Résultats des évaluations automatiques — miniLLM v2.2 (49M)
Checkpoint évalué : SFT, dernier checkpoint (pas le minimum de val_loss), sur le pré-entraînement à 50 200 itérations.
1. Jeu de validation du SFT (exemples avec réponse de référence)
{
"n": 410,
"exact_match": 0.0951,
"f1": 0.3965,
"ends_properly": 0.8829
}
Ce jeu n'est pas celui de la v2.1 (v2.1 : n = 455, Exact Match 6,8 %, F1 0,311, fins correctes 87,2 %) : les deux ne sont pas comparables. Celui-ci contient des exemples synthétiques du même type que l'entraînement. L'Exact Match est très pénalisant pour des réponses ouvertes : une réponse correcte mais reformulée compte comme fausse.
2. Persona (identité de MiniLLM)
{
"n": 132,
"f1_moyen": 0.9944,
"exact_match": 0.9924
}
Attention : ces 132 exemples font partie des données d'entraînement SFT (répétés 10 fois). Ce score mesure la fidélité d'apprentissage de la persona, pas la généralisation.
Réponses non strictement identiques à la référence :
| Question | Attendu | Obtenu |
|---|---|---|
| Tu parles d'autres langues ? | Je parle surtout français. Je connais un peu d'anglais, mais je reste limité. | Je parle surtout français. J'ai été entraîné surtout sur du texte français, donc mes connaissances d… |
3. Connaissances de base (36 questions)
{
"n": 36,
"correct": 23,
"basics": 0.639
}
22 de ces 36 questions figurent mot pour mot dans les données synthétiques du SFT : test de régression, pas de généralisation.
4. Compétences chiffrées sur des problèmes tenus à l'écart de l'entraînement
{
"addition": 0.017,
"soustraction": 0.033,
"multiplication": 0.316,
"division": 0.235,
"suites": 0.0,
"problèmes": 0.0
}
Environ 10 % des problèmes chiffrés sont exclus de tout le SFT. Réponse juste = le dernier nombre de la réponse est le bon résultat. Le modèle imite le format d'un calcul sans le calculer.
5. Test de connaissances (204 questions hors SFT)
42/204 = 20,6 %, intervalle de confiance à 95 % : [15,6 ; 26,7].
| catégorie | questions | réussite |
|---|---|---|
| animaux | 15 | 13,3 % |
| cameroun | 16 | 6,2 % |
| capitales | 48 | 12,5 % |
| culture | 22 | 36,4 % |
| géographie | 18 | 27,8 % |
| informatique | 8 | 25,0 % |
| langue | 45 | 35,6 % |
| nombres | 14 | 0,0 % |
| science | 18 | 11,1 % |
La liste des questions et des réponses acceptées est dans test_connaissances.md.
6. Test de conversation rapide
Température 0,5, top-k 30, top-p 0,9, pénalité de répétition 1,1, graine 0. ✗ = réponse fausse sur un point vérifiable.
| Toi | MiniLLM |
|---|---|
| Bonjour | Bonjour ! Comment puis-je t'aider ? |
| Qui es-tu ? | Je suis MiniLLM, un petit modèle de langage qui essaie de répondre à tes questions en français. |
| Comment tu t'appelles ? | Je suis MiniLLM, un tout petit modèle de langage. Enchanté ! |
| Qui t'a créé ? | J'ai été créé par DevLab, un laboratoire de développement au Cameroun. |
| Quelle est la capitale du Cameroun ? | La capitale du Cameroun est Yaoundé. |
| Combien font 12 plus 7 ? | 12 plus 7 font 54. ✗ |
| Quel jour vient après le mardi ? | Après le mardi, c'est le mercredi. |
| Quel est le contraire de grand ? | Le contraire de grand est petit. |
| Combien de jours y a-t-il dans une semaine ? | Il y a sept jours dans une semaine. |
| Explique ce qu'est la photosynthèse. | La photosynthèse est le processus par lequel les plantes, les algues et certaines bactéries convertissent la lumière du soleil en énergie chimique pour produire de l'oxygène. |
| Raconte-moi une blague. | Pourquoi les plongeurs plongent-ils toujours en arrière et jamais en avant ? Parce que sinon ils tombent dans le bateau. |
7. Comparaison directe avec la v2.1 (mêmes mesures, même code)
Évaluations faites le 5 octobre 2026, avec le même code, sur le modèle v2.1 publié (best.pt, SFT itération 750) et sur la v2.2.
| mesure | v2.1 | v2.2 |
|---|---|---|
| persona, Exact Match / F1 (132 exemples d'entraînement) | 86,4 % / 93,5 | 99,2 % / 99,4 |
| test de connaissances (204 questions), IC95 | 10,8 % [7,2 ; 15,8] | 20,6 % [15,6 ; 26,7] |
| connaissances de base (36 questions, 22 dans les données synthétiques du SFT) | 61,1 % | 63,9 % |
| qa, jeu de validation d'une variante intermédiaire (300 ex.) : EM / F1 / fins correctes | 6,7 % / 31,4 / 84,0 % | 6,7 % / 33,3 / 87,7 % |
| qa, jeu de validation de la v2.2 (300 ex.) : EM / F1 / fins correctes | 6,7 % / 34,2 / 87,0 % | 10,0 % / 39,4 / 87,0 % |
| 337 questions ouvertes : réponses de type refus / boucles (détecteur grossier) | 11 / 0 | 3 / 1 |
| 337 questions ouvertes : réponses partageant le même 5-gramme de mots | 9 | 8 |
Les deux lignes qa ne sont pas équivalentes : la première vient d'un jeu qui n'est pas celui de la v2.2 et peut avantager la v2.1 (ses données d'entraînement ne sont pas contrôlées par rapport à ce jeu) ; la seconde vient du jeu de la v2.2, qui contient des exemples synthétiques du même type que son entraînement, et l'avantage. L'écart réel se situe entre les deux.
Le détecteur de refus repère des formules comme « je suis désolé », « je ne peux pas », « en tant qu'IA » : il compte aussi des réponses légitimes de la persona (par exemple « Je ne peux pas apprendre »). Le détecteur de boucle repère un même couple de mots répété au moins 4 fois.
8. Trois entraînements identiques à la graine près, et deux learning rates plus bas
Tous sur le jeu de validation de la v2.2, final.pt, SFT de 2 époques. Clr5 et Clr3 n'ont que le learning rate maximal qui change (5e-5 et 3e-5 au lieu de 1e-4).
| modèle | val_loss finale | persona EM / F1 | qa EM / F1 | fins correctes | connaissances de base | connaissances (204) | refus / boucles |
|---|---|---|---|---|---|---|---|
| v2.1 (publié) | n/d | 86,4 % / 93,5 | 6,7 % / 34,2 | 87,0 % | 61,1 % | 10,8 % | 11 / 0 |
| v2.2 (ce dépôt, graine 1337) | 1,8782 | 99,2 % / 99,4 | 10,0 % / 39,4 | 87,0 % | 63,9 % | 20,6 % | 3 / 1 |
| v2.2, graine 1 | 1,8774 | 98,5 % / 98,8 | 10,0 % / 39,2 | 87,0 % | 61,1 % | 18,6 % | 3 / 2 |
| v2.2, graine 2 | 1,8761 | 100,0 % / 100,0 | 9,0 % / 38,6 | 79,3 % | 66,7 % | 18,1 % | 0 / 5 |
| lr 5e-5 | 1,8320 | 88,6 % / 93,7 | 8,0 % / 38,5 | 82,0 % | 50,0 % | 16,7 % | 3 / 2 |
| lr 3e-5 | 1,8348 | 28,0 % / 60,6 | 7,0 % / 37,0 | 80,0 % | 50,0 % | 17,2 % | 1 / 2 |
Bruit entre les trois entraînements à 1e-4 : persona 98,5 % à 100 %, qa F1 38,6 à 39,4, connaissances de base 61,1 % à 66,7 % (deux questions sur 36), connaissances 18,1 % à 20,6 %, fins correctes 79,3 % à 87,0 %. Une différence plus petite que ces étendues ne doit pas être interprétée.
Un learning rate plus bas améliore nettement la val_loss (environ 0,045 de moins, soit une vingtaine de fois l'écart entre graines de 0,002) mais détériore la persona et les connaissances de base : la val_loss ne permet pas de choisir un SFT.
9. Variantes de recette de SFT, sur le pré-entraînement v2.2
final.pt de chaque variante, évaluées sur le jeu de validation d'une variante intermédiaire (300 exemples). Le test de connaissances est apparié avec la v2.1 par test exact de McNemar.
- A : French Alpaca (15 000 exemples), synthétique de base, persona répétée 8 fois, sans filtre qualité.
- B : A + synthétique complémentaire allégé (logique, intrus, langue, calendrier, environ 1 000 calculs).
- C : B + filtre qualité + persona à 6 % de l'entraînement. C est la v2.2 publiée.
- D : C + une source supplémentaire de réponses, non retenue.
| variante | persona EM / F1 | qa EM / F1 | fins correctes | connaissances de base | refus / boucles | connaissances (204) | écart avec la v2.1 | p |
|---|---|---|---|---|---|---|---|---|
| A | 94,7 % / 96,4 | 7,0 % / 33,2 | 86,7 % | 47,2 % | 5 / 2 | 28 (13,7 %) | +2,9 | 0,307 |
| B | 98,5 % / 98,8 | 6,3 % / 33,0 | 85,7 % | 66,7 % | 3 / 1 | 36 (17,6 %) | +6,8 | 0,016 |
| C | 99,2 % / 99,4 | 6,7 % / 33,3 | 87,7 % | 63,9 % | 3 / 1 | 42 (20,6 %) | +9,8 | 0,001 |
| D | 100,0 % / 100,0 | 4,3 % / 31,4 | 86,0 % | 61,1 % | 1 / 2 | 44 (21,6 %) | +10,8 | < 0,001 |
Checkpoint best.pt (choisi par val_loss) contre final.pt : identiques pour A ; légèrement moins bons pour B ; nettement moins bons pour C (persona 83,3 % contre 99,2 %, qa F1 30,8 contre 33,3) et pour D (persona 90,9 % contre 100 %). C'est la raison pour laquelle final.pt est publié.
10. Questions du fichier ouvert présentes mot pour mot dans les données synthétiques du SFT
28 des 337 questions (la persona n'en contient aucune) :
Bonjour. · Qui es-tu ? · Comment t'appelles-tu ? · Que peux-tu faire ? · Quel est le contraire de grand ? · Quel est le contraire de rapide ? · Quel est le contraire de difficile ? · Combien font 7 fois 8 ? · Combien de jours y a-t-il dans une semaine ? · Combien de mois y a-t-il dans une année ? · Combien d'heures y a-t-il dans une journée ? · Combien de minutes y a-t-il dans une heure ? · Combien de secondes y a-t-il dans une minute ? · Quelle est la planète la plus proche du Soleil ? · Quelle est la plus grande planète du système solaire ? · Quelle est la capitale du Cameroun ? · Quelle est la plus grande ville du Cameroun ? · Quel est le plus grand océan du monde ? · Quelle est la capitale de la France ? · du Nigeria ? · de la République centrafricaine ? · du Gabon ? · de la Côte d'Ivoire ? · du Sénégal ? · du Ghana ? · du Kenya ? · de l'Égypte ? · Quel est le plus long fleuve d'Afrique ?
(Dix de ces questions sont des capitales : les réponses justes qu'elles reçoivent relèvent en grande partie de la récitation. Pour le calcul, « 7 fois 8 » figure dans les données et reçoit pourtant une mauvaise réponse.)
11. Notes de méthode
- Décodage : glouton pour
qa,persona, connaissances de base, compétences chiffrées et test de connaissances ; glouton avec pénalité de répétition 1,1 et interdiction de répéter un 3-gramme pour les 337 questions ouvertes ; température 0,5, top-k 30, top-p 0,9, mêmes pénalités et graine 0 pour le test de conversation. - Test exact de McNemar : compare deux modèles sur les mêmes questions en ne retenant que celles où ils diffèrent ; p est la probabilité d'un écart au moins aussi grand si les deux modèles étaient équivalents.
- Un seul pré-entraînement a été fait : la variabilité entre graines ne concerne que le SFT.