Des choix explicites.
Des résultats à documenter.

L’inférence est l’exécution d’un modèle pour produire une réponse. Un framework comme MLX, développé par Apple, permet des calculs d’apprentissage automatique sur Apple Silicon.

La présence d’un framework ne suffit pas à garantir une performance : le modèle, sa configuration, le matériel et la tâche doivent être précisés.

La recherche augmentée, ou RAG, consiste à retrouver des passages pertinents dans un ensemble de documents pour les fournir à un modèle. La publication de Lewis et al. (2020) décrit cette approche.

Retrouver une source et générer une réponse sont deux étapes différentes. Leur qualité doit être évaluée séparément ; une citation ne rend pas automatiquement une réponse exacte.

LoRA, par Hu et al. (2021), est une méthode d’adaptation qui réduit le nombre de paramètres à entraîner. Elle constitue une référence technique, et non une preuve qu’une personnalisation donnée a été validée par EVA-I.

Un résultat ne peut être apprécié sans connaître la tâche, le modèle, la configuration matérielle, le protocole et les mesures utilisées. La documentation propre à EVA-I reste à publier avec ces éléments et leurs limites.

Aucun benchmark ni audit indépendant d’EVA-I n’est présenté sur cette page.

• MLX — documentation et code du framework
• Lewis et al. — Retrieval-Augmented Generation (2020)
• Hu et al. — LoRA (2021)

Ces travaux appartiennent à leurs auteurs respectifs. Leur citation ne vaut ni partenariat, ni approbation des développements d’EVA-I.