Ce n'est qu'en lisant cet article que je me suis rendu compte que, après tout ce temps à expérimenter avec les versions de modèles et la longueur du contexte, nous avons en réalité toujours optimisé la vitesse de la pipeline, en oubliant d'ajouter une étape de contrôle qualité. La démarche d'Hermes est assez orientée ingénierie, cela vaut la peine d'essayer.

> Titre original : Comment réparer le AI Slop (en utilisant Hermes)
> Auteur original : @EXM7777
> Traduction : Peggy
>




Note de l'éditeur : La « dégradation » du contenu généré par l'IA est souvent attribuée à des prompts insuffisamment bons, à un modèle pas assez puissant, ou à un contexte insuffisamment complet. Mais cet article propose une évaluation plus proche d’un système d’ingénierie : le problème ne vient pas du côté de l’entrée, mais de la sortie.




L’auteur pense que beaucoup ont déjà essayé à plusieurs reprises de réécrire le prompt, de mettre à jour le modèle, d’activer la mémoire, de superposer des fichiers de contexte, mais le AI slop continue de réapparaître. La raison en est que ces méthodes optimisent toutes la « génération » elle-même, sans établir un mécanisme de contrôle de qualité stable. Tout comme une usine ne se fie pas uniquement au toucher de ses ouvriers pour décider si un produit doit sortir, l’IA