Qwable-Verifier — Le modèle qui ne génère pas, il vérifie

25 juin 2026 · Dream #3 (score 8.5/10)

Il y a une asymétrie fondamentale dans l'écosystème des modèles : tout le monde construit des modèles qui génèrent. Des modèles qui écrivent, qui raisonnent, qui créent. Personne ne construit de modèles qui vérifient. Qui disent « ceci est faux, source à l'appui » ou « je ne sais pas, voici pourquoi ». Cette asymétrie est le talon d'Achille de l'IA en production.

Qwable-Verifier est la réponse. Un micro-modèle de 3.6 milliards de paramètres — la taille d'un Qwen 3.6B — spécialisé non pas en génération créative, mais en vérification de faits avec citations. Le moteur du Data Hat.

Qwable 3.6 : la preuve que la distillation marche

Qwable 3.6 est une distillation de Claude dans un Qwen 3.6B via le pipeline Fable. Le résultat : un petit modèle qui hérite des capacités créatives et stylistiques de Claude — écriture, narration, ton — dans une empreinte mémoire minuscule. C'est la démonstration que la distillation capture des comportements, pas juste des connaissances.

L'insight : si on peut distiller le style d'écriture de Claude, on peut distiller son comportement de vérification. Claude, quand il est bien prompté, est un vérificateur exceptionnel. Il cite ses sources. Il nuance. Il admet l'ignorance. Il distingue le certain du probable. Ce comportement n'est pas magique — c'est un pattern. Et les patterns se distillent.

Le pipeline de distillation inversé

Au lieu de distiller « écris comme Claude », on distille « vérifie comme Claude ». Le dataset d'entraînement n'est pas constitué de textes créatifs mais de paires affirmation/vérification :

AFFIRMATION : « Les LRM améliorent toujours les performances RAG »
VÉRIFICATION : « FAUX. Apple (2026) démontre une dégradation de 12-18% 
sur les benchmarks RAG avec LRM vs modèles standard. 
Source : [Apple, "The Illusion of Thinking", 2026, §4.2]. 
Note : la dégradation est spécifique aux tâches de retrieval pur, 
pas aux tâches de reasoning. »

Chaque paire du dataset inclut :

• L'affirmation à vérifier (extraite automatiquement des wikis, des logs de débat, des sorties de modèles)
• La vérification Claude (vrai/faux/incertain + citation précise + niveau de confiance)
• Le contexte documentaire (les documents que Claude a utilisés pour vérifier — pour que le modèle apprenne le lien entre vérification et sources)

Le dataset est généré automatiquement par le wiki-llm d'HERMYTHOS. Chaque jour, les affirmations produites par les agents et les débats du Parlement Cognitif sont soumises à Claude pour vérification. Les paires affirmation/vérification s'accumulent. Quand le dataset atteint une masse critique (~10 000 paires), la distillation est lancée.

Pourquoi un petit modèle est l'idéal pour vérifier

La vérification de faits n'est pas une tâche qui bénéficie du raisonnement profond. Au contraire : plus le modèle raisonne, plus il risque de rationaliser une erreur — c'est exactement le problème que le papier Apple a documenté. Un petit modèle, sans capacité de reasoning élaborée, est structurellement moins susceptible de fabriquer des justifications.

Qwable-Verifier ne « pense » pas. Il pattern-matche. Il compare l'affirmation à sa base de connaissances distillée et répond : match → VRAI avec citation, pas de match → INCERTAIN, contradiction → FAUX avec source. C'est un classifieur ternaire avec sortie structurée, pas un générateur de texte.

Les trois sorties possibles

1. VRAI → « Confirmé par [source]. Score de confiance : 0.94. »
2. FAUX → « Contredit par [source]. Score de confiance : 0.91. »
3. INCERTAIN → « Aucune source trouvée pour confirmer ou infirmer. Le modèle admet son ignorance. »

Cette troisième sortie est la plus importante. Un vérificateur qui dit « je ne sais pas » vaut infiniment plus qu'un générateur qui invente une réponse plausible. L'aveu d'ignorance est la signature d'un système fiable.

Intégration dans le Data Hat

Qwable-Verifier devient le moteur d'inférence du Data Hat. À chaque round du Parlement Cognitif, avant que les 6 chapeaux ne prennent la parole :

1. Le Data Hat extrait les affirmations implicites dans la question posée
2. Qwable-Verifier vérifie chaque affirmation contre le Memory-Graph
3. Le bulletin de réalité est émis : « Ces 3 faits sont VRAIS, celui-ci est FAUX, ces 2 sont INCERTAINS »
4. Les 6 chapeaux raisonnent uniquement sur ce qui est vérifié

Le tout en local, sur CPU, en moins de 200 ms par vérification. Pas d'appel API. Pas de latence cloud. Un modèle de 3.6B qui tourne dans un container Docker sur la machine hôte.