Trois modèles d'IA s'accordent à dire que votre code est sûr. Cela ressemble à trois confirmations ; il peut s'agir d'une seule erreur, comptée trois fois. Ce guide en langage clair explique pourquoi des modèles de fournisseurs différents peuvent tout de même échouer de la même façon, quand leur accord compte comme élément de preuve, et ce qu'il faut vérifier à la place.
Compagnon de Agentic Stemmatics: Collation, Provenance, and Conservation for an Emerging Machine Textual Tradition (Soons, 2026, v1.35 ; doi:10.5281/zenodo.22030516 (le DOI de concept : un DOI qui renvoie toujours à la dernière version déposée) ; dernier dépôt v1.35, déposé le 25 sept. 2026, DOI de version 10.5281/zenodo.22959463)
Vous commandez une revue ? Commencez par la partie 6, sur ce qu'un client peut, et ne peut pas, en déduire ; les autres parties donnent le raisonnement qui la sous-tend.
Ce document est une voie d'accès : un exposé plus court et plus simple du même argument, écrit pour qu'un lecteur puisse s'orienter avant d'aborder l'article lui-même ; ou au lieu de l'aborder, si ce dont il a besoin est la forme de l'idée plutôt que sa défense complète.
Ce qui est réellement affirmé. Ce qui est en question (ce dont traite tout l'article), c'est de savoir si l'on peut se fier au verdict d'un modèle d'IA sur sa seule parole, sans rien exécuter, comme un historien traite le récit, dans un document, d'un événement dont aucun vivant n'a été témoin ; non pas simplement cru, mais pesé, recoupé et attribué. C'est la question ouverte. Elle n'a pas encore de réponse. Elle est plus étroite et plus difficile que ce qui est admis comme réel : les ingénieurs en viennent parfois à savoir, après coup, si le verdict d'un modèle d'IA sur un morceau de code était juste, en lançant le test, en exécutant le code, ou en le confrontant à ce que dit réellement une spécification (ce qui établit ce que dit la spécification, et non si la spécification elle-même est correcte, ni si l'affirmation sur le monde qui sous-tend le verdict tient) ; c'est quelque chose qui arrive parfois, et non une capacité permanente que quiconque pourrait supposer disponible à la demande. Savoir si une réponse à cette question serait assez fiable pour être vendue est une question distincte, plus difficile encore, que l'article refuse explicitement d'aborder : il dit clairement que ce point n'est pas mesuré, et que son auteur a un intérêt financier dans la réponse, ce que l'article déclare au lieu de le cacher.
La règle à laquelle ce document est soumis. Ceci est une introduction, pas un résumé : elle tente de vous amener au point où vous pourriez atteindre les conclusions par vous-même. Même règle que celle que portent les Prolegomena (un document compagnon plus long, pas encore publié ; voir la partie 7) : ce document ne peut rien dire que l'article ne dise pas. Là où une phrase est ici plus simple que celle de l'article, c'est la raison même de l'écrire. Là où une phrase est ici plus forte (là où elle affirme plus que ce qu'affirme l'article), c'est un défaut de ce document, pas une découverte sur la pratique (la pratique, c'est CounterProof, qui vend de la revue fondée sur la méthode de l'article) ; là où ce document et l'article divergent, fiez-vous à l'article. Tout ce qui, ici, se lit comme une promesse peut être confronté au §13 de l'article lui-même, qui énonce clairement ce qui est affirmé et ce qui est refusé.
Tout mot emprunté n'est qu'un prêt. L'article puise son vocabulaire dans un domaine ancien et sans rapport : l'étude de la manière dont les manuscrits sont copiés, mal copiés, puis finalement reconstitués par des érudits des siècles plus tard (le mot du titre de l'article, stemmatics, en français stemmatique, désigne la partie de cette étude qu'il emprunte ; voir la partie 3). Cet emprunt n'est pas décoratif : le problème de savoir à laquelle de plusieurs copies corrompues se fier est adossé à une discipline formelle préexistante. Ce document n'emploie ce vocabulaire que là où il a sa place, et chaque terme est expliqué simplement la première fois qu'il apparaît.
Un programme informatique ordinaire peut, en principe, être lu ligne à ligne : son comportement découle de son texte, et un lecteur assez patient peut suivre la cause jusqu'à l'effet. La sortie d'un modèle de langage ne fonctionne pas ainsi, et pas parce qu'elle est compliquée, à la manière dont une grande base de code est compliquée : la sortie n'est pas du tout une dérivation pas à pas. C'est une affirmation : ce code est correct, il n'existe ici aucune vulnérabilité, ces tests passent. L'assurance, la fluidité et la cohérence interne ne vous disent pas de manière fiable si l'affirmation est fondée.
Le fait structurel dont découle tout le reste de ce document : le même mécanisme qui produit une réponse bien fondée produit aussi une réponse sans fondement. Des recherches sont en cours pour savoir si un signal interne au modèle pourrait en principe distinguer les deux ; et des résultats préliminaires suggèrent que même l'explication écrite qu'un modèle donne de son propre raisonnement peut s'écarter du calcul réel qui a produit sa réponse, ce qui est en soi une raison de prudence. Mais cette question de recherche n'est pas à la disposition de quelqu'un qui utilise le modèle au quotidien. À partir de la fluidité de la réponse ou du compte rendu qu'elle donne d'elle-même, un lecteur ne peut pas distinguer de manière fiable les deux cas, et une décision doit tout de même être prise.
Donc : traitez une sortie d'IA comme un tribunal ou un historien traite un témoignage ; quelque chose à peser, à recouper et à attribuer, auquel on ne se fie jamais à cause de la manière dont il est délivré, et qu'on ne se contente jamais de moyenner avec d'autres témoignages comme si l'accord à lui seul réglait quoi que ce soit.
Une correction, apportée tôt parce que tout le reste en dépend : ce dont vous devez vous méfier n'est pas une sortie isolée ; c'est toute la tendance du modèle qui l'a produite. Posez deux fois la même question au même modèle et vous pouvez obtenir deux réponses différentes. Cette instabilité a été observée de manière informelle dans le travail même de cette pratique, mais elle n'est pas présentée ici comme un taux mesuré : aucun chiffre n'est avancé. Le point qualitatif suffit à lui seul à imposer une correction : toute réponse isolée est un tirage dans une distribution de réponses possibles qu'un modèle donné tend à produire. Cela a une conséquence inconfortable que l'article accepte pleinement : même un constat qui signale un problème grave est, lui-même, un tirage ; une affirmation qui attend encore d'être vérifiée sur le code réel, et non un verdict du seul fait qu'elle semble alarmante. Le coût de sa vérification doit être chiffré, et non supposé nul.
Deux sortes de questions. Certaines questions sur un morceau de code ont une réponse mécanique disponible : l'exécuter, vérifier ses types, le tester, le prouver, ou consulter ce que dit réellement une spécification. Appelons-les questions décidables : non pas au sens mathématique strict de la théorie de la calculabilité, simplement au sens pratique où une vérification mécanique la tranche. Pour celles-ci, vous n'avez pas besoin d'un panel d'opinions d'IA. Vous avez besoin d'exécuter la chose.
D'autres questions n'ont aucune vérification mécanique de ce genre à disposition : cette conception est-elle saine, s'agit-il d'un défaut réel si personne ne peut le reproduire, quelle est sa gravité réelle, que signifie cette clause de contrat. Appelons-les questions de jugement. Rien ne s'exécute pour les trancher : un verdict doit être construit à partir de témoignages.
L'asymétrie compte. Pour une question décidable, il y a un seul fait en la matière, et la vérification mécanique l'atteint. Pour une question de jugement, il peut n'y avoir aucune réponse juste unique vers laquelle converger : la qualité du code dépend souvent véritablement de la spécification que l'on tient en main, et deux relecteurs en désaccord peuvent simplement répondre à deux questions différentes et toutes deux légitimes, plutôt que l'un d'eux soit corrompu.
La question à laquelle tout ce programme de recherche existe pour répondre, en une phrase :
Comment obtenir un verdict digne de confiance de plusieurs témoins, quand aucun d'eux n'est digne de confiance pris isolément, et que vous ne savez pas s'ils sont réellement indépendants les uns des autres ou s'ils commettent tous la même erreur pour la même raison ?
Elle se divise en trois sous-questions :
L'article appelle collation le fait de comparer entre elles les réponses de plusieurs relecteurs d'IA, pour déterminer auxquelles se fier (voir le glossaire : Collation).
Une réponse évidente consiste à poser la même question à plusieurs modèles et à suivre ce que dit la plupart d'entre eux. L'accord peut renforcer une affirmation lorsque la dépendance pertinente entre les relecteurs a été évaluée. L'article n'établit pas de règle complète indiquant quand le vote à la majorité est fiable.
Pourquoi ce n'est pas une inquiétude théorique (les chiffres réels). Sur plus de 350 modèles testés sur deux classements publics et une tâche de présélection, lorsque deux modèles se trompent tous les deux, ils tombent sur la même mauvaise réponse bien plus souvent que le hasard ne le prédirait : en moyenne 60 % du temps sur un classement et 42 % sur l'autre. Des paires d'entreprises différentes sont incluses partout ; le modèle de l'étude attribue une plus grande part de l'accord à la capacité qu'au fournisseur commun sur un classement, l'inverse sur l'autre, et la majeure partie à aucun des deux : et l'étude ne rapporte aucune analyse limitée aux paires d'entreprises différentes. Et les modèles plus capables commettent des erreurs plus corrélées, et non moins (Kim, Garg, Peng & Garg, ICML 2025). Si la capacité entraîne cette corrélation entre entreprises aussi bien qu'au sein de chacune, en infère l'article, alors un groupe de modèles plus capables issus d'entreprises différentes commet des erreurs plus corrélées qu'un groupe comparable de modèles plus faibles, quelle que soit la contribution du mélange d'entreprises lui-même. On n'a pas mesuré si cela évolue avec le temps : ce résultat est un instantané, pas une tendance.
Deux points de vue qui ont chacun à moitié raison. Un camp dit que l'accord entre plusieurs relecteurs est un élément de preuve significatif ; sans lui, relire la sortie de l'IA serait sans espoir, puisque chaque relecteur pris isolément est, de l'aveu général, peu fiable et qu'il n'y a pas de meilleure ressource disponible. L'autre camp dit que l'accord ne vaut rien : que plusieurs relecteurs convergent vers la même réponse est exactement ce à quoi l'on s'attendrait s'ils partagent une cause commune (des données d'entraînement qui se recoupent, des méthodes d'entraînement semblables, un petit nombre de familles de modèles sous-jacentes).
L'indépendance doit être traitée comme quelque chose qui se mesure, et non comme quelque chose que l'on suppose : et elle doit être mesurée séparément pour chaque sorte de question posée. Deux systèmes d'IA pourraient être quasi indépendants l'un de l'autre sur des questions de bogues de sûreté mémoire, et n'être en pratique qu'un seul témoin portant deux noms sur des questions de conception de protocoles cryptographiques. Les étiquettes de fournisseur, à elles seules, n'établissent pas à quel point les erreurs des relecteurs sont dépendantes, pour l'une ou l'autre sorte de question. Présentés comme deux camps opposés (un procédé de mise en scène, et non une affirmation selon laquelle ce seraient les deux seules positions réelles, ou que quiconque les tiendrait réellement de façon aussi nette), les deux côtés partagent une même hypothèse fausse : qu'« indépendant » serait quelque chose qu'un processus de revue a ou n'a pas, décidé au moment où l'on constitue le panel. C'est cette hypothèse commune qui est résolue ici, et non le problème pratique plus profond qui se trouve dessous. Les deux camps ont raison sous une condition : l'accord peut renforcer une affirmation lorsque la dépendance pertinente entre les relecteurs a été évaluée. L'accord entre des relecteurs dont la corrélation n'est pas mesurée est une lecture prise sur un instrument dont personne n'a vérifié qu'il fonctionne.
Deux limites pèsent même sur ce correctif, toutes deux issues de l'article lui-même. Premièrement, l'instrument qui ferait cette mesure (suivre, par sorte de question, la fréquence à laquelle deux relecteurs commettent la même erreur, et l'écart entre leurs habitudes) a été proposé mais pas construit. Deuxièmement, l'indépendance ne peut jamais être entièrement vérifiée de l'intérieur du panel qui l'utilise. La mesurer réduit votre incertitude. Rien ne la supprime complètement. C'est une limite durable que l'article porte en permanence, et non une réserve qui sera levée plus tard.
Donc, formulé avec soin : le vote à la majorité n'est pas sûr précisément là où l'indépendance des relecteurs n'est pas mesurée ou est connue pour faire défaut, et pour deux raisons différentes. Premièrement, un accord corrélé est compté comme s'il s'agissait d'une confirmation, alors qu'il s'agit en réalité de la même erreur qui apparaît plusieurs fois. Deuxièmement, de simples seuils de vote écartent les opinions minoritaires précisément dans les cas où la majorité corrélée partage un angle mort : bien que ce second point soit l'inférence raisonnée de l'article lui-même à partir du premier, et non quelque chose que l'une ou l'autre des études sous-jacentes ait directement mesuré.
Il s'agit d'une affirmation conditionnelle, pas d'un rejet global du vote. Il existe un argument réel et sérieux en faveur du vote dans le bon contexte (la précision, éviter la lassitude face aux fausses alertes, un triage de premier passage peu coûteux à grande échelle, des gains statistiques réels lorsque l'indépendance tient vraiment), et les propres relecteurs de l'article ont soulevé exactement cet argument ; l'article reconnaît qu'il est resté sans réponse plutôt que d'esquiver la lacune. Une étude en prépublication (pas encore relue par des pairs) a trouvé que le vote à la majorité battait le meilleur modèle unique, choisi après coup, dans environ 10 % des groupes de trois modèles sur un banc d'essai précis (MMLU-Pro), et dans environ 19 % lorsque le meilleur modèle était choisi sur des questions mises de côté ; son auteur décrit le lien entre davantage d'erreurs partagées et un gain plus faible comme modeste et dépendant du dispositif. Là où le but est un triage rapide dans un contexte de lassitude face aux alertes plutôt que la reconstitution de ce qui est objectivement vrai, le vote est un outil légitime. Ce à quoi l'on objecte, c'est de présenter un raccourci de triage comme s'il s'agissait d'une procédure de recherche de la vérité.
Il ne s'ensuit pas non plus que quiconque est en désaccord avec la majorité a raison. Un brouillon antérieur de l'article a commis cette erreur (un raisonnement qui semblait élégant mais était en réalité circulaire) et a dû revenir dessus. Ce qui s'ensuit est seulement ceci : en présence de majorités corrélées, un processus qui préserve et examine la dissidence est le seul type de processus qui puisse jamais retrouver un constat vrai mais minoritaire. La dissidence ne confère à elle seule aucune crédibilité particulière à un constat : elle maintient simplement le constat en vie assez longtemps pour qu'il soit vérifié.
Sur la dissidence. Un point de vue dit qu'un relecteur dissident doit toujours faire l'objet d'un examen, sans quoi une majorité corrélée n'est jamais corrigée et tout l'intérêt de recourir à plusieurs relecteurs est perdu. L'autre point de vue dit qu'un relecteur dissident doit être minoré, sans quoi n'importe quel relecteur obstiné ou compromis obtient de fait un droit de veto, et le processus se transforme en attaque par déni de service contre lui-même. La dissidence ne doit donc être ni automatiquement crue ni automatiquement minorée : elle doit être orientée vers une vérification mécanique partout où il en existe une. Une opinion dissidente n'est pas une autorité mais une demande de preuve, et la bonne réponse consiste à lancer le test, lire la spécification, exécuter le code, et non à organiser un second vote. Là où il n'existe aucune vérification mécanique, cette réponse est incomplète, et l'article le dit : il n'y a aucune règle de départage pour les différends qui ne peuvent pas être tranchés mécaniquement, et aucun modèle de coût ; seulement l'exigence que le coût de la poursuite de chaque dissidence soit chiffré honnêtement plutôt que supposé nul. Quiconque lit « l'orienter vers la preuve » comme une procédure achevée a pris une exigence pour une mise en œuvre.
Cette approche a un coût réel, et l'article énonce ce coût au lieu de le cacher. Quatre revues de la conception même de l'article, commandées séparément (« commandées séparément » parce que c'est un fait sur la manière dont les relecteurs ont été obtenus, et non une affirmation mesurée selon laquelle leurs conclusions ont été atteintes de manière indépendante), ont convergé, sans y avoir été invitées, vers les mêmes critiques : elle donne de fait un pouvoir de veto à un relecteur obstiné ; elle n'a aucune limite intégrée au nombre de fausses alertes qu'elle peut générer ; elle récompense le signalement excessif, puisqu'un constat qui ne peut pas être rejeté par un vote sera simplement soulevé plus souvent ; et elle place l'autorité finale entre les mains d'un seul décideur humain qui n'est lui-même soumis à aucun examen et qui, dans le cas de cette pratique, a un intérêt financier déclaré dans le résultat. L'article énonce donc clairement que cette approche ne fonctionne que dans un cadre étroit : une revue à faible volume et à fort enjeu, où des vérifications mécaniques sont disponibles, et où les panels restent petits. Elle ne passe pas à l'échelle d'un criblage à fort volume, et elle n'est pas présentée comme si c'était le cas. Employée là où les vrais constats minoritaires sont rares et le bruit élevé (un contexte de faible prévalence et de bruit élevé), elle devient une machine à faux positifs.
Alors : comment une collation digne de confiance est-elle réellement possible ? La vraie réponse est conditionnelle, et plus étroite qu'elle ne pourrait le sembler au premier abord. Elle comporte deux parties distinctes :
Première partie : l'accord. L'accord entre relecteurs peut renforcer une affirmation là où leur dépendance sur cette sorte précise de question a réellement été évaluée. L'article n'offre pas de règle complète indiquant quand le vote est fiable.
Deuxième partie : reconstituer une seule réponse « vraie ». C'est une affirmation distincte et plus restreinte : le langage de la récupération d'une vérité terrain unique et définitive ne s'applique qu'aux questions décidables, là où une vérification mécanique existe et l'emporte de toute façon sur n'importe quel panel. Pour les questions de jugement, un panel de relecteurs échantillonne l'opinion : il ne retrouve pas un fait original perdu, parce que pour de nombreuses questions de jugement il peut n'y avoir aucun fait unique à retrouver. Appeler cela « reconstitution » est l'excès qu'un brouillon antérieur de l'article a commis puis retiré.
Aujourd'hui, la première partie n'est pas remplie : la mesure qui vous dirait si l'indépendance tient réellement n'a pas encore été construite. Cela suffit à trancher la conclusion pratique : aucun verdict reposant sur le seul témoignage n'est actuellement étayé par l'article ; non parce que l'accord serait réservé aux seules questions décidables (il ne l'est pas), mais parce que l'évaluation proposée de la dépendance entre relecteurs n'a pas été mise en œuvre, et que l'article n'a pas établi de justification par le seul témoignage. Et la reconstitution n'a jamais été une seconde route vers la même destination : là où une vérification mécanique existe, la justification (ce qui fonde la croyance en un verdict) venait toujours de cette vérification, et non du panel ; là où aucune vérification mécanique n'existe, l'article retire l'affirmation la plus forte plutôt que de promettre une capacité qu'il n'a pas construite.
Deux conséquences s'ensuivent. Premièrement : il n'est affirmé l'existence d'aucun domaine où le seul témoignage constitue une justification suffisante, et il n'est pas non plus montré que cette catégorie soit vide. La question reste ouverte, exactement là où la laisse la mesure d'indépendance non construite.
Deuxièmement : en attendant, les verdicts sont clos de la manière dont cette pratique les clôt réellement aujourd'hui (partie 6) ; ce que la collation fournit est ce pour quoi elle a été conçue : un triage peu coûteux, continu et à large couverture, qui indique à une vérification plus soigneuse et plus coûteuse où concentrer ses efforts (proposé, et pas encore mené ni éprouvé à échelle réelle : une limitation pratique distincte, et non une condition non remplie de plus qui ferait obstacle à une justification par le seul témoignage), accompagné d'un dossier : des constats orientés vers des vérifications mécaniques lorsque c'est possible, la dissidence préservée plutôt qu'écartée, et les questions de jugement restantes tranchées par un humain nommé. Si une expérience future planifiée produit un jour un cas où la collation elle-même, à elle seule, fournit un verdict justifié, ce serait le premier cas réel où la question ouverte ci-dessus reçoit une réponse : d'ici là, tout exemple de ce genre n'est qu'une promesse, pas un résultat.
Et un plafond rigide surplombe tout cela. La méthode tout entière ne peut choisir que parmi les constats qu'un relecteur a effectivement soulevés. Elle ne peut pas faire émerger un défaut que tous les relecteurs, sans exception, ont manqué. Si chaque modèle partage le même angle mort et qu'aucun d'eux n'est dissident, la méthode y est structurellement aveugle : par construction, et non par malchance. Y remédier relève d'une tout autre boîte à outils (la recherche en interprétabilité sur les modèles eux-mêmes, ou une vérification mécanique qui le détecte directement), et ce programme ne va pas jusque-là.
La partie 2 s'est achevée sur une exigence (l'indépendance mesurée) que la partie 2 elle-même ne peut pas satisfaire. La corrélation des erreurs des relecteurs peut être mesurée directement, tâche par tâche ; savoir comment deux relecteurs sont apparentés aide à l'expliquer. Les érudits qui étudient les manuscrits ont affronté exactement ce problème et ont construit pour lui une méthode formelle : reconstituer l'arbre généalogique des copies (l'arbre s'appelle un stemma et la méthode la stemmatique, en anglais stemmatics, le mot du titre de l'article ; agentic stemmatics est le nom que l'article propose pour un travail analogue mené sur des modèles d'IA), et interpréter l'accord entre deux copies à la lumière de leur place dans cet arbre, et pas seulement en comptant combien de copies concordent.
Le moteur de cette méthode, et la condition qui y a toujours été attachée. La méthode classique fonctionne à partir d'un type d'indice particulier : une erreur partagée si arbitraire qu'il serait improbable que deux copistes indépendants y aboutissent par coïncidence ; ce qui signifie que l'erreur partagée s'explique mieux par le fait que les deux copies descendent d'une source commune, déjà fautive.
Cette condition faisait partie de la méthode dès le départ, même si son application dépendait du jugement de l'érudit. Les erreurs faciles et évidentes (simples lapsus, « corrections » naturelles vers une formulation plus courante, modernisations ordinaires) sont explicitement exclues, précisément parce que des copistes indépendants tendent à commettre d'eux-mêmes ces mêmes erreurs faciles. Seule une erreur dont il est réellement improbable qu'elle survienne par coïncidence porte une véritable information sur une ascendance commune. La biologie a le même problème sous un autre nom : la convergence, où deux espèces sans lien développent indépendamment un trait semblable, par opposition au véritable héritage commun, où elles partagent le trait parce qu'elles partagent un ancêtre.
L'erreur qu'un brouillon antérieur a commise. Une version antérieure de l'article affirmait que les erreurs partagées entre modèles d'IA sont un élément de preuve d'une lignée d'entraînement commune. C'était faux, et les relecteurs qui l'ont signalé avaient raison : deux modèles entraînés vers des objectifs semblables sur des données qui se recoupent peuvent aboutir à la même réponse plausible mais fausse sans que l'un copie l'autre. L'explication habituelle, selon laquelle la mauvaise réponse est simplement l'erreur la plus facile et la plus probable étant donné la façon dont ils ont tous deux été entraînés, est l'hypothèse de travail plutôt qu'une cause mesurée (voir Attracteur dans le glossaire). Appliquée aux modèles d'IA, la règle d'exclusion des spécialistes des manuscrits eux-mêmes, telle que l'article propose de l'employer, ne donne de poids généalogique à une erreur partagée entre modèles que lorsque son apparition indépendante serait improbable, seule ou conjointement avec d'autres traits partagés. Les erreurs partagées entre modèles sont fréquentes, mais les études que l'article prend en compte n'établissent pas combien d'entre elles sont l'équivalent, pour l'IA, du « lapsus facile » plutôt que de l'erreur rare et révélatrice.
Cette correction est elle-même un cas du problème « convergence ou héritage » que les deux domaines sources (la critique textuelle et la biologie) traitent déjà comme leur difficulté centrale. L'article relève le parallèle puis refuse d'y voir un appui en sa faveur (voir la partie 4, « Une mise en garde contre le fait de croire trop facilement à son propre cadre »). Cela est consigné ici comme élément de preuve que le cadre reste cohérent en interne, rien de plus fort.
Là où se trouve vraiment le signal. Les modèles ont des habitudes stables dans le choix des mots, la structure et la mise en forme. L'étude rapporte une exactitude de 97,1 % pour distinguer cinq systèmes et rapporte aussi une robustesse à la paraphrase (Sun et al., ICML 2025).
Mais ce chiffre mesure à quel point on peut distinguer les modèles les uns des autres ; il ne mesure pas à quel point il est improbable qu'une habitude particulière apparaisse par coïncidence, et seule la seconde mesure autorise une inférence sur une ascendance commune. Au moins un exemple bien connu d'habitude de modèle échoue clairement à ce test : plusieurs modèles d'IA sortis après 2022 surutilisent un petit ensemble de mots (comme « delve ») ; et la même surreprésentation apparaît dans l'écriture scientifique humaine. Pour le motif observé chez les modèles, une approche d'entraînement commune est une explication candidate, pas une cause établie. Quelle que soit la cause, une habitude partagée de ce genre n'est pas un élément de preuve qu'un modèle descend d'un autre : elle pourrait venir d'une coïncidence, d'une manière commune de construire les modèles, ou d'un héritage, et l'habitude seule ne montre pas laquelle.
Le signal utile se divise donc en deux canaux qui méritent la confiance pour des raisons différentes.
Les marqueurs conçus à dessein (habituellement appelés tatouages numériques) sont le cas net. Il est improbable, par construction, qu'un marqueur statistique délibérément implanté dans les sorties d'un modèle « maître », puis retrouvé dans un modèle « élève » entraîné sur les sorties de ce maître dont seule une fraction était marquée, apparaisse indépendamment, et ce type d'héritage a effectivement été démontré expérimentalement (Sander et al., NeurIPS 2024 : détectable lorsque seulement 5 % des instructions d'affinage générées par le maître portaient le marqueur, le reste étant la sortie non marquée du même maître, et encore à 10 % lorsque le reste était du texte écrit par des humains, à condition d'avoir accès aux éléments internes de l'élève). Pan et al., ACL 2025, ont ensuite montré qu'un marqueur fortement appris survit à la paraphrase ordinaire et qu'il est supprimé par un attaquant ayant retrouvé la règle de marquage, par dilution du texte marqué, ou par une étape de neutralisation au moment où l'élève génère du texte. C'est l'équivalent numérique d'une vieille astuce d'éditeur : les ouvrages de référence incluent parfois une entrée délibérément fausse dont le but est de révéler qu'un éditeur rival les a copiés. Une erreur ordinaire n'établit pas à elle seule une copie, parce que des créateurs indépendants peuvent commettre la même erreur. Un trait délibérément implanté, dont l'apparition indépendante serait improbable, fournit un détecteur plus net.
Les habitudes apparues naturellement ne méritent pas encore cette confiance. Elles exigent le même examen que les erreurs partagées (un moyen de mesurer à quel point il est réellement improbable qu'une habitude, ou un ensemble d'habitudes pris ensemble, apparaisse sous un entraînement indépendant) et aucune des études que l'article examine ne fournit encore cet outil de mesure. Une version plus serrée de ce test (confronter un modèle « élève » directement à un modèle « maître » candidat précis et nommé, plutôt que d'essayer de le classer parmi de nombreux systèmes connus) est l'outil sur lequel l'expérience de validation proposée par l'article devrait s'appuyer, parce qu'elle vise exactement la question d'improbabilité qui compte.
La règle corrigée, qui est la proposition centrale de l'article (une règle à tester, pas un résultat établi) :
Dans les manuscrits, l'ascendance commune est portée par des erreurs partagées significatives. Dans les modèles d'IA, propose l'article, l'ascendance commune est portée par des habitudes partagées significatives : où « significatives » signifie exactement ce que le mot a toujours signifié : une habitude, ou un ensemble d'habitudes évaluées ensemble en tenant compte de leur dépendance mutuelle, ne compte comme élément de preuve que si une apparition indépendante est réellement improbable, la même barre que doit franchir une erreur, et ce ne sont pas toutes les habitudes stables et distinctives qui franchissent cette barre. Les erreurs partagées entre modèles sont fréquentes et peuvent survenir sans aucune copie, mais les études que l'article prend en compte n'établissent pas quelle part est survenue ainsi ; au moins une habitude partagée bien connue ne franchit pas la barre en l'état actuel des preuves. La méthode tout entière ne peut se transférer des manuscrits aux modèles que si cette condition d'improbabilité (qu'un brouillon antérieur de l'article avait abandonnée) est rétablie et vérifiée, et non supposée valoir pour une catégorie entière de preuves. Même alors, elle ne suffirait pas à elle seule : un trait partagé improbable ne dit pas à lui seul quel modèle descend duquel, ni par quelle voie.
Pas encore. C'est un programme de recherche assorti d'une prédiction testable : l'article soutient qu'une transmission croissante entre générations de modèles pourrait faire que la comparaison stemmatique s'ajuste mieux avec le temps. Il n'a pas mesuré cette croissance, et le mélange des sources ou la perte des formes rares pourraient au contraire rendre l'ascendance plus difficile à reconstituer. L'étude des manuscrits n'existe comme domaine que parce que les traditions copiées se corrompent réellement avec le temps. Cette tradition (le flux de texte généré par l'IA qui revient dans les données d'entraînement de l'IA) a commencé à se corrompre. C'est cette observation, et non une quelconque affirmation selon laquelle un modèle est littéralement un manuscrit, qui constitue l'argument réel. Le temps compte ici dans un seul sens : il s'applique à la qualité avec laquelle la comparaison de base du cadre s'ajuste au monde, et non au degré de confiance que mérite aujourd'hui une revue donnée menée avec lui. (Pourquoi c'est une raison de le tester plus durement plutôt que d'y croire, et ce qui le réfuterait : « Ce qui réfuterait réellement ceci », plus bas.)
L'objection la plus forte. Un sceptique attentif peut accorder tout ce que disent les parties 1 à 3 et objecter malgré tout : toute cette comparaison n'est qu'une analogie. Les modèles ne sont pas des manuscrits. Il n'y a pas de scriptorium, pas de lignée de transmission de main en main, pas de texte original progressivement corrompu : il y a un cycle d'entraînement. Habiller l'analyse ordinaire des défaillances en ingénierie (quelque chose que les ingénieurs en fiabilité comprennent depuis des décennies sans emprunter de vocabulaire spécialisé) d'un langage emprunté à l'étude des manuscrits ajoute des mots nouveaux et aucun pouvoir d'inférence nouveau.
La réponse consiste à en concéder l'essentiel : pour une période précise. En tant que description des modèles d'IA d'environ 2023–2024, le sceptique a raison. Sur le canal de la production d'erreurs, les erreurs partagées sont fréquentes et peuvent survenir sans aucune copie, et les études que l'article prend en compte n'établissent pas quelle part est survenue ainsi, comme le dit la partie 3. Du texte généré par des modèles est aussi entré dans l'entraînement avant 2022, par un modèle élève entraîné sur la sortie d'un maître et par du texte traduit automatiquement, y compris du texte figurant dans des collections web ; ces exemples montrent qu'une telle transmission n'est pas nouvelle, mais ils ne mesurent ni son ampleur à l'époque ni sa croissance depuis. Ces exemples établissent la transmission, mais ils n'établissent pas quelle part de l'ascendance peut être reconstituée à partir des sorties de modèles. Les erreurs partagées seules n'établissent pas une lignée ; leur caractère significatif doit être évalué selon la règle proposée.
Ce qui change, selon l'article, c'est l'objet étudié, et non l'argument qui le concerne. La sortie des modèles d'IA revient dans les données d'entraînement servant à construire la génération suivante de modèles, et l'article soutient que ce retour croît, sans l'avoir mesuré, par quatre canaux distincts, chacun étant une vieille pratique de copie sous un nom nouveau :
Quatre conséquences s'ensuivent, chacune avec un parallèle étroit dans l'étude des manuscrits.
Stratification. Chaque génération de modèles peut laisser derrière elle des habitudes traçables et datables dont héritent les générations suivantes : ce qui signifie qu'en principe, retracer une lignée pourrait devenir plus facile à mesure que la tradition se poursuit, même si le mélange des sources et la perte des formes rares peuvent aussi effacer les traits dont le traçage a besoin. La même condition qu'en partie 3 s'applique ici : l'écosystème dépose constamment des indices candidats ; savoir si un indice, ou un ensemble d'indices évalués ensemble en tenant compte de leur dépendance, est assez improbable sous une origine indépendante pour compter comme élément de preuve d'une ascendance commune est exactement la mesure qu'aucune des études que l'article examine ne fournit encore.
L'effondrement des modèles (la version IA de la dérive des manuscrits vers la leçon « plus facile »). Entraîner des modèles de manière répétée sur des sorties générées par l'IA érode les motifs les plus rares et les moins courants des données ; les constructions courantes et « sûres » évincent les inhabituelles (Shumailov et al., Nature, 2024), bien que ces résultats proviennent du remplacement, où les données synthétiques remplacent les données réelles à chaque cycle. Là où les données synthétiques s'accumulent au contraire à côté des données réelles au lieu de les remplacer, des expériences sur des modèles de langue ont constaté que l'effondrement était évité dans les contextes étudiés (Gerstgrasser et al., 2024 : une prépublication, et un résultat distinct des propres affirmations de Shumailov et al., qui n'en fait pas partie). Cette réserve étant posée, le parallèle est étroit : les spécialistes des manuscrits appellent lectio facilior la dérive, au cours de la copie, vers la leçon plus familière et « plus facile » (le mot de l'article pour cette dérive est banalisation) ; et l'article soutient que l'entraînement par remplacement présente un schéma comparable : une étape de copie avec perte qui favorise le probable, répétée encore et encore, et qui use le contenu rare et inhabituel. Chez les modèles, la préférence vient de l'entraînement, dans les manuscrits, des habitudes de copie ; l'article ne prétend pas que manuscrits et modèles sont identiques, et cette phrase non plus.
La valeur de la source datée la plus ancienne. Le texte produit avant 2022 devient un point de référence d'une valeur unique, pour la même raison que l'acier antérieur aux essais nucléaires est précieux pour les physiciens : non parce que ce serait un matériau intrinsèquement meilleur, mais parce qu'il est datable et qu'il constitue la plus ancienne grande couche disponible, même s'il n'est pas exempt de texte généré par machine ; c'est le genre de valeur qui compte pour établir une base de référence. L'article soutient que cette couche antérieure prend de la valeur à mesure que la tradition ultérieure se développe, pourvu que sa provenance soit connue ; la croissance de cette tradition n'a pas été mesurée. Garder la trace de l'origine des données devient, de fait, une discipline d'archiviste.
Le marqueur implanté, vu dans l'autre sens. Les techniques de tatouage numérique et d'empreinte anti-copie sont, dans les termes de ce cadre, des indices délibérément implantés : et leur héritage, démontré expérimentalement, est la démonstration existante la plus nette qu'un canal de transmission d'une génération de modèles à la suivante existe réellement.
Une occasion de conservation. L'article propose de préserver cette tradition pendant qu'elle se forme, plutôt que de tenter une reconstitution après des siècles de pertes. Des empreintes cryptographiques, des instantanés scellés et des registres de l'origine des données pourraient soutenir ce travail. Et le code est le type de texte le mieux préservé de toute cette tradition : les systèmes de gestion de versions peuvent préserver les états antérieurs d'un projet, avec des empreintes et des horodatages, et des enregistrements signés là où le projet les signe. Là où l'historique des versions survit, l'état d'avant 2022 d'une base de code n'a pas besoin d'être reconstitué comme un original perdu ; ce peut être un fichier que vous pouvez extraire. Si ce genre de préservation tournée vers l'avenir peut réussir quelque part, c'est ici.
La conséquence pour la sécurité. Le code fait partie de cette même archive. Un motif de code défectueux écrit une année donnée est enregistré dans un dépôt, aspiré, et potentiellement intégré par entraînement dans des modèles deux ans plus tard. Il vaut la peine d'être précis ici, car c'est exactement le point où une introduction comme celle-ci est le plus tentée d'exagérer. Les marqueurs conçus démontrent la transmission, et l'article consigne aussi des éléments de preuve issus de tests fondés sur un maître de référence. La question de savoir si les habitudes apparues naturellement permettent de reconstituer l'ascendance reste non résolue. Étendre l'argument aux erreurs de code pertinentes pour la sécurité est une inférence supplémentaire ; l'article ne présente aucune étude directe de cette extension. Le moyen de le savoir est une étude planifiée qui retrace des motifs de défauts précis en remontant le temps. Si cela se vérifie, des motifs de code vulnérables pourraient être hérités via les données d'entraînement elles-mêmes plutôt que réinventés indépendamment à chaque fois, et ce canal serait une cible réelle : quelqu'un pourrait délibérément ensemencer des dépôts de code publics avec un motif subtilement défectueux, empoisonnant l'exemple même qu'une future génération de modèles apprendra à imiter. La version la plus aiguë du risque : le corpus d'entraînement partagé est à la fois une limite à ce que toute revue peut savoir et une surface d'attaque concrète, et les deux se combinent de sorte que la défaillance corrélée devient quelque chose qu'un attaquant peut délibérément fabriquer.
Deux éléments de preuve datés, extérieurs à l'article, concernent la conséquence pour la sécurité : une étude sur l'empoisonnement de fin 2025 et le récit d'un praticien de mai 2026. Ce sont des exceptions déclarées à la règle de la partie 0, et elles figurent dans l'annexe.
L'affirmation de l'article sur l'évolution dans le temps échoue si, au fil des générations successives de modèles, la reconstitution à partir d'habitudes partagées ne s'améliore pas lorsqu'on la confronte à des relations connues entre modèles ; si les marques héritées ne persistent qu'à des niveaux de hasard dans la pratique d'entraînement ordinaire ; ou si la sortie des modèles qui revient dans l'entraînement ne contribue que de façon négligeable au comportement des modèles ultérieurs.
Ce qui peut être testé dès maintenant est plus étroit. La recherche existante fournit plusieurs méthodes candidates : retracer des marqueurs délibérément implantés ; confronter un modèle à un modèle maître candidat précis et nommé ; chercher, pour deux modèles à la fois, des mauvaises réponses qu'un modèle sans lien donne rarement ; et, pour classer un modèle dans l'une d'un ensemble de familles connues, accorder d'autant plus de poids à une mauvaise réponse partagée que les autres familles la donnent rarement. De l'expérience que propose le programme lui-même, l'article dit que seule la partie sur les marqueurs implantés peut être menée aujourd'hui : une limite propre à cette seule expérience, et non une affirmation selon laquelle aucun autre type de test ne pourrait jamais se révéler fiable. Les opérations plus typiquement « étude des manuscrits » (comparer de nombreux témoins à la fois, regrouper en arbre généalogique des traits partagés naturels (non implantés)) ne deviennent praticables qu'une fois qu'existe une mesure réelle de l'improbabilité qu'une habitude naturelle, ou un ensemble d'habitudes pris ensemble, apparaisse indépendamment, et la partie 3 a établi qu'aucune des études que l'article examine ne fournit encore cette mesure. Des arbres généalogiques construits à partir de la similarité des sorties existent déjà (le §7.1 de l'article examine le plus proche, PhyloLM) ; ce que la recherche de l'article n'a pas trouvé, c'est un arbre validé construit à partir de traits notés selon leur improbabilité à apparaître par coïncidence, et l'article traite cette absence comme provisoire. L'orientation à long terme du programme est claire ; la part qui peut en être construite et menée cette année est bien plus réduite.
Sur le canal de la production d'erreurs, le résultat va dans l'autre sens (voir l'ouverture de cette partie) : les modèles plus capables sont plus corrélés entre eux, et non moins ; mesuré entre modèles à un moment donné, et non entre générations (partie 2). Le temps joue aussi contre la méthode, et l'article le compte contre lui-même : si ce programme de recherche réussit publiquement, les futurs modèles finiront par être entraînés sur des descriptions de ses propres méthodes et sur ses exemples publiés, de sorte que les détecteurs sur lesquels repose ce programme deviennent des cibles d'optimisation, ce qui pourrait réduire leur efficacité, et tout marqueur implanté devra être continuellement renouvelé pour rester efficace. La fiabilité de la méthode doit aussi être testée dans le temps. La publication pourrait rendre ses détecteurs moins efficaces, alors même que l'article prédit, sans l'avoir mesuré, que la tradition croissante se prêtera mieux à l'étude stemmatique. Un cadre qui n'afficherait, de tout cela, que la moitié qui le flatte commettrait exactement la défaillance qu'il existe pour détecter.
Une mise en garde contre le fait de croire trop facilement à son propre cadre. Il est tentant de conclure qu'un cadre qui prédit d'avance ses propres objections, et qui prédit que son objet d'étude s'ajustera de plus en plus à lui, doit donc être correct. Ce schéma de raisonnement (où chaque issue possible semble confirmer la théorie) est exactement la forme d'un argument qui ne peut jamais réellement être faux, et l'article lui-même le signale comme une faiblesse connue, dans sa propre section sur les limites. Il est donc rejeté ici aussi. Un cadre qui s'ajuste de mieux en mieux à son objet avec le temps est une raison d'aller le tester plus durement, pas une raison de commencer à y croire.
Rassemblée, la réponse pratique à la question de la partie 1 tient en quatre conditions de travail : elles portent à la fois sur les verdicts que cette pratique est prête à assumer et sur le programme de recherche plus large décrit dans les parties 3 et 4. Chaque condition nomme quelque chose qui pourrait se révéler manquant dans un cas donné : c'est ce qui en fait une méthode de travail plutôt qu'une posture d'apparence rassurante.
C'est exactement le genre de section où l'excès d'affirmation tend à se glisser sans qu'on le remarque.
Cette même pratique a un jour construit un garde-fou dont l'unique rôle était d'empêcher que des affirmations non prouvées de type « rien trouvé » soient acceptées : et un relecteur a trouvé six manières distinctes de le contourner, dont aucune n'avait été détectée par ses cinq cas de test. Le garde-fou avait hérité de la maladie même qu'il avait été construit pour détecter. Il n'y a pas de couche finale où la question « qui vérifie les vérificateurs ? » disparaît : elle remonte simplement d'un niveau, en permanence.
Une méthodologie devient commercialement intéressante au moment où elle commence à faire des promesses : et c'est le moment où il est le plus tentant d'exagérer ce qu'elle peut faire. Cette partie est donc rédigée comme une liste de refus, qui peuvent être confrontés à la réalité, plutôt que comme une liste de garanties, dont plusieurs seraient actuellement fausses.
Ce que cette pratique refuse de faire :
Ce qu'un client ne peut pas en déduire : énoncé ici parce qu'un brouillon antérieur de ce document même s'est trompé sur ce point.
Une version antérieure de ce genre d'introduction affirmait que la corrélation des erreurs entre les modèles de chaque panel de revue est mesurée avant que leur accord ne soit accepté comme significatif. Ce n'est pas vrai, parce que l'outil permettant cette mesure n'existe pas encore. Il a été proposé, mais pas construit. Deux tentatives antérieures de construire quelque chose de ce genre ont toutes deux échoué, de manières différentes : un premier test statistique était construit à l'envers ; une vérification ultérieure a fini par mesurer si deux relecteurs étaient littéralement le même système, plutôt que si leurs erreurs étaient réellement corrélées. La seconde erreur a été détectée par des relecteurs ; la première est consignée sans dire qui l'a détectée. Ce que cette pratique fait aujourd'hui est plus faible qu'une vraie mesure : les relecteurs sont choisis dans des familles de modèles sous-jacentes différentes ; la convergence pèse moins là où la manière dont une question a été posée a pu pousser les relecteurs vers la même réponse ; et les désaccords pour lesquels une vérification mécanique est disponible sont orientés vers cette vérification plutôt que vers un vote. L'article distingue des procédures de revue : là où il dit que les relecteurs ont travaillé séparément ou en aveugle, aucun n'a vu la réponse d'un autre ; son entrée v1.37 consigne que des tours de confirmation des revues v1.33 et v1.35 ont fourni les constats d'autres instances comme matériau. Aucune des deux procédures n'établit une indépendance mesurée des erreurs. C'est une discipline construite autour de l'idée d'indépendance. Ce n'est pas une mesure de l'indépendance.
Cette correction est l'élément le plus fort de cette partie, et la raison même de l'inclure : une pratique dont le produit réel est un traitement soigneux et discipliné des preuves ne peut pas honnêtement promouvoir une capacité que sa propre méthodologie, ailleurs, présente comme pas encore construite. Ce genre d'erreur a maintenant été commis et détecté deux fois. Une troisième fois cesserait d'être un faux pas et commencerait à être un schéma : et la bonne réponse à ce risque est d'énoncer publiquement la limite, et non de résoudre discrètement d'être plus prudent la prochaine fois.
Pourquoi cela devrait compter pour un client. Ce que produit cette méthode est un dossier construit pour résister à un lecteur sceptique : savoir s'il y résiste réellement relève du jugement de ce lecteur, et non de quelque chose que ce document peut certifier pour lui-même. Il consigne :
Pas un score unique tenant lieu de tout cela : ce dont ce cadre se méfie, c'est d'un résumé à l'air fluide d'un accord non mesuré, présenté comme s'il s'agissait d'une preuve. Un score dont la formule est fixée d'avance, dont les exclusions sont énoncées et dont les comptages sortent d'un script plutôt que de l'impression d'une personne est un instrument légitime, du genre que ce programme a lui-même construit : non pas une affirmation selon laquelle aucun autre type de score ne pourrait jamais être digne de confiance, mais simplement que c'est celui qui est déjà utilisé. Ce qui devrait éveiller la méfiance, c'est un chiffre proposé à la place du dossier sous-jacent, réexécutable, qu'il est censé résumer. Savoir si ce genre de dossier vaut son coût par rapport à une solide équipe de revue interne est une vraie expérience qui mérite d'être menée avec un client réel : pas une affirmation à faire d'avance, sans l'avoir menée. (La mesure d'août 2026 de la pratique elle-même, une exception déclarée dans la partie 5, a comparé la revue complète avec une seule passe économique, et non avec une équipe interne.)
Deux limites pèsent sur tout cela, énoncées ici parce qu'une section tournée vers la vente est exactement l'endroit où ce genre de limites tend à disparaître discrètement. Premièrement : rien dans ce cadre ne mesure si la quantité de prudence institutionnelle que vend cette pratique est réellement proportionnée à la fréquence à laquelle la sortie générée par l'IA contient vraiment des erreurs ; et une pratique qui vend de la revue adversariale a naturellement, par construction, intérêt à croire que la revue adversariale est nécessaire. Cette question devrait être traitée comme véritablement ouverte, avec un conflit d'intérêts réel et déclaré qui pèse sur elle. Deuxièmement : comme l'article le rapporte à partir d'une vérification du 23 août 2026, aucun des dossiers de cas réels n'était public (aucun rapport, aucun artefact reproductible qu'un inconnu pourrait télécharger et exécuter lui-même). Cette vérification datée étaye une affirmation sur la manière dont le dossier a été construit, et non une affirmation selon laquelle un lecteur extérieur avait alors pu le tester. L'article ne fournit aucune vérification de publication ultérieure.
Ce document se veut un point d'entrée, et non un substitut à l'article ou aux Prolegomena.
Trois choses méritent d'être sues avant de décider quoi lire ensuite :
Ce programme ne prétend pas avoir déjà construit un instrument fiable pour juger la sortie de l'IA. Il affirme quelque chose de plus étroit et, si cela tient, de plus utile : un exposé de ce qu'un tel instrument devrait réellement satisfaire, ainsi qu'un ensemble d'expériences qui pourraient prouver que cet exposé est faux. Il remplace la confiance aveugle dans le consensus de l'IA par quatre conditions de travail (partie 5 : s'en remettre aux vérifications mécaniques, traiter la tendance entière d'un modèle comme le vrai témoin, mesurer l'indépendance séparément pour chaque sorte de question, et orienter le désaccord vers la preuve plutôt que vers un vote), tout en reconnaissant franchement que la troisième est actuellement une discipline, pas encore une vraie mesure, et que la comparaison contrôlée conçue pour tester si quoi que ce soit de tout cela produit un meilleur code a été annulée avant d'être menée (la mesure d'août 2026 de la pratique elle-même, une exception déclarée, figure dans la partie 5).
La version courte de ce qui est proposé : construire la méthode de traçage (en partant du seul type de test qui soit net aujourd'hui) et la confronter à des relations entre modèles qui sont déjà publiquement attestées ; construire la mesure d'indépendance et publier son propre taux d'erreur ; et sceller dès maintenant les preuves d'aujourd'hui, tant qu'elles peuvent encore l'être, pour quiconque tentera plus tard de vérifier quoi que ce soit de tout cela. La première de ces tâches nuirait gravement à toute cette thèse si elle échouait ; c'est exactement la propriété qu'une vraie proposition est censée avoir, et la raison pour laquelle elle vaut d'être menée.
Ces deux paragraphes sont des exceptions déclarées à la règle de la partie 0 selon laquelle ce document ne dit rien que l'article ne dise pas. À la v0.15, ils ont été déplacés de la partie 4 vers cette annexe, seules trois références de position ayant été modifiées. À la v0.20, l'exposé des preuves de transmission que fait le paragraphe consacré à l'étude d'empoisonnement a été corrigé pour reconnaître les tests fondés sur un maître de référence à côté des marqueurs conçus, et pour distinguer ces preuves de l'héritage d'habitudes de code défectueuses.
Appréciation. Trancher chaque constat, que les relecteurs aient été d'accord ou non, par une vérification mécanique là où il en existe une et par un décideur humain nommé là où il n'en existe pas ; un constat n'est clos que lorsque celui qui l'a soulevé le retire ou que le problème est démontré sur le code, jamais en comptant des votes. Opposée tout au long du texte à la moyenne ou au vote.
Attracteur. Employé dans l'article pour un attracteur d'erreur : une mauvaise réponse que plusieurs systèmes produisent indépendamment, sans se copier les uns les autres. L'explication habituelle (selon laquelle c'est simplement l'erreur la plus probable étant donné la façon dont ils ont été entraînés) est une hypothèse sur la cause, et ne fait pas partie de la définition. Les mesures de l'article établissent que les erreurs partagées sont fréquentes, mais n'établissent pas quelle part est survenue sans copie. Une erreur partagée n'établit donc pas à elle seule une ascendance. La recherche sur l'évolution culturelle emploie attracteur dans un sens plus large, pour toute forme courante et stable, fausse ou non ; le sens retenu ici est le plus étroit.
Banalisation / effondrement des modèles. Ce qui se produit lorsque des modèles d'IA sont réentraînés de manière répétée et en bloc sur du texte généré par l'IA, sans que des données réelles y soient remêlées : les motifs rares et inhabituels s'usent, et tout dérive vers la version la plus courante, la plus « sûre ». Là où les données synthétiques s'accumulent au contraire à côté des données réelles au lieu de les remplacer, des expériences sur des modèles de langue ont constaté que l'effondrement était évité dans les contextes étudiés : les preuves de l'effet proviennent du cas du remplacement.
Collation. Le processus général consistant à comparer plusieurs témoins entre eux pour déterminer ce qui est probablement fiable. Dans ce document, distincte de la reconstitution et plus modeste qu'elle : la collation échantillonne et recoupe ; elle ne garantit pas la récupération d'une réponse vraie unique.
Contamination / contaminatio. (1) Dans la partie 4 : du texte généré par l'IA qui pénètre dans les données d'entraînement. (2) Contaminatio, dans l'étude des manuscrits : une copie qui mêle des leçons de plus d'une source antérieure, ce qui rend sa lignée plus difficile à retracer ; la partie 7 applique ce sens à ce document lui-même.
Question décidable / question de jugement. Les deux sortes de question de la partie 1 : celle qu'une vérification mécanique tranche (exécuter le code, vérifier les types, lancer le test, consulter une spécification), au sens pratique et courant, et non au sens mathématique strict ; et celle qu'aucun moyen mécanique ne permet de trancher (cette conception est-elle saine, quelle est la gravité de ce problème, que signifie cette clause).
Distillation. Entraîner délibérément un nouveau modèle d'IA, généralement plus petit, à imiter les sorties d'un modèle « maître » plus grand et choisi. L'un des quatre canaux par lesquels la sortie des modèles d'aujourd'hui revient dans les données d'entraînement de demain.
Tirage. Voir Lignée.
Question de jugement. Voir Question décidable / question de jugement.
Lectio difficilior / lectio facilior. Termes de l'étude des manuscrits pour la « leçon plus difficile, plus inhabituelle », par opposition à la « leçon plus facile, plus attendue » vers laquelle un copiste tend à dériver au fil de copies répétées. À la suite de l'article, ce document compare la dérive vers la lectio facilior à l'effondrement des modèles sous un entraînement par remplacement.
Lignée. Au sens de l'article, l'unité de confiance (partie 5) : les réponses d'un modèle prises comme une distribution, caractérisée en l'échantillonnant de manière répétée, dont toute réponse isolée est un tirage, un échantillon plutôt qu'un fait fixe et reproductible. Les parties 3 et 4 emploient aussi « lignée » dans son sens courant d'ascendance : quels modèles descendent desquels, ou ont été entraînés sur lesquels.
Indépendance mesurée / décorrélation. L'idée que la question de savoir si deux relecteurs répondent réellement de manière indépendante l'un de l'autre doit être vérifiée avec des données réelles, séparément pour chaque sorte de question, plutôt que supposée simplement parce qu'ils viennent d'entreprises différentes ou ont été « réunis séparément ». « Instance décorrélée », tel qu'employé dans l'appendice et dans le journal des modifications de l'article, consigne l'intention de la pratique à l'époque, et non une propriété mesurée. L'entrée v1.37 de l'article consigne que des tours de confirmation des revues v1.33 et v1.35 ont fourni les constats d'autres instances comme matériau ; l'étiquette ne signifie donc pas à elle seule qu'on ne les a pas montrés à une instance. Là où l'article dit que des relecteurs ont travaillé séparément ou en aveugle, il veut dire qu'aucun n'a vu la réponse d'un autre ; cette procédure n'établit pas une indépendance mesurée de leurs erreurs. Voir la partie 6.
Marqueur implanté / tatouage numérique. Une signature statistique délibérément intégrée aux sorties d'un modèle de sorte que sa réapparition ultérieure dans un autre modèle soit un élément de preuve que le second modèle a été entraîné (au moins en partie) sur la sortie du premier. Une forme démontrée de preuve que la sortie d'un modèle a atteint l'entraînement d'un autre modèle.
Reconstitution. Retrouver une réponse « vraie » unique et définitive. Ce document réserve strictement ce mot aux questions décidables, là où une vérification mécanique existe ; l'employer pour des questions de jugement est traité comme un excès que l'article sous-jacent a lui-même retiré.
Instance (seat). Un poste de relecture au sein d'un panel : un modèle d'IA, d'une lignée, exécuté avec sa propre consigne et ses propres outils (définition de la pratique : glossaire de counterproof.io (en anglais)).
Stemma / stemmatique. Un stemma est l'arbre généalogique reconstitué d'une tradition manuscrite : quelles copies descendent desquelles. La stemmatique est la discipline formelle qui consiste à en construire un. « Agentic stemmatics » est le nom que ce programme propose pour un travail analogue mené sur les lignées de modèles d'IA.
Témoignage. Le mot qu'emploie ce document pour toute sortie d'un modèle d'IA, pour la désigner comme une affirmation à peser, comme un tribunal pèse la déposition d'un témoin, plutôt que comme un fait à accepter d'emblée.
Triage. Un premier filtrage rapide et peu coûteux, utilisé pour diriger l'attention vers les constats qui méritent le plus une vérification plus attentive et plus coûteuse : distinct d'un verdict final et autonome, et plus modeste que lui.
Hyparchétype adversarial. Voir Hyparchétype.
Archétype. Dans l'étude des manuscrits, le texte original unique dont descendent toutes les copies d'une famille. Pour de nombreuses questions de revue par l'IA, il peut n'y avoir aucun archétype unique, aucune réponse juste unique à reconstituer (partie 1).
Impossibilité d'émender. Voir Émendation.
Émendation. Dans l'étude des manuscrits, une correction proposée qui restitue une leçon qu'aucune copie conservée ne porte : une conjecture éclairée sur ce que l'original perdu devait dire. Rien dans la méthode actuelle de revue par l'IA n'atteint ce point : elle ne peut travailler qu'avec les constats effectivement soulevés (partie 2, « un plafond rigide »).
Échelon de preuve (evidence rung). L'une des étiquettes de la pratique (source : counterproof.io/glossary/#evidence-rung), et non de l'article, qui consigne les constats comme reproduits ou lus (partie 6). Un échelon dit jusqu'où un constat a réellement été vérifié, sans jamais en laisser entendre un plus élevé. Quatre échelons pour un constat confirmé, du plus faible au plus fort : trace dans la source (le fichier et le chemin ont été lus à la révision épinglée), preuve de compilation (on a fait échouer puis réussir la compilation), test (un test discriminant a été exécuté) et reproduction en exécution (le défaut a été reproduit sur la révision épinglée). Un constat qui n'en atteint aucun est noté plausible seulement, une note distincte, et non un échelon plus faible (corrigé le 14 septembre 2026 ; voir l'appendice).
Homoplasie. Le terme de biologie désignant le fait que des espèces sans lien développent indépendamment un trait semblable : convergence, et non ascendance commune ; le parallèle le plus proche des attracteurs. Dans cette introduction : partie 3, « convergence ».
Hyparchétype / hyparchétype adversarial. Dans l'étude des manuscrits, un hyparchétype est un ancêtre intermédiaire, aujourd'hui perdu, situé à mi-chemin entre le texte original et les copies conservées : un « sous-original » que partagent plusieurs copies ultérieures. L'hyparchétype adversarial de ce document est son terme pour un risque de sécurité précis : parce que les modèles d'IA apprennent désormais en partie à partir d'un réservoir commun de textes passés (code compris), ce réservoir commun est à la fois une limite à ce que tout processus de revue peut savoir de manière indépendante, et un endroit où un attaquant pourrait délibérément implanter un motif subtilement défectueux que de futurs modèles copieraient. Dans cette introduction : partie 4, « La conséquence pour la sécurité ».
Idiosyncrasie. Une habitude stable et distinctive propre à un modèle d'IA (choix de mots, tendances structurelles, manies de mise en forme) : utile pour distinguer les modèles, mais pas un élément de preuve d'ascendance commune à moins qu'il soit montré improbable qu'elle apparaisse indépendamment, seule ou conjointement avec d'autres habitudes partagées. Dans cette introduction : partie 3, « habitudes ».
Leitfehler. Mot allemand pour « erreur directrice » : le terme de l'étude des manuscrits désignant une erreur partagée assez improbable pour compter comme élément de preuve que deux copies partagent une source commune, par opposition à un lapsus facilement répété. Dans cette introduction : partie 3, « l'erreur rare et révélatrice ».
Témoin le plus ancien. L'archive des textes d'avant 2022, précieuse non parce qu'elle serait intrinsèquement meilleure, mais parce qu'elle est la couche datée la plus ancienne disponible à grande échelle ; elle n'est pas exempte de texte généré par machine. Dans cette introduction : partie 4, « la source datée la plus ancienne ».
Oracle. Un moyen mécanique de trancher une question décidable : exécuter du code, vérifier des types, exécuter un test, ou consulter ce que dit une spécification (la partie 0 note ce que cela tranche et ne tranche pas). Le corps du texte appelle cela une vérification mécanique. Chaque fois qu'un oracle approprié existe, il l'emporte sur n'importe quel panel de relecteurs.
Erreur polygénétique. Une erreur qui apparaît indépendamment dans des sources sans lien parce que c'est l'erreur naturelle et facile à commettre, et non à cause d'une copie : l'opposé d'un Leitfehler. Dans cette introduction : partie 3, le « lapsus facile ».
Résidu. L'ensemble (souvent vaste) des questions de jugement qui restent une fois que les vérifications mécaniques et les documents de référence ont tranché tout ce qu'ils peuvent trancher. Dans cette introduction : partie 5, « le reste ».
Millésime scellé / manifeste de provenance. Un instantané de données ou de code, scellé cryptographiquement et horodaté à un moment connu, de sorte que son état exact à ce moment puisse plus tard être vérifié plutôt que pris sur parole.
Stratigraphie. En archéologie et dans l'étude des manuscrits, la lecture des couches dans l'ordre de leur dépôt pour établir une datation relative ; appliquée ici à l'idée que les générations de modèles peuvent laisser des formes caractéristiques et datables ; leur valeur pour reconstituer l'ascendance reste à tester. Dans cette introduction : partie 4, « Stratification ».
Cette page est une traduction française de l'original anglais, dont la ligne de version est « Draft v0.21, 26 September 2026 ». L'original anglais prévaut là où les deux diffèrent. La traduction a été réalisée avec un assistant d'IA de la lignée Claude (Anthropic). Les citations de sources en anglais sont traduites ; les vérifications caractère par caractère que décrit l’historique ci-dessous portent sur l’original anglais. Version actuelle : v0.21, 26 septembre 2026, BROUILLON, publiée alors qu'elle est encore en cours de révision, sans relecture éditoriale externe ni relecture par les pairs ; l'article fait foi partout où les deux diffèrent.
Points de revue ouverts : l'historique des révisions consigne une clôture en attente pour les quatre points de Kimi de la v0.13 et pour les quatre correctifs apportés à la v0.4.
La règle : ce document ne peut rien dire que l'article ne dise pas (partie 0).
Trois exceptions déclarées à cette règle, chacune signalée là où elle apparaît : les paragraphes sur l'étude d'empoisonnement et sur le récit du praticien dans l'annexe (ajoutés à la partie 4 aux v0.6 et v0.7, déplacés vers l'annexe à la v0.15) et la mesure d'août 2026 de la pratique dans la partie 5 (ajoutée à la v0.14). Les entrées Instance et Échelon de preuve du glossaire, et la phrase de la partie 6 qui renvoie à la seconde, donnent les définitions propres à la pratique, tirées de son glossaire : elles décrivent la pratique, et non l'article.
À quoi s'attendre dans l'article. L'article que ce document introduit n'est pas d'une lecture facile, et c'est voulu. Il est dense : une longue déclaration de qui a un intérêt financier dans le résultat, un historique détaillé des versions, et un compte rendu suivi des erreurs passées de l'article lui-même et de la manière dont elles ont été corrigées. Un appendice (celui qui consigne ce qui a mal tourné et quand) est plus long que plusieurs des sections argumentatives de l'article. Ce n'est pas un défaut dont l'article s'excuse : un article sur le fait de ne pas se fier à une source simplement parce qu'elle a l'air sûre d'elle saperait son propre propos s'il cachait son propre historique de révisions. Mais cela signifie bien que l'article est difficile à aborder sans préparation.
En quoi ce document diffère des Prolegomena. Les Prolegomena utilisent les Prolegomena zu einer jeden künftigen Metaphysik de Kant (1783) comme cadre structurel : sa méthode consistant à partir de quelque chose que le lecteur accorde déjà et à demander quelles conditions devraient être réunies pour que cela soit possible, ainsi que son procédé consistant à mettre en scène un désaccord sous la forme de deux positions contradictoires qui s'avèrent partager une hypothèse fausse cachée. Ce cadre récompense un lecteur qui a déjà une certaine formation philosophique, et constitue un réel obstacle pour un lecteur qui n'en a pas. Ce document garde le même argument sous-jacent et le même ordre des sujets, mais abandonne entièrement l'échafaudage kantien et dit tout en termes simples ; là où le cadre faisait un vrai travail (principalement l'idée que les deux camps d'un débat peuvent avoir tort de la même manière), il garde cette idée et abandonne le vocabulaire qui la portait. Les Prolegomena valent la peine d'être lus si la version simple proposée ici soulève une question que ce document n'a pas eu la place d'approfondir, ou si le cadrage philosophique lui-même vous intéresse.
À propos de la citation d'accompagnement. La v1.35 est la révision corrective de l'article, déposée le 25 sept. 2026 (DOI de version 10.5281/zenodo.22959463) et désormais la version de référence. Après deux revues extérieures de la v1.33, elle ne dit plus que les erreurs partagées entre modèles surviennent pour la plupart sans copie, elle énonce sa règle centrale comme une proposition à tester plutôt que comme un résultat établi, et elle ramène plusieurs énoncés à ce que montrent leurs sources. Elle conserve le retrait, opéré par la v1.33, de la suggestion selon laquelle un arbre généalogique de modèles reconstitué et validé serait un problème de recherche ouvert (PhyloLM, que l'article examine, construit de tels arbres à partir de la similarité des sorties), et elle nomme la lignée d'IA avec laquelle elle a été rédigée, comme le fait la ligne d'auteur de ce document ; ses révisions ont été vérifiées par des relecteurs d'IA de plusieurs développeurs (voir le glossaire : Instance). Elle succède au dépôt de la v1.31, une révision de lisibilité du texte déposé de la v1.29. Les corrections que reflète ce document sont énumérées dans l'appendice A de l'article.
Légende : une instance est un relecteur d'IA (glossaire : Instance) ; une ligne est un constat soulevé par une instance, et celle qui l'a soulevée est cette instance ; les étiquettes en majuscules comme CONFIRM-CLOSED, PARTIALLY-CLOSED, CHANGES NEEDED, REVISE et MERGE-WITH-EDITS sont le verdict d'une instance sur un brouillon, un diff, un ensemble de vérifications, ou ses propres lignes antérieures ; le journal de clôture est le dépôt dont le lien figure plus bas ; l'assistant de rédaction est Claude (lignée Anthropic).
v0.21, 26 sept. 2026, BROUILLON, publié alors qu'il est encore en cours de révision. Sur décision de l'auteur, après que l'entrée v1.37 de l'article a consigné que des tours de confirmation de sa revue avaient fourni les constats d'autres instances, l'exposé du glossaire sur l'« instance décorrélée » ne dit plus qu'on n'a pas montré à une telle instance les constats des autres instances, ni qu'il s'agit d'une instance d'un autre développeur ; il suit la note terminologique de l'article selon laquelle le mot consigne l'intention de la pratique à l'époque, et non une propriété mesurée, ainsi que la distinction de l'article entre travail séparé ou en aveugle et tours de confirmation. Une instance Codex qui relisait ce changement a constaté que l'exposé de la pratique actuelle, dans la partie 6, disait encore que les constats antérieurs ne sont pas communiqués à un relecteur neuf afin que son accord « ne puisse pas être fabriqué artificiellement par ancrage » ; cette phrase utilise désormais le texte de remplacement de l'instance, qui fait la même distinction et dit qu'aucune des deux procédures n'établit une indépendance mesurée des erreurs. Les deux nouveaux passages sont le texte de l'instance, appliqué mot pour mot. Soumis à une instance Codex en deux tours, avec le fichier d'instructions globales de son outil mis de côté pour chaque exécution (selon l'auteur ; journaux d'exécution archivés avec les relevés des tours) : le premier a renvoyé CONFIRM-WITH-EDITS avec les deux textes de remplacement appliqués ici ; le second a confirmé la clôture des deux et a constaté que cette entrée en disait plus que ce que la revue avait établi sur la raison pour laquelle la définition fondée sur le développeur avait été abandonnée. Cette proposition est supprimée, et ni la suppression ni cette phrase n'ont été resoumises à l'instance.
v0.20, 26 sept. 2026, BROUILLON, publié alors qu'il est encore en cours de révision. Les lignes du tour 2 de l'instance Codex sur la v0.19 ont été resoumises à une instance Codex dans un tour de confirmation : les dix lignes que ce tour avait laissées partiellement closes, et l'ensemble de ses quinze textes de remplacement, ont été confirmés clos. Ce tour a trouvé six points supplémentaires, chacun traité ici par le propre texte de remplacement de l'instance, appliqué mot pour mot hormis le balisage de la page. La partie 2 ne dit plus que le fait de savoir qui a conçu les relecteurs ne vous dit rien de ce qui est vrai ; la partie 5 ne fait plus de la survie à un examen extérieur une condition pour mériter la confiance, et ne dit plus que l'équipe qui mène le processus a construit chaque partie du socle de confiance ; l'annexe ne restreint plus les preuves à une distillation de type tatouage numérique ; et le paragraphe de l'appendice sur les dépôts nomme désormais la v1.35 et dit que ses vérifications concernent les dépôts antérieurs. L'instance a aussi constaté que les dernières phrases de l'entrée v0.19 ci-dessous en disent plus que ce qui s'est passé ; cette entrée est maintenue telle qu'écrite, et l'exposé corrigé de l'instance se lit ainsi : « Le rédacteur consigne deux tours de revue par Codex et Kimi avant publication. L'auteur rapporte que le fichier d'instructions globales de l'outil Codex a été mis de côté ; le retour Codex fourni consigne néanmoins une exposition à des catalogues de compétences et d'agents fournis par le développeur et dit qu'il ne peut pas établir si une instruction fournie provenait d'un tel fichier. Le rédacteur rapporte que Kimi a clos ses constats sur la v0.19. Le retour de second tour de Codex a laissé dix lignes partiellement closes. Ses textes de remplacement F1–F7 et C1–C8 ont été appliqués mot pour mot, hormis une initiale minuscule après un deux-points et le balisage de la page ; ses réparations de la tâche D ont été intégrées par des entrées de révision rédigées séparément. Ces changements n'ont pas été renvoyés à Codex avant publication. Le passage de la citation d'accompagnement à la v1.35 déposée a suivi le second tour et n'a pas été relu lors de ce tour. » Resoumis à une instance Codex, avec le fichier d'instructions globales de son outil mis de côté pour l'exécution (selon l'auteur ; journal d'exécution archivé avec les relevés des tours), les six constats ont tous été confirmés clos, y compris la correction B1 dans cette entrée. La même instance a constaté que l'ouverture de l'annexe disait encore que son texte était inchangé à l'exception de trois expressions de position ; ce paragraphe utilise désormais le texte de remplacement de l'instance, appliqué mot pour mot, et ne lui a pas été resoumis. L'instance n'a pas pu vérifier, à partir de son paquet, que rien d'autre n'avait changé, parce que le paquet ne contenait aucune copie de la v0.19 ; la comparaison par script des deux pages effectuée par le rédacteur ne montre aucun changement au-delà de ceux énumérés dans cette entrée.
v0.19, 25 sept. 2026, BROUILLON, publié alors qu'il est encore en cours de révision. Suit la v1.35 de l'article, qui a corrigé des affirmations que deux revues extérieures de la v1.33 avaient trouvées plus fortes que leurs sources, et applique la propre règle de ce document à d'autres phrases qui en disaient plus que l'article. Les parties 3 et 4 et le glossaire ne disent plus que la plupart des erreurs partagées entre modèles surviennent par convergence fortuite ; ils disent que les erreurs partagées sont fréquentes et peuvent survenir sans copie, et que les études que l'article prend en compte n'établissent pas quelle part est survenue ainsi. La règle de la partie 3 est énoncée comme la proposition de l'article, à tester : son « si et seulement si » devient une condition qui doit être remplie mais ne montrerait pas à elle seule quel modèle descend duquel, et un ensemble d'habitudes évaluées ensemble, en tenant compte de leur dépendance, peut aussi la remplir ; les affirmations selon lesquelles l'étude des manuscrits l'a toujours appliquée et selon lesquelles une erreur significative prouve la descendance cèdent la place à la formulation de l'article. La partie 1 ne dit plus que rien d'extérieur ne permet de distinguer une réponse étayée d'une réponse erronée. La partie 2 ne fait plus de l'indépendance la condition sous laquelle le vote est valable ou sous laquelle l'accord est un élément de preuve ; elle dit que l'accord peut renforcer une affirmation là où la dépendance a été évaluée, et donne les deux taux de l'étude des ensembles de modèles. La partie 3 ne dit plus que l'ascendance doit être connue avant que l'indépendance puisse être mesurée, que les modèles convergeront indépendamment, que les mots de type « delve » sont apparus indépendamment (parties 3 et 4), ni qu'une erreur ordinaire, ou quoi que ce soit d'autre qu'un trait implanté, ne dit rien d'une copie, et elle sépare le taux d'attribution de la robustesse rapportée face à la paraphrase. La partie 4 ne dit plus que les modèles n'ont rien apporté en retour avant 2022, qu'il n'y avait aucune lignée à reconstituer, que l'archive d'avant 2022 est non contaminée, que la contamination ambiante est la condition par défaut, que les arguments en faveur du cadre se renforcent avec le temps, que l'entraînement par remplacement est le même processus que la copie, ni que l'expérience du programme dispose aujourd'hui de quatre tests ; elle limite l'arbre manquant à la recherche menée par l'article et le test de réfutation à l'affirmation sur l'évolution dans le temps, présente la croissance comme soutenue et non mesurée, ajoute que le mélange et la perte des formes rares peuvent effacer les indices de lignée, et rapporte le résultat sur l'accumulation comme un effondrement évité dans les contextes étudiés ; elle reformule aussi ses critères de réfutation comme ceux de l'article, consigne les tests fondés sur un maître de référence à côté des marqueurs implantés, qualifie ses détecteurs de cibles d'optimisation plutôt que de contournement, restreint sa comparaison historique, et subordonne la récupération du code antérieur à la survie de l'historique des versions. Le passage de la partie 4 sur le marqueur implanté dit « démonstration » là où l'article dit « preuve ». La partie 5 précise quelles vérifications mécaniques désigne son engagement de poids croissant, et la partie 6 date la vérification sur les dossiers de cas publics et ne la reconduit plus. Le glossaire suit (Attracteur, Banalisation, Idiosyncrasie, Lectio, Leitfehler, Témoin le plus ancien, Marqueur implanté, Stratigraphie) ; l'entrée Attracteur abandonne une proposition sur la copie bruitée et deux énoncés empiriques que l'article ne porte pas, et l'intertitre sur la source la plus ancienne dit « datée » là où il disait « propre ». La citation d'accompagnement passe à la v1.35, déposée le 25 sept. 2026. Vérifié par rapport à l'article par deux instances extérieures (Codex et Kimi) en deux tours avant publication, l'instance Codex ayant le fichier d'instructions globales de son outil mis de côté sur décision de l'auteur. Kimi a clos tous ses constats. Les constats de second tour de Codex ont été traités par son propre texte de remplacement, appliqué mot pour mot hormis une initiale minuscule après un deux-points et le balisage de la page, et ne lui ont pas été resoumis. Le passage de la citation d'accompagnement à la v1.35 déposée a été effectué après le second tour et n'a pas été soumis à une instance.
v0.18, 25 sept. 2026, BROUILLON, publié alors qu'il est encore en cours de révision. Suit la v1.33 finale, dont le dixième et dernier tour de revue a examiné l'ajout tardif d'une méthode d'attribution de famille qui pondère les mauvaises réponses partagées d'une famille par la fréquence à laquelle les autres familles les donnent (les §10 et §7.1 de l'article). La liste des tests disponibles dès maintenant, dans la partie 4, gagne ce quatrième élément ; rien d'autre n'a changé. Vérifié par rapport à l'article par une instance extérieure (Kimi) avant publication ; son unique constat, sur la formulation de cette entrée, a été appliqué dans les propres termes de l'instance et ne lui a pas été resoumis. Après cette vérification, la note de la citation d'accompagnement a été mise à jour pour le onzième tour de revue de l'article : cinq développeurs au lieu de quatre, et l'article nomme désormais sa lignée de rédaction ; cette mise à jour n'a pas été soumise à une instance.
v0.17, 24 sept. 2026, BROUILLON, publié alors qu'il est encore en cours de révision. Suit la v1.33 de l'article. La citation d'accompagnement passe à la v1.33 et sa note est réécrite ; la note ne qualifie plus les relecteurs de « décorrélés ». Les parties 2 et 6 abandonnent l'inférence selon laquelle choisir des fournisseurs différents procure moins d'indépendance à mesure que la capacité augmente, que la v1.33 a retirée, et disent à la place ce que l'article dit désormais ; les parties 3 et 4 limitent la mesure manquante aux études que l'article examine ; la partie 4 ajoute que des arbres généalogiques construits à partir de la similarité des sorties existent déjà, comme le dit désormais le §7.1 de l'article, et range le criblage par paires des mauvaises réponses parmi les tests disponibles dès maintenant, comme le fait le §7.1. Vérifié par rapport à l'article par une instance extérieure (Kimi) avant publication ; ses six constats, dont deux numéros de partie erronés dans cette entrée, ont été appliqués et lui ont été resoumis.
v0.16, 24 sept. 2026, BROUILLON, publié alors qu'il est encore en cours de révision. Le paragraphe d'ouverture et la description de la page sont réécrits pour être plus faciles d'accès ; aucune affirmation n'a changé. La nouvelle ouverture ne dit que ce que les parties 1 et 2 disent déjà (l'accord entre modèles peut compter plusieurs fois le même élément de preuve ; des fournisseurs différents ne sont pas, par eux-mêmes, indépendants), avec les mêmes réserves que l'article. Vérifié par rapport à l'article par un vérificateur et par une instance extérieure (Kimi) avant publication.
v0.15, 24 sept. 2026, BROUILLON, publié alors qu'il est encore en cours de révision. Déplacements seulement ; aucune affirmation n'a changé. Les deux exceptions déclarées de la partie 4 ont été déplacées vers une nouvelle annexe après la partie 7, un renvoi étant laissé dans la partie 4 ; les trois expressions qui renvoyaient à leur ancienne position (« cette section », « la discussion sur la banalisation ci-dessus », « deux paragraphes plus haut ») nomment désormais la partie 4. La section « À quoi s'attendre dans l'article » de la partie 7 et la description plus longue des Prolegomena ont été déplacées vers cet appendice ; la partie 7 garde une entrée d'une phrase sur les Prolegomena. Corps du texte passé d'environ 9 300 mots à environ 8 400. Soumis une fois à une instance (Kimi, accès aux fichiers) : sans anomalie hormis le numéro de version de la ligne d'auteur, corrigé ; elle a aussi clos ses deux lignes de correction de la v0.14.
v0.14, 24 sept. 2026, BROUILLON, publié alors qu'il est encore en cours de révision. Coupé et réordonné pour la longueur (corps du texte passé d'environ 10 200 mots à environ 9 200) : répétitions réduites à des renvois, historique de brouillon de ce document déplacé vers la liste des corrections, partie 4 ouverte par son verdict et ses limites regroupées sous un seul intertitre, ses deux exceptions encadrées et repliées sur place, cet historique replié et classé du plus récent au plus ancien ; une troisième exception déclarée ajoutée (partie 5) ; « program », « skeptic », « skeptical » et « unlabeled » mis à l'orthographe britannique. La description de la page utilise désormais la propre phrase de la partie 2 et décrit l'article comme l'argument « sans sa défense complète, son historique des versions et son registre de corrections », comme le fait la partie 7. Aucune affirmation n'a été modifiée hormis les corrections énumérées ci-dessus ; les autres modifications sont des coupes, des déplacements, des fusions, des renvois, des étiquettes et des gloses tirés de l'article ou, là où c'est indiqué, du glossaire de la pratique ou des propres pages de ce site.
v0.13, 23 sept. 2026, BROUILLON, publié alors qu'il est encore en cours de révision. Structure seulement ; aucune affirmation n'a changé. La comptabilité des dépôts de la citation d'accompagnement a été déplacée vers cet appendice ; deux phrases déplacées portent de petites réparations de renvoi pour se lire encore correctement là où elles se trouvent désormais (« avant que vous l'ouvriez », « le dépôt de la v1.31 »), et le paragraphe de la règle déplacé a gagné un renvoi à la partie 7 ; l'exposé de la partie 0 sur la difficulté de l'article a été déplacé vers la partie 7 ; un renvoi à la partie 6 pour les lecteurs qui commandent une revue ; stemmatique et collation expliquées à leur première occurrence et instance définie dans le glossaire ; la règle à laquelle ce document est soumis déplacée dans la partie 0 et la note sur les Prolegomena dans la partie 7, qui dit désormais que les Prolegomena ne sont pas encore publiés ; parenthèses cassées et renvois périmés réparés ; le glossaire scindé entre les mots qu'emploie cette introduction et d'autres termes, pour la plupart du vocabulaire de l'article. Soumis une fois à une instance (Kimi, accès aux fichiers) avant publication, verdict CHANGES NEEDED sur quatre points : trois étaient les réparations de renvoi et les intertitres consignés ici, conservés comme délibérés ; le quatrième, une nouvelle phrase disant que les spécialistes des manuscrits appellent cette comparaison collation, allait au-delà de l'article et a été restreint à ce que dit l'article. Clôture en attente du prochain examen de Kimi.
v0.12, 22 sept. 2026, BROUILLON, publié alors qu'il est encore en cours de révision. Consignation seulement : les faits relatifs au dépôt de la v1.31 nommés à la v0.11 ont été confirmés le même jour par deux instances décorrélées, Kimi (Moonshot) et Grok (xAI), exécutées en aveugle et en parallèle sur une consigne identique à l'octet près, chacune récupérant elle-même la notice Zenodo et le fichier servi, hachant elle-même les copies servie et locale, et récupérant la liste des versions de la notice de concept plutôt que de déduire la dernière version de la redirection du DOI ; toutes deux ont renvoyé CONFIRM-CLOSED sur les sept vérifications, avec zéro divergence. Une lacune de corroboration, non une contradiction : l'API ne porte aucune étiquette de version pour la notice la plus ancienne, dont l'identité v1.15 repose sur son nom de fichier, son identifiant de notice et la chronologie. Consigné au journal de clôture, seq 29 à 31 ; aucun texte argumentatif n'a changé.
v0.11, 22 sept. 2026, BROUILLON, publié alors qu'il est encore en cours de révision. Consignation seulement : la citation d'accompagnement passe de la v1.30 à la v1.32 et la ligne de dépôt à la v1.31 (déposée le 22 sept. 2026, DOI de version 10.5281/zenodo.22900116, vérifiée par l'API Zenodo et par comparaison octet par octet du fichier servi avec la copie locale par l'assistant de rédaction ; pas encore confirmée par une instance indépendante) ; aucun texte argumentatif n'a changé. La v1.31 est une révision de lisibilité de l'article dont trois instances décorrélées ont vérifié que les affirmations étaient inchangées ; rien dans ce document n'a eu besoin de changer pour elle, puisque ce document ne cite mot pour mot aucune formulation de l'article et que la structure en sections de l'article est inchangée.
v0.10, 16 sept. 2026, BROUILLON, publié alors qu'il est encore en cours de révision. Consignation seulement : la citation d'accompagnement passe v1.29 → v1.30 et la ligne de dépôt à la v1.29 (déposée le 16 sept. 2026, DOI de version 10.5281/zenodo.22790100, vérifiée par l'API Zenodo et par comparaison octet par octet du fichier servi avec la copie locale) ; aucun texte argumentatif n'a changé.
v0.9, 15 sept. 2026, BROUILLON, publié alors qu'il est encore en cours de révision. Soumis une fois à une instance (Kimi, accès aux fichiers, PR #164 de la bibliothèque) ; quatre changements nommés appliqués : la tendance sur la diversité des fournisseurs, supprimée, survivait à deux autres endroits et y est désormais supprimée aussi ; l'association « en partie »/5 % n'était pas étayée par le propre mélange de Sander et est reformulée ; la réserve de Pan sur la paraphrase et son résultat sur le mélange de plusieurs maîtres ajoutés ; la glose causale du corps du texte alignée sur le glossaire corrigé.
v0.8, 15 sept. 2026, BROUILLON, publié alors qu'il est encore en cours de révision. Quatre corrections appliquées à partir d'une revue de littérature en trois tours sur les preuves relatives au signal de lignée, chacune soumise à au moins une lignée non Anthropic : les chiffres sur les erreurs corrélées et la tendance sur la diversité des fournisseurs (partie 2) ; la citation sur l'héritage des marqueurs et l'affirmation sur la paraphrase (partie 3) ; l'entrée Attracteur du glossaire. Piste des preuves : CVRR-LIT-2026-09-15-003 et CORRECTIONS-OWED-2026-09-15. Aucune conclusion n'a changé.
v0.7, 7 sept. 2026, BROUILLON, publié alors qu'il est encore en cours de révision. Chaque ligne de revue soulevée contre ce document a été close par l'instance qui l'a soulevée ; les quatre correctifs apportés dans la révision précédente attendent le prochain examen de ceux qui les ont soulevés. Il n'a fait l'objet d'aucune relecture éditoriale externe ni d'aucune relecture par les pairs, et l'article fait foi partout où les deux diffèrent. Auteur : Claude (lignée Anthropic), sur instruction de L. J. Soons, avec l'article et les Prolegomena (v0.16) en contexte tout du long : une contamination au sens précis que la ligne contaminatio du §3 de l'article lui-même donne au mot (un rédacteur travaillant avec les constats d'un autre document déjà sous les yeux), et la raison pour laquelle ce document est une porte et non un témoin. La v0.1 n'avait eu aucune lecture indépendante. Trois premières lectures décorrélées et sans amorçage ont ensuite été menées, aucune n'étant informée de ce qu'une autre avait trouvé : Qwen n'a trouvé aucun excès d'affirmation. GLM a trouvé douze cas où l'Introduction énonçait quelque chose de manière plus forte, plus large ou plus certaine que les Prolegomena (plusieurs réintroduisant des formulations que l'historique de revue des Prolegomena eux-mêmes avait déjà repérées et délibérément adoucies), plus deux affirmations ajoutées sans équivalent dans les Prolegomena ; la v0.2 les a tous appliqués. DeepSeek, travaillant à partir de la v0.2, a trouvé trois cas supplémentaires qu'aucune des deux autres instances n'avait repérés ; la v0.3 les a appliqués. Les deux instances qui les avaient soulevés ont ensuite confirmé leurs propres lignes par rapport à la v0.3. Le tour de confirmation de DeepSeek a renvoyé CONFIRM-CLOSED sur ses trois constats, et son propre balayage ouvert du reste de la v0.3 a fait apparaître un nouveau cas, non consigné : une phrase sur l'expérience interrompue affirmant que ses critères avaient été « publiés à l'avance » là où le §24 des Prolegomena dit seulement « figés et citables » ; une affirmation plus étroite. Le tour de confirmation de GLM a renvoyé 13 de ses 14 lignes CONFIRM-CLOSED et une PARTIALLY-CLOSED (une affirmation ajoutée sur la durée d'existence de l'étude des manuscrits, que la v0.3 avait affaiblie mais pas entièrement retirée), et son propre balayage ouvert de la v0.3 a trouvé un autre cas de cette même classe de défaut dans un paragraphe différent, et a en outre signalé (sans le soulever comme ligne) un véritable artefact d'édition : une proposition dupliquée laissée par le raccord de la v0.3 qui corrigeait le constat de DeepSeek. La v0.4 a appliqué le point restant de GLM, sa détection par balayage de la même classe, la nouvelle détection « publiés à l'avance » de DeepSeek, et le nettoyage de la proposition dupliquée. Toutes les lignes soulevées par l'une ou l'autre instance sont désormais closes par la confirmation de cette instance elle-même, à l'exception des quatre correctifs apportés à la v0.4, dont la clôture attend le prochain examen de chacun de ceux qui les ont soulevés.
La v0.7 (7 sept. 2026) ajoute un paragraphe à la partie 4 (« Le récit d'un praticien sur le même scénario, pesé comme témoignage »), citant un entretien en podcast de mai 2026 avec Bjarne Stroustrup : une deuxième exception déclarée à la règle de la partie 0 selon laquelle ce document ne dit rien que l'article ne dise pas. Le paragraphe rapporte le témoignage d'un praticien pertinent pour le scénario des dépôts de code, le traite expressément comme un témoignage plutôt que comme un élément de preuve, et laisse ouverte la question de la lignée par les habitudes naturelles. Les citations ont été comparées caractère par caractère avec la transcription publiée par l'animateur et vérifiées sur l'enregistrement par L. J. Soons le 7 sept. 2026. Le paragraphe a été soumis à une validation avant fusion par une instance décorrélée en deux tours : Codex (OpenAI) a relu le brouillon initial à froid (REVISE, six constats (quatre bloquants, deux modifications ; deux des lignes bloquantes ont supprimé des ajouts interprétatifs propres à l'assistant de rédaction, une a supprimé une formulation catégorique, et une provenait d'une extraction de transcription défectueuse, signalée à l'instance et resoumise), relevé CODEX-INTRO-STROUSTRUP-PARA-2026-09-07), puis a confirmé ses propres lignes par rapport au texte révisé (cinq sur six CONFIRM-CLOSED, balayage ouvert sans anomalie ; la sixième, un saut de ligne à l'intérieur d'une citation dans le brouillon à retours à la ligne fixes, a été close par une vérification de caractères par script plutôt que par l'instance ; CODEX-INTRO-STROUSTRUP-PARA-R2-2026-09-07). Codex a ensuite relu le diff de la PR de la bibliothèque pour l'intégrité du raccord et du journal des modifications (MERGE-AFTER-FIXES, une modification de cette entrée du journal des modifications, appliquée : CODEX-INTRO-V07-PR115-DIFF-2026-09-07, confirmée par rapport au relevé du premier tour dans CODEX-INTRO-V07-PR115-DIFF-R2-2026-09-07). Aucun autre texte argumentatif n'a changé.
Historique des dépôts et portée des vérifications antérieures. Jusqu'au 16 sept. 2026, la citation d'accompagnement en haut de cette page indiquait que le dépôt le plus récent du DOI de concept était la v1.25 (24 août 2026, DOI de version 10.5281/zenodo.22077929) ; la v1.29 a ensuite été déposée (16 sept. 2026, DOI de version 10.5281/zenodo.22790100), puis la v1.31 (22 sept. 2026, DOI de version 10.5281/zenodo.22900116) ; la citation d'accompagnement nomme désormais la v1.35, déposée le 25 sept. 2026 sous le DOI de version 10.5281/zenodo.22959463. Les vérifications décrites ci-après concernent les dépôts antérieurs v1.25 et v1.31. Les faits relatifs à la v1.31 ont été vérifiés par l'assistant de rédaction via l'API Zenodo et par comparaison octet par octet du fichier servi avec la copie locale, puis confirmés indépendamment le même jour par deux instances décorrélées, Kimi (Moonshot) et Grok (xAI), exécutées en aveugle et en parallèle sur une consigne identique à l'octet près, chacune récupérant la notice et hachant elle-même les fichiers servi et local, et allant chercher directement la liste des versions ; toutes deux ont renvoyé CONFIRM-CLOSED sur chaque affirmation vérifiable, avec zéro divergence (journal de clôture, seq 31). Les faits relatifs à la v1.25 ont été vérifiés indépendamment par deux instances décorrélées : Kimi (Moonshot) et Grok (xAI), exécutées en aveugle et en parallèle, chacune récupérant la notice Zenodo et hachant elle-même le fichier déposé plutôt que de se fier au rapport de l'assistant de rédaction. Toutes deux ont renvoyé CONFIRM-CLOSED sur chaque affirmation vérifiable, avec zéro divergence ; Grok a en outre interrogé directement le point d'accès de Zenodo qui liste les versions, écartant l'hypothèse d'un dépôt plus récent passé sous silence. Consigné au journal de clôture, seq 15 (Kimi) et seq 16 (Grok) : https://github.com/clvstra/agentic-stemmatics-closure-log. La v0.6 (31 août 2026) ajoute à la partie 4 un paragraphe citant une source externe (« Un nouvel ancrage empirique pour le mécanisme d'empoisonnement », arXiv:2510.07192) (une exception déclarée à la règle selon laquelle ce document ne dit rien que l'article ne dise pas), soumis à une validation avant fusion par deux instances décorrélées (GLM sur le brouillon initial, DeepSeek à froid sur le texte corrigé ; toutes deux MERGE-WITH-EDITS ; toutes les modifications appliquées sauf une de GLM, rendue caduque par une vérification directe, dans le PDF, de la formulation de l'étude elle-même), plus une vérification directe à la source de chaque fait cité par rapport au PDF de l'étude, et une passe d'intégrité du diff par Codex sur la fusion elle-même. La v0.5 ajoute ce paragraphe ; aucun texte argumentatif n'a changé.