Ce projet propose un cadre unifié et extensible pour la classification de texte avec des variables catégorielles, basé sur PyTorch et PyTorch Lightning. Il permet de gérer des données textuelles complexes en les combinant avec des variables catégorielles, offrant une flexibilité totale dans le choix des tokenizers et des architectures. Le framework simplifie l'entraînement, l'évaluation et la prédiction, tout en intégrant des outils d'explicabilité pour comprendre les décisions du modèle.

Ce projet propose une collection de ressources pédagogiques et d'outils numériques dédiés à l'enseignement et à l'apprentissage de la philosophie. Il inclut des checklists pour préparer les cours, des bases de données de sujets de dissertation et d'explications de texte, des outils d'aide à l'écriture, des modèles de documents, des frises chronologiques et des conseils de lecture. Destiné principalement aux enseignants et aux élèves, il facilite la méthodologie, la correction des copies et l'utilisation du numérique en philosophie.

Composer est un modèle multimodal de langage (MLLM) conçu pour améliorer la transparence et la fiabilité des systèmes d'intelligence artificielle. Il utilise des proxy-tokens appris pour établir un lien sémantique entre les caractéristiques visuelles et les réponses textuelles, permettant une interprétation plus fidèle des données visuelles. Le projet inclut également un jeu de données, ComposerGCoT, pour évaluer la cohérence du raisonnement et la précision de l'ancrage visuel, offrant ainsi une approche innovante pour des modèles d'IA plus explicables et dignes de confiance.