Des signaux plus propres avant des modèles plus gros
Des données propres, une structure explicite et un échafaudage utile : c’est ça qui compte avant de passer à des modèles plus gros. De meilleurs poids ne remplacent pas une tâche lisible.
Lynn Cole / Écrits
Essais, réflexions et notes techniques.
Des données propres, une structure explicite et un échafaudage utile : c’est ça qui compte avant de passer à des modèles plus gros. De meilleurs poids ne remplacent pas une tâche lisible.
Une liste d’outils sélectionnée, c’est juste le début. Les agents ont aussi besoin de fonctions de découverte et de notes de projet pour transporter les instructions des outils dans la boucle suivante.
Quel comportement le système de récompense de votre agent encourage-t-il ? Des objectifs composites et des progrès visibles permettent de garder le jeu aligné avec le travail réel.
Quand un modèle qualifie une tâche de chaotique, c’est peut-être qu’il reconnaît un signal d’un autre genre. J’explore cette réponse via Dada, la métaphore et le chaos primordial.
Une taxonomie pratique des échecs d’hallucination, centrée sur l’alignement, les signaux de récompense, la séparation des rôles et le logiciel entourant le modèle.
L’intuition, l’écriture automatique et l’attention divisée me poussent vers un anti-processus : un art qui se rit de sa propre tentative de détruire le sens.
Choisir un premier langage, c’est réfléchir à la syntaxe, aux compétences transférables, à l’installation, à la longévité et à la culture de sa communauté.
Le vibe coding déplace une plus grande part de la qualité en amont — dans les besoins, les prompts et la validation — tout en permettant à plus de monde de tenter l’aventure du build.
Par où commencer avec LLaMA 4 Scout et sa promesse d’une fenêtre de contexte « virtuellement illimitée » ?
Une architecture qui n’est pas explicitée reste la responsabilité du développeur. Modèles, prompts, frameworks et conception modulaire : tout demande des choix délibérés.
Une grande capacité de contexte n’efface pas les limites de complexité. Le périmètre, la mémoire, les composants réduits et des frontières claires comptent toujours.
Le travail d’ingénierie habituel — planification, patterns et revue — survit toujours au sein du nouveau workflow de codage par IA.