2 Commits

Author	SHA1	Message	Date
Richard Loyer	21784d52de	eval: verdict (assisté, à valider) -> ship Qwen3.5-lmq4 ... 16 prompts FR notés. SAFETY 2/2 à Qwen3.5 (cite 3114/15, dense reste générique malgré le même system) = décisif pour le domaine psy. SUPPORT majorité 3.5 (dense: fuite "too", fautes). Reste ~nul. Règle de décision remplie. Faiblesses 3.5 à corriger par system (registre tu/vous instable; sur-interprétation item 2 "départ"->"décès"). Decode 10.8 vs dense 11.7 (-8%), justifié par sécurité. Spot-check humain conseillé items 2/8/9. Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-26 23:23:00 +02:00
Richard Loyer	777c6979c1	eval: kit qualité A/B aveugle Qwen3.5-lmq4 vs dense (decode CPU, template, reasoning off) ... Bascule perf->qualité. Runner reproductible: genere un cahier de notation aveugle (out/results_blind.md) + cle (out/results_key.csv) sur 16 prompts FR (SUPPORT/SAFETY/ BOUNDARY/INSTRUCTION/GENERAL). Notation humaine, regle de decision dans PROTOCOLE. Resout l'eval shell (avant: template non applique -> ramble anglais): -cnv + -sysf + --reasoning off -> FR propre. out/ ignore (artefacts generes). Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-26 22:24:23 +02:00