SCARLET WOLF / JOURNAL
Le journal de l'atelier.
Avancement de Gungnir, recherche Morrigan, souveraineté et auto-hébergement. Sans jargon, sans promesse creuse.
Avancement de Gungnir, recherche Morrigan, souveraineté et auto-hébergement. Sans jargon, sans promesse creuse.
Ce journal documente la construction d'une IA souveraine en public, sans filtre. Ce n'est pas un blog d'actualités recopiées : on y trouve ce que j'apprends en concevant Gungnir et l'écosystème Scarlet Wolf, les choix techniques que je tranche, les murs sur lesquels je bute, et ce que ça change concrètement pour qui veut reprendre la main sur ses données.
Chaque article part d'un problème réel, jamais d'un mot-clé. La réponse utile est donnée dès les premières lignes, le reste développe et nuance. Pas de contenu sponsorisé, pas de démo truquée, pas de capture embellie : quand un sujet a une zone d'ombre ou une limite, elle est écrite noir sur blanc. Le but n'est pas de vous vendre quelque chose, mais de vous rendre capable de décider par vous-même.
Trois fils rouges structurent le journal :
Écrit par Kevin G., fondateur de Scarlet Wolf, qui conçoit et développe lui-même les produits évoqués ici. Les articles paraissent au rythme des chantiers, pas d'un calendrier marketing. Pour réagir à un article ou proposer un sujet, la porte reste le contact direct avec le fondateur.
Le septième article prédisait qu'aucune règle de lecture scalaire ne réparerait la rétractation sans référent. Nous avions tort. Une direction figée, apprise sur d'autres dialogues, reprend 100 % des cas et n'en casse aucun, aux deux échelles, jusque sur des outils qu'elle n'avait jamais vus. La mesure, le protocole scellé, et ce que le chiffre parfait ne dit pas.
Transformer, RNN, mixture-of-experts, embedder, classifieur, diffusion, reconnaissance vocale : ce que chaque famille sait faire, ce qu'elle coûte, et laquelle choisir. Avec des chiffres mesurés.
Deux tours de dialogue, une question minimale : le modèle garde-t-il trace de ce qui a vraiment eu lieu ? L'état le sépare à la perfection, indépendamment de la surface. Le comportement l'ignore et fabrique un identifiant qui n'a jamais existé. Troisième mur-porte, le plus net de la série.
Le défaut venait des données d'entraînement : 145 exemples qui appellent un outil contre 6 qui se taisent. Première prédiction pré-enregistrée de la série, tenue aux deux échelles. Et sur le même juge, la lecture bat l'enseignement au coût.
Aucun modèle brut ne sait quand ne pas appeler d'outil, à aucune échelle. L'état interne, lui, le sait. Une porte de lecture répare 80 % des ratés, confirmé en aveugle pré-enregistré, après un premier essai raté que nous publions aussi.
Un cabinet ne manipule pas ses données, mais celles de ses clients. Ce qui sort quand on colle un FEC dans une IA cloud, et l'architecture qui le règle.
Pourquoi l'IA d'entreprise se jouera en local : coût marginal nul, mémoire constante d'un RNN, et nos chiffres mesurés, y compris ceux qui dérangent.
Le modèle confond des outils que son état interne distingue à 99 %. Un correcteur de lecture sans entraînement rend +6 points, confirmés en aveugle pré-enregistré, et le mur des 60 tombe.
Nous avions conclu qu'un checkpoint récent était une régression. C'était notre protocole. 25 mesures et une correction publique.
Deux réponses du même modèle au même prompt peuvent être quasi orthogonales (cosinus 0,079). Le bruit mesuré sur 10 graines, et la parade.
Neuf mesures coincées entre 58 et 61/82 : la limite d'un RNN 2,9B en tool-calling, puis un 7,2B à 3 $ qui bat un 30B cloud.
State-tuning à 0,53 $ sur RWKV-7 : parité exacte avec Qwen3-30B sur un banc de 82 cas, répliqué au bit près. Protocole, données et code publiés.
Pas de meilleur LLM open source dans l'absolu : celui qui passe vos filtres licence, matériel, langue, souveraineté. Le comparatif PME, à jour mi-2026.
On dit à nos clients d'héberger leur IA hors de portée du CLOUD Act. Notre propre code était sur GitHub. Le récit d'une mise en cohérence.
Présentation officielle de Morrigan, notre laboratoire d'IA locale : génération sur un RNN, tout mesuré et publié, échecs compris. Sur un laptop ordinaire.
Fine-tune à 0 € d'un embedder RNN de 144M : parité en pool avec les transformers, verdict inversé à pleine échelle, et la couronne du refus hors-corpus.
Banc d'essai de huit embedders pour notre IA locale : un 107M bat des modèles cinq fois plus gros, avec un portage RWKV CPU open source.
L'alternative à ChatGPT ne tient pas au logo mais à l'endroit où vit l'IA. Le panorama des options sans cloud, de la moins à la plus souveraine.
Les grands groupes ont des juristes et des équipes sécurité pour encadrer l'IA cloud. Une PME, non. Les trois risques concrets, et comment les neutraliser.
L'IA souveraine, c'est une IA déployée sur une infrastructure que vous contrôlez. Ce que ça change pour une PME, et les vrais risques du cloud.
Les assistants IA cloud repartent de zéro à chaque conversation. Pourquoi ils oublient, et comment garder en mémoire vos échanges, documents et contexte.
Le RGPD n'interdit pas l'IA, mais saisir des données personnelles dans un assistant cloud vous engage. Vos obligations, et comment rester conforme.
Un datacenter en France ne met pas vos données hors de portée du droit américain. Ce que dit le CLOUD Act, qui est concerné, et comment reprendre le contrôle.