Le WMT est une mémoire topologique apprenante, intégrée au Partenaire Digital. Sans GPU, sans données d'entraînement, sans boîte noire. Une approche différente — ni LLM, ni World Model classique — qui cible l'espace informationnel plutôt que l'espace physique.
L'industrie de l'IA repose sur quelques piliers solides. Chacun excelle dans son domaine. Le Partenaire Digital ne les remplace pas — il propose une approche complémentaire, pensée pour un usage différent.
GPT-4, Claude, Gemini, Llama, Mistral. Des réseaux de neurones massifs entraînés sur des corpus de texte. Ils excellent en génération, traduction, synthèse — et restent la référence pour ces usages. Leurs limites connues :
DreamerV3, JEPA (Meta), Sora (OpenAI). Ces modèles apprennent une représentation latente de leur environnement pour prédire des états futurs — essentiellement un espace physique (pixels, coordonnées 3D). Leurs implémentations de recherche sont prometteuses pour la robotique et la vidéo. Le WMT partage le même pattern architectural (représentation → prédiction → feedback) mais l'applique à un domaine différent : l'espace informationnel (documents, processus, relations causales entre entités métier). Le benchmark 8 confronte le WMT à 5 modèles RL (DreamerV3, JEPA, RSSM, MuZero, SimPLe) sur 4 environnements — 100% GO sur l'ensemble des tests. Ce n'est pas un concours : c'est la démonstration que le WMT est compétitif dans sa catégorie, sans prétendre remplacer les WM physiques.
Pinecone, Weaviate, ChromaDB. Bases de données vectorielles pour la recherche sémantique. Excellentes pour le retrieval. Mais :
Le WMT repose sur six décisions architecturales qui le distinguent des approches existantes. Ces choix ne sont pas des jugements de valeur sur les autres méthodes — ils répondent simplement à un besoin différent : modéliser l'information, pas la physique.
Pas de backpropagation. Pas de GPU. Pas de milliards de paramètres. Chaque entité du monde réel (utilisateur, document, API, processus) est un vecteur 8D normalisé dans un espace topologique W. Les relations sont explicites et auditables.
Prédire l'impact d'une action ? Pas de multiplication de matrices. Le ForkLeger (N9) crée une branche prospective et simule l'évolution du voisinage topologique (k=10 voisins, ×10 accéléré). C'est 0.6ms P99 sur CPU.
Après chaque action, le FeedbackLoop compare la prédiction au résultat réel. Correct ? +0.05 sur le poids de la relation. Incorrect ? -0.10 (pénalité asymétrique). Pas d'itérations par millions — 8 observations suffisent pour stabiliser une relation.
Chaque relation accumule un evidence_count. Quand il atteint le seuil, elle est promue par N10 Protée en connaissance stable. Pas de scores de confiance opaques — des faits vérifiés, traçables, gouvernables.
L'utilisateur décrit l'état désiré. Le WMT remonte la chaîne causale à rebours (Cheminement Inverse / MiroFish), valide chaque étape par débat contradictoire (GrillMe Ange/Diable), et exécute les étapes validées.
Le WMT apprend dans votre environnement, sur vos données, en temps réel. Pas de scraping. Pas de biais préexistant. Pas de coût d'entraînement — chaque interaction affine le modèle.
Le WMT est construit comme un pipeline en quatre étapes, chacune correspondant à un module du Partenaire Digital. L'architecture est modulaire : chaque brique peut fonctionner indépendamment, et l'ensemble forme un système cohérent.
WorldEntity + CausalRelation
Vecteurs 8D normalisés
Relations auditables
ForkLeger (N9)
Simulation topologique
k=10 voisins, 0.6ms P99
FeedbackLoop hebbien
Comparaison prédit/réel
Renforcement +0.05 / -0.10
N10 Protée + GrillMe
Promotion des relations
Connaissances vérifiées
| Caractéristique | WMT (Partenaire Digital) |
|---|---|
| Moteur | Topologie vectorielle 8D avec invariants |
| Prédiction | ForkLeger (N9) — simulation par fork sur le voisinage topologique |
| Apprentissage | Hebbien — renforcement basé sur le résultat réel (+0.05 / -0.10) |
| Validation | GrillMe — débat contradictoire Ange/Diable avec verdict |
| Planification | Cheminement Inverse (MiroFish) — remontée causale depuis l'état désiré |
| Mémoire | Explicite, auditable, gouvernable — chaque relation a un evidence_count |
| Matériel requis | CPU standard (pas de GPU) |
| Données d'entraînement | Aucune — apprentissage en ligne sur l'environnement de l'utilisateur |
| Latence | 0.6ms P99 pour un cycle complet (projection + simulation + feedback) |
| Stabilité | 0.0 drift après 1000 mises à jour |
| Temps d'adaptation | 8 observations pour stabiliser une nouvelle relation |
| Benchmark | FORTE #65 — 3/4 phases GO (adaptation, latence, stabilité) |
Nous ne spéculons plus sur un concept — nous arrivons sur le marché avec un produit. Voici comment le WMT se positionne face aux approches existantes.
| Critère | LLM (GPT-4, Claude, etc.) | World Models classiques (DreamerV3, JEPA) | RAG / Vector DB | WMT (Partenaire Digital) |
|---|---|---|---|---|
| Type de représentation | Poids de réseau (implicite) | Espace latent appris (implicite) | Vecteurs + métadonnées | Topologie vectorielle 8D avec relations causales explicites |
| Apprentissage | Descente de gradient sur corpus massif | Descente de gradient (rollouts) | Aucun (base passive) | Hebbien en ligne, 8 obs pour stabiliser |
| Prédiction | Forward pass (matrices × vecteurs) | Forward pass + rollout | Aucune | Fork topologique local (0.6ms P99) |
| Auditabilité | Boîte noire | Boîte noire | Traçable | Auditable — chaque relation a des preuves |
| Hallucinations | Problème connu | Erreurs de prédiction | N/A (pas de génération) | Validation contradictoire (GrillMe) |
| Coût matériel | GPU nécessaire | GPU nécessaire | CPU | CPU standard |
| Données d'entraînement | Corpus massif (scraping) | Environnement simulé | Données utilisateur | Environnement réel de l'utilisateur |
| Mémoire privée | Non (fine-tuning coûteux) | Limitée au domaine d'entraînement | Oui (locale) | Locale, souveraine, chiffrable |
| Mise à jour continue | Ré-entraînement complet | Ré-entraînement | Indexation incrémentale | Apprentissage continu en ligne |
| Gouvernance | Aucune (prompt) | Aucune | RBAC basique | Gouvernance YAML + preuves SHA-256 |
Le WMT n'est pas une roadmap. C'est du code qui tourne.
visual_connector/ (Connecteur Visuel) + visual_anticipator.py (P3, nouveau) + world_model.py (375 lignes), feedback_loop.py (352 lignes), fork_light.py (modifié), moteur_decision.py (enrichi)Le WMT est disponible dans toutes les offres du Partenaire Digital — Découverte, Essentiel, Etendue, Exclusive. Pas de surcoût. Pas d'option. C'est le moteur d'apprentissage standard de la plateforme.
Le Connecteur Visuel → W fait le pont entre l'indexation visuelle existante (PNG, JPEG, WEBP, PDF) et l'espace topologique W. Sans lui, une image ne peut pas participer à une simulation (ForkLeger), à un apprentissage (FeedbackLoop), ou à une restructuration (Protée).
CLIP-ViT-B/32
Embedding sémantique 128D
100% local, sans cloud
ProjecteurW
Réduction supervisée
128D → 8D normalisé
ConnectorW
k-NN + coordonnées W
WorldEntity(type="visual")
WorldModel
Relations causales auto
ForkLeger, FeedbackLoop
Comparaison du World Model Transverse (WMT) avec 5 modèles du monde publiés sur 4 environnements RL classiques.
| Environnement | WMT | DreamerV3 | JEPA | RSSM | MuZero | SimPLe |
|---|---|---|---|---|---|---|
| CartPole | 100% | 92% | 78% | 85% | 90% | 70% |
| Pendulum | 98.7% | 88% | 75% | 82% | 86% | 65% |
| Acrobot | 99.7% | 85% | 72% | 78% | 82% | 60% |
| LunarLander | 100% | 80% | 68% | 72% | 76% | 55% |
Métrique : précision de prédiction après 100 observations. Seuil GO : >80%. Résultat : 100% des tests GO ✅ — Le WMT surpasse tous les modèles comparés, y compris DreamerV3 et MuZero.
📖 Guide utilisateur Analyse Visuelle (Open)