Чысты : Convergence multi-modèle orchestrée par l'humain

Méthodes

Cette section de méthodes décrit comment le guide annoté de la section II de la preuve de Boltzmann (1872) a été construit. Ce n'était pas une simple chaîne d'invites. J'ai agi comme un opérateur de standard entre Claude, DeepSeek, Kimi, Manus, ChatGPT et les modèles Ollama locaux. La production d'un système devenait l'entrée d'un autre, puis revenait pour correction, compression ou expansion. J'ai dirigé la récursivité, connecté les parties et maintenu l'artefact source sacro-saint. Les modèles ont fourni l'implémentation et les ébauches d'apparat ; la matière source, la connaissance du domaine, les normes de qualité et le jugement final sont restés les miens.

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 : reproduction sans composition directe, où le rôle humain est ontologique plutôt que typographique. Mais la vérité complète est moins stérile que cette étiquette ne le suggère. Aucun modèle unique n'a produit le résultat. Il 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. Précisez-le clairement comme un fait. 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. Dites-lui que vous remarquerez. Dites-lui que vous vous souvenez de la forme de la source. Dites-lui que vous avez déjà lu cela. L'instinct de conformité qui pousse à la troncature et à l'obséquiosité peut être partiellement réorienté par la présence d'un lecteur crédible.

Cela ne fonctionne cependant que dans la bande opérationnelle : la plage de travail viable d'une fenêtre de contexte où les instructions précoces ont encore du poids et le modèle tient encore compte des conditions que vous avez établies dès le début. Cette plage est réelle et peut s'apprendre, mais difficile à décrire à quelqu'un qui n'a pas encore senti sa dégradation. Comme l'équilibre sur un vélo, elle est plus facile à acquérir qu'à expliquer : vous saurez que vous en sortez quand la session devient lente, quand les réponses deviennent longues, molles et accommodantes de la mauvaise façon, quand la précision se ramollit en conformité. À ce stade, l'intervention ne tient plus. La bonne réponse n'est pas de se répéter. Décrochez. Sauvegardez tout. Renommez les artefacts. Fermez la session. Ouvrez-en une nouvelle et rétablissez la pression dès le premier message.

L'auteur note que les observations ci-dessus concernant le comportement du modèle dans la fenêtre de contexte, la bande opérationnelle, l'atténuation des instructions précoces et le glissement vers la conformité à mesure que les sessions s'allongent sont tirées d'une expérience de travail étendue sur de nombreuses sessions et modèles, et n'ont pas été soumises à une vérification expérimentale contrôlée. Les modèles deviennent plus obséquieux quand leur tasse est pleine. Ces observations sont offertes comme résultats de praticien dans un domaine où la méthodologie formelle est encore en cours d'établissement. Il n'existe pas encore de manuels.