Aller au contenu

R&D

Recherche & développement

Nous publions nos articles, nos modèles et nos données pour que chacun puisse les vérifier, les reproduire et les améliorer.

Mosaïque de six images de la recherche de TW3 : une intervention d'André-Louis Rochet, les résultats de CU-1 sur WebClick, le classement GIFT-Eval de TW3Cast, une journée de formation, une table ronde, la comparaison de Flantier v1 et v2
André-Louis Rochet à ICAI-IP (Hanoï, décembre 2025) et à la table ronde MALT ; une journée de formation de l'équipe. Résultats : CU-1 sur WebClick (fiche Hugging Face racineai/UI-DETR-1), TW3Cast au classement public GIFT-Eval (14 septembre 2026), Flantier v1 et v2 sur le benchmark Énergie de l'équipe.

Dernier résultat · septembre 2026

TW3Cast, 3e sur 130 au benchmark GIFT-Eval

Pour chaque série à prévoir, TW3Cast choisit le plus adapté de trois modèles ouverts (Chronos-2, TiRex, Toto). Le code et les règles de choix sont publics.

Nathan Thierry, André-Louis Rochet

Rang MASE moyen des 130 entrées du classement GIFT-Eval ; TW3Cast en 3e position
Classement par erreur de prévision moyenne (rang MASE) des 130 systèmes évalués. Source : classement public GIFT-Eval au 14 septembre 2026 ; code sur GitHub.

Programme de recherche

Nos axes de recherche

  • Agents d'interface

    4 sujets

    Nos agents repèrent les éléments d'un écran pour cliquer et saisir à la place d'une personne, y compris dans des logiciels sans API.

  • Prévision de séries temporelles

    5 sujets

    Nous adaptons de grands modèles ouverts à la prévision, notamment de la production d'énergie, et les testons sur des données qu'ils n'ont jamais vues.

  • Lecture de documents

    12 sujets

    Nos modèles traitent chaque page comme une image, schémas, tableaux, scans et manuscrits compris, et retrouvent la bonne page parmi des milliers.

  • Visibilité dans les moteurs d'IA

    13 sujets

    Nous étudions comment les moteurs d'IA choisissent les sources qu'ils citent, et avons publié un score de contenu dont nous mesurons la résistance à la manipulation.

  • Systèmes multi-agents

    26 sujets

    Nous travaillons sur la coopération d'équipes d'agents en production et sur la vérification de ce qu'un agent affirme avoir fait.

  • Agents de production documentaire

    11 sujets

    Nous étudions où se trompent les agents qui rédigent rapports, tableurs et présentations, et comment mesurer la qualité de leurs livrables.

  • Sécurité des modèles

    11 sujets

    Nous entraînons de petits modèles de garde-fou, qu'une organisation peut héberger et contrôler elle-même.

  • Spécialisation de modèles

    12 sujets

    Nous spécialisons des modèles ouverts pour qu'un petit modèle suffise sur une tâche précise : routage des requêtes, entraînement par renforcement, adaptation à un domaine.

  • IA pour l'éducation

    4 sujets

    Nous mesurons ce qu'apporte un assistant qui s'appuie sur les cours de l'établissement, face à un modèle généraliste, et concevons des tuteurs qui guident l'élève sans lui donner la réponse.

  • Bureautique dans le navigateur

    5 sujets

    Nous reconstruisons dans le navigateur la mise en page d'un traitement de texte et les fonctions d'un tableur, et mesurons l'écart avec Word et Excel.

Publications

Articles et publications

Publications, articles techniques et réutilisations par d'autres équipes, chacun avec son lien.

Modèles et datasets

Modèles et datasets ouverts

Téléchargés plus de 1,4 million de fois sur Hugging Face.

Source : API Hugging Face. Total downloadsAllTime (1 491 436) sur les organisations paloalma et racineai au 19 septembre 2026 ; compteurs par dépôt au 12 septembre 2026. Mise à jour trimestrielle.

Tous les dépôts publics, avec leurs téléchargements
DépôtTypeTéléchargements
paloalma/Le_Triomphant-ECE-TW3Modèle de langage fusionné308 343
paloalma/TW3-JRGL-v2Modèle de langage fusionné305 887
paloalma/ECE-TW3-JRGL-V1Modèle de langage fusionné178 481
paloalma/ECE-TW3-JRGL-V5Modèle de langage fusionné154 288
paloalma/ECE-TW3-JRGL-V3Modèle de langage fusionné24 202
paloalma/ECE-TW3-JRGL-V4Modèle de langage fusionné21 164
paloalma/ECE-TW3-JRGL-V2Modèle de langage fusionné18 802
racineai/UI-DETR-1Détecteur d'interface (CU-1)961
racineai/QwenAmann-4B-dseEmbeddings de documents367
racineai/Flantier2-SmolVLM-2B-dseEmbeddings de documents173
racineai/Flantier-SmolVLM-500M-dseEmbeddings de documents88
racineai/Flantier-SmolVLM-2B-dseEmbeddings de documents44
racineai/Flantier-Nuclear-Reglementation-1Embeddings de documents34
racineai/RacineCast-1Prévision de séries temporelles0
racineai/VDR_MEGA_MultiDomain_DocRetrievalJeu de données105 752
racineai/VDR_MEGA_2Jeu de données25 650
racineai/VDR_EnergyJeu de données19 592
racineai/VDR_QuantumJeu de données14 186
racineai/VDR_2_vdr-visRAG-colpaliJeu de données11 400
racineai/VDR_Renewable_RegulationJeu de données10 408
racineai/VDR_GeotechnieJeu de données10 215
racineai/VDR_History_GeographyJeu de données9 945
racineai/VDR_NuclearJeu de données9 766
racineai/VDR_QualitativeJeu de données9 607
racineai/VDR_colpali-VisRAG-vdrJeu de données9 473
racineai/VDR_Cooking_RecipesJeu de données8 120
racineai/VDR_ibm-research_REAL-MM-RAGJeu de données8 058
racineai/VDR_CATIE-AQ_XMRecJeu de données7 522
racineai/VDR_HydrogenJeu de données7 446
racineai/VDR_Quantum_Circuit_PapersJeu de données3 028
racineai/VDR_Energy_ArabicJeu de données2 620
racineai/ocr-pdf-degradedJeu de données2 381
paloalma/Reasoning-DeepSeek-R1-Distilled-1.4MJeu de données2 328
paloalma/Reasoning-DeepSeek-R1-Distilled-1.4M-Alpaca-V2Jeu de données1 808
racineai/VDR_Quantum_Circuit_SyntheticJeu de données1 752

Téléchargements Hugging Face, compteurs cumulés au 12/09/2026. Le total de 1,4 million inclut l'ensemble des dépôts publics, dont certains ne figurent pas dans cette liste.

Notre filiale de recherche

Racine.ai

Racine.ai est la filiale R&D de TW3 Partners, labellisée Deeptech par Bpifrance. Elle travaille aussi pour la défense.

Visiter racine.ai
Cosignataires
Nos articles sont cosignés avec l'ECE, le laboratoire LISV (université Paris-Saclay) et Sorbonne Université.
Plateforme d'entraînement
Nos entraînements tournent sur RacineLab, notre plateforme interne de fine-tuning sur cluster GPU.

Décrivez-nous votre cas d'usage.

Un ingénieur vous répond sous un jour ouvré avec le périmètre d'un premier cas d'usage et un calendrier.