<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Blog on 0x0800</title><link>https://0x0800.com/fr/blog/</link><description>Recent content in Blog on 0x0800</description><generator>Hugo</generator><language>fr-BE</language><lastBuildDate>Sat, 21 Nov 2026 00:00:00 +0000</lastBuildDate><atom:link href="https://0x0800.com/fr/blog/index.xml" rel="self" type="application/rss+xml"/><item><title>Intel D270 contre RTX PRO 6000 : les 5,9x sont réels, sur un terrain étroit</title><link>https://0x0800.com/fr/blog/intel-d270-5-9x/</link><pubDate>Sat, 21 Nov 2026 00:00:00 +0000</pubDate><guid>https://0x0800.com/fr/blog/intel-d270-5-9x/</guid><description>&lt;p&gt;Intel annonce que sa D270 (350 W) offre jusqu&amp;rsquo;à 5,9 fois le débit de la RTX PRO 6000 Blackwell Server Edition de Nvidia (600 W). J&amp;rsquo;ai lu le rapport et ses notes : le chiffre est réel, mais il couvre un terrain très étroit.&lt;/p&gt;&#10;&lt;p&gt;Les 5,9x viennent du calcul en double précision (FP64) appliqué à la tarification d&amp;rsquo;options : Monte-Carlo européen (5,9x), Black-Scholes européen (5,6x), arbre binomial (4,6x). Sur l&amp;rsquo;option américaine, l&amp;rsquo;écart tombe à 1,92x, et la moyenne des quatre tests est de 4,5x. Nvidia limite le FP64 de ses cartes workstation à un ratio de 1:64, alors que la D270, basée sur l&amp;rsquo;architecture Xe3P, l&amp;rsquo;exécute à pleine vitesse, avec 64 FMA FP64 par cœur. Intel attaque là où Nvidia a laissé un vide.&lt;/p&gt;</description></item><item><title>TensorFold sur Intel Arc Pro B70 : du portage Python au moteur Zig</title><link>https://0x0800.com/fr/blog/tensorfold-xe2-b70/</link><pubDate>Fri, 23 Oct 2026 00:00:00 +0000</pubDate><guid>https://0x0800.com/fr/blog/tensorfold-xe2-b70/</guid><description>&lt;p&gt;TensorFold ne connaissait que les Mac et les GPU NVIDIA. Nous l&amp;rsquo;avons porté sur la carte Intel Arc Pro B70 (architecture Xe2, 32 Go), d&amp;rsquo;abord en Python par PyTorch, puis en Zig directement sur Level Zero, sans PyTorch ni Python à l&amp;rsquo;exécution. Le second portage est intégré au projet officiel depuis TensorFold 1.0.12. Ce texte en donne le chemin, les pièges et les mesures, y compris celles qui nous sont moins favorables.&lt;/p&gt;</description></item><item><title>Une IA privée sur une carte à 1 900 € : ce que la B70 change pour les professions réglementées</title><link>https://0x0800.com/fr/blog/ia-locale-b70-metiers/</link><pubDate>Fri, 23 Oct 2026 00:00:00 +0000</pubDate><guid>https://0x0800.com/fr/blog/ia-locale-b70-metiers/</guid><description>&lt;p&gt;Sur une carte graphique à 1 900 € HT, un modèle de 27 milliards de paramètres répond à plus de 100 jetons par seconde, sans qu&amp;rsquo;aucun document ne quitte l&amp;rsquo;entreprise. Ce qui rend cela possible : notre portage du moteur TensorFold sur la carte Intel Arc Pro B70, aujourd&amp;rsquo;hui intégré au projet officiel.&lt;/p&gt;&#10;&lt;div class="kit-kf"&gt;&lt;div class="kit-kf-cell"&gt;&lt;div class="kit-label"&gt;Prix de la carte&lt;/div&gt;&lt;div class="kit-kf-value"&gt;1 900 € HT&lt;/div&gt;&lt;div class="kit-kf-detail"&gt;Intel Arc Pro B70, 32 Go, contre 5 700 € HT pour une RTX 5090 au même volume de mémoire&lt;/div&gt;&lt;/div&gt;&lt;div class="kit-kf-cell"&gt;&lt;div class="kit-label"&gt;Une personne&lt;/div&gt;&lt;div class="kit-kf-value"&gt;90 à 133 tok/s&lt;/div&gt;&lt;div class="kit-kf-detail"&gt;Qwen3.8-27B, selon le texte produit (conversation ou code)&lt;/div&gt;&lt;/div&gt;&lt;div class="kit-kf-cell"&gt;&lt;div class="kit-label"&gt;Réponses rejouables&lt;/div&gt;&lt;div class="kit-kf-value"&gt;100 %&lt;/div&gt;&lt;div class="kit-kf-detail"&gt;une réponse servie à côté d’autres égale la même réponse servie seule, à chaque essai&lt;/div&gt;&lt;/div&gt;&lt;/div&gt;&#10;&#10;&lt;h2 id="le-vrai-frein-cest-lhébergement"&gt;Le vrai frein, c&amp;rsquo;est l&amp;rsquo;hébergement&lt;/h2&gt;&#10;&lt;p&gt;Dans un cabinet d&amp;rsquo;expertise comptable, une étude notariale, une mutuelle ou un service RH, l&amp;rsquo;IA bute d&amp;rsquo;abord sur une question simple : où partent les documents ? Les dossiers clients, les bulletins de paie ou les comptes rendus médicaux ne partent pas vers une API externe, parce que le secret professionnel et le RGPD l&amp;rsquo;interdisent.&lt;/p&gt;</description></item><item><title>DeepSeek-V4-Flash 0731 sur 2× DGX Spark : montage, mesures, réglages</title><link>https://0x0800.com/fr/blog/dsv4-2x-spark-rapport/</link><pubDate>Tue, 04 Aug 2026 00:00:00 +0000</pubDate><guid>https://0x0800.com/fr/blog/dsv4-2x-spark-rapport/</guid><description>&lt;div class="kit-kf"&gt;&lt;div class="kit-kf-cell"&gt;&lt;div class="kit-label"&gt;Qualité retenue&lt;/div&gt;&lt;div class="kit-kf-value"&gt;96/100&lt;/div&gt;&lt;div class="kit-kf-detail"&gt;jugée par exécution, avant tout débit&lt;/div&gt;&lt;/div&gt;&lt;div class="kit-kf-cell"&gt;&lt;div class="kit-label"&gt;Mono-flux&lt;/div&gt;&lt;div class="kit-kf-value"&gt;78,55 tok/s&lt;/div&gt;&lt;div class="kit-kf-detail"&gt;code 512, au plafond imposé par k&lt;/div&gt;&lt;/div&gt;&lt;div class="kit-kf-cell"&gt;&lt;div class="kit-label"&gt;Seize flux&lt;/div&gt;&lt;div class="kit-kf-value"&gt;188,9 tok/s&lt;/div&gt;&lt;div class="kit-kf-detail"&gt;le seul réglage qui ait produit un gain&lt;/div&gt;&lt;/div&gt;&lt;div class="kit-kf-cell"&gt;&lt;div class="kit-label"&gt;Pool KV&lt;/div&gt;&lt;div class="kit-kf-value"&gt;1,79 M&lt;/div&gt;&lt;div class="kit-kf-detail"&gt;tokens, contexte servable 393 216&lt;/div&gt;&lt;/div&gt;&lt;div class="kit-kf-cell"&gt;&lt;div class="kit-label"&gt;Paramètres écartés&lt;/div&gt;&lt;div class="kit-kf-value"&gt;12 sur 16&lt;/div&gt;&lt;div class="kit-kf-detail"&gt;la configuration la plus sobre est l’optimum&lt;/div&gt;&lt;/div&gt;&lt;div class="kit-kf-cell"&gt;&lt;div class="kit-label"&gt;Falaise b12x&lt;/div&gt;&lt;div class="kit-kf-value"&gt;&amp;#43;31 s&lt;/div&gt;&lt;div class="kit-kf-detail"&gt;de coût fixe dès ~1850 tokens de contexte&lt;/div&gt;&lt;/div&gt;&lt;/div&gt;&#10;&#10;&lt;p&gt;Rapport reproductible. Il décrit comment monter la stack de bout en bout, quels chiffres on obtient, ce que chaque paramètre change, et quelle combinaison sort le meilleur compromis performance/qualité.&lt;/p&gt;</description></item><item><title>DeepSeek-V4-Flash-0731 sur deux DGX Spark : la recette complète</title><link>https://0x0800.com/fr/blog/dsv4-2x-spark-recette/</link><pubDate>Tue, 04 Aug 2026 00:00:00 +0000</pubDate><guid>https://0x0800.com/fr/blog/dsv4-2x-spark-recette/</guid><description>&lt;div class="kit-kf"&gt;&lt;div class="kit-kf-cell"&gt;&lt;div class="kit-label"&gt;Code juste&lt;/div&gt;&lt;div class="kit-kf-value"&gt;96/100&lt;/div&gt;&lt;div class="kit-kf-detail"&gt;jugé par exécution, config livrée&lt;/div&gt;&lt;/div&gt;&lt;div class="kit-kf-cell"&gt;&lt;div class="kit-label"&gt;Débit mono-flux&lt;/div&gt;&lt;div class="kit-kf-value"&gt;78,55 tok/s&lt;/div&gt;&lt;div class="kit-kf-detail"&gt;code, 512 tokens, hors TTFT&lt;/div&gt;&lt;/div&gt;&lt;div class="kit-kf-cell"&gt;&lt;div class="kit-label"&gt;Débit agrégé&lt;/div&gt;&lt;div class="kit-kf-value"&gt;188,9 tok/s&lt;/div&gt;&lt;div class="kit-kf-detail"&gt;à seize flux, TTFT sous 0,8 s&lt;/div&gt;&lt;/div&gt;&lt;div class="kit-kf-cell"&gt;&lt;div class="kit-label"&gt;Cache KV&lt;/div&gt;&lt;div class="kit-kf-value"&gt;1,79 M&lt;/div&gt;&lt;div class="kit-kf-detail"&gt;tokens, lus dans le journal de démarrage&lt;/div&gt;&lt;/div&gt;&lt;div class="kit-kf-cell"&gt;&lt;div class="kit-label"&gt;Puissance&lt;/div&gt;&lt;div class="kit-kf-value"&gt;41 W&lt;/div&gt;&lt;div class="kit-kf-detail"&gt;puissance GPU par boîtier en pointe, aucun bridage&lt;/div&gt;&lt;/div&gt;&lt;div class="kit-kf-cell"&gt;&lt;div class="kit-label"&gt;Latence RDMA&lt;/div&gt;&lt;div class="kit-kf-value"&gt;1,86 µs&lt;/div&gt;&lt;div class="kit-kf-detail"&gt;typique en charge, messages de 8 octets&lt;/div&gt;&lt;/div&gt;&lt;/div&gt;&#10;&#10;&lt;p&gt;Ce document raconte ce qu&amp;rsquo;on a fait pour servir DeepSeek-V4-Flash-0731 en TP=2 sur deux DGX Spark (GB10, SM121), et ce qu&amp;rsquo;on a mesuré. Il inclut les pièges qui nous ont coûté du temps, parce que ce sont eux qui manquent partout ailleurs.&lt;/p&gt;</description></item><item><title>Servir Laguna S 2.1 NVFP4 sur un seul DGX Spark (GB10) : le runbook complet</title><link>https://0x0800.com/fr/blog/laguna-s21-single-spark/</link><pubDate>Thu, 23 Jul 2026 00:00:00 +0000</pubDate><guid>https://0x0800.com/fr/blog/laguna-s21-single-spark/</guid><description>&lt;p&gt;De la box tuée par son propre compilateur JIT au service 256K fonctionnel. Un MoE de 117,6 Md de paramètres (8,5 Md actifs), décodage spéculatif DFlash, contexte natif 256K, le tout sur une seule machine à mémoire unifiée — sans TP=2, sans cross-node, sans NCCL. Chaque commande de ce runbook est donnée verbatim.&lt;/p&gt;&#10;&lt;p&gt;Laguna tient sur une seule machine, là où DeepSeek-V4 imposait deux nœuds et une couche de coordination. Le point dur n&amp;rsquo;est donc plus la distribution mais la &lt;strong&gt;mémoire de la box&lt;/strong&gt;, qu&amp;rsquo;un JIT non bridé épuise en quelques secondes. Ce runbook couvre le contexte matériel, les trois pièges qui tuent le boot, le lancement mono-nœud complet et les résultats de bench mesurés sur notre matériel.&lt;/p&gt;</description></item><item><title>Faire tourner vLLM sur un DGX Spark (GB10) : du clone à l'inférence NVFP4</title><link>https://0x0800.com/fr/blog/dgx-spark-vllm-nvfp4/</link><pubDate>Mon, 20 Jul 2026 00:00:00 +0000</pubDate><guid>https://0x0800.com/fr/blog/dgx-spark-vllm-nvfp4/</guid><description>&lt;p&gt;Le DGX Spark embarque un GPU GB10 (Blackwell, architecture compute SM121) sur une carte aarch64. Une architecture assez récente pour que plusieurs bibliothèques de l&amp;rsquo;écosystème CUDA n&amp;rsquo;aient pas encore de kernel précompilé pour SM121. Trois correctifs qui ne sautent pas aux yeux dans la documentation officielle, expliqués ici du clone du dépôt au lancement d&amp;rsquo;un modèle quantifié NVFP4.&lt;/p&gt;&#10;&lt;p&gt;Cet article couvre l&amp;rsquo;installation complète, du clone du dépôt jusqu&amp;rsquo;au lancement réussi d&amp;rsquo;un modèle quantifié NVFP4 (Mistral-Small 119B), en expliquant pourquoi chaque étape est nécessaire. Toutes les commandes sont testées sur notre matériel ; adaptez les chemins (&lt;code&gt;~/models/...&lt;/code&gt;, noms de modèles) au vôtre.&lt;/p&gt;</description></item></channel></rss>