Passer au contenu principal
Vinci MLE 1.0 · Version de recherche

Développez votre propre capacité en ingénierie ML.

Une IA pour aider votre équipe à développer l’IA. Vinci MLE par SimpleDirect® est une famille de modèles de recherche à poids ouverts pour les équipes ML gouvernementales et d’entreprise qui explorent le diagnostic d’expériences et des modifications ciblées sur leur propre infrastructure.

MLE 1.0 est une version de recherche. Aucun score valide sur des tâches d’ingénierie ML réservées à l’évaluation n’est encore disponible.

Vero illustre le travail de cette famille de modèles dans un décor chaleureux sauge et crème.
Une scène conceptuelle de Vero, et non une exécution du modèle ou un résultat d’évaluation.

Vinci MLE

Gardez la maîtrise des expériences, des preuves et des décisions.

Développer l’IA demande plus qu’un accès à un modèle. Les équipes ont besoin d’expériences reproductibles, de données bien comprises et de personnes capables de juger les résultats. Vinci MLE vise à soutenir ce travail pendant que votre organisation développe son expertise.

Disponible aujourd’hui

Un modèle de recherche à examiner

Les poids et fiches des modèles 8B, 30B et 123B décrivent l’entraînement, les fondations, les licences et les résultats mesurés de capacités générales. Les outils, les autorisations et l’espace d’exécution doivent être fournis et validés séparément.

Ingénierie à portée définie

Un projet adapté à votre environnement ML

Discutez d’un projet à portée définie autour de votre environnement d’expérimentation : déploiement, tâches représentatives, critères d’acceptation, intégration ou adaptation. Déterminez la pertinence du modèle avant de vous y fier ou d’élargir ses accès.

Orientation future

Une assistance fondée sur les preuves

Notre orientation consiste à relier des modèles spécialisés à des expériences contrôlées, avec des actions traçables et des conditions d’arrêt claires. Une évaluation sur des tâches ML tenues à l’écart et un environnement d’exécution qualifié sont des préalables à des affirmations plus fortes, pas des résultats acquis pour la version 1.0.

Les poids publiés sont le point de départ. Un déploiement privé, une intégration ou un modèle adapté constitue un projet d’ingénierie distinct, à définir. Les capacités futures sont des objectifs dont la disponibilité et les critères d’acceptation restent à établir.

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.

Exemple de démarche d’évaluation. Ces étapes décrivent un essai à mettre en place, pas une démonstration d’un produit en service.

  1. Définir un problème d’expérimentation

    Utilisez un petit espace non sensible avec une configuration d’expérience, les résultats observés et une question précise, par exemple la cause d’un épuisement de mémoire.

  2. Demander un diagnostic délimité

    Évaluez si le modèle utilise les preuves fournies, repère ce qui manque et propose un changement limité, une décision justifiée de ne rien modifier ou un arrêt.

  3. Vérifier le résultat indépendamment

    Faites examiner la proposition par un ingénieur, puis relancez les vérifications convenues dans un environnement isolé. Comparez à la configuration initiale et à une référence; une exécution terminée ne prouve pas l’exactitude.

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.

Choisissez un modèle pour votre environnement

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.

Version 1.0 publiée

8B

Un point de départ plus léger

Les fichiers de poids les plus légers de cette famille. Envisagez cette version pour un premier flux de travail local, puis mesurez la qualité, la latence et la mémoire pour votre tâche.

Explorer Vinci MLE 8B 1.0

Version 1.0 publiée

30B

Une option Granite plus grande

Comparez cette adaptation d’IBM Granite à la version 8B sur les mêmes cas. Prévoyez des fichiers de poids plus volumineux; un modèle plus grand ne donne pas nécessairement un meilleur résultat.

Explorer Vinci MLE 30B 1.0

Version 1.0 publiée

123B

Une autre fondation

Une adaptation de Mistral Devstral avec des exigences d’infrastructure et des conditions de licence différentes. Vérifiez la faisabilité du déploiement et la condition liée au chiffre d’affaires avant de la choisir.

Explorer Vinci MLE 123B 1.0

B désigne l’échelle approximative des paramètres en milliards, pas une note de qualité. Les besoins en mémoire dépendent aussi du format, de la longueur du contexte, des requêtes simultanées et du moteur d’exécution; la taille des fichiers ne suffit pas à les déterminer.

Faites défiler le tableau horizontalement pour voir les licences et les téléchargements.

Choisissez un modèle pour votre environnement
ModèleFondationLicenceTéléchargements
Vinci MLE 8B 1.0ibm-granite/granite-4.1-8bApache-2.0Fiche du modèle et poids (anglais)
Formats GGUF (anglais)
Vinci MLE 30B 1.0ibm-granite/granite-4.1-30bApache-2.0Fiche du modèle et poids (anglais)
Formats GGUF (anglais)
Vinci MLE 123B 1.0mistralai/Devstral-2-123B-Instruct-2512Mistral Modified MITFiche 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.

Les versions 8B et 30B utilisent Apache-2.0. Les versions 123B utilisent la licence MIT modifiée de Mistral, qui comporte une condition liée au chiffre d’affaires de l’entreprise. Consultez les conditions de licence avant de choisir un modèle pour votre organisation.

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.

Décider où les informations peuvent aller
Cartographiez l’hébergement du modèle, le stockage, les journaux, les sauvegardes et chaque outil connecté. Confirmez les exigences de classification, de localisation, d’accès et de conservation avant d’introduire des informations sensibles.
Définir explicitement les autorisations
Commencez dans un espace d’essai restreint. Séparez les suggestions de l’exécution, limitez l’accès aux outils, exigez une approbation pour les changements importants et prévoyez un arrêt ou un retour en arrière.
Rendre les résultats reproductibles
Fixez les révisions du modèle et des jeux de données, le moteur d’exécution, le format et les consignes. Comparez à une référence sur des cas représentatifs, y compris des entrées correctes, des échecs et des cas où le modèle devrait s’arrêter.
Développer un savoir-faire durable
Convenez de la documentation, des ressources d’évaluation, des responsabilités opérationnelles, des licences et du transfert. La propriété et les droits d’adaptation dépendent des licences sous-jacentes et de l’entente du projet.

Pour les administrations publiques et les activités réglementées, votre organisation doit évaluer le déploiement et l’approuver pour les informations concernées. La disponibilité des poids ne constitue ni une homologation de sécurité ni une validation pour une classification de données donnée.

Des poids publiés à votre propre capacité

Utilisez les poids publiés de façon indépendante, selon leurs licences. Si vous avez besoin d’aide en ingénierie, définissez un projet adapté à vos besoins.

  1. Définir le résultat utile

    Présentez un flux de travail concret et vos exigences de déploiement. Demandez directement une mise en œuvre ou une adaptation, ou prévoyez une évaluation distincte si la pertinence reste à établir.

  2. Convenir de la livraison

    Définissez les livrables, les vérifications d’acceptation, les droits sur les données, la propriété de l’infrastructure et les exigences d’approvisionnement. Confirmez la faisabilité et les responsabilités avant la mise en œuvre.

  3. Préparer le transfert et le soutien

    Déterminez les responsables de la documentation, des mises à jour, de la surveillance et des incidents. Le soutien ou l’exploitation continue font l’objet d’un mandat distinct, selon la disponibilité et les responsabilités convenues pour le projet.

Commencer par une tâche utile

Partez d’une expérience que votre équipe comprend.

Décrivez votre tâche d’ingénierie ML sans inclure de renseignements confidentiels et demandez une proposition de mise en œuvre ou d’adaptation. Un mandat d’évaluation distinct est facultatif; le déploiement exige toujours les vérifications d’acceptation convenues.

Ouvre votre application de courriel avec une trame modifiable destinée à [email protected]. Cette page n’envoie rien.

Pour une première conversation utile

  • Quelle expérience ou tâche d’ingénierie ML le projet devrait-il cibler?
  • Quels moyens de calcul, outils et processus de revue votre équipe utilise-t-elle?
  • Quelle référence, quelles vérifications de reproductibilité et quelles conditions d’arrêt rendraient le résultat significatif?

Gardez le premier message non confidentiel. N’envoyez pas de code source, de constats de sécurité, de documents, de données personnelles ou d’identifiants. Convenez d’abord d’un processus de partage approprié.