Conçu pour la recherche approfondie
Sources longues, questions et livrables : un espace de travail unique pour vérifier les originaux.
Sources
3 sourcesCouches d’attention et couches récurrentes
Cette annexe utilise la comparaison de complexité par couche de l’article « Attention Is All You Need » pour établir une estimation approximative. Elle a été rédigée pour cette démonstration.
Le calcul d’une couche d’attention croît avec longueur² × dimension, celui d’une couche récurrente avec longueur × dimension². Les deux études utilisent une dimension de modèle de 512. La figure 2 trace cette estimation pour les deux types de couches selon la longueur d’entrée et indique la longueur d’entrée de chaque étude.
- Couche d’attention
- Couche récurrente
Il s’agit d’une estimation d’ordre de grandeur. Elle omet les facteurs constants et le reste du modèle, notamment les couches à propagation avant, et ne peut donc reproduire le rapport mesuré dans aucune des études.
Source actuelle: Annexe de calcul de l’attention (exemple).pdf · Page 2 · Figure 2
Interrogez vos sources
Aperçu du résultat
Après votre question, les conclusions peuvent être transformées en rapport.
Forgez votre propre point de vue à partir de vos lectures.
Rassemblez tous les documents de votre projet. Précisez votre réflexion par des questions, des comparaisons et des vérifications. Transformez votre compréhension en rapport, pour fonder les échanges et la recherche sur des preuves et aboutir à des résultats concrets.
Apportez vos sources
- Articles et rapports sectorielsPDF
- Entretiens et réunionsMP3
- Brouillons et notes de rechercheWord · DOCX
- Données et feuilles de calculExcel · XLSX
Apportez vos questions. Ensemble, nous explorons, comparons et vérifions les preuves pour mieux comprendre.
Allez plus loin dans votre travail
- Documents WordDOCX
- Documents PDFPDF
- Présentations PPTPPTX
- Fichiers de codeHTML · Python
Votre prochain travail,à partir des sources à votre disposition.
Quelques rapports. Un enregistrement. Une décision à prendre.
Reliez les preuves. Appuyez chaque jugement sur une source.
PDFÉtude de fréquentation du quartier.pdf01
« La prévision de fréquentation suppose les conditions après l’ouverture de la ligne ferroviaire. »
Page 18 · Hypothèses de prévision
MP3Réunion du projet.mp302
«La première phase doit rouvrir l’année prochaine, mais les liaisons de transport risquent de ne pas être prêtes. »
Extrait de réunion · 12:48
Rapport de recherche
Brouillon · À vérifierRénovation de la rue commerçante · Étude de faisabilité
Questions fréquentes
Qu’est-ce que DeepShelf ?
DeepShelf est un espace de travail dans le cloud conçu pour la recherche et l’apprentissage approfondis. Rassemblez des sources longues, comme des articles, rapports, enregistrements, brouillons et feuilles de calcul, dans un projet, puis posez des questions à l’IA, comparez les sources et approfondissez les échanges. Transformez vos conclusions en rapports téléchargeables. Les citations des réponses vous ramènent à la source originale en un clic pour les vérifier. Outre DeepShelf 1.0, le service prend en charge GPT, Claude, DeepSeek, Kimi et d’autres modèles. Les modèles disponibles dépendent de votre offre.
Voir les modèles de chaque offreEn quoi DeepShelf se distingue-t-il d’outils comme ChatGPT ? Pourquoi importer d’abord des fichiers ?
Les outils comme ChatGPT peuvent aussi lire les fichiers que vous leur envoyez. La différence se joue après l’importation. DeepShelf effectue une première lecture de chaque source et prend ses propres notes : c’est l’analyse des fichiers. Ce processus présente trois avantages :
- Les réponses suivantes s’appuient d’abord sur vos sources et gagnent en précision.
- Vos sources restent regroupées dans un projet ; inutile de les renvoyer lorsque vous démarrez une nouvelle conversation.
- Chaque citation d’une réponse peut être ouverte pour consulter l’original : un PDF s’ouvre au passage concerné dans sa mise en page d’origine, un enregistrement se place au moment et à la transcription correspondants, et les fichiers Word, TXT et EPUB s’ouvrent dans le texte analysé.
DeepShelf peut-il traiter plusieurs livres longs ou une pile de rapports à la fois et trouver leurs liens ?
Oui. Placez-les dans un projet, sélectionnez les sources utiles à votre question et demandez où elles s’accordent, se contredisent et se rejoignent. Nous l’avons testé avec plusieurs livres entiers à la fois, y compris des questions transversales, avec des résultats largement supérieurs à ceux de produits similaires. Cette échelle n’est d’ailleurs pas une limite maximale. Les limites réelles sont celles de votre offre : le nombre de sources par projet et la taille de chaque fichier. Les documents numérisés et les feuilles de calcul fonctionnent moins bien que les PDF au texte sélectionnable. Ouvrez les citations pour confirmer chaque lien relevé.
Quels types de fichiers puis-je importer dans DeepShelf ?
DeepShelf prend en charge les PDF, Word (DOCX), textes bruts (TXT), livres numériques (EPUB), images (JPG, JPEG, PNG), fichiers audio (WAV, MP3, M4A, OGG), pages web (HTML, HTM), feuilles de calcul (CSV, XLSX), PowerPoint (PPTX), etc. La taille et le nombre de fichiers par projet varient selon l’offre.
Voir les formats de sources pris en chargePuis-je utiliser DeepShelf gratuitement ?
Oui. Les nouveaux comptes bénéficient d’un essai Plus de sept jours avec 100 crédits au total. À son terme, votre compte passe automatiquement à Free. Les avantages Plus prennent fin, mais vous pouvez continuer à utiliser DeepShelf. L’analyse des sources, les questions et la création de rapports consomment des crédits, en fonction de la longueur de vos sources et du modèle choisi. Les fichiers importés pendant l’essai ou avec une offre payante restent utilisables pour les questions et les citations sous Free. Consultez votre solde et votre historique dans Paramètres → Utilisation.
Comparer les limites des offresLes articles, enregistrements ou documents clients importés dans DeepShelf serviront-ils à entraîner des modèles ?
DeepShelf n’utilise pas vos sources importées, vos conversations ni les résultats générés pour entraîner de grands modèles de langage.
Nous conservons durablement vos sources ainsi que le processus de génération et les résultats pour que vous puissiez les consulter et reprendre votre travail à tout moment. Lorsque vous n’en avez plus besoin, vous pouvez supprimer des projets ou des sources dans l’espace de travail. Nous conservons également les journaux de requêtes nécessaires au diagnostic des pannes, à la sécurité et à la prévention des abus.
DeepShelf est un service dans le cloud. Pour analyser les fichiers et générer les réponses, le contenu nécessaire à chaque tâche est envoyé aux services de modèles et d’analyse concernés. Nous vous recommandons de ne pas importer d’informations sensibles sans rapport avec la tâche en cours.


