ProduitsGwenlake AtlasGwenlake APIServicesRechercheBlogEntrepriseÀ proposCarrièresNous contacter
ENFRESITJAZH

Recherche

Gwenlake est née de la recherche académique, et nous n’avons jamais arrêté : en parallèle des projets clients, l’équipe mène en permanence ses propres projets de recherche, et une partie d’entre elle enseigne et publie toujours. C’est ici que ce travail apparaît : des prototypes à essayer dans votre navigateur, et le code que nous publions en open source.

Petits modèles, transformers, apprentissage par renforcement… et jeux !

Une question que nous rencontrons sur chaque projet : quand une tâche est bien définie et va s’exécuter un million de fois, prend-on un grand modèle généraliste en lui posant la tâche dans ses termes, ou construit-on un petit modèle autour de la structure de la tâche elle-même ?

Nous l’avons posée à deux jeux dont le score ne laisse aucune place au débat, Tetris et les échecs.

Lire l’article complet

Gwenflow, notre framework d’IA agentique

Gwenflow exécute des agents IA : donnez à un agent un objectif, des outils, une mémoire et un modèle, et il raisonne, agit, observe et recommence jusqu’à ce que l’objectif soit atteint. C’est le SDK derrière chaque système agentique que nous construisons, et nous l’avons écrit nous-mêmes pour maîtriser chaque ligne de code que nos agents exécutent.

  • Python
  • Licence MIT
  • pip install gwenflow
Voir sur GitHubParler à notre équipe
from gwenflow import Agent, ChatMistralfrom gwenflow.tools import Tool def accounts_at_risk(period: str, min_drop: int = 10) -> list[dict]:    """Accounts whose usage fell by at least `min_drop` percent."""    return crm.query(period=period, trend="down", min_drop=min_drop) agent = Agent(    name="Account review",    instructions="Rank the accounts at risk, with the figures.",    llm=ChatMistral(),    tools=[Tool(accounts_at_risk)],) response = agent.run("Which accounts are at risk this quarter?")

  • Tous les modèles, une seule API

    OpenAI, Anthropic, Mistral, Google, DeepSeek, un Ollama local ou notre propre API : on change de fournisseur avec un import, le code de l’agent reste le même. Raisonnement, streaming et images, audio ou PDF arrivent par le même chemin.

  • Agents, outils et équipes

    Un agent exécute la boucle : appeler le modèle, lancer les outils, lire les résultats, recommencer jusqu’au bout. Toute fonction Python devient un outil. Donnez à un agent une équipe de spécialistes et il leur délègue ; les pipelines plus longs sont des DAG écrits en code ou en YAML.

  • La production incluse

    Sortie structurée en modèles Pydantic, pipeline RAG avec lecteurs de documents et bases vectorielles, skills chargés à la demande, et traçage OpenTelemetry dès l’installation.

Bibliothèques de recherche

Plus petites et plus ciblées. Chacune est née d’un problème que nous avons dû résoudre pour nous-mêmes.