Cas de garde-fou en situation adversariale
16/16 enforced correctly, reproducible deterministically with zero network or LLM calls
Voir le protocole pour la méthodologie complète.
Chargement de la page / Loading page
Chaque métrique publiée est rattachée à un protocole reproductible, une spécification matérielle et une marge d'erreur empirique. Aucun chiffre marketing.
16/16 enforced correctly, reproducible deterministically with zero network or LLM calls
Voir le protocole pour la méthodologie complète.
95.0% (57/60) zero-shot
Voir le protocole pour la méthodologie complète.
92.5-100%
Voir le protocole pour la méthodologie complète.
$0.0007-0.0021/doc (Route B) vs $0.0048-0.0122/doc (Route A)
Voir le protocole pour la méthodologie complète.
97.8% global sample (106 documents), 100% French/FCFA sample (325/325 fields)
Voir le protocole pour la méthodologie complète.
650/650 documents processed successfully (100%) at ~1.1 docs/second
Voir le protocole pour la méthodologie complète.
Mean APE 4.64% (median 2.77%); auto-selection reduces error from 12.48% (linear-only) to 4.64%
Limite connue : la performance n'est pas encore équivalente entre les langues — ce benchmark a obtenu un score de 0,917 en français contre 0,431 en anglais sur le même lot de 50 cas.
Confirmed persona-based RBAC actually filters retrieval, not just display
Limite connue : la performance n'est pas encore équivalente entre les langues — ce benchmark a obtenu un score de 0,917 en français contre 0,431 en anglais sur le même lot de 50 cas.
71.4% ground-truth accuracy (20/28 applicable cases), 50/50 cases completed with 0 crashes
Limite connue : la performance n'est pas encore équivalente entre les langues — ce benchmark a obtenu un score de 0,917 en français contre 0,431 en anglais sur le même lot de 50 cas.
100.0% coverage (7,878/7,878 rows), 8/8 multi-hop queries
Limite connue : la performance n'est pas encore équivalente entre les langues — ce benchmark a obtenu un score de 0,917 en français contre 0,431 en anglais sur le même lot de 50 cas.
12/12 (100%) tool-selection accuracy, 12/12 execution success, Avg. Tool Execution Time 28.0 s, P95 49.5 s, P95 single-tool call latency 1.12 s
Voir le protocole pour la méthodologie complète.
0.860 accuracy, 0.867 F1, 0.902 ROC-AUC (N=200, weighted panel: Claude Haiku, Groq gpt-oss-120b, GPT-5-mini, Gemini 3.5 Flash)
Limite connue : le à 4 juges ne surpasse pas le meilleur juge unique du panel (Groq gpt-oss-120b, 0,830 de précision) — ce résultat est rapporté comme un constat, pas comme un argument en faveur du .
Stdev 0.217 on wrong predictions vs 0.082 on correct ones (0.158 vs 0.026 with variance penalty)
Limite connue : le à 4 juges ne surpasse pas le meilleur juge unique du panel (Groq gpt-oss-120b, 0,830 de précision) — ce résultat est rapporté comme un constat, pas comme un argument en faveur du .
100% correct accept/reject (90/90 valid processed, 10/10 invalid rejected)
Limite connue : ce chiffre reflète un débit en régime stable, pas une capacité de pointe. Une rafale instantanée de 1 000 requêtes sur une seule instance gratuite a atteint un pic de 22 req/s avec 100% d'erreurs sous cette charge — les rafales non régulées nécessitent mise en file d'attente, limitation de débit ou mise à l'échelle horizontale avant une mise en production.
2.2% WER, 0.8% CER (LibriSpeech test-clean, Whisper large-v3, N=150, T4 GPU)
Limite connue : ce /CER est mesuré, non estimé. Un chiffre antérieur plus optimiste (2,9% de , N=20) est remplacé par ce résultat plus large et directement mesuré. Ces chiffres décrivent la performance sur ce benchmark uniquement, sans comparaison avec l'état de l'art.
8.3% (keyword only) -> 64.6% (+embedding) -> 99.0% (full cascade), macro-F1 0.990 (N=504 held-out SaaS telemetry events)
· N=504
Limite connue : ce chiffre reflète un débit en régime stable, pas une capacité de pointe. Une rafale instantanée de 1 000 requêtes sur une seule instance gratuite a atteint un pic de 22 req/s avec 100% d'erreurs sous cette charge — les rafales non régulées nécessitent mise en file d'attente, limitation de débit ou mise à l'échelle horizontale avant une mise en production.
0.812 precision, 0.729 recall, 0.763 F1 (gpt-oss-120b, N=50), 0.759 precision, 0.765 recall, 0.755 F1 (claude-sonnet-4-6, N=50)
Limite connue : ce /CER est mesuré, non estimé. Un chiffre antérieur plus optimiste (2,9% de , N=20) est remplacé par ce résultat plus large et directement mesuré. Ces chiffres décrivent la performance sur ce benchmark uniquement, sans comparaison avec l'état de l'art.
Comparaison des valeurs publiées avec leur contexte d’échantillonnage.
· N=504