LarQL (LQL)

Qu’est-ce que LarQL?

LarQL — aussi référencé comme LQL — est un langage de requête conçu pour interagir directement avec les connaissances codées dans les poids des modèles de langage de grande taille (LLM). Il utilise une syntaxe SQL familière (SELECT, INSERT, UPDATE, DELETE, DESCRIBE) appliquée non pas aux lignes d’une base de données relationnelle, mais au graphe de connaissances structuré que les LLM construisent en interne lors de l’entraînement.

Où les outils traditionnels traitent les poids du modèle comme un blob binaire opaque, LarQL les traite comme un magasin de connaissances interrogeable. Un praticien peut inspecter ce qu’un modèle sait sur une entité spécifique, tracer exactement comment le modèle arrive à une inférence donnée, et appliquer des corrections de connaissances ciblées — tout sans recycler le modèle ou modifier les fichiers de poids de base.

Concepts Fondamentaux

Le Vindex

Un Vindex (index vectoriel) est la représentation extraite et interrogeable des connaissances internes d’un modèle. Il est généré à partir des poids du modèle en utilisant la commande larql extract-index et enregistré en tant que fichier autonome. Une fois extrait, un Vindex peut être parcouru et interrogé sans charger le modèle complet — et sans matériel GPU.

Le Vindex code les associations apprises du modèle entre les entités, les relations et les couches, ce qui rend possible de poser des questions comme: “Que croit ce modèle être le siège d’Apple?” ou “Quels concepts ce modèle associe-t-il à GDPR près de la couche 20?”

Superpositions de Correctif

Les opérations d’écriture de LarQL — INSERT, UPDATE, DELETE — ne modifient pas les fichiers de poids de base du modèle. Au lieu de cela, elles créent une superposition de fichier .patch qui est appliquée au moment de l’inférence. Cela rend les éditions de connaissances:

• Instantanées: pas d’étape de recompilation ou d’ajustement fin
• Réversibles: le modèle de base est inchangé; les correctifs peuvent être supprimés ou remplacés
• Légers: un correctif couvrant 234 faits nécessite environ 2.1 MB contre un modèle de base de 16 GB

Prêt à développer votre entreprise?

Commencez votre essai gratuit aujourd'hui et voyez les résultats en quelques jours.

Demander une démo Se connecter

Configuration de LarQL

Pour commencer à travailler avec les connaissances d’un modèle, extrayez un Vindex et ouvrez le REPL interactif:

larql extract-index path/to/your-model -o company-model.vindex --f16
larql repl

Le drapeau --f16 extrait l’index à une précision en virgule flottante 16 bits. Le Vindex résultant pour un modèle comme Gemma 3 4B est environ 3 GB.

Navigation des Connaissances du Modèle

Ces commandes fonctionnent contre le Vindex extrait et ne nécessitent pas de GPU:

Inspectez une entité spécifique:

DESCRIBE "Apple Inc"

Retourne toutes les connaissances que le modèle détient sur l’entité, organisées par couche et caractéristique: industrie, produits, siège social, fondé_par, ticker_boursier, et toute autre relation apprise lors de l’entraînement.

Interrogez une relation spécifique entre toutes les entités:

SELECT * FROM edges WHERE relation='headquarters' LIMIT 10

Trouvez les associations de concepts par distance:

SELECT * FROM edges WHERE entity='GDPR' NEAREST_TO Layer 20 LIMIT 5

Trouve les cinq concepts les plus étroitement associés à GDPR près de la couche 20 de la représentation des connaissances du modèle.

Listez tous les types de relations que le modèle a appris:

SHOW relations

Retourne la liste complète des types de relations présents dans le modèle. Un modèle typique de taille moyenne encode plus de 1 000 types de relations.

Rejoignez notre newsletter

Recevez gratuitement les derniers conseils, tendances et offres.

Adresse e-mail

S'abonner

Inférence et Traçage

Exécutez l’inférence avec les scores de probabilité:

INFER 'The headquarters of Apple is located in' TOP 5

Retourne les 5 complétions principales avec les scores de confiance (par exemple: Cupertino 0.71, Californie 0.14, etc.).

Tracez l’inférence couche par couche:

TRACE 'The CEO of Tesla is' TOP 3

Produit une décomposition couche par couche montrant comment le modèle construit vers sa sortie — depuis la détection initiale de la syntaxe jusqu’à l’identification du domaine, la récupération des connaissances, et l’engagement de la sortie. Utilisé pour la médecine légale des hallucinations lorsqu’un modèle produit une réponse inattendue ou incorrecte.

Parcourez un concept entre les couches:

WALK "climate change" LAYERS 10 TO 28

Montre comment les associations du modèle pour un concept évoluent entre les couches — des co-occurrences textuelles concrètes dans les couches précoces aux associations sémantiques abstraites dans les couches plus profondes.

Édition des Connaissances avec Superpositions de Correctif

Les opérations d’écriture de LarQL créent une superposition .patch sans toucher les fichiers de modèle de base:

Insérez un nouveau fait:

INSERT INTO edges (entity, relation, target, confidence)
VALUES ('Acme Corp', 'CEO', 'Jane Smith', 0.95)

Mettez à jour un fait existant:

UPDATE edges
SET target = 'Jane Smith'
WHERE entity = 'Acme Corp' AND relation = 'CEO'

Supprimez un fait:

DELETE FROM edges
WHERE entity = 'Acme Corp' AND relation = 'former_CEO'

Inspectez les correctifs actifs:

SHOW patches

Liste tous les fichiers de correctif actifs, leurs tailles et les comptages de faits. Un correctif de 234 faits contre un modèle de base de 16 GB totalise environ 2.1 MB.

Cas d’Usage d’Audit: Vérification des Connaissances Avant Déploiement

Un flux de travail complet de vérification avant déploiement utilisant LarQL:

-- 1. Inspectez ce que le modèle sait sur votre produit
DESCRIBE "Acme Corp"

-- 2. Trouvez les associations incorrectes
SELECT * FROM edges WHERE entity='Acme Corp' AND relation='CEO'

-- 3. Vérifiez sans confusion de marque concurrente
SELECT * FROM edges WHERE entity='Acme Corp' NEAREST_TO Layer 20 LIMIT 10

-- 4. Corrigez tous les faits incorrects avant le déploiement
UPDATE edges SET target='Jane Smith' WHERE entity='Acme Corp' AND relation='CEO'

Ce flux de travail est la base d’un audit de modèle avant déploiement: vérifier systématiquement que les connaissances internes du modèle sont exactes pour votre domaine avant de l’exposer aux utilisateurs.

Cas d’Usage: Renseignement SEO à partir des Poids du Modèle

Un modèle de langage entraîné sur des billions de documents web a intériorisé la structure sémantique de chaque espace thématique qu’il a rencontré. Plutôt que de scraper les SERPs ou d’acheter des données de mots-clés, vous pouvez lire cette structure directement en sondant les représentations internes du modèle — aucune génération requise.

Lorsque vous soumettez une requête comme "logiciel d'affiliation" à un LLM, des neurones spécifiques dans les couches feedforward s’allument selon un modèle caractéristique. Ces activations codent ce que le modèle considère comme sémantiquement adjacent: concurrents, technologies connexes, cas d’utilisation, sites d’avis. LarQL rend ces associations interrogeables.

Cartographiez le voisinage sémantique de n’importe quel mot-clé:

-- Quels concepts se regroupent autour de votre terme central dans la zone de connaissances (couches 12–34)?
WALK "affiliate software" LAYERS 12 TO 34

-- Trouvez les entités associées au sommet de la profondeur de connaissances
SELECT * FROM edges WHERE entity='affiliate software' NEAREST_TO Layer 22 LIMIT 20

-- Quels types de relations le modèle utilise-t-il pour ce domaine?
SHOW relations

Ce que vous obtenez: une liste classée de termes sémantiquement adjacents reflétant ce que le modèle (et par extension, le corpus web sur lequel il a été entraîné) considère comme le voisinage naturel de votre sujet — candidats de cluster de sujets, mots-clés d’intégration et angles de longue traîne que les outils de mots-clés conventionnels manquent car ils mesurent la popularité, pas la structure sémantique.

Les scores de confiance de NEAREST_TO indiquent la distance sémantique dans la représentation interne du modèle. Les termes avec des scores de confiance élevés sont profondément imbriqués dans votre requête dans les connaissances du modèle — ils sont des cibles de co-occurrence naturelles pour la stratégie de contenu.

Cas d’Usage: Découverte de Concurrents et Co-localisation de Marque

Un modèle entraîné sur des données à l’échelle du web a appris quelles marques apparaissent dans les mêmes discussions. C’est plus riche en signaux que le chevauchement des backlinks ou la co-occurrence dans les SERPs: c’est la croyance consolidée du modèle sur quelles entreprises opèrent dans le même espace, construite à partir de millions d’articles, d’avis, de pages de comparaison et de fils de forum.

-- Quelles marques le modèle considère-t-il co-localisées avec la vôtre?
SELECT * FROM edges WHERE entity='VotreMarque' NEAREST_TO Layer 19 LIMIT 15

-- Vérifiez que c'est la co-localisation de marque, pas la confusion de catégorie
DESCRIBE "VotreMarque"

-- Vérifiez la même chose pour un concurrent spécifique
SELECT * FROM edges WHERE entity='ConcurrentX' NEAREST_TO Layer 19 LIMIT 15

Validez de manière croisée avec l’inférence:

-- Le modèle produit-il des concurrents dans les complétions directes?
INFER 'The main alternatives to YourBrand are' TOP 8

-- Vérification de Monte Carlo: quelles marques apparaissent le plus souvent?
INFER 'Companies similar to YourBrand include' TOP 5

Les marques qui apparaissent à la fois dans la trace interne de FFN (NEAREST_TO) et dans les complétions génératives (INFER) portent la plus grande confiance. Elles représentent le paysage compétitif consolidé du modèle — directement exploitable pour les pages de comparaison “vs”, les guides de migration et les pages d’atterrissage alternatives.

Cas d’Usage: Audit de Perception de Marque

Avant de déployer un LLM dans un rôle orienté client — ou avant de lancer une campagne — il vaut la peine de comprendre comment le modèle caractérise votre marque en interne. C’est différent de ce que le modèle dit quand on le demande: cela reflète les associations latentes construites à partir des données d’entraînement, dont certaines peuvent contredire votre positionnement prévu.

-- Caractérisation complète de votre marque dans les connaissances du modèle
DESCRIBE "VotreMarque"

-- Dans quelle catégorie le modèle vous place-t-il?
SELECT * FROM edges WHERE entity='VotreMarque' AND relation='category'

-- Avec quelles technologies êtes-vous associé?
SELECT * FROM edges WHERE entity='VotreMarque' AND relation='integrates_with'

-- Y a-t-il des associations indésirables?
SELECT * FROM edges WHERE entity='VotreMarque' NEAREST_TO Layer 20 LIMIT 30

Parcours couche par couche pour voir comment les associations évoluent:

-- Couches précoces: co-occurrences superficielles
-- Couches intermédiaires (12–34): associations factuelles
-- Couches ultérieures: formatage de sortie et style
WALK "VotreMarque" LAYERS 10 TO 35

Si le modèle place votre marque dans la mauvaise catégorie, l’associe à un concurrent qu’il ne devrait pas, ou reflète un positionnement dépassé, ces lacunes peuvent être corrigées directement en utilisant le mécanisme de superposition de connaissances — corrigeant la représentation interne du modèle sans recycler.

Cas d’Usage: Analyse des Lacunes de Connaissances Avant Déploiement

Lors de l’évaluation d’un modèle open-source pour un déploiement spécifique à un domaine, la question critique n’est pas la performance du benchmark — c’est: ce modèle en sait-il assez sur notre domaine pour être utile, et sait-il quelque chose d’incorrect?

LarQL permet une analyse structurée des connaissances avant déploiement dans toute votre zone de sujet:

-- Étape 1: Auditez les connaissances sur le produit
DESCRIBE "VotreProduct"
DESCRIBE "VotreProduct v2"

-- Étape 2: Vérifiez la catégorie et les connaissances de positionnement
SELECT * FROM edges WHERE entity='VotreProduct' AND relation='category'
SELECT * FROM edges WHERE entity='VotreProduct' AND relation='primary_use_case'

-- Étape 3: Trouvez les lacunes — sujets sans associations
SELECT * FROM edges WHERE entity='votre_sujet_cle' NEAREST_TO Layer 20 LIMIT 5
-- Peu ou pas de résultats = une lacune de connaissances

-- Étape 4: Trouvez les faits incorrects
SELECT * FROM edges WHERE entity='VotreCompany' AND relation='CEO'
SELECT * FROM edges WHERE entity='VotreProduct' AND relation='pricing_model'

-- Étape 5: Corrigez les erreurs confirmées avant d'aller en direct
UPDATE edges SET target='Nom du PDG Actuel' WHERE entity='VotreCompany' AND relation='CEO'

Ce flux de travail remplace l’approche “déployer et attendre les plaintes”. Un audit de 4 heures utilisant LarQL contre un Vindex peut surface les lacunes de connaissances et les erreurs factuelles qui sinon atteindraient les vrais utilisateurs — et les corriger le même jour, sans GPU requis.

Cas d’Usage: Analyse des Causes Profondes des Hallucinations

Lorsqu’un LLM déployé produit une réponse incorrecte ou nuisible, la réponse standard est de mettre à jour le système de prompt ou d’ajouter des protections. Mais les correctifs de prompt traitent les symptômes. LarQL permet le diagnostic au niveau des poids: pourquoi le modèle a-t-il cru cela?

-- Reproduisez le chemin d'inférence qui a mené à la mauvaise réponse
TRACE 'The CEO of Acme Corp is' TOP 3

-- Trouvez la couche où le mauvais fait a été récupéré
-- (Les numéros de couche dans la sortie TRACE montrent où la réponse engagée se cristallise)

-- Vérifiez ce que le modèle stocke réellement pour cette relation d'entité
SELECT * FROM edges WHERE entity='Acme Corp' AND relation='CEO'

-- Vérifiez pas de confusion polysémantique (le même neurone codant deux choses)
SELECT * FROM edges WHERE entity='Acme Corp' NEAREST_TO Layer 23 LIMIT 10

-- Appliquez la correction ciblée
UPDATE edges SET target='Jane Smith' WHERE entity='Acme Corp' AND relation='CEO'

La sortie TRACE montre la distribution de probabilité sur les couches — de la détection de syntaxe initiale, à travers la récupération de connaissances dans les couches intermédiaires, jusqu’à l’engagement de sortie. C’est l’outil principal pour l’analyse forensique lorsqu’un incident causé par le modèle nécessite une documentation réglementaire ou légale: il démontre où le mauvais fait a entré le chemin d’inférence et pourquoi le modèle en était confiant.

Référence de Performance (Apple Silicon)

La navigation Vindex et les requêtes SELECT s’exécutent entièrement sur CPU. INFER et TRACE nécessitent le chargement du modèle.

Relation avec les Services de Connaissances LLM

LarQL est la technologie sous-jacente de chaque service du cycle de vie des connaissances LLM:

• Audit avant déploiement: DESCRIBE, SELECT et NEAREST_TO scannent les connaissances du modèle dans tout votre domaine avant le lancement
• Maintenance des connaissances: la superposition de correctif (INSERT, UPDATE, DELETE) applique les corrections directement aux poids déployés sans recycler
• Conformité et audit: SHOW patches fournit un enregistrement auditable de chaque fait modifié dans un modèle
• Renseignement SEO: WALK et NEAREST_TO exposent la carte sémantique interne du modèle de n’importe quel espace thématique
• Analyse des concurrents et des marques: NEAREST_TO avec validation croisée INFER expose les croyances de co-localisation du modèle au niveau des poids
• Médecine légale des hallucinations: TRACE décompose le chemin d’inférence couche par couche, identifiant exactement où un fait incorrect a été récupéré et engagé