← Le parcours CLR

La pile actuelle : des spécialistes routés sur l’appareil

Où en est le système en août 2026, tiré de ma référence de pile, de mes notes d’audit et de mes registres de campagne. Toujours avant déploiement, et toujours en mouvement.

Après la v2.0, « le modèle » a cessé d’être mon unité de progrès. Ce que je livre est un système : une pile routée d’experts calibrés au-dessus de la fondation de déformation, alimentée par un volant de données, conditionnée par une seule batterie de tests et reflétée bit à bit sur l’appareil. Une esquisse que j’avais écrite dès la v1, « l’avenir ressemble à des tonnes de modèles XGBoost adverses qui sont routés », s’est révélée être à peu près l’architecture que j’ai livrée, avec l’amendement crucial que le routage se fait par domaine, et que les a priori sont empilés par précision plutôt que mélangés.

Anatomie d’un verdict

text
                          INPUT IMAGE
                              │
                 CLRSignals (computed once)
             capture signature · screenshot gate · dims
                              │
                     ROUTER — domain detector
              hint  >  flat-UI gate  >  default(camera)
          ┌───────────────────┴───────────────────┐
     domain = camera                       domain = screenshot
          │                                       │
   WARP BASE (patent core)              SCREENSHOT EXPERT
   per-tile round-trip residual         DINOv2 content head
     → majority = tile-vote             (warp is NOT trusted here —
     → weighted = saliency avg           it false-fires on recompressed reels)
          │
   CAMERA FUSION head (XGBoost)
   warp.weighted ⊕ DINOv2 ⊕ capture ⊕ sharpness
          │
          └───────────────────┬───────────────────┘
                              │
                    PRIOR STACK (compounds ↓)
                    capture-present → REAL   (dominant: camera physics)
                    midjourney head → AI     (fires only above a
                    [more specialists]        high-precision threshold)
                              │
                      FINAL InferenceResult
        weighted = compounded P → label · majority = warp anchor
        specialists[] = every contribution, surfaced in the UI

Je rapporte toujours deux nombres, et j’ai conçu l’écart entre eux pour qu’il soit lisible :

  • majority : le vote par tuile de la déformation. La fondation de pure physique de la caméra, l’ancre du brevet. Jamais écrasée.
  • weighted : le score composé dont l’étiquette est tirée : déformation → fusion → a priori.

Quand ils divergent, un spécialiste a déplacé le verdict hors de la physique brute, et l’interface montre exactement lequel. C’est de l’empilement, pas du mélange : j’ai mesuré qu’un combineur naïf de caractéristiques faisait régresser les faux positifs sur images réelles de 8 % à 50–92 %, là où des sorties calibrées par spécialiste avec des a priori de haute précision les maintiennent à ~0 %.

Ce que vaut honnêtement chaque couche

Un audit par permutation couche par couche m’a permis de mettre des bornes mesurées sur chaque composant :

  • La majorité de déformation seule : un détecteur de capteur faible, plafonné par la physique à une AUC ≈ 0,78–0,8 à chaque taille d’entrée ; robuste à la présentation (pas de plancher de bruit de résolution jusqu’aux petites entrées) mais limité par un plafond. C’est l’ancre, pas le verdict.
  • Probabilité de base de la fusion : 0,94–0,97 avec ~0 % de faux positifs sur de véritables caméras ; la base était déjà durcie ; mes gains se trouvent dans les données, pas dans des retouches de la déformation.
  • La fragilité au sous-échantillonnage appartient au canal de capture (86 % des inversions de verdict entre échelons adjacents), pas à la déformation (5 %) ; je mets donc mon travail de robustesse là où se produisent les inversions.

Le volant : la couverture comme système d’exploitation

J’ai transformé la conclusion de la v2.0 (« généralisation = données dans la distribution ») en infrastructure :

text
daily scrape → ingest AS FEATURES → weekly warm-start retrain → STAGE → full battery → promote
  • Un magasin de caractéristiques, pas d’images. Tous mes réentraînements lisent des vecteurs de caractéristiques stockés (embeddings DINOv2, scalaires de déformation, caractéristiques de capture) ; les images sont transitoires. Je supprime d’emblée les images NSFW et ne conserve que les caractéristiques : une posture de vie privée et de responsabilité, pas seulement d’hygiène.
  • Le démarrage à chaud est porteur. Poursuivre le booster déployé sur de nouvelles générations a fait passer le rappel de l’angle mort de 86 % à 99 % tout en préservant des frontières de décision fragiles ; les réentraînements depuis zéro à partir du magasin n’ont pas réussi à reproduire ces frontières cinq fois distinctes. Le modèle déployé est un artefact de son histoire.
  • Une seule batterie. Une spécification et un exécuteur uniques sur un ensemble fixe de cas d’ancrage ont remplacé les quatre implémentations de barrière divergentes que j’avais accumulées. Ma loi du pays : batterie complète après chaque promotion ; instituée après qu’un bug du chemin de promotion m’a fait livrer un déploiement silencieusement sans effet.
  • Les têtes sont l’unité de passage à l’échelle. Un nouveau spécialiste = une tête linéaire sur l’embedding DINOv2 partagé + une entrée d’a priori. Je ne réentraîne aucune base et ne touche aucune autre tête. Quelques kilo-octets d’a priori par famille de générateurs.

Une note sur les données. Le volant collecte des médias publiés publiquement pour apprendre à quoi ressemblent les images générées dans la nature. Les images sont transitoires, seuls les vecteurs de caractéristiques dérivés sont stockés, rien n’est reproduit ni resservi, et la sortie est un verdict sur une image, jamais une nouvelle œuvre construite à partir de celle de quelqu’un d’autre. C’est la ligne que je trace dans Fair Use.

Le tournant de la provenance

La seconde conséquence de la v2.0 : si l’invariance dans l’espace des pixels est bornée, je devrais me déplacer là où le signal est plus fort.

  • Provenance de conteneur (v2.3). La structure au niveau des octets du conteneur JPEG lui-même signe les captures brutes d’appareil à AUC 0,998 (0,993 sans métadonnées). Pas un détecteur d’IA : un niveau de confiance. Il s’associe à la signature de capture comme le côté « ceci est un original d’appareil » du produit.
  • Capture présente comme a priori dominant. Les vraies vidéos courtes conservent la signature du capteur ~83 % du temps ; les vidéos courtes d’IA ~0 %. En tant qu’a priori plutôt que caractéristique, c’est le composant le plus décisif de la pile, et un cas de terrain arbitré m’a enseigné le corollaire : quand la pile avait raison et que mon interface montrait à la place le vote de la physique brute, c’est le verdict composé que j’aurais dû montrer.

La frontière actuelle de la recherche (v2.4 → v2.7)

  • v2.4 : le régime livré. Une configuration de déformation plus légère et durcie sous une tête de fusion à une AUC par image de 0,922, avec une parité exacte Python↔Swift (jusqu’aux pièges des noyaux de convolution et des conventions d’angle).
  • v2.6 : signatures directionnelles. Mon concept de réponse directionnelle par tuile a produit un gain externe répliqué 4 fois (+0,13) sur les négatifs sauvages les plus difficiles, puis a survécu à une analyse de livraison couplée à parité réelle avant d’être livré, et a tenu.
  • v2.7 : WarpGAN. Un étudiant pix2pix distille le champ de probabilité par tuile de la déformation (le premier modèle ONNX du dépôt). L’étudiant GAN a battu son professeur (majorité 0,770 contre 0,755), et son agrégation par probabilité moyenne a franchi le plafond de la déformation, ce qui fait de l’agrégation, et non des époques, mon prochain levier. J’ai réfuté la voie de la détection d’anomalies (GANomaly à une classe sur des tuiles) à 0,526 : le contexte entre tuiles et la supervision sont tous deux porteurs.
  • La vérité des données sauvages. Un banc d’essai X (Twitter) en direct avec une vérité terrain arbitrée par des humains (~1 088 médias) garde ma batterie honnête, y compris l’arbitrage humiliant où mon propre « lion d’IA » d’ancrage s’est révélé être une vraie photographie de 2015 par Atif Saeed. La livraison de correction de la vérité qui a suivi a passé la batterie complète, l’ancre réelle la plus difficile passant pour la première fois.

Sur l’appareil

Toute la pile est livrée dans un paquet MLX-Swift : j’ai réimplémenté DINOv2 dans MLX, porté le pipeline de déformation avec une fidélité exacte à cv2, et regroupé la fusion et les têtes comme ressources dans un seul paquet partagé pour macOS et iOS. Chaque couche est commercialement propre : la déformation, la capture, le conteneur et les barrières sont à moi ; DINOv2 et XGBoost sont Apache-2.0 ; MLX est MIT. Les verdicts sont calculés sur le matériel de l’utilisateur : aucune image n’a jamais besoin de quitter l’appareil, ce qui, comme je l’argumente au chapitre 7, n’est pas un détail d’implémentation mais le but.

Vous pouvez mettre cette pile au travail vous-même sur obscur.rao.nyc : même routage, mêmes a priori, mêmes deux nombres décrits ci-dessus.

Mais tout ici n’a jamais passé que ma propre batterie. Rien de tout cela n’a encore rencontré un véritable déploiement (de vrais utilisateurs, de vrais adversaires, un vrai volume), et c’est une classe de problèmes différente de celles de ce chapitre. C’est aussi la suivante.