 min de lecture
Retro\: quand les LLMs apprennent à raisonner pour mieux retrouver les bons documents
Retro* apprend aux LLM à raisonner pour mieux retrouver les bons documents en RAG : barèmes, agrégation de trajectoires et RL. Découvrez gains et usages.
2026-01-18·12 min de lecture
Your Brain on ChatGPT : quand l’assistant devient un exosquelette cognitif… et que les effets se voient plus tard
Votre cerveau avec ChatGPT : comment l’IA crée une dette cognitive en écriture d’essais, selon une étude EEG, et comment l’éviter sans se priver, en pratique.
2026-01-14·8 min de lecture
Du sur‑mesure au soupçon : biais et discrimination dans les agents IA "à mémoire" pour le recrutement
Recrutement : une IA à mémoire peut amplifier le biais et la discrimination. Ce papier montre pourquoi, et comment auditer la personnalisation avant la prod.
2026-01-08·8 min de lecture
VL‑JEPA : quand un modèle vision‑langage arrête d’écrire pour commencer à viser le sens
Découvrez VL-JEPA, l’architecture vision-langage qui prédit des embeddings (pas des mots) pour comprendre plus vite et décoder à la demande, en streaming.
2026-01-06·8 min de lecture
Quand une IA de newsroom se prend pour un historien : biais raciaux et données d’entraînement
Comment des données historiques biaisées injectent du biais racial dans les IA de presse : audit, exemples et pistes concrètes pour corriger le tir, vite.
2025-11-26·7 min de lecture
jina-reranker-v3 : Last but Not Late — l’interaction qui bouscule le reranking
Découvrez jina-reranker-v3, un reranker à interaction « Last but Not Late » qui booste le classement de documents pour RAG et recherche multilingue en IA.
2025-11-22·8 min de lecture
Future‑Proofing les programmeurs : tracer (vraiment) le savoir à l’ère des copilotes IA
Le knowledge tracing optimal + LLM rendent l’éducation personnalisée efficace pour développeurs : méthodes, résultats en classe et exemples concrets prouvés.
2025-11-21·9 min de lecture
Knowledge Extraction on Semi‑Structured Content : toujours utile pour le Question Answering à l’ère des LLMs ?
Pourquoi l’extraction de connaissances reste clé pour le QA à l’ère des LLM : résultats, gains via triples et apprentissage multi-tâches, conseils RAG.
2025-11-18·8 min de lecture
ReasoningBank : quand un agent arrête (enfin) de répéter ses erreurs
ReasoningBank transforme l’expérience en mémoire de raisonnement: avec MaTTS, les agents apprennent de leurs succès et échecs pour mieux décider, plus vite.
