Outils et le modèle
Des outils navigateur utilisables dès aujourd'hui, et Kudos-1 - le modèle de raisonnement que nous construisons pour les mathématiques et l'apprentissage automatique.
Outils gratuits
Des outils qui s'exécutent entièrement sur votre machine. Rien de ce que vous ouvrez n'est envoyé ailleurs.
Calculateur de taux de base
Saisissez une prévalence, une sensibilité et un taux de faux positifs pour voir ce que vaut réellement un test positif - en probabilité et en nombre de personnes sur dix mille.
Calculateur d’entropie et d’information
Modifiez deux distributions côte à côte et lisez l’entropie, l’entropie croisée et la divergence KL en bits, avec l’identité H(p, q) = H(p) + KL(p ‖ q) affichée en permanence.
Explorateur de métriques de classification
Déplacez un seuil de décision sur une population déséquilibrée et observez précision, rappel, F1 et le point ROC suivre - y compris le régime où l’exactitude paraît excellente alors que le modèle ne sert à rien.
Explorateur des poids d’attention
Modifiez un vecteur de requête et voyez l’attention par produit scalaire mis à l’échelle se résoudre en poids softmax puis en somme pondérée, avec la température et la mise à l’échelle √dₖ comme interrupteurs.
Simulateur d’intervalles de confiance
Tirez trente échantillons, formez un intervalle de confiance pour chacun et comptez ceux qui couvrent la vérité - la façon la plus claire de voir que le niveau de confiance décrit la procédure, pas un intervalle isolé.
Explorateur biais-variance
Faites varier la complexité du modèle et la taille de l’échantillon pour voir l’erreur d’apprentissage décroître sans cesse tandis que l’erreur de test remonte, décomposée en biais, variance et bruit irréductible.
Explorateur de distributions
Changez les paramètres des distributions qui reviennent sans cesse dans le contenu et observez la forme, la moyenne et la dispersion réagir.
Explorateur du maximum de vraisemblance
Déplacez un paramètre le long de la courbe de log-vraisemblance d’un échantillon fixe et voyez la distribution ajustée suivre, le sommet se trouvant exactement à l’estimateur du maximum de vraisemblance.
Planificateur d’étude
Choisissez un objectif - fondements, méthodes supervisées ou IA moderne - et obtenez le plan ordonné propre à ce site pour l’atteindre : quel parcours suivre à chaque étape, quoi lire en parallèle, et combien de temps durent les leçons.
Kudos-1
La plupart des modèles répondront à une question mathématique. Bien moins vous montreront la dérivation, nommeront l’hypothèse sur laquelle ils se sont appuyés et vous diront où elle cède. Kudos-1 est construit pour la seconde chose : un modèle qui raisonne par étapes vérifiables, cite le résultat qu’il invoque, et dit clairement quand une question dépasse ce qu’il peut justifier. Il est entraîné sur la matière même que ce site enseigne, si bien qu’une explication qu’il donne peut être remontée jusqu’à un article, une entrée d’encyclopédie ou un livre de la bibliothèque.
Capacités
Dérivations pas à pas
Déroule un résultat depuis les hypothèses énoncées jusqu’à la conclusion, en montrant l’algèbre intermédiaire au lieu d’affirmer la dernière ligne.
Vérification de preuves et d’arguments
Lit un argument proposé et localise la première étape qui ne suit pas, au lieu de le juger juste ou faux en bloc.
Critique de modèle
Étant donné un montage de modélisation, nomme les hypothèses dont il dépend et les conditions dans lesquelles ses conclusions cessent de tenir.
Du code aux mathématiques
Lit une implémentation et retrouve les mathématiques qu’elle encode, de sorte qu’une boucle d’entraînement puisse être confrontée à l’objectif qu’elle prétend optimiser.
Tutorat socratique
Diagnostique le prérequis qui manque à un apprenant et enseigne celui-là, plutôt que de répéter la même réponse plus lentement.
Fondements
- Raisonnement vérifiable. Chaque dérivation est produite en étapes discrètes et vérifiables plutôt qu’en prose qui sonne comme une preuve, afin qu’un lecteur puisse trouver la ligne exacte où un argument dérape.
- Ancré dans une vraie bibliothèque. Les réponses sont rattachées aux textes de référence derrière ce site et les citent, au lieu de reproduire l’énoncé à moitié mémorisé d’un théorème.
- Incertitude calibrée. Une confiance annoncée doit suivre la fréquence à laquelle le modèle a réellement raison. Dire « je ne peux pas justifier cela » est traité comme une bonne réponse, non comme un échec.
Principes
- Le refus plutôt que l’invention. Un modèle qui fabrique un théorème plausible est pire qu’un modèle qui décline. Kudos-1 est entraîné à préférer un manque honnête à une supposition assurée.
- Évaluation ouverte. Les jeux d’évaluation et les cas d’échec sont publiés à côté des résultats. Les affirmations sur ce que le modèle sait faire doivent être reproductibles par quiconque veut les vérifier.
- Enseigner, pas répondre. La mesure du succès est de savoir si le lecteur comprend le résultat ensuite, non si la réponse a été livrée vite.