Love Letter est un jeu de cartes stratégique où les joueurs s'affrontent pour être le dernier survivant. Le projet inclut un noyau de jeu robuste, une interface graphique moderne et une intelligence artificielle intégrée. Les joueurs peuvent choisir entre des parties en mode humain ou contre l'IA, avec des règles personnalisables via des extensions. L'interface utilise Qt/QML pour une expérience utilisateur fluide et dynamique.

Sneaky Snake est une réinterprétation moderne du jeu Snake classique, proposant quatre modes de jeu distincts : basique, arcade, arcade multijoueur et arcade contre IA. Le jeu inclut des mécaniques de bonus et malus, des terrains variés et des effets spéciaux comme des téléporteurs. Les joueurs doivent survivre le plus longtemps possible tout en maximisant leur score.

SoccerGen est un cadre de travail innovant conçu pour générer des images de matchs de football avec un contrôle spatial fin. Il permet de positionner précisément les joueurs, le ballon et les éléments du terrain, tout en ajustant les couleurs des maillots. Ce projet facilite la création de données synthétiques pour l'entraînement de modèles d'IA, la production de contenus visuels pour le divertissement ou la publicité, et l'amélioration de la précision des modèles de génération d'images appliqués au sport.

Outil de sécurité pour les environnements de développement utilisant l'IA locale. Il analyse et valide les commandes shell avant leur exécution via un modèle d'IA léger hébergé en local (Ollama). Il bloque les actions dangereuses ou les fuites de données sensibles tout en permettant une automatisation contrôlée. Idéal pour les équipes utilisant des agents IA comme Claude Code.

Cette bibliothèque Java permet aux applications utilisant LangChain4j de se connecter à la plateforme Lutece AI. Elle facilite l'intégration de modèles d'IA (chat, streaming, embeddings) via une API centralisée, offrant une gouvernance unifiée, des quotas contrôlés et une observabilité renforcée. Idéale pour les développeurs souhaitant standardiser leurs interactions avec les services d'IA tout en bénéficiant d'une gestion simplifiée des appels API.

Ce projet permet d'analyser et de comparer des métriques de qualité de code entre des implémentations générées par IA et des implémentations humaines. Il étudie des indicateurs comme le BLEU, CodeBLEU, ROUGE, METEOR et ChrF pour évaluer la pertinence des métriques existantes. Les résultats sont basés sur des expériences contrôlées et des protocoles rigoureux pour distinguer les performances des modèles et la qualité du code produit.

Ce projet est une plateforme de test et d'exploration dédiée à l'API Albert, une intelligence artificielle souveraine française développée par Etalab. Il propose des implémentations en Python et TypeScript ainsi que des exemples concrets pour faciliter l'intégration des développeurs. L'outil permet de manipuler des modèles d'IA, de générer des embeddings, de transcrire des audios, d'analyser des documents et de gérer des collections de données. Il sert de passerelle pour découvrir et utiliser les capacités de l'API Albert dans un environnement sécurisé et contrôlé.

Ce projet développe des réseaux de neurones artificiels homogènes pour étudier et simuler des architectures neuronales complexes. Il vise à améliorer la compréhension des mécanismes d'apprentissage et d'adaptation dans les systèmes intelligents. Les applications potentielles incluent la robotique, l'analyse de données et la modélisation cognitive. Le code est open source et collaboratif, permettant aux chercheurs et développeurs d'expérimenter et de contribuer aux avancées en IA.

LocalColabFold est une solution qui permet d'exécuter ColabFold, un outil de prédiction de structures protéiques basé sur l'IA, directement sur une machine locale. Il facilite l'accès aux capacités de modélisation moléculaire sans dépendre du cloud, réduisant ainsi les coûts et les contraintes de calcul. Idéal pour les chercheurs et biologistes souhaitant analyser des séquences protéiques rapidement et de manière autonome.

Outil open source développé pour la fonction publique française afin d'estimer précisément les ressources GPU nécessaires au déploiement à grande échelle de modèles de langage (LLM). Il permet aux administrations de dimensionner leur infrastructure IA en fonction du nombre d'utilisateurs, des performances attendues et des contraintes techniques, avec une marge d'erreur inférieure à 10% pour des modèles allant de 8 à 27 milliards de paramètres. L'outil facilite la comparaison entre solutions commerciales et auto-hébergées tout en garantissant une approche reproductible et transparente.