QDNA Écrire un message

mmr.qdna.fr : des modèles souverains qui arbitrent, et le disent

Étude de cas vivante : une chaîne d'analyse où des modèles de langage exécutés en local rendent un arbitrage, sous des garde-fous qui refusent de publier ce qu'ils ne peuvent pas justifier. Éditée par QDNA.

Réponse courte. mmr.qdna.fr publie 572 fiches de valeurs, en français et en anglais, produites par une chaîne en quatre temps : des contrôles déterministes, un score issu de 195 règles dont 62 portent un critère machine, trois couches d'agents qualitatifs, puis un arbitrage rendu en trois tirages par glm-5.3 et minimax-m3 exécutés en local. Le signal publié est le vote majoritaire. C'est la démonstration, sur un sujet exigeant, du type de plateforme sur lequel QDNA défend : une plateforme d'IA souveraine où le modèle ne quitte pas l'infrastructure et où chaque affirmation reste rattachable à sa source.

Ce que ce site n'est pas. Il ne formule aucune recommandation d'achat, de vente ou d'attente. Le signal mesure la convergence des analyses, pas une opinion sur un placement. L'auteur le rappelle sur chaque page, et un contrôle automatique refuse la publication d'une fiche qui contiendrait une recommandation.

Les chiffres de la chaîne

Fiches publiées572 valeurs en français et 572 en anglais (1 144 pages de synthèse), plus l'index et la méthodologie publique
Univers suivi4 036 instruments financiers répertoriés, 3 689 signaux de marché et 1 038 verdicts historiques en base locale
Règles195 règles documentées (112 règles de base et 83 règles expertes réparties en huit familles), dont 62 portent un critère évaluable par code déterministe
Modèlesglm-5.3 et minimax-m3, en alternance, exécutés sur l'infrastructure de QDNA via vLLM et LiteLLM
Arbitragetrois tirages du même prompt, vote majoritaire sur le signal (2/3 ou 3/3) ; sans majorité, le verdict est marqué instable plutôt que tranché
Fréquencere-scoring toutes les six heures, avec alertes sur chute de score ou franchissement de seuil
Surfaces hermétiquessurface publique statique sans recommandation d'investissement (conforme AMF/MAR) et tableau de bord privé chiffré sous tunnel Cloudflare avec jeton HMAC

Ce que la chaîne fait, dans l'ordre

L'enrichissement rassemble les données de marché et fondamentales, les dépôts réglementaires, les sanctions et les éléments de gouvernance. Une règle de conception y prime sur toutes les autres : une donnée absente ne déclenche aucune règle. Le système préfère ne rien dire à combler un trou.

Le score déterministe additionne ensuite les poids des règles dont le critère est vrai. Il est reproductible et vérifiable ligne à ligne, ce qui en fait l'étalon auquel on compare l'arbitre. Trois agents qualitatifs interviennent alors, l'un sur les fondamentaux, l'un sur le prix, l'un sur les risques, chacun rendant un verdict assorti d'une confiance et de faits datés.

L'arbitrage clôt la chaîne. Le même prompt est tiré trois fois sur les deux modèles en alternance, et le signal publié est celui qui obtient la majorité. L'ancien verdict est montré à l'arbitre, et un changement de signal sans fait nouveau daté est refusé. C'est ce garde-fou qui empêche une chaîne d'agents de dériver au fil des exécutions.

Trois contrôles avant publication

Le verdict majoritaire est réécrit en version publique par un modèle local, puis soumis à trois vérifications automatiques : aucun chiffre qui ne figure dans le verdict source, aucune référence au portefeuille de l'auteur, aucune recommandation d'achat, de vente ou d'attente. Une page qui échoue à l'un des trois n'est pas publiée.

Ce point mérite d'être souligné, parce qu'il est rare. La plupart des chaînes génératives contrôlent la forme et laissent passer le fond. Ici le contrôle porte sur ce que le texte affirme, et il bloque la publication plutôt que de signaler après coup.

Pourquoi ce projet

Le sujet financier n'est pas l'objet de la démonstration : il en est le terrain d'épreuve. Une chaîne d'agents qui se trompe sur un chiffre, qui change d'avis sans raison ou qui invente une donnée manquante se voit immédiatement dans ce domaine, là où elle passerait inaperçue ailleurs.

Ce que la plateforme montre est ce que QDNA défend dans ses analyses : des modèles ouverts servis sur une infrastructure maîtrisée, un orchestrateur d'agents qui répartit le travail entre des rôles spécialisés, et des garde-fous qui refusent de publier plutôt que d'affirmer sans preuve. Les deux modèles employés ici, GLM 5.3 et MiniMax M3, ont leur fiche sur ce site, avec leur dimensionnement matériel.

Voir la plateforme