Vinci par SimpleDirect® · Modèles à poids ouverts
Vinci MLE : IA pour l’ingénierie de l’apprentissage automatique
Vinci MLE par SimpleDirect® est une famille de modèles à poids ouverts entraînés pour l’ingénierie de l’apprentissage automatique : lire les preuves expérimentales, diagnostiquer les échecs et préserver les configurations qui fonctionnent.
Comparer les versions de Vinci MLE
Aider à construire l’IA
Vinci MLE est entraîné à lire les fichiers et les résultats d’expériences, à suggérer une correction limitée lorsque les preuves la justifient, à préserver une configuration fonctionnelle dans le cas contraire et à identifier les preuves manquantes plutôt que de deviner.
Les ingénieurs ML et les chercheurs en IA peuvent l’évaluer pour le diagnostic d’expériences, la reprise d’entraînement, la mémoire et les lots, la vérification des scores, l’empaquetage des modèles et la cohérence des paramètres. Ces éléments décrivent les usages visés et la couverture d’entraînement, pas des performances démontrées sur de nouvelles tâches.
SimpleDirect® spécialise des modèles de base IBM Granite et Mistral Devstral existants par post-entraînement. Ces versions ne sont pas des modèles de base préentraînés de zéro au Canada.
Comparer les bases, les licences et les téléchargements
8B a le plus petit téléchargement de poids; 30B demande davantage de ressources. 123B utilise Devstral 2 et une autre licence. Consultez chaque page pour la taille des fichiers et les notes de déploiement. Les résultats généraux en programmation ne classent pas ces modèles sur les tâches d’ingénierie ML.
| Modèle | Fondation | Licence | Téléchargements |
|---|---|---|---|
| Vinci MLE 8B 1.0 | ibm-granite/granite-4.1-8b | Apache-2.0 | Fiche du modèle et poids (anglais) Formats GGUF (anglais) |
| Vinci MLE 30B 1.0 | ibm-granite/granite-4.1-30b | Apache-2.0 | Fiche du modèle et poids (anglais) Formats GGUF (anglais) |
| Vinci MLE 123B 1.0 | mistralai/Devstral-2-123B-Instruct-2512 | Mistral Modified MIT | Fiche du modèle et poids (anglais) Formats GGUF (anglais) |
Les licences et les formats disponibles dépendent de chaque artefact. Consultez sa fiche pour la licence détaillée, les exemples de chargement et les vérifications des fichiers.
Distinguer l’intention d’entraînement des preuves d’évaluation
Les évaluations valides sur des tâches d’ingénierie ML tenues à l’écart et sur MLE-bench externe n’ont pas été réalisées pour la version 1.0. Les comparaisons de capacités générales avec chaque modèle parent documentent des gains et des compromis mesurés, mais n’établissent pas les performances sur de nouvelles tâches d’ingénierie ML.
Consultez le dossier d’évaluation de chaque artefact. Les résultats d’un modèle parent, d’une autre taille ou d’un point de contrôle en pleine précision n’établissent pas les performances d’une autre version ou d’un format quantifié.
Planifier un déploiement autohébergé
Commencez par une expérience limitée, une référence et des critères d’acceptation explicites. Téléchargez les poids complets ou un format GGUF compatible depuis la fiche, puis évaluez les suggestions à partir des preuves expérimentales originales avant d’autoriser des modifications de fichiers ou des commandes.
Prévoyez de la mémoire au-delà des fichiers de poids, choisissez un environnement d’exécution compatible et consignez la révision et le format exacts. L’utilisation d’outils exige votre propre application, des permissions et un espace de travail contrôlé. Examinez et testez les changements proposés avant de les appliquer; ces pages ne proposent pas d’inférence hébergée.
Lire les preuves et planifier un essai
Consultez les fiches techniques, ces guides et les travaux de recherche pour déterminer quoi tester dans votre propre environnement.