Tri automatique du dépôt OpenClaw à l’aide de modèles d’IA locaux
Hugging Face
Google/DeepMind
DeepSeek
Anthropic
Les auteurs du blog Hugging Face ont montré comment utiliser les modèles locaux Gemma et Qwen dans une configuration agentique pour trier les problèmes et les pull requests du dépôt OpenClaw en temps réel. Le système utilise un agent Pi en lecture seule et notifie via Discord, ce qui est moins coûteux que les modèles fermés comme Claude ou GPT-5. Des tests sur 330 exemples ont montré que Qwen est plus précis, tandis que Gemma est plus rapide, et les deux éliminent pratiquement les faux positifs.
Les auteurs du blog Hugging Face ont expliqué comment ils ont construit un système de tri en temps réel des tâches et des pull requests (PR) pour le dépôt OpenClaw, en utilisant les modèles open-weight locaux Gemma 4 26B et Qwen 3.6 35B dans un framework agent Pi. L'idée est née après qu'Anthropic a supprimé son dernier modèle Claude Fable 5, confirmant que les modèles fermés peuvent disparaître à tout moment. Le système fonctionne sur un NVIDIA GB10 local avec 128 Go de mémoire unifiée. Pour la classification, un agent reçoit le titre, le corps et un extrait de la PR, et ne peut exécuter que des commandes en lecture seule via reposhell (un bash restreint) ou appeler un JSON final avec le résultat. Cela protège contre les injections de prompt. L'orchestration est construite sur gitcrawl pour le miroir local et localpager pour la file d'attente des tâches. Les tests sur 330 issues et PR ont montré que Gemma atteint un F1 de 0,800 avec un temps de 1,41 s/ligne et 402,6 tokens de sortie/seconde, Qwen un F1 de 0,824 avec 13,51 s/ligne et 145,3 tokens/s, tandis que DeepSeek-V4-Flash (284B) obtient un F1 de 0,811 mais 144 s/ligne. Les faux positifs sont de 227 pour Gemma, 106 pour Qwen et 30 pour DeepSeek. Les auteurs notent que la précision est améliorée grâce à la quantification NVFP4 sur Blackwell et aux optimisations de vLLM, et que le coût se réduit à l'électricité.
Source: Hugging Face blog —
original