Maxor Ground
Attrapez l'hallucination avant vos utilisateurs.
Maxor Ground est un pare-feu déterministe contre les hallucinations. Il se place entre n'importe quel modèle de langage et ce qui vient ensuite — vos utilisateurs, votre pipeline, votre dossier de recherche — et contrôle chaque réponse avant qu'elle ne parte. Trois vérifications indépendantes de notre invention, toutes fondées sur la théorie de l'information : sans données d'entraînement, sans classificateur ML qui dérive, sans boîte noire. Juste des calculs défendables que vous pouvez auditer, sur un verdict que vous pouvez recontrôler vous-même.
Disponibilité — Interne
Ground n'est pas vendu. Il tourne à l'intérieur des systèmes Maxor qui mettent un modèle devant une personne — vous l'avez parce que vous utilisez Heisen ou Maxor Connect, jamais comme une ligne sur une soumission. Cette page le documente parce que vous avez le droit de savoir ce qui vérifie les réponses qu'on vous donne.
3
Vérifications indépendantes, sur chaque réponse
0
Donnée d'entraînement — rien à empoisonner ni ré-entraîner
100 %
Auditable — recontrôlez chaque verdict vous-même
Nuage → Airgap
Tourne là où vivent vos données
Un pare-feu, pas une impression.
Les modèles de langage sont fluides par défaut et corrects seulement parfois — et la réponse fluide-mais-fausse est la dangereuse, parce qu'elle se lit exactement comme la bonne. Ground se place devant cette sortie et mesure si elle est réellement ancrée dans la source que vous avez fournie. Le contrôle est déterministe : la même réponse face au même contexte obtient toujours le même verdict. Rien n'est appris, donc rien ne dérive et rien ne peut être empoisonné. Les mauvaises réponses sont bloquées ou renvoyées pour révision avant que quiconque en aval ne les voie.
Envelopper. Contrôler. Décider.
Placez Ground entre votre modèle et vos utilisateurs. Une intégration ; un verdict à chaque appel.
01 — Envelopper
Placez Ground devant n'importe quel modèle — OpenAI, Anthropic, un moteur Heisen local, n'importe lequel. Donnez-lui la réponse plus la source dont la réponse était censée provenir. Aucun ré-entraînement, aucun accès au modèle requis.
02 — Contrôler
Trois vérifications indépendantes tournent en parallèle face à la source : la réponse est-elle ancrée, est-elle bien novatrice, et chaque affirmation factuelle est-elle réellement appuyée. Calculs déterministes — pas de classificateur, pas de données d'entraînement.
03 — Décider
Recevez un verdict : passer, bloquer, ou renvoyer-pour-révision — avec la vérification exacte qui a échoué et pourquoi. Vous câblez la politique : barrière silencieuse, revue humaine, ou nouvel essai automatique du modèle.
Trois angles sur la même question.
Chaque vérification est indépendante et mesure un mode de défaillance différent. Une réponse ne passe que lorsque les trois s'accordent — et chacune peut expliquer son propre verdict en chiffres que vous pouvez reproduire.
Ancrage
La réponse découle-t-elle réellement de la source fournie — ou le modèle l'a-t-il inventée ? Nous mesurons quelle part de la sortie est ancrée dans le contexte plutôt que confabulée de son propre chef.
Distance de compression
La réponse est-elle une répétition verbatim de la source (sans valeur, et un risque de fuite) ou détachée d'elle (une hallucination) ? Seule la bande médiane, ancrée mais utile, passe — mesurée, pas devinée.
Vérification des affirmations
Chaque affirmation factuelle de la réponse est contrôlée face à la source avant qu'elle ne parte. Une affirmation que la source n'appuie pas est signalée avec la phrase exacte en cause.
Déterministe, honnête, vérifiable.
Conçu pour être contrôlé, pas cru sur parole — et pour s'insérer dans la pile que vous exploitez déjà.
Déterministe, pas un classificateur
Même réponse, même source, même verdict — à chaque fois. Aucun modèle à entraîner, donc rien qui dérive, rien à empoisonner, et rien à justifier quand c'est faux.
Trois vérifications indépendantes
Ancrage, distance de compression et vérification des affirmations tournent en parallèle — trois angles différents de notre invention, pour qu'une défaillance ratée par une vérification soit attrapée par une autre.
Pare-feu prêt-à-brancher
Indépendant du modèle et du fournisseur. Enveloppez n'importe quel LLM, n'importe quel pipeline RAG, n'importe quelle boucle d'agent — Ground n'a besoin que de la réponse et de la source, pas d'un accès au modèle.
Apportez votre propre vérificateur
Ne faites pas confiance au verdict — reproduisez-le. Les calculs sont ouverts : recontrôlez n'importe quelle décision vous-même, sur votre propre infrastructure, et obtenez le même chiffre.
Chaque blocage est expliqué
Une réponse bloquée indique toujours quelle vérification a échoué et sur quelle phrase — exploitable pour un réviseur humain, analysable pour une boucle de nouvel essai.
Sans données d'entraînement, sans télémétrie
Rien d'appris, rien de journalisé hors site par défaut. Tout le contrôle tourne là où vivent vos données — y compris entièrement en airgap.
Les défaillances qui partent comme des faits.
Chacune se lit comme une bonne réponse. Ground mesure la défaillance directement, donc une variante toute neuve déclenche la même vérification — aucune liste de signatures à tenir à jour.
Confabulation
Faits, chiffres et citations inventés par le modèle qui n'apparaissent nulle part dans la source — l'hallucination classique, attrapée avant qu'elle ne parte.
Affirmations non ancrées
Des assertions que le contexte fourni n'appuie tout simplement pas — plausibles, fluides, et sans fondement.
Citations brisées
Des affirmations attribuées à une source qui ne le dit pas réellement — la note de bas de page qui ne tient pas.
Répétition & fuite
Régurgitation verbatim de la source qui n'ajoute rien et peut laisser fuir du matériel que vous ne vouliez jamais exposer.
Erreur confiante
Une réponse fluide et autoritaire sans aucun fondement factuel — la sortie la plus dangereuse, parce qu'elle se lit comme la bonne.
Dérive de contexte
Des réponses qui commencent ancrées et s'éloignent de la source en cours de route, glissant des affirmations non appuyées dans une ouverture crédible.
Hébergé, ou entièrement dans votre périmètre.
Démarrez dans le nuage ; rapatriez-le à l'interne quand votre revue de sécurité — ou votre règle de résidence des données — l'exige.
Infonuagique
Entièrement géré sur une infrastructure à résidence canadienne. La façon la plus rapide de mettre un pare-feu devant votre modèle — rien à provisionner.
Sur site
Exécutez le moteur dans votre propre environnement pour les déploiements Entreprise — vos clés, votre infrastructure, votre plan de contrôle. Les réponses ne quittent jamais votre réseau.
Airgap
Entièrement déconnecté pour le travail le plus sensible. Pas de télémétrie, pas d'appel sortant — le contrôle tourne là où vivent les données, parce que les calculs n'ont pas besoin d'Internet.
Les dossiers de recherche comme les réponses en production.
Quiconque expédie une sortie de modèle de langage qui doit être juste — qu'elle aille à un client, à un régulateur, ou dans le dossier scientifique.
Une même philosophie déterministe, dans toute la suite.
Ground partage la posture Maxor : des calculs déterministes plutôt que des modèles boîte-noire, du vérifiable plutôt que du faites-nous-confiance, déployable en souveraineté par défaut. C'est le pare-feu qui se tient aux côtés de Heisen et Maxor Audit dans le substrat de preuves derrière chaque surface Maxor.
Explorer la suite MaxorDisponibilité
Interne
Statut
🟡 Foundation
Déploiement
Infonuagique · Sur site · Airgap
Propriétaire
Maxor Global LLC
Ground ne s'achète pas. Il vient avec.
Pas de licence, pas de module, pas de vente incitative — Ground se tient derrière chaque plateforme Maxor qui répond à une question, et c'est la seule façon dont il est livré. Si vous voulez comprendre ce qu'il vérifie avant de faire confiance à une réponse, demandez : on vous explique la mathématique. Cette conversation n'est pas un appel de vente et on n'en fera pas un.
Maxor Ground, en clair
Maxor Ground est un pare-feu anti-hallucination déterministe — il attrape les mauvaises sorties d'un LLM avant qu'elles n'atteignent vos utilisateurs. Il exécute trois vérifications indépendantes d'invention Maxor, avec des mathématiques défendables que vous pouvez auditer, plutôt qu'un autre classificateur ML qu'il faut entraîner et croire sur parole.
Ground mesure si la réponse d'un modèle est réellement appuyée par ses entrées. Quand les trois vérifications indépendantes contredisent l'affirmation, il signale la sortie comme probablement fabriquée — avant qu'elle ne parte — pour qu'une réponse confiante-mais-fausse soit attrapée à la frontière, pas par votre utilisateur.
Un filtre ML est lui-même un modèle qui note « à quel point c'est une hallucination » et dérive avec le temps. Les vérifications de Ground sont des mathématiques déterministes — la même entrée donne le même verdict à chaque exécution, avec une raison que vous pouvez auditer. Aucun classificateur à ré-entraîner, aucune boîte noire.
Entre votre LLM et vos utilisateurs : n'importe quel agent ou application peut envelopper sa sortie de modèle dans Ground avant qu'elle soit affichée ou utilisée. Il s'exécute en ligne, en temps réel — le pare-feu ajoute une vérification, pas une étape dans votre flux.
Oui — le déploiement est hybride : en infonuagique ou sur votre propre matériel. Parce que les vérifications sont déterministes et autonomes, elles s'exécutent de façon identique partout où elles sont déployées, sans aucun appel à un modèle externe.