Mistral Large 4 « le Chonk » : ce qui est vérifié, et quel matériel pour le servir
1,05 T de paramètres dont 49 Md actifs, poids attendus fin octobre. Faits recoupés, contradictions, mesures indépendantes, mémoire FP8 et NVFP4, machines.
Tutoriel : Piloter un jumeau d'organisation numérique (Digital Organisational Twins)
Guide visuel pas à pas : administrer l'organisation et ses rôles d'agents en mode DOTS souverain, sur site, avec tour de contrôle et quarantaine 409.
Moteur d'inférence LLM : comparatif vLLM, SGLang, TensorRT-LLM, llama.cpp et Dynamo en 2026
Comparatif 2026 des moteurs d'inférence sur Blackwell : vLLM, SGLang, TensorRT-LLM, Dynamo, llama.cpp. Mesures InferenceX et LMSYS, MTP, DSpark, contexte long.
Inférence souveraine : 8 × RTX PRO 6000 Blackwell face à 8 × H200 SXM
Architecture comparée d'une grappe d'inférence locale : 8 NVIDIA RTX PRO 6000 Blackwell face à 8 H200 SXM, débits vLLM, bande passante et TCO sur trois ans.
Full Stack AI Company : bâtir sa plateforme avec l'IA on-premise, Hugging Face et NVIDIA
Architecture pour bâtir une entreprise IA souveraine : matériel accéléré, NVIDIA AI Enterprise, modèles Hugging Face, essaims agentiques MCP et TCO prédictif.
Entraînement d'un modèle local et RFT : le pipeline complet de QLoRA à la production
Méthode complète pour spécialiser un modèle de 27 milliards de paramètres sur site : curation par renforcement, adaptation QLoRA, masquage de perte et serving vLLM.
IA conforme au RGPD : la liste de contrôle pour une IA générative en entreprise
IA conforme au RGPD : ce que le texte impose, ce que la CNIL et le CEPD recommandent, ce que le règlement européen sur l'IA ajoute et à quelle date. Liste de contrôle sourcée, chatbot, RAG et agents compris.
Plateforme IA locale et LLM open source : l'analyse d'un choix on-premise
Plateforme IA locale avec un LLM open source : confidentialité, permanence et maîtrise du modèle sont acquises, licence et seuil se gèrent. Bancs, licences et coûts vérifiés.
Débit d'un LLM en tokens par seconde : les quatre conditions qui changent tout, mesurées sur seize machines
Le même modèle va de 14 à 290 tokens par seconde selon la machine, et le logiciel, la compression et le nombre d'utilisateurs comptent autant. Huit tableaux sourcés, expliqués en langage courant.
Qwen3.8-Flash-Next sur Mac Studio M5 Ultra : 112 Go de poids, un million de tokens
180 milliards de paramètres dont 6 actifs, 111,6 Go mesurés en MLX 4 bits, 24 Kio de cache par token : le dimensionnement réel sur un M5 Ultra de 512 Go.
GLM-5.3-Flash sur Mac Studio M5 Ultra : 320 milliards de paramètres dans 512 Go
334,1 Go mesurés en MLX 8 bits, 11 Kio de cache par token, fenêtre déclarée d'un million de tokens : le dimensionnement de GLM-5.3-Flash sur M5 Ultra.
Patterns RAG avancés en entreprise : ce qui sépare une démo d'un système qui tient
Découper avec le contexte, filtrer par habilitation avant de scorer, décomposer, rendre large, mesurer le rappel : les cinq patterns qui font tenir un RAG.
Données sensibles et IA : ce qu'une politique de zéro rétention garantit vraiment
Zéro rétention est un engagement contractuel, pas une propriété observable. Les quatre endroits où la donnée se dépose quand même, et ce que le local change.
Traduction juridique et IA : traduire un contrat sans le publier
Traduire un contrat en ligne, c'est le communiquer entier à un tiers. Pourquoi le secret ne se règle pas par contrat, et comment traduire sur site.
Chatbot IA et RGPD : les quatre obligations qui se règlent dans l'architecture
Informer, fonder, limiter, prouver : les quatre obligations d'un chatbot d'entreprise, et pourquoi trois se décident dans l'architecture, pas dans les CGU.
Moteur d'orchestration IA : router chaque requête vers le bon modèle
Classer la requête, choisir le modèle, passer par une passerelle à quotas : comment un moteur d'orchestration décide ce qui reste sur site et ce qui part.
Mac Studio M5 Ultra : 512 Go à 1,2 To/s, ce que ça change pour un LLM local
512 Go à 1,2 To/s : ce que la M5 Ultra change pour un LLM local, quels modèles Flash y logent, et ce que la quantification MLX coûte en qualité.
ASRock AI BOX-A395 + Qwen3.8-27B : 256K de contexte sur Strix Halo 128 GB
L'ASRock AI BOX-A395 (Ryzen AI Max+ 395, 128 Go partagés) fait tourner Qwen3.8-27B multimodal à son contexte natif de 262 144 tokens.
Qwen3.8-27B en local : 262 144 tokens de contexte sur une seule machine
Architecture hybride Gated DeltaNet, cache KV réduit à 64 Kio par token, contexte natif 262 144 : ce qu'il faut comme matériel pour servir Qwen3.8-27B sur site.
DeepSeek V4 Flash Vision Exp : premier multimodal ouvert
DeepSeek publie son premier multimodal en poids ouverts le 31 août 2026 : ce que la tour visuelle ajoute à V4 Flash, et ce que le label expérimental engage.
GLM 5.3 deep on-premise : quel matériel, à quelle vitesse ?
Étude complète de GLM 5.3 : 744 milliards de paramètres, 40 actifs, contexte d'un million de tokens, et le débit mesuré du DGX Spark à la baie GB300 NVL72.
DeepSeek V4 Flash 0731 sur DGX Station et cluster 2× DGX Spark
DeepSeek V4 Flash 0731 (284 B, 13 B actifs, 1 M de contexte) sur DGX Spark, cluster 2× Spark et DGX Station GB300 : recettes vLLM, bancs d'essai et coût réel.
Benchmark indépendant : DeepSeek V4 Flash 0731 vs Claude Opus 5 vs GPT-5.5
DeepSeek V4 Flash 0731 (284 B, 13 B actifs, 1 M de contexte) : scores de l'éditeur, coût réel au token face aux API, et ce que change l'exécution sur site.
Résultats publiés de DeepSeek V4 Flash 0731 (open weight, 2026)
Résultats de benchmark publiés par les éditeurs pour DeepSeek V4 Flash 0731 et GLM 5.2 (open weight, 2026) : Terminal Bench, NL2Repo, GPQA Diamond, HLE. Aucune estimation.
Scénario chiffré : DeepSeek V4 sur DGX Station pour une PME de 80 personnes
Scénario de dimensionnement, pas un retour client : DeepSeek V4 Flash 0731 sur DGX Station GB300 pour une PME de 80 personnes. Débits estimés, TCO sur 3 ans, seuil de rentabilité face aux API.
Modèles open weight pour déploiement local 2026 : comparatif complet
Les modèles à poids ouverts qui tiennent en local en 2026 : taille réelle, paramètres actifs, contexte et matériel nécessaire, gamme par gamme.
Couche sémantique et ontologie pour agents IA
Une couche sémantique à base d'ontologie donne aux agents IA un contexte gouverné : architecture, knowledge graph, enforcement eBPF et déploiement souverain.
Qwen3.8-Max-Preview : 2 400 milliards de paramètres, et des questions
Qwen3.8-Max : 2 400 milliards de paramètres, 95 actifs, et depuis août 2026 les poids du modèle de base publiés sur Hugging Face. Ce que cela change pour un LLM local.
Kill switch et LLM local : ce que change le rapport parlementaire n° 3054
Juin 2026 : l'accès des étrangers à deux modèles d'IA majeurs est suspendu sur ordre américain. Le rapport n° 3054 propose un crédit d'impôt open source.
Prefill, decode et cache KV : quel matériel pour un LLM
Le prefill est borné par le calcul, le decode par la bande passante, le cache KV grossit à chaque token. Lequel des trois décide de votre matériel.
Faire tourner une IA en local sur votre PC
Deux façons de faire tourner une IA sur votre machine en 2026 : gratuitement avec des modèles ouverts, ou un DGX Spark (ASUS, Dell, Lenovo, MSI).
RAG en entreprise : brancher l'IA sur vos documents
Le RAG en entreprise en 2026 : découpage, recherche hybride, reranking et contrôle d'accès. L'architecture pour brancher un LLM sur vos documents, en local.
IA générative et RGPD : la reprise de contrôle
IA générative et RGPD en 2026 : ce que recommande la CNIL, le risque extraterritorial, et comment l'IA locale rend le contrôle des données à l'entreprise.
Quel serveur pour l'IA ? Guide et prix par gamme
Combien coûte un serveur IA en 2026 ? De 6 100 € TTC le poste DGX Spark à environ 451 000 € HT le serveur 8 GPU, la station GB300 entre 88 000 et 110 500 € HT.
LLM local : quel modèle d'IA open source choisir ?
Comparatif des LLM open source à faire tourner en local en 2026 : GLM, DeepSeek, Kimi, Mistral, Qwen. Taille, points forts, licence et matériel.
Installer un LLM local en entreprise : le guide
Installer un LLM local en entreprise : modèle, matériel NVIDIA certifié HPE, Dell ou Supermicro, runtime vLLM ou llama.cpp, passerelle et sécurité.
Orchestrer plusieurs agents de code en parallèle
Le développement passe de l'agent unique à la flotte : un superviseur délègue aux sous-agents, garde le contexte, et la revue reste le seul vrai goulot.
Open Knowledge Format : un format ouvert pour la mémoire des agents IA
OKF représente en Markdown la connaissance que consomment les agents IA. Portable, versionnable et sans lock-in, il sert la mémoire des plateformes souveraines.
Chatbot d'entreprise : le cas d'usage du ChatGPT interne
Le cas d'usage du chatbot d'entreprise : un ChatGPT interne branché sur vos documents par RAG, conforme au RGPD et hébergé en local. Matériel par segment.
Coder avec l'IA sur un modèle local via LiteLLM
Un harness OpenCode, des modèles ouverts servis par vLLM, une passerelle LiteLLM avec quotas : l'assistance au code sans qu'une ligne quitte votre infra.
IA pour les applications métier : CRM, support, ERP, documents
Une API IA interne unique sert le CRM, le support, l'ERP et la gestion documentaire, avec clés virtuelles, budgets et télémétrie par application.
Qu'est-ce qu'une plateforme IA souveraine ?
Définition, différence entre local et hybride, matériel, modèles ouverts et conformité. Le guide de référence pour cadrer un projet.
Sur site ou API : à partir de combien d'utilisateurs le LLM local est-il rentable ?
Le point de bascule des coûts LLM, le rôle du cache clé-valeur et la comparaison avec le paiement au token.
De votre serveur GPU à un service LLM en production
Une méthode en sept phases pour passer d'un serveur GPU à un service LLM en production, avec un livrable et un critère de sortie par phase.
D'un chatbot à une plateforme agentique
Le harness, la mémoire à trois couches et les skills transforment un chatbot en plateforme agentique qui exécute les tâches et capitalise les procédures.
Les pièges de la mise en production d'un LLM sur site
Huit pièges concrets de la mise en production d'un service d'inférence LLM sur site, et les mesures qui permettent de les éviter.