Cinq résultats réels, pas cinq slogans.
Chaque chiffre ci-dessous figure sur la page qu'il lie, mesuré exactement comme décrit ici.
Nous avons simulé notre propre fraude, et il l'a détectée.
Un agent malveillant a supprimé le test prouvant le bug. La première version de Verify a dit PROVED. Après le correctif, le même cas dit CHEATED.
Voir comment il vérifie →Chaque coefficient exact, sur le benchmark du domaine lui-même.
14 systèmes dynamiques du jeu Strogatz de SRBench, retrouvés avec des coefficients exacts — contre 5/14 avant une réécriture compositionnelle du moteur.
Lire le dossier de preuves →Oubli zéro, prouvé par formule.
Apprenez quelque chose de nouveau à un modèle et il oublie généralement ce qu'il savait. DAS mesure un écart absolu zéro dans les connaissances antérieures — garanti par construction, pas optimisé vers.
Voir la méthode →Zéro expert gaspillé, prouvé à l'échelle.
L'entraînement traditionnel à mélange d'experts laisse 20 % à 56 % des experts devenir du poids mort, jamais récupéré. ACE mesure zéro expert gaspillé, à toutes les échelles testées — intégré avec DAS.
Voir la méthode →Une architecture, six pièces — la plupart déjà prouvées.
DAS, ACE, Discovery et la réduction des hallucinations sont mesurées et livrées. L'auto-entraînement et la mémoire durable au niveau des poids sont les prochaines étapes — on ne publie pas de chiffre avant de l'avoir prouvé de la même façon.
Voir MH-AI →À propos de nous.
Qui construit ceci, et pourquoi.
MOUHN est piloté par son fondateur et construit en France. Le projet part d'une frustration précise : un modèle de langage qui répond à une question factuelle avec une prose assurée n'est pas assez souvent dans l'erreur pour être sûr, ni assez honnête pour qu'on lui fasse confiance dans un contexte réglementé et à fort enjeu — un manuel de réacteur, une procédure de défense, un résultat de laboratoire. Verify, Discovery, DAS et ACE ci-dessus sont la réponse à cette frustration, construite et mesurée publiquement.
L'entreprise est volontairement petite et sans chiffre d'affaires à ce stade : chaque capacité affirmée sur ce site a un test reproductible derrière elle, pas une diapositive. C'est aussi l'argument commercial : un moteur qui préfère dire « je ne sais pas » plutôt que deviner, porté par une équipe qui préfère livrer quatre pièces prouvées plutôt qu'en annoncer dix.
Investisseurs.
La France s'engage pour une IA souveraine à l'échelle nationale — et les secteurs qui comptent le plus (nucléaire, défense, aérospatial, santé) ne peuvent pas déployer un système qui hallucine avec assurance. C'est exactement le vide que MOUHN comble : pas un modèle plus gros, une couche de confiance.
Le refus, c'est la barrière à l'entrée. N'importe quel LLM peut sonner sûr de lui. Très peu de systèmes sont architecturés pour que le modèle soit structurellement empêché de répondre de mémoire — DAS, ACE et Verify ci-dessus sont cette contrainte, mesurée, pas promise.
Souverain par construction. Sur site, zéro télémétrie, la donnée ne quitte jamais l'infrastructure du client — une adéquation native aux exigences de type SecNumCloud, pas une fonctionnalité ajoutée après coup.
Construit pour être audité, pas pris pour argent comptant. Chaque affirmation de ce site est reproductible par un inconnu sans accès à nous. Nous appliquons la même exigence à l'entreprise : montrer la preuve, puis demander du capital.
Stade précoce, basé en France, actuellement financé via des canaux deep-tech non dilutifs (dépôt de brevet INPI, i-Lab Bpifrance). Si vous financez une infrastructure d'IA souveraine et vérifiable dans des secteurs réglementés, parlons avant même qu'un pitch deck existe — le moteur est le deck.