Avis sur Edge0-145B : un gros modèle local avec un marketing encore plus gros

Rama Adi
Écrit par

Rama Adi

Katelin Teen
Relu par

Katelin Teen

Dernière modification 13 novembre 2026

Vérifié par un expert
Illustration dessinée à la main d'un testeur avec un bloc-notes de notation par étoiles pesant un ordinateur portable contre une carte graphique de bureau, à côté du logo Edge0, pour un avis sur Edge0-145B
TL;DR

Edge0-145B est un modèle de 145 milliards de paramètres conçu pour tourner sur une seule carte graphique grand public, et l'ingénierie derrière est réelle. Dans ses propres tests, Edge0 obtient 86.5 sur Terminal-Bench 2.1 et 64.6 sur DeepSWE 1.1, devant son modèle de base, Qwen3.8-Flash-Next.

Les annonces de lancement ont toutefois besoin de nuances. Le chiffre de "29 Go" laisse de côté environ 31 Gio de RAM système, le support macOS n'est pas dans la sortie, et les poids portent une licence qui restreint les services commerciaux. Mon verdict : 3/5, ça vaut le coup de le tester sur une machine NVIDIA, mais pas encore le coup de reconstruire votre pile autour.

Pour les équipes de support qui recherchent la confidentialité, le modèle compte moins que ce que le bot a le droit de lire. eesel répond uniquement à partir de vos connaissances validées, et avec le CLI eesel, n'importe quel agent de code peut téléverser ces connaissances et poser des questions de test avant que quoi que ce soit ne soit mis en service.

Comment j'ai évalué Edge0-145B

Edge0 a publié la sortie le 13 novembre, donc cet avis a été écrit deux jours après. Je construis des intégrations et des API chez eesel, donc je lis des sorties comme celle-ci de la même façon que je lis la documentation de n'importe quel fournisseur : l'article de lancement vous dit ce qu'ils veulent vous faire croire, et le README vous dit ce qui est réellement livré. J'ai travaillé à partir de trois sources, dans cet ordre de confiance :

  1. Les propres fichiers de sortie d'Edge0. Le README GitHub, la fiche du modèle sur Hugging Face, et le fichier de provenance de licence dans le dépôt. Ceux-ci portent les chiffres mesurés.
  2. L'article de lancement d'Edge0. Utile pour l'intention et les démos, mais là où il contredit le README, je fais confiance au README.
  3. Les premiers utilisateurs. Le fil de lancement sur Hacker News a dépassé 330 points et 100 commentaires, avec quelques personnes l'essayant sur leur propre matériel.

Je n'ai pas lancé ma propre suite de benchmarks, et aucun laboratoire indépendant comme Artificial Analysis n'avait de page pour Edge0-145B le 14 novembre. Traitez chaque score ci-dessous comme venant d'Edge0. Si vous voulez d'abord le paysage plus large des modèles, les articles de mes collègues sur DeepSeek V4 Flash et Qwen 4 Max couvrent les deux familles auxquelles Edge0 se compare.

La fiche du modèle sur Hugging Face pour Edge0-145B Q3_K, montrant la licence edge0-community-model-1.0 et Qwen/Qwen3.8-Flash-Next comme modèle de base, capturée depuis Hugging Face
La fiche du modèle sur Hugging Face pour Edge0-145B Q3_K, montrant la licence edge0-community-model-1.0 et Qwen/Qwen3.8-Flash-Next comme modèle de base, capturée depuis Hugging Face

Qu'est-ce qu'Edge0-145B ?

Edge0-145B est un modèle de mélange d'experts latent d'Edge0, une équipe qui a précédemment livré le modèle pour téléphone Edge0-35B en septembre et les modèles vocaux Audio8. Il a 145 milliards de paramètres au total mais seulement environ 10.12 milliards actifs par token, ce qui explique comment il tient sur du matériel qui ne pourrait jamais contenir un modèle dense de 145 milliards.

Voici ce que dit la fiche du modèle à son sujet :

SpécificationEdge0-145BEdge0-120B
Paramètres totaux / actifs145B / 10.12B120B / non indiqué
Couches et experts48 couches, 512 experts, 10 routés + 1 partagé par tokenIdentique
Largeur latente des experts1,7921,280
Fenêtre de contexte256K (KV int8, 32K résidant)256K
Builds sur Hugging FaceQ3_K (40.81 Gio), NVFP4 (47.79 Gio)Q3_K (27.98 Gio), NVFP4 (32.96 Gio)
Modèle de baseQwen3.8-Flash-NextQwen3.8-Flash-Next
Moteuredge0-strata (fork de Strata)edge0-strata

Deux lignes de ce tableau racontent la plus grande partie de l'histoire. Le modèle de base est Qwen, et le moteur est un fork du projet open source Strata. Edge0 le dit clairement dans le README, même si l'article de lancement ne mentionne jamais Qwen. C'est cet écart que la plupart des premiers commentateurs ont relevé :

Hacker News

"Based on Qwen3.8-Flash-Next and Strata. They made some interesting tweaks and did some fine tuning on the model, but it's interesting how much marketing speak was layered on their website to hide this fact."

Être un dérivé n'est pas un défaut. La plupart des bons modèles ouverts partent aujourd'hui de la base de quelqu'un d'autre, et la vraie question est de savoir si les changements d'Edge0 apportent quelque chose. Sur ce point, la réponse semble être oui.

Ce qu'Edge0-145B fait bien

Trois choses se sont démarquées, et elles concernent toutes l'ingénierie plutôt que l'intelligence brute.

La conception des experts est astucieuse

Edge0 partage deux grandes matrices entre chaque groupe de 64 experts, et chaque expert ne garde qu'un petit ensemble de ses propres paramètres. La fiche du modèle détaille le résultat : chaque expert est un enregistrement fixe de 1,630,720 octets, donc le moteur peut garder quelques milliers des experts les plus sollicités sur la carte graphique et diffuser le reste depuis la mémoire système. Le coût de cette diffusion suit le nombre d'experts qui restent résidents, pas la taille du modèle.

Edge0 a aussi entraîné le modèle sous cette forme dès le départ, nativement en 4 bits, plutôt que de réduire un modèle cloud après coup. Le décodage spéculatif via une tête brouillon de 1.26 milliard répartit le coût de chaque lecture de poids sur plusieurs tokens de sortie. Rien de tout cela n'est magique, mais c'est un travail soigné, et c'est pour cela qu'un modèle de 145 milliards tourne du tout sur une carte de 24 Go.

Ses scores de code et d'agent dépassent son modèle de base

Le tableau de benchmarks d'Edge0 montre les plus grands gains là où ils comptent pour les agents locaux :

Graphique en barres dessiné à la main des propres résultats de benchmark d'Edge0 : Edge0-145B obtient 64.6 sur DeepSWE 1.1, 86.5 sur Terminal-Bench 2.1 et 90.4 sur GPQA-Diamond, contre Qwen3.8-Flash-Next à 58.7, 83.3 et 91.7 et DeepSeek-V4-Flash-0731 à 54.4, 82.7 et 90.8
Graphique en barres dessiné à la main des propres résultats de benchmark d'Edge0 : Edge0-145B obtient 64.6 sur DeepSWE 1.1, 86.5 sur Terminal-Bench 2.1 et 90.4 sur GPQA-Diamond, contre Qwen3.8-Flash-Next à 58.7, 83.3 et 91.7 et DeepSeek-V4-Flash-0731 à 54.4, 82.7 et 90.8
ModèleDeepSWE 1.1Terminal-Bench 2.1HLEGPQA-DiamondIFBenchAA-LCR
Edge0-145B64.686.535.490.480.679.3
Edge0-120B51.375.331.087.479.381.0
Qwen3.8-Flash-Next58.783.335.991.781.379.1
DeepSeek-V4-Flash-073154.482.733.890.879.279.7
Qwen3.8-27B42.273.030.889.279.582.0
Claude Opus 4.6 (Max)n/a78.240.091.362.578.0

Le schéma est honnête d'une certaine façon : Edge0-145B dépasse sa base sur les deux benchmarks d'agent et reste légèrement en retrait sur la connaissance et le raisonnement (GPQA, HLE, IFBench). C'est ce à quoi on s'attendrait d'un fine-tuning visant les agents de code. Terminal-Bench en particulier tend à refléter la capacité d'un modèle à piloter un shell, et un premier utilisateur l'a remis en contexte :

Hacker News

"This score is roughly on par with 5.6 Terra max, which in my direct experience is perfectly capable of driving a cloud agent harness that can do pretty complex knowledge work."

Si vous préférez comparer avec les modèles hébergés actuels, les avis de mes collègues sur GPT-6.1 Terra et Claude Opus 5.5 ont les chiffres indépendants que le tableau d'Edge0 n'a pas.

Il est rapide sur le bon matériel

Sur la propre machine RTX 5090 D 24 Go d'Edge0, la build Q3_K a atteint 121.2 tokens par seconde en décodage agent et 3,554.9 tokens par seconde sur un préremplissage de 16K tokens. C'est assez rapide pour qu'une boucle de code locale paraisse interactive. Les démos de lancement (une scène de ville dans Blender, un programme de drone, une carte KiCad) montrent à quoi sert cette vitesse : des dizaines de cycles de planification, d'exécution et de vérification sans facture par token. La page GitHub d'Edge0 a le tableau de vitesse complet et une vidéo de présentation de deux minutes.

Le dépôt GitHub d'Edge0, montrant le slogan du projet, la liste des plateformes et les badges des dernières sorties 145B et 120B, pris depuis GitHub
Le dépôt GitHub d'Edge0, montrant le slogan du projet, la liste des plateformes et les badges des dernières sorties 145B et 120B, pris depuis GitHub

Où Edge0-145B montre ses limites

Ici, l'article de lancement et les fichiers de sortie racontent des histoires différentes. Chaque point ci-dessous vient des propres documents d'Edge0.

"29 Go de mémoire maximale" n'est pas toute l'empreinte

L'article de lancement met en avant 29 Go de mémoire maximale et dit que le modèle tourne sur un ordinateur portable de 48 Go. Le même article décrit plus loin une bibliothèque d'experts d'environ 40 Go en RAM système et environ 48 Go de données de vocabulaire sur le SSD. Les chiffres mesurés du README tranchent la question :

Graphique en barres empilées dessiné à la main montrant Edge0-145B Q3_K sur une RTX 5090 D : 23.14 Gio en mémoire GPU plus 31.28 Gio en RAM système, un total mesuré de 54.4 Gio contre l'annonce de 29 Go, avec la table de n-grammes lue depuis le SSD à la demande
Graphique en barres empilées dessiné à la main montrant Edge0-145B Q3_K sur une RTX 5090 D : 23.14 Gio en mémoire GPU plus 31.28 Gio en RAM système, un total mesuré de 54.4 Gio contre l'annonce de 29 Go, avec la table de n-grammes lue depuis le SSD à la demande

Avec la résidence des experts activée, la build Q3_K a utilisé 23.14 Gio de mémoire GPU plus 31.28 Gio de RAM système. La build NVFP4 a utilisé 23.25 Gio plus 38.27 Gio. Le chiffre de 29 Go ressemble à une seule tranche de cela, le plus probablement le côté GPU plus une marge, présenté comme le total.

Pour être juste envers Edge0, il a aussi fait tourner le modèle dans un budget plus serré : 16 Gio de VRAM et 20 Gio de RAM, avec des experts non mis en cache lus depuis le SSD. Cela a tout de même fonctionné, à 36.8 tokens par seconde en chat et 44.9 en mode agent. Donc une machine plus petite peut le faire tourner, juste beaucoup plus lentement. Un lecteur de Hacker News qui avait espéré le faire tourner sur un MacBook de 48 Go a résumé la déception :

Hacker News

"If we're talking about ~70GB combined RAM footprint then that's not going to cut it. Still very interesting though."

macOS est dans l'article de lancement, pas dans la sortie

L'article de lancement dit que le support dès le premier jour couvre macOS, Windows et Linux, y compris les puces Apple de la série M. Le tableau des plateformes du README dit quelque chose de plus restreint : les modèles 145B et 120B tournent sur Linux ou Windows avec un GPU NVIDIA et CUDA 13, et les colonnes macOS, iOS et Android sont vides pour eux. Edge0 a bien publié un résultat sur un Apple M2 Ultra (57.0 tokens par seconde en décodage agent) et ajoute que cela "n'établit pas la disponibilité de la sortie sur macOS". L'application de bureau Edge0 Chat n'est pour l'instant que sous Windows.

Voici ce que cela signifie en pratique :

Flux de décision dessiné à la main : GPU NVIDIA avec CUDA 13, puis Linux ou Windows, puis 16+ Go de VRAM, 20+ Go de RAM et un SSD rapide mène à des vitesses testées de 37 à 121 tokens par seconde ; Mac, AMD et téléphones ne sont pas encore pris en charge
Flux de décision dessiné à la main : GPU NVIDIA avec CUDA 13, puis Linux ou Windows, puis 16+ Go de VRAM, 20+ Go de RAM et un SSD rapide mène à des vitesses testées de 37 à 121 tokens par seconde ; Mac, AMD et téléphones ne sont pas encore pris en charge

Les utilisateurs Mac peuvent toujours faire tourner l'ancien Edge0-35B sur Metal. Pour le 145B, il vous faut aujourd'hui une machine NVIDIA.

Les benchmarks sont autodéclarés, et ils ne s'accordent pas totalement

Chaque score d'Edge0, Qwen, DeepSeek et Claude dans le tableau vient des évaluations internes d'Edge0. Edge0 dit que la configuration complète et les étapes de reproduction sont "en cours de publication avec notre rapport technique", et le seul rapport technique publié jusqu'ici couvre le modèle 35B. Les chiffres bougent aussi entre les documents : l'article de lancement liste Edge0-120B à 53.6 sur DeepSWE et 81.3 sur Terminal-Bench, tandis que le README liste 51.3 et 75.3.

Les premiers retours d'utilisation pratique sont mitigés. Un testeur sur une NVIDIA DGX Spark n'a pas pu obtenir de réponse utile :

Hacker News

"It spent 8,000+ tokens at default thinking and never produced a coherent answer."

Un seul test n'est pas un verdict, mais c'est une raison d'attendre un classement indépendant avant de faire confiance au tableau. L'avis sur DeepSeek V4.1 Flash de mes collègues montre à quoi cela ressemble quand un laboratoire a fait tourner les chiffres lui-même.

"Open source" vient avec un piège commercial

L'article de lancement dit qu'Edge0 "ouvre le code source" des modèles. Le code du framework est en Apache 2.0, et Strata reste en MIT. Les poids sont différents. La fiche du modèle les place sous la Edge0 Community Model License 1.0, les matériaux de Qwen restant sous la Qwen Community License. L'usage personnel, la recherche, la modification, l'usage interne et l'usage commercial des sorties sont autorisés. Vendre ou regrouper le modèle, faire tourner un service de modèle commercial, ou proposer un assistant de code ou de bureautique commercial, nécessite une licence écrite séparée.

Pour un amateur ou une équipe d'outillage interne, c'est acceptable. Pour quiconque prévoit de construire un produit dessus, lisez la licence avant le README. L'avis sur Hugging Face sur notre blog couvre comment ces licences personnalisées apparaissent à travers tout le hub.

Edge0-145B face aux alternatives

Voici comment je le placerais à côté de ce qu'un développeur envisagerait réellement cette semaine :

Si vous voulez...ChoisissezPourquoi
L'agent de code local le plus fort sur une seule carte NVIDIAEdge0-145BMeilleurs scores autodéclarés Terminal-Bench et DeepSWE de sa classe, 91.7 à 121.2 tok/s sur des cartes de 24 Go
La même famille avec moins de surprisesQwen3.8-Flash-NextLe modèle de base, un support d'exécution plus large, des scores proches en raisonnement
Un modèle local sur un Mac dès aujourd'huiEdge0-35B ou un autre modèle ouvert compatible MetalEdge0-145B n'a pas encore de runtime macOS
Des benchmarks indépendants et pas de matérielDeepSeek V4 Flash ou Kimi K3.1 ProHébergés, mesurés par des tiers, prix bas par token
La qualité de pointe, et vous êtes prêt à la payerClaude Opus 5.5 ou GPT-6 SolToujours en tête sur le raisonnement le plus difficile

Si c'est le coût qui vous pousse vers le local, faites d'abord le calcul. Les guides sur les prix de l'API Anthropic et les prix de l'API OpenAI vous aident à comparer les factures par token à un GPU qui consomme aussi environ 120W pendant qu'il travaille.

Mon verdict sur Edge0-145B

DomaineNoteRemarque
Ingénierie4.5/5Les experts à matrices partagées et la diffusion depuis SSD sont une vraie avancée pour l'inférence locale
Scores de code et d'agent4/5Forts, mais seulement autodéclarés
Honnêteté des annonces de lancement2/529 Go, macOS et "open source" ont tous besoin de nuances
Facilité d'installation2.5/5Compiler depuis les sources, NVIDIA plus CUDA 13 uniquement, application Windows seulement
Licence2.5/5Correcte pour un usage interne, restrictive pour des produits

Au global : 3/5. Si vous avez une RTX 4090 ou 5090 et voulez un agent de code local, cela vaut un après-midi. Si vous êtes sur Mac, en train de planifier un produit, ou avez besoin d'une preuve indépendante, attendez le rapport technique et un classement tiers. Les développeurs qui utilisent déjà Claude Code peuvent l'essayer via son point de terminaison local compatible Anthropic, même si je n'ai pas testé cette combinaison moi-même.

Ce que cet avis signifie pour les équipes de support

L'argument qui atteindra les responsables du support est la confidentialité : faire tourner le modèle sur votre propre matériel, et les données des tickets ne quittent jamais le bâtiment. Je comprends l'attrait. Lors des appels commerciaux, la question des données est souvent la première. Un évaluateur technique dans une entreprise de matériel semi-conducteur nous a demandé si le bot se rabattrait sur "un autre ChatGPT" quand il ne connaissait pas une réponse, et si cela pouvait être désactivé. Un acheteur danois de télématique s'inquiétait des numéros de carte et des mots de passe présents dans les tickets.

Aucune des deux préoccupations ne portait vraiment sur l'endroit où tourne le modèle. Les deux portaient sur ce que l'IA a le droit de lire et de dire. Un modèle local qui répond à partir de son entraînement général est toujours "l'autre ChatGPT" dont cet évaluateur s'inquiétait. Ce qui a résolu le problème pour eux, c'est un agent qui répond uniquement à partir de connaissances validées et le dit quand il ne sait pas, plus la masquage des champs sensibles.

C'est ainsi que fonctionne eesel, et c'est pourquoi je présenterais Edge0 comme de l'infrastructure, tandis qu'eesel est l'employé. Vous embauchez un collègue IA pour le helpdesk qui rejoint votre helpdesk existant, apprend de votre centre d'aide, de vos macros et de vos réponses passées, et est simulé sur des tickets historiques avant de parler aux clients. La licence d'Edge0 bloquerait aussi la plupart de ce qu'un fournisseur de support fait avec un modèle, puisqu'un service de modèle commercial nécessite un accord séparé.

Deux clients montrent à quoi ressemble une mise en place soignée. Dokument 24, un service danois de documents juridiques, fait rédiger par eesel des réponses en danois sous forme de notes internes à partir d'environ 2 600 pages web et d'éléments Zendesk, et la note le précise quand la connaissance ne couvre pas une question. smava, une entreprise allemande de comparaison de prêts dans la finance réglementée, fait passer environ 27 000 tickets Zendesk par mois dans eesel, qui en a catégorisé 14 600 et préparé 15 300 réponses brouillon en attente de l'approbation d'un conseiller.

Pour en savoir plus sur le fait de garder les bots ancrés dans la réalité, voyez notre guide sur les hallucinations IA dans le support, l'explication sur MCP pour le support client, et le récapitulatif des plateformes de chatbot open source si l'auto-hébergement est une exigence absolue.

Essayez eesel

Si vous lisez un avis sur Edge0-145B parce que votre équipe de support veut de l'IA sans confier les tickets à une boîte noire, commencez par la partie qui décide vraiment de la confidentialité et de la précision : ce que l'agent lit et quand il transfère. eesel se connecte à Zendesk, Freshdesk et aux autres grands helpdesks, répond uniquement à partir de vos connaissances validées, et vous laisse regarder comment il répond à de vrais tickets passés avant sa mise en service. Les tarifs sont un forfait de crédits mensuels fixe, pas par siège.

eesel AI travaillant dans Zendesk, rédigeant une réponse à un ticket de support à partir du centre d'aide et des tickets passés de l'équipe

Les développeurs peuvent piloter le même espace de travail depuis le CLI eesel. Un agent de code, même un pointant vers un modèle local, peut téléverser des connaissances validées comme des articles d'aide exportés et des réponses enregistrées, ajuster les instructions du collègue IA, et poser des questions de test pour vérifier les réponses. Connecter le helpdesk lui-même nécessite toujours une personne avec un accès admin pour l'approuver.

Essayez eesel gratuitement, ou réservez une démo pour le voir tourner sur vos propres tickets.

Questions fréquentes

Edge0-145B est-il bon ?
Selon les propres benchmarks d'Edge0, oui : 64.6 sur DeepSWE 1.1 et 86.5 sur Terminal-Bench 2.1, devant son modèle de base Qwen3.8-Flash-Next. Aucun laboratoire indépendant n'avait publié de scores deux jours après le lancement, et les premiers testeurs sur Hacker News étaient partagés. Mon avis sur Edge0-145B lui donne 3/5 : une ingénierie impressionnante, des annonces de lancement exagérées. Pour le contexte du modèle de base, voyez mon aperçu de Qwen.
De combien de mémoire Edge0-145B a-t-il besoin ?
Plus que ce que suggère le chiffre de 29 Go. Le README d'Edge0 lui-même montre que la build Q3_K utilise 23.14 Gio de mémoire GPU plus 31.28 Gio de RAM système sur une RTX 5090 D, environ 54 Gio au total, avec une table de n-grammes lue depuis le SSD. Edge0 l'a aussi fait fonctionner dans un budget de 16 Gio de VRAM plus 20 Gio de RAM en diffusant les experts depuis le SSD, à 36.8 à 44.9 tokens par seconde.
Edge0-145B fonctionne-t-il sur un Mac ?
Pas encore. L'article de lancement dit que le support dès le premier jour couvre macOS, mais le README GitHub ne liste que Linux et Windows avec un GPU NVIDIA et CUDA 13 pour les modèles 145B et 120B. Edge0 a publié un résultat de vitesse sur un Apple M2 Ultra et précise que cela n'établit pas la disponibilité sur macOS. Les utilisateurs Mac peuvent faire tourner l'ancien Edge0-35B. Si vous préférez une option hébergée, mon récapitulatif des alternatives à Qwen couvre les modèles cloud.
Edge0-145B est-il open source ?
Le framework d'inférence est en Apache 2.0, mais les poids du modèle sont sous la Edge0 Community Model License 1.0 plus la Qwen Community License. L'usage personnel, la recherche et l'usage interne sont autorisés. Faire tourner un service de modèle commercial, ou vendre un assistant de code ou de bureautique construit dessus, nécessite une licence écrite séparée d'Edge0. Comparez cela aux conditions de mon avis sur DeepSeek V4 Flash.
Edge0-145B est-il basé sur Qwen ?
Oui. La fiche du modèle sur Hugging Face liste Qwen/Qwen3.8-Flash-Next comme modèle de base, et le README GitHub qualifie les modèles 145B et 120B de modèles de mélange d'experts latent qui en dérivent. Le moteur, edge0-strata, est un fork du projet Strata. Edge0 a changé la conception des experts et entraîné le modèle nativement en 4 bits. Plus sur la famille Qwen dans mon avis sur Qwen.
Quelle est la vitesse d'Edge0-145B ?
Dans la configuration la plus rapide mesurée par Edge0, une RTX 5090 D avec la build Q3_K, il a atteint 121.2 tokens par seconde en décodage agent et 3,554.9 tokens par seconde pour un préremplissage de 16K. Une RTX 4090 a atteint 91.7 en décodage agent, et la RTX Spark N1X entre 36.7 et 46.0. Ce sont des mesures d'une seule exécution par Edge0, pas des tests indépendants.
Combien coûte Edge0-145B ?
Les poids sont un téléchargement gratuit, et l'inférence locale n'a pas de coût par token. Le vrai coût est le matériel et l'électricité, et, pour les services commerciaux, une licence Edge0 séparée. Si vous préférez payer par token avec un modèle hébergé, voyez les prix de DeepSeek V4 Flash ou les prix de Qwen.
Une équipe de support devrait-elle utiliser Edge0-145B pour le service client ?
Pas encore pour un bot en contact avec les clients. La licence restreint les services de modèle commercial, les scores sont autodéclarés, et les problèmes de confidentialité des données dans le support viennent habituellement de ce que le bot a le droit de lire, pas de l'endroit où tourne le modèle. Un agent IA pour helpdesk qui répond uniquement à partir de connaissances validées résout plus de cela qu'un modèle local seul.

Share this article