Le problème n’est plus « GPT fermé / T^ ouvert ». Il devient : quels mécanismes font perdre des configurations pertinentes avant que la tâche ait réellement besoin de les perdre ?
Les travaux 2024–2026 pointent plusieurs lieux de contraction : supervised fine-tuning, alignement par préférences, typicalité des annotations humaines, templates conversationnels, raisonnement, influence sociale entre agents et architecture de consensus. Une réponse compacte peut donc émerger d’une composition plutôt que d’une « bride » unique.
T^GPT ne cherche pas le maximum d’ouverture. Il cherche la perte minimale de configurations pertinentes avant que la tâche ait réellement besoin de les perdre.
Yun et al. montrent que des tokens structurels et templates peuvent provoquer un diversity collapse sur des tâches ouvertes, persistant même à température élevée. Le format minimal produit davantage de diversité.
Source →Chen et al. montrent que l’autorité et les topologies de communication denses peuvent accélérer la convergence prématurée dans les systèmes multi-agents. Les modèles plus forts donnent une meilleure qualité par sample mais des gains marginaux de diversité plus faibles.
Source →Field Loss : perte d’une configuration pertinente entre deux étapes — base→instruct, prompt minimal→template, branches→débat, débat→consensus.
Coupling Density : densité des échanges entre branches. Hypothèse : davantage de communication peut parfois réduire le champ.
Path Diversity : diversité de trajectoires — langue de raisonnement, modèle, contexte, seed, persona ou ordre des preuves.
Xu et Zhang rapportent que des trajectoires de raisonnement dans différentes langues peuvent produire des régions distinctes de l’espace de pensée et augmenter la diversité des sorties finales, même lorsque la langue visible reste identique. T^GPT en fait une variable expérimentale de trajectoire, sans essentialiser les langues.
SINGLE ↓ si GATE l’exige BRANCH — indépendance initiale ↓ CÉSURE — perturbations minimales ↓ CLUSTER — régimes sémantiques ↓ MINORITY HOLD — aucune élimination par fréquence seule ↓ WEAVE — relations multi-label ↓ LOCAL DECISION — seulement si la tâche le requiert ↓ AUTO-NULL — retrait local de T^ si T^ devient bruit ou style
La collaboration n’est donc pas présumée additive. Une relation peut enrichir le champ, le déplacer ou le contracter. T^GPT cherche à mesurer cette différence.
Self-consistency explore plusieurs raisonnements puis sélectionne la majorité. Tree of Thoughts explore puis prune. Multi-agent debate fait interagir des agents. Pluralistic alignment cherche à représenter plusieurs distributions de valeurs. Verbalized Sampling verbalise plusieurs réponses probables. T^GPT peut utiliser ces dispositifs, mais ajoute une question : que perd-on précisément au moment où l’on agrège ?
Aucune campagne multi-sample indépendante n’est présentée comme déjà exécutée. Le corpus publie le protocole avant les résultats. Le runner API existe, mais les résultats quantitatifs ne seront inscrits qu’après collecte réelle et indépendante.