Trois CLI de code, un workflow – mais l’axe de routage, ce sont les modèles, pas les outils. Comment je choisis d’abord le modèle – Claude Opus 5 vs. Sonnet 5, Gemini 3.1 Pro et ses 2M de contexte, Gemini 3 Flash pour la vision, le DeepSeek-V4-Pro ouvert, un Qwen3-32B local (IQ3_M) – puis le bon harnais. Avec configuration shell et un petit script de routage.
Le context engineering en pratique : comment des métadonnées de frontmatter structurées issues des content collections Astro deviennent une source de contexte précise et budgétée pour un LLM – avec des exemples TypeScript plutôt qu'une recherche plein texte naïve.
Comment savoir si IQ3_M est encore assez bon ? Mesurer la perte de qualité d'une quantisation – avec llama-perplexity, la divergence KL par rapport au modèle de base et une petite éval de tâches maison.
Comment j'ai quantisé Qwen3-32B avec llama.cpp et une matrice d'importance pour le faire tourner sur un GPU de 16 Go : conversion GGUF, imatrix, niveaux de quantisation comparés, budget VRAM et offload de couches.
Un guide pas à pas pour installer et utiliser Codeium dans Visual Studio afin d’améliorer son environnement de développement.
Une méthode du machine learning et du traitement automatique du langage naturel (NLP) qui vise à amener les modèles à expliquer leurs étapes et leur raisonnement lorsqu’ils parviennent à une solution.
Comment exporter des classes Tailwind depuis Figma avec le plugin « Figma to Code »
#tailwind