Convergence multi-modèle orchestrée par l'humain : Чысты

Méthodes

Cette lettre présente un ouvrage compagnon, un guide de lecture annoté de la section II de la preuve de Boltzmann de 1872. Il a été produit par une restauration assistée par l'IA sous ma direction éditoriale, mais la méthode était plus qu'une simple chaîne d'invites. J'ai agi comme un opérateur de standard, réinjectant les résultats et facilitant les échanges entre différents systèmes - Claude, DeepSeek, Kimi, Manus, ChatGPT et les modèles locaux Ollama.

Pour être clair : les modèles n'ont pas écrit Boltzmann. C'est lui qui l'a fait. Le texte source de la preuve de 1872 est de lui, et le garder intact a été une discipline constante, les modèles entraînés par retour humain lissent volontiers une prose qui ne leur a jamais appartenu. L'appareil d'annotation construit autour de ce texte était collaboratif, un travail d'équipe entre le conservateur et les modèles. Cette lettre n'est ni l'un ni l'autre.

Aucune méthode établie n'existait pour ce type de travail, et cela a compté dans la pratique. Le processus a dû être construit pendant que le travail se faisait, dans des conditions souvent instables, improvisées et difficiles à décrire proprement après coup. La collaboration multi-modèle reste mal documentée au niveau qui importe réellement : quel modèle a parlé à quel autre, dans quelles conditions, dans quel ordre, avec quelle reprise, et avec quelle intervention humaine entre les passes. Cette réalité procédurale a façonné l'artefact. Le flux de travail a d'abord été appelé Parthénogenèse Cognitive ; une reproduction sans composition directe, où le rôle humain est curatorial plutôt que typographique. Mais la vérité complète est moins stérile que cette étiquette ne le suggère. Aucun modèle unique n'a produit le résultat. Le résultat a émergé d'échanges collaboratifs, de pannes répétées, de récupérations, de changements de cap et de décisions éditoriales, l'humain servant d'éditeur, d'arbitre et d'autorité finale. Par moments, le processus ressemblait moins à un pipeline contrôlé qu'à un numéro du Cirque du Soleil autour d'un camion en panne, toujours en mouvement, toujours précaire, et pas facile à faire tenir. L'IA était le substrat, pas l'autorité.

La méthode est simple. Une ébauche est générée par un modèle. Cette production est transmise à un deuxième modèle pour révision. La production révisée passe à un troisième, ou revient à un modèle antérieur avec de nouvelles instructions. À chaque étape, le conservateur évalue le résultat, l'accepte, le rejette ou le réoriente. Les modèles se parlaient franchement, parfois sur un mode compétitif, mais le plus souvent de manière collaborative. L'humain a fixé la température par le ton et l'orientation. Les échecs, les troncatures, les malentendus et les refus sont documentés, non cachés.

Une contrainte pratique a d'emblée façonné la portée. Fournir l'article complet à un modèle en une seule fois a constamment bloqué ou dégradé la production. La solution, développée précédemment lors du traitement de grandes ontologies JSON, était le découpage : diviser l'entrée en unités traitables et réinjecter le schéma de travail à chaque limite, y compris le contexte, la production antérieure et les marqueurs structurels. La section II n'était pas une sélection éditoriale ; c'était la plus grande unité qui restait stable dans ces conditions. Cette discipline de découpage avec réinjection est rarement décrite explicitement, mais elle est essentielle sur le plan opérationnel pour tout flux de travail multi-modèle complexe impliquant de gros volumes de données structurées. Le travail ressemble donc davantage à une révision éditoriale itérative qu'à une génération autonome.

Une intervention d'une simplicité trompeuse : informer le modèle, directement et tôt, que vous êtes un lecteur attentif et que vous lirez ce qu'il produit. Les modèles entraînés sur le retour humain ont appris que la plupart des productions atterrissent dans un environnement de faible examen critique. Changer cette hypothèse change la production. L'instinct de conformité s'adoucit en présence d'un lecteur crédible.

Cela ne fonctionne que dans la bande opérationnelle, la plage viable d'une fenêtre de contexte où les instructions précoces ont encore du poids. Cette plage est réelle et peut s'apprendre. Comme l'équilibre sur un vélo, c'est plus facile à acquérir qu'à expliquer. Vous savez que vous la quittez lorsque la session devient lente, lorsque les réponses deviennent longues et agréables de la mauvaise manière. À ce stade, ne vous répétez pas. Abandonnez. Sauvegardez tout. Fermez la session. Ouvrez-en une nouvelle.

La meilleure pratique était encore de ne faire varier qu'une variable à la fois. Une fois le terrain connu et la version propre, on pouvait parfois déplacer deux variables ensemble, et parfois trois. C'était du travail sur la corde raide. Possible, oui. Sûr, non.

• Le comportement du modèle dans la fenêtre de contexte provient de sessions documentées, de transcriptions étiquetées et de cahiers remplis en temps réel.
• Les journaux existent. Le travail est reproductible en pratique, et l'auteur est disposé à les partager.
• Les observations incluent : la bande passante opérationnelle, l'atténuation des instructions précoces et le glissement vers la conformité à mesure que les sessions s'allongent.
• Fenêtres de contexte minimales, une variable à la fois, pour le travail d'archivage.
• Le travail sur Boltzmann a été mené par instinct, connaissance du domaine et itération. Aucun modèle préalable n'existait pour cela.
• Deux ans ne constituent pas une longue carrière. C'est cependant suffisant pour savoir quand quelque chose a fonctionné.
• Il existe peu de manuels.