Graph-MIND (désormais turnbook) : mémoire locale pour agents de codage sans aucun appel au modèle
Outils et sortiesArticles connexes
Turnbook : la mémoire locale des agents de coding, sans appel au modèle
Chaque conversation enregistrée mot pour mot dans un fichier SQLite, sans appel au modèle : recherche par embeddings locaux, 3,1k tokens par réponse. 91,8 % sur LongMemEval, zéro token pour enregistrer.
QRAE : compresser le contexte des agents DeepSearch pour économiser token et latence
QRAE utilise l'entropie d'attention du modèle pour décider quels fragments récupérés restent dans le contexte : token -45 %, latence -30 % et succès en hausse sur quatre benchmarks.
Agents d'entreprise avec des modèles open-weight : le rapport Gartner sur les coûts, les calculs et la règle des 90 %
Gartner estime que 9 étapes agentiques sur 10 peuvent être exécutées avec des modèles open-weight au cinquième du coût d'un modèle frontier. Les chiffres, le calcul et quand cela vaut vraiment la peine.
Recevez le prochain point IA locale
Chaque semaine, une sélection du meilleur d'iaLocale : articles, actualités et ressources sur l'IA locale, et plus encore.
Après l'inscription, vous recevez un e-mail de confirmation (double opt-in). Sans confirmation, nous n'envoyons rien. Pas de spam, promis.

