Liste de projets

L’agent ultra-rapide de Browser Use : le modèle de décision choisit à la fois l’opération et l’élément du DOM en une seule requête, et un petit LLM n’est appelé que lorsqu’il faut saisir du texte.

Un copilote de conversation côté téléphone : lit l’interlocuteur dans WeChat, QQ, X ou Feishu, propose des réponses et remplit le champ de saisie — l’envoi reste manuel. Il lit seulement l’écran, ne hook rien ni ne modifie le paquet.

Utilisation de l’ordinateur sur macOS : OCR de l’écran, classification de l’action suivante avec le modèle de décision, clic. Annoncé à environ $0.0002 par étape.

Une suite de skills pour les agents Hermes : routage de modèles, mémoire, compaction du contexte, sélection de skills et usage de l’ordinateur ou du navigateur — s’installe aussi sous Claude Code et Codex.

Laisse le modèle de décision choisir le clic pendant que Codex réfléchit et vérifie — opérations de navigateur annoncées 5–10× plus rapides.

Un agent qui joue à Super Mario Bros. à partir de l’état structuré de l’émulateur plutôt que des pixels.

Un agent Android autonome où le modèle de décision prend chaque décision, avec un studio en direct affichant la télémétrie des décisions.

Une superposition de détection d’intention pour WeChat (macOS) : lecture de l’écran et petit modèle local pour juger l’intention et le risque, puis des réponses candidates — strictement en lecture seule, rien n’est injecté dans WeChat.

Contrôler un vrai navigateur à la voix : l’intention et la cible sont décidées en environ 300 ms par mot prononcé, puis Playwright agit — souvent avant que tu aies fini ta phrase.

Usage du navigateur piloté par le modèle de décision.

Une extension de navigateur qui utilise le modèle de décision pour repérer et supprimer l’encombrement des pages, avec des règles réutilisables sous forme de modèles.

Un atelier de décision pour robots sous MuJoCo.

Un drone autonome doté d’une seule caméra dans MuJoCo, avec l’étape de décision tournant à 2.5 Hz.

Un plugin Claude Code qui remplace le résumé de compaction par des décisions : chaque appel d’outil et son résultat sont notés dans une seule requête, l’obsolète est supprimé ou tronqué, et ce qui est gardé reste mot pour mot.

Un superviseur d’agents qui utilise des décisions pour ramener les agents de codage à la tâche.

Des harness de décision spécifiques à une tâche rédigés par un LLM, avec en option une réflexion sur la récompense de toute la trajectoire et une évolution par GEPA.

Un plugin de décision structurée pour les harness d’agents : natif sur DeepSeek Harness et, via iPolloWork, aussi OpenCode et Codex Harness.

Un plugin Claude Code qui coupe les longues sorties Bash avant même que le modèle ne les voie.

Une couche de décision pour l’agent de codage Pi : un portail d’appels d’outils mesuré plus jev_ask pour des réponses typées et calibrées.

Des garde-fous pour Pi qui guident au lieu d’interrompre : le modèle de décision juge les appels d’outils irréversibles ou hors sujet, détecte les boucles bloquées et vérifie les affirmations de fin non vérifiées.

Une skill pour écrire et améliorer les programmes qui appellent le modèle de décision.

Un flux de revue de code par étapes, avec un tableau de bord local.

Recherche web avec le modèle de décision : sélection des sources, compréhension de la requête et classement par pertinence.

Route les tâches de Claude Code vers le modèle suffisant et le moins cher, en demandant au modèle de décision de choisir parmi les candidats.

Une extension PostgreSQL pour interroger tes tables en langage courant.

Routage tour par tour pour Codex : chaque tour re-décide le modèle, la profondeur de réflexion et le mode de vitesse.

Un plugin MCP local-first pour une revue continue de la qualité logicielle par les agents de codage.

Une plateforme d’analytique marketing qui a déplacé un classifieur de visibilité de marque d’un LLM vers des décisions booléennes, activable par un feature flag.

Un routeur léger pour les modèles, les outils et les sous-agents.

Un CLI qui analyse un dépôt en graphe d’appels au niveau des méthodes, puis demande au modèle de décision de signaler les défauts probables et de vérifier des règles de projet écrites en anglais simple.

Grep par sens plutôt que par motif : chaque ligne est notée par rapport à un sens, et les sens se combinent avec AND / OR / NOT.

Parcourt un graphe Neo4j saut par saut en classifiant chaque relation sortante candidate, avec une recherche par faisceau sur les log-probabilités de la réponse.

Des if sémantiques à partir de modèles ouverts, sur une seule 3090 à la maison. Indépendant, sans lien avec le fournisseur.

Une réplique de 0.6B : des décisions parallèles sur des candidats dynamiques, aucun décodage de jetons de sortie, avec le pipeline d’entraînement de bout en bout.

Entraîne un petit modèle qui choisit dans une liste d’options textuelles qui change, avec une probabilité par option en une seule passe — avec des démos de Doom, d’échecs et de Wikispeedia.

Un modèle non autorégressif de 395M qui répond à des questions typées avec des probabilités calibrées en moins de 15 ms, conçu comme remplacement direct local.

Transforme n’importe quel modèle ouvert en classifieur, ou en endpoint compatible.

Transforme n’importe quel LLM en modèle de décision : les décisions typées et les probabilités calibrées se lisent dans les distributions de prefill du jeton suivant, sans entraînement.

Un serveur de décision ouvert et compatible avec le fournisseur, bâti sur DiffusionGemma.

Un ajustement d’un modèle 2B qui produit des décisions typées et des probabilités calibrées en une seule passe.

Adapte des modèles de langage locaux en moteurs de décision structurée compatibles, les trois primitives étant produites par inférence binaire avec prefill uniquement.

Une réplique de 0.6B destinée aux agents : donne-lui un état non structuré (diffs, traces, logs) et des questions structurées, et elle rend des distributions calibrées en une seule passe d’environ 50 ms, sans jetons de sortie.

Un moteur de décision non autorégressif calibré de 151M que son auteur dit battre à la fois le modèle du fournisseur et Laya sur un benchmark public : 77.10% de précision, 0.0636 de Brier, 0.0144 d’ECE.

Une expérience d’inférence pédagogique sur Apple Silicon : contexte partagé, notation directe des candidats et démos visuelles locales.

Un remplacement direct auto-hébergé.

Un petit modèle de décision ouvert : état plus questions typées, et des probabilités calibrées en retour.

Le framework d’agents ouvert de Vercel, qui embarque le modèle de décision comme modèle d’évaluation par défaut dans son chemin expérimental evaluate.

La skill officielle pour Claude Code, Codex et les agents compatibles : les primitives, les motifs et comment structurer les évaluations.

Un CLI de terminal de Vercel Labs qui peut exécuter le modèle de décision comme modèle d’évaluation pour sa commande evaluate.

Un serveur MCP de preuve de concept pour connecter le modèle de décision aux clients MCP.

Un serveur MCP en Go, un seul binaire, qui expose des jugements typés à Claude Desktop, Claude Code et Codex.

Le remplacement direct du client officiel : tu changes le client, et derrière il se connecte à OpenAI, Anthropic ou à des API LLM compatibles — pour comparer le modèle de décision aux modèles de chat dans la même évaluation.

Le client officiel TypeScript/JavaScript, avec des types de réponse inférés.

Le client Python officiel, synchrone et asynchrone.

Une décision de trading à chaque bloc Monad.

Une entrée qui devient ce que tu veux dire : une zone de texte qui se transforme en interface adaptée au fil de la frappe. Fonctionne hors ligne.

Un flux de travail « LLM + modèle de décision ». (La description publique ne va pas plus loin.)

Un CLI d’apprentissage actif qui utilise des étiquettes humaines et GEPA pour améliorer la définition des décisions.

Décris ton idée de startup et il décide : la tuer, la corriger ou la lancer.

Un trader en direct piloté par les décisions sur Hyperliquid.