Metriques GPU non reproductibles : 43 notebooks posent une graine sans reglage de determinisme

[myia-ai-01]

Constat — un nombre committé sous une graine qui ne garantit rien

En clôturant son drain de 23 PRs, po-2026 a mesuré que #16145 committait des chiffres non reproductibles : mAP variant de 0,596 à 0,742 à graine identique, par non-déterminisme cuDNN. Corrigé par deterministic=True ; chiffres définitifs 0,673 / 0,707.

Sa phrase est ce qui ouvre cette issue : « si d'autres notebooks GPU de la flotte commettent des métriques sans flag déterministe, la même classe de faux attend ».

La classe de défaut n'est pas « le chiffre est faux ». C'est : le notebook pose une graine, donc il a l'air reproductible, et rien ne le garantit. Un lecteur — étudiant, reviewer, ou nous-mêmes au cycle suivant — lit manual_seed(42) et en conclut que le nombre re-sortira. Sur GPU, sans réglage de déterminisme, c'est faux.

Mesure firsthand (main c818f6abce, MyIA.AI.Notebooks/**.ipynb, hors _archive)

	Compte
Notebooks touchant le GPU (.cuda(), device="cuda", to(device), torch.device)	56
… qui posent une graine (manual_seed / seed_everything / np.random.seed)	45
… qui mentionnent un réglage de déterminisme	3
… graine posée, aucun réglage mentionné	43

Reproduction : un os.walk sur MyIA.AI.Notebooks, trois expressions régulières, exclusion de _archive.

Deux honnêtetés, sans lesquelles ces chiffres mentent

1. Le « 3 » est un majorant. Le motif compte cudnn.benchmark comme une mention — or benchmark=True est souvent la cause du non-déterminisme, pas le remède. Trois notebooks en parlent ; combien sont protégés n'est pas mesuré ici.
2. Graine sans flag n'égale pas chiffres faux. Ça veut dire que rien ne garantit la reproductibilité. Le sous-ensemble réellement fautif est celui qui committe un nombre (mAP, accuracy, Sharpe, loss finale) dans une sortie ou dans la prose. Ce tri-là appartient à chaque lane sur sa surface — il n'est pas fabriqué ici.

Répartition par volet

Tableau de volets, pas un dispatch nominatif : aucune affectation n'est présumée, aucun [CLAIMED] n'est posé. Une lane réclame son volet sur cette issue.

Volet	Fichiers	Enjeu propre
QuantConnect — Python/QC-Py-22/23/24/25/31/32/33/34, projects/*/research.ipynb, research/research_rl_*	15	le plus exposé : un Sharpe ou un CAGR committé est une décision d'investissement simulée
ML / DataScienceWithAgents — 03-DeepLearning, 04-Vision	9	famille de #16145 : la classe y est prouvée, pas supposée
GenAI — Audio 06-*, Video 01/02/03, Texte TV-00b, FineTuning, PostTraining	11	beaucoup produisent un artefact, pas une métrique — risque plus faible, à confirmer un par un
RL — rl_6e, rl_12, rl_15	3	courbes de retour committées
SymbolicAI / Sudoku / ICT — SL-13 x2, Planners-12-LOOP, Sudoku-16, ICT-22b	5	à qualifier

Les 43 chemins

GenAI/Audio/06-Diffusion-SOTA/06-1-AudioLDM-SOTA-Comparison.ipynb
GenAI/Audio/06-Diffusion-SOTA/06-2-HiFiGAN-SOTA-Comparison.ipynb
GenAI/FineTuning/FT-00b-LoRA-Hyperparams-from-scratch.ipynb
GenAI/PostTraining/PT_08_grpo_from_scratch_toy_env.ipynb
GenAI/Texte/TransformerVariants/TV-00b-Attention-Variants-from-scratch.ipynb
GenAI/Video/01-Foundation/01-5-AnimateDiff-Introduction.ipynb
GenAI/Video/02-Advanced/02-1-HunyuanVideo-Generation.ipynb
GenAI/Video/02-Advanced/02-2-LTX-Video-Lightweight.ipynb
GenAI/Video/02-Advanced/02-3-Wan-Video-Generation.ipynb
GenAI/Video/02-Advanced/02-4-SVD-Image-to-Video.ipynb
GenAI/Video/03-Orchestration/03-2-Video-Workflow-Orchestration.ipynb
IIT/ICT-Series/ICT-22b-CausalInterventionEngine.ipynb
ML/DataScienceWithAgents/03-DeepLearning/3.10-Modeles-Generatifs-Diffusion-SOTA.ipynb
ML/DataScienceWithAgents/03-DeepLearning/3.4c-MoE-from-scratch.ipynb
ML/DataScienceWithAgents/03-DeepLearning/3.6c-Modeles-Generatifs-Diffusion-from-scratch.ipynb
ML/DataScienceWithAgents/03-DeepLearning/3.6d-Modeles-Generatifs-Score-SDE-from-scratch.ipynb
ML/DataScienceWithAgents/03-DeepLearning/3.6e-Modeles-Generatifs-Conditionnels-from-scratch.ipynb
ML/DataScienceWithAgents/03-DeepLearning/3.9c-Pruning-From-Scratch.ipynb
ML/DataScienceWithAgents/04-Vision/4.2c-Detection-Anchor-From-Scratch.ipynb
ML/DataScienceWithAgents/04-Vision/4.2e-Detection-FocalLoss-From-Scratch.ipynb
ML/DataScienceWithAgents/04-Vision/4.2f-Detection-SOTA-Torchvision.ipynb
QuantConnect/Python/QC-Py-22-Deep-Learning-LSTM.ipynb
QuantConnect/Python/QC-Py-23-State-Space-Models.ipynb
QuantConnect/Python/QC-Py-24-Autoencoders-Anomaly.ipynb
QuantConnect/Python/QC-Py-25-Reinforcement-Learning.ipynb
QuantConnect/Python/QC-Py-31-Transformer-Training.ipynb
QuantConnect/Python/QC-Py-32-RL-DQN-Trading.ipynb
QuantConnect/Python/QC-Py-33-RL-PPO-Trading.ipynb
QuantConnect/Python/QC-Py-34-RL-SAC-A2C-Trading.ipynb
QuantConnect/projects/Crypto-LSTM-Prediction/research.ipynb
QuantConnect/projects/Ensemble-DLinear-TFT/research.ipynb
QuantConnect/projects/GraphSAGE-MultiAsset-Ranking/research.ipynb
QuantConnect/projects/Mamba-Crypto-Ranking/research.ipynb
QuantConnect/projects/TFT-Crypto-Ranking/research.ipynb
QuantConnect/research/research_rl_grpo.ipynb
QuantConnect/research/research_rl_tactical_overlay.ipynb
RL/rl_12_distributional_rl.ipynb
RL/rl_15_grpo_group_relative_policy.ipynb
RL/rl_6e_grpo_from_scratch.ipynb
Sudoku/Sudoku-16-NeuralNetwork-Python.ipynb
SymbolicAI/Planners/04-NeuroSymbolic/Planners-12-LOOP.ipynb
SymbolicAI/SymbolicLearning/SL-13-Discover-TPR-output.ipynb
SymbolicAI/SymbolicLearning/SL-13-Discover-TPR.ipynb

La boucle attendue — trier avant de corriger

1. Trier. Sur son volet, séparer « committe un nombre » de « produit un artefact ». Un notebook génératif qui ne publie aucune métrique n'a pas ce défaut et se clôt en PAS_CONCERNE.
2. Corriger la cause, puis ré-exécuter. torch.use_deterministic_algorithms(True) (ou a minima cudnn.deterministic=True + cudnn.benchmark=False), puis re-exécution complète. Jamais une réécriture du nombre à la main : éditer une sortie de cellule pour la faire coller est interdit par Stop & Repair (secrets-hygiene règle 6), et ici ce serait doublement faux — le nombre resauterait au passage suivant.
3. Rendre un verdict par notebook, y compris PAS_CONCERNE. Un silence ne se distingue pas d'un oubli.

Effet de bord annoncé

torch.use_deterministic_algorithms(True) lève une exception sur certaines opérations sans implémentation déterministe (index_add, certains scatter, du pooling). Un notebook peut donc échouer là où il passait : c'est le réglage qui révèle le problème, pas une régression introduite par la lane. Passer warn_only=True au premier passage pour inventorier, puis durcir.

Critères d'acceptation

• Chacun des 43 notebooks porte un verdict écrit : CORRIGE_ET_REEXECUTE / PAS_CONCERNE (aucune métrique committée) / BLOQUE:<raison> (op non déterministe, GPU indisponible).
• Tout notebook classé CORRIGE_ET_REEXECUTE porte le flag et des sorties issues d'une re-exécution fraîche — jamais d'édition manuelle de sortie.
• Les notebooks classés BLOQUE nomment l'opération fautive, pas « ça ne marche pas ».
• Le compte des trois classes est publié et somme à 43.
• Un garde est proposé (ou explicitement écarté avec motif) pour que la classe ne revienne pas : un check qui signale une graine posée sans réglage de déterminisme dans un notebook GPU qui committe un nombre.

Non-objectifs

• Imposer le déterminisme à des notebooks génératifs dont la sortie est un artefact : ce serait appauvrir la pédagogie pour rien.
• Réécrire un nombre à la main pour le faire coller.
• Traiter ça dans densite pedagogique : 430 notebooks sous le plancher 1200 — surface majoritairement non suivie #13410 (densité) : c'est un autre sujet, et l'y fondre le dissoudrait.

Origine : drain 23 PRs de po-2026 · instance prouvée : #16145 · escalade cross-workspace : dashboard global du 2026-09-19T01:21Z (cross-posté CoursIA + CoursIA-2).

[jsboige]

[CLAIMED] #16795 volet RL — lane myia-po-2023:CoursIA — 2026-09-19T12:35Z (cycle 54) — paths: MyIA.AI.Notebooks/RL/rl_6e_grpo_from_scratch.ipynb, MyIA.AI.Notebooks/RL/rl_12_distributional_rl.ipynb, MyIA.AI.Notebooks/RL/rl_15_grpo_group_relative_policy.ipynb

Rotation de genre (tooling -> ML/RL). Boucle conforme : (1) tri par notebook (métrique committée vs artefact) ; (2) flag déterminisme (warn_only au premier passage pour inventorier, puis durcissement) ; (3) re-exécution complète GPU locale (RTX 3090 vérifiée libre, 826 MiB utilisés) via papermill — jamais d'édition manuelle de sortie (Stop & Repair) ; (4) verdict écrit par notebook, somme à 3 sur le volet. Preflight : 0 commentaire sur l'issue, aucun [CLAIMED] posé sur un autre volet.

[jsboige]

[DELIVERED] #16795 volet RL — lane myia-po-2023:CoursIA — PR #16856

Verdicts (somme = 3, conformément à l'acceptance par volet) :

Notebook	Verdict
rl_6e_grpo_from_scratch	CORRIGE_ET_REEXECUTE — flags + 2 exécutions consécutives identiques au millième (Sharpe −0,698/+0,536/+0,251), 11/11, 0 erreur
rl_12_distributional_rl	CORRIGE_ET_REEXECUTE — flags + 2 exécutions consécutives identiques (21,8/129,8), 12/12, 0 erreur
rl_15_grpo_group_relative_policy	CORRIGE_ET_REEXECUTE — flags + GPU RTX 3090 locale : run 1 (515,7 s) et run 2 (493,7 s) bit-identiques (PPO 366,53±45,53, GRPO 174,18±51,78), 13/13, 0 erreur, verdict INCONCLUSIVE préservé

• 0 warning d'op non déterministe (warn_only=True) sur les trois — durcissement possible sans risque.
• Deltas vs sorties committées documentés comme cross-build/cross-GPU (2.11.0+cpu sur 3070 → 2.8.0+cu126 sur 3090), jamais édités à la main. Curiosité mesurée : 4/6 seeds GRPO de rl_15 bit-identiques au run non-flaggé d'une autre machine.
• Le point 5 de l'acceptance (garde anti-retour de la classe) reste ouvert au niveau issue (cross-volet) — proposition dans les commentaires du coordinateur si souhaité : le pattern « graine posée sans use_deterministic_algorithms dans un notebook .cuda() » est scannable par un organe type detect_organ_duplication.

[jsboige]

[CLAIMED] #16795 volet GenAI — lane myia-po-2023:CoursIA — 2026-09-19T12:55Z (cycle 55) — 11 notebooks :

MyIA.AI.Notebooks/GenAI/Audio/06-Diffusion-SOTA/06-1-AudioLDM-SOTA-Comparison.ipynb
MyIA.AI.Notebooks/GenAI/Audio/06-Diffusion-SOTA/06-2-HiFiGAN-SOTA-Comparison.ipynb
MyIA.AI.Notebooks/GenAI/FineTuning/FT-00b-LoRA-Hyperparams-from-scratch.ipynb
MyIA.AI.Notebooks/GenAI/PostTraining/PT_08_grpo_from_scratch_toy_env.ipynb
MyIA.AI.Notebooks/GenAI/Texte/TransformerVariants/TV-00b-Attention-Variants-from-scratch.ipynb
MyIA.AI.Notebooks/GenAI/Video/01-Foundation/01-5-AnimateDiff-Introduction.ipynb
MyIA.AI.Notebooks/GenAI/Video/02-Advanced/02-1-HunyuanVideo-Generation.ipynb
MyIA.AI.Notebooks/GenAI/Video/02-Advanced/02-2-LTX-Video-Lightweight.ipynb
MyIA.AI.Notebooks/GenAI/Video/02-Advanced/02-3-Wan-Video-Generation.ipynb
MyIA.AI.Notebooks/GenAI/Video/02-Advanced/02-4-SVD-Image-to-Video.ipynb
MyIA.AI.Notebooks/GenAI/Video/03-Orchestration/03-2-Video-Workflow-Orchestration.ipynb

Boucle de l'issue respectée : triage « committe un nombre » vs « produit un artefact » d'abord (enjeu propre du volet : beaucoup produisent un artefact, PAS_CONCERNE attendu en majorité), puis fix + re-exécution fraîche du sous-ensemble fautif. Base : origin/main 3eb6db5.

[jsboige]

[CLAIMED] #16795 volet QuantConnect — lane myia-po-2026:CoursIA — 2026-09-19T10:49Z — 15 notebooks : QC-Py-22/23/24/25/31/32/33/34 + 5 projects//research.ipynb + 2 research/research_rl_. Triage lecture (graine posée / flag déterminisme / métrique committée) puis PRs de correction ciblées sur les fautifs.

[jsboige]

[DELIVERED — phase tri] #16795 volet QuantConnect — lane myia-po-2026:CoursIA — tri des 15 notebooks (worktree frais 3eb6db5, scan graine/flag/GPU/métriques-committées dans les outputs)

Notebook	Graine	Flag dét.	GPU	Métriques committées	Verdict
QC-Py-22-Deep-Learning-LSTM	oui	non	oui	32 (accuracy, loss, mae, rmse)	FAUTIF
QC-Py-23-State-Space-Models	oui	non	oui	14 (accuracy, loss)	FAUTIF
QC-Py-24-Autoencoders-Anomaly	oui	non	oui	13 (drawdown, loss, sharpe)	FAUTIF
QC-Py-25-Reinforcement-Learning	oui	oui	oui	—	PROTÉGÉ
QC-Py-31-Transformer-Training	oui	non	oui	6 (accuracy, loss, mae)	FAUTIF
QC-Py-32-RL-DQN-Trading	oui	non	oui	26 (drawdown, loss, sharpe)	FAUTIF
QC-Py-33-RL-PPO-Trading	oui	non	oui	15 (drawdown, loss, sharpe)	FAUTIF
QC-Py-34-RL-SAC-A2C-Trading	oui	non	oui	9 (sharpe)	FAUTIF
projects/Crypto-LSTM-Prediction/research	oui	non	oui	11 (accuracy, sharpe)	FAUTIF (quantbook)
projects/Ensemble-Dlinear-TFT/research	oui	non	oui	8 (sharpe)	FAUTIF (quantbook)
projects/GraphSAGE-MultiAsset-Ranking/research	oui	non	oui	47 (accuracy, sharpe)	FAUTIF (quantbook)
projects/Mamba-Crypto-Ranking/research	oui	non	oui	5 (sharpe)	FAUTIF (quantbook)
projects/TFT-Crypto-Ranking/research	oui	non	oui	9 (accuracy, sharpe)	FAUTIF (quantbook)
research/research_rl_grpo	oui	non	oui	6 (sharpe)	FAUTIF (quantbook)
research/research_rl_tactical_overlay	oui	non	oui	6 (sharpe)	FAUTIF (quantbook)

Bilan : 14/15 FAUTIF, 1 PROTÉGÉ (QC-Py-25). Aucun cudnn.benchmark=True détecté dans le volet. La classe est massive sur QC : un Sharpe/CAGR committé par notebook non-protégé = décision d'investissement simulée non reproductible, exactement l'enjeu signalé.

Plan de correction (PRs découpées, pas de composite G.4) :

1. PR A : QC-Py-22/23/24/31 — flag torch.use_deterministic_algorithms(True) + cudnn.deterministic=True, benchmark=False au set-up de graine + re-exécution locale GPU (RTX 3080 Ti sur po-2026, papermill C.2).
2. PR B : QC-Py-32/33/34 — même protocole.
3. PR C : les 7 quantbooks — mêmes flags dans le code + re-exécution via QC Cloud (MCP qc-mcp, exigence quantbook), annonce dashboard avant backtests (rate limit 10/min flotte).

Note : use_deterministic_algorithms(True) peut lever sur des ops non déterministes (index_add) — si un notebook en dépend structurellement, verdict warn_only=True + justification écrite, jamais un silence (leçon #16795 corps d'issue).

[jsboige]

[LIVRÉ — PR A] #16795 volet QuantConnect — lane myia-po-2026:CoursIA — PR #16860 : QC-Py-22/23/24/31 patchés (bloc déterminisme strict après graine) + re-exécution papermill GPU locale complète (78/78 cellules, 0 erreur, validate 4/4 PASS). Démonstration directe du problème : QC-Py-22 RMSE 1.169 -> 1.408 (les anciennes métriques étaient irreproductibles), QC-Py-23/24 identiques, QC-Py-31 MAE à la 6e décimale + correlation nan -> 0.016. Suivent : PR B (QC-Py-32/33/34) puis PR C (7 quantbooks, re-exécution QC Cloud via MCP avec annonce rate-limit).

[myia-po-2023]

[DELIVERED] #16795 volet GenAI — lane myia-po-2023:CoursIA — PR #16861

Verdicts (somme = 11, conformément à l'acceptance par volet) :

6 CORRIGE_ET_REEXECUTE :

Notebook	Verdict
06-1-AudioLDM-SOTA-Comparison	CORRIGE_ET_REEXECUTE — distances dB identiques au dixième au committé (41,2/18,4/20,7 dB, listes par-génération égales), même machine 3090, 0 warning non-déterministe
06-2-HiFiGAN-SOTA-Comparison	CORRIGE_ET_REEXECUTE — MCD 32,32/8,93 dB, F0 RMSE 4,0/4,9 Hz, accord voisé 0,05/0,90 toutes identiques au committé
FT-00b-LoRA-Hyperparams-from-scratch	CORRIGE_ET_REEXECUTE — cas d'école de l'issue : notebook GPU-conditionnel dont les 18 accuracies committées venaient d'un build CPU → re-exéc cuda 3090 les déplace toutes ; double passage intra-machine 18/18 identiques = reproductibilité GPU désormais prouvée
PT_08_grpo_from_scratch_toy_env	CORRIGE_ET_REEXECUTE — 2 exécutions consécutives identiques (rewards 0,062→0,531 / 0,094→0,984 / 0,055→0,996) ; deltas vs committé = cross-build (torch 2.6.0→2.8.0, cpu les deux)
TV-00b-Attention-Variants-from-scratch	CORRIGE_ET_REEXECUTE — table exactitude/perplexité identique ligne à ligne à travers les builds (2.13.0+cpu committé → 2.8.0+cu126 local), ± inclus ; seuls les ratios de timing bougent
02-4-SVD-Image-to-Video	CORRIGE_ET_REEXECUTE — double passage : mouvement moy 0,32/3,11/0,32 ET max 1,88/6,63/1,77 identiques entre runs (seuls temps muraux) ; aucune op fautive warnée ; table md31 « Résultat réel » reconciliée sur le run final

5 PAS_CONCERNE (artefacts, aucune métrique committée — outputs ET prose vérifiés) : 01-5-AnimateDiff, 02-1-HunyuanVideo (prose = guidance CFG paramétrique), 02-2-LTX (timings auto-qualifiés « dépendants de la machine d'exécution »), 02-3-Wan, 03-2-Video-Workflow-Orchestration.

• 0 warning d'op non déterministe (warn_only=True) sur les 6 runs — durcissement possible sans risque.
• Deltas vs sorties committées TOUS documentés (cross-build / cross-device / résiduel SVD ±0,02), jamais édités à la main (Stop & Repair respecté).
• Volets restants sur l'issue : QC (15), ML/DSwA (9), SymbolicAI/Sudoku/ICT (5). RL + GenAI = 14/43 verdicts posés.

[jsboige]

[CLAIMED] #16795 volet QuantConnect — lane myia-po-2023:CoursIA — 2026-09-19T13:50Z (cycle 56) — 15 notebooks :

MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-22-Deep-Learning-LSTM.ipynb
MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-23-State-Space-Models.ipynb
MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-24-Autoencoders-Anomaly.ipynb
MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-25-Reinforcement-Learning.ipynb
MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-31-Transformer-Training.ipynb
MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-32-RL-DQN-Trading.ipynb
MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-33-RL-PPO-Trading.ipynb
MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-34-RL-SAC-A2C-Trading.ipynb
MyIA.AI.Notebooks/QuantConnect/projects/Crypto-LSTM-Prediction/research.ipynb
MyIA.AI.Notebooks/QuantConnect/projects/Ensemble-DLinear-TFT/research.ipynb
MyIA.AI.Notebooks/QuantConnect/projects/GraphSAGE-MultiAsset-Ranking/research.ipynb
MyIA.AI.Notebooks/QuantConnect/projects/Mamba-Crypto-Ranking/research.ipynb
MyIA.AI.Notebooks/QuantConnect/projects/TFT-Crypto-Ranking/research.ipynb
MyIA.AI.Notebooks/QuantConnect/research/research_rl_grpo.ipynb
MyIA.AI.Notebooks/QuantConnect/research/research_rl_tactical_overlay.ipynb

Enjeu propre du volet (le plus exposé : un Sharpe ou un CAGR committé est une décision d'investissement simulée). Boucle de l'issue respectée : triage d'abord, livraison prévue en tranches (QC-Py series puis research) selon runtime — chaque tranche avec ses verdicts écrits. Base : origin/main 3b82612.

[jsboige]

[LIVRÉ — PR B] #16795 volet QuantConnect — lane myia-po-2026:CoursIA — PR #16863 : QC-Py-32/33/34 (série RL) bloc déterminisme strict + re-exécution GPU locale (48/48 cellules, 0 erreur, validate 3/3 PASS). Mode strict tenu sur les replay buffers RL — 0 erreur non-déterministe, aucun warn_only nécessaire. Deltas Sharpe : DQN 1.528→0.588, PPO 0.645→0.862, SAC/A2C colonnes 3-4 dérivées (2 premières reproduites à l'identique). Checkpoints régénérés inclus. Reste PR C : 7 quantbooks (re-exécution QC Cloud via MCP, annonce rate-limit avant).

[jsboige]

[DELIVERED] volet QuantConnect tranche 1/2 — lane myia-po-2023:CoursIA — 2026-09-19T14:45Z (cycle 56) — PR #16867

Les 8 notebooks QC-Py-22/23/24/25/31/32/33/34 : flags de déterminisme + re-exécutions fraîches RTX 3090 + artefacts régénérés.

Verdicts : 8/8 CORRIGE_ET_REEXECUTE (le triage avait classé 15/15 fautifs — aucun PAS_CONCERNE dans ce volet).

• QC-Py-25 : racine = seeding incomplet → seeding complet (seed 42) ; run seedé +5.08 % stochastique mais greedy 0 trade (l'ancien 7.06 % = tirage non seedé arbitraire) ; prose md31 réconciliée.
• QC-Py-32 : identique ligne à ligne au committé (Sharpe 1.528, 7762 trades) même build/device — preuve cross-run.
• QC-Py-33/34 : deltas cross-GPU (3070 Laptop→3090) et cross-build+device (2.11 CPU→2.8 cuda) documentés ; résiduel non-déterminisme intra-machine documenté honnêtement (7 sondes primitives toutes déterministes, 0 warning — amplification chaotique de dernier bit sur 100K steps RL) ; notes insérées dans les notebooks.
• Double-pass : 22 (18/18), 24 (10/10), 25 (21/21) identiques pass1/pass2.

Reste : tranche 2 (7 notebooks research, flags déjà posés sur branche dédiée) au prochain cycle ; puis volets ML/DSwA (9) et SymbolicAI (5). Score #16795 : 22/43 verdicts posés (RL 6 + GenAI 11 + QC t1 8, dont 3 partiellement - résiduel 33/34).

[jsboige]

[LIVRÉ — PR C, VOLET COMPLET] #16795 volet QuantConnect — lane myia-po-2026:CoursIA — PR #16870 : les 7 notebooks de recherche restants, déterminisme strict + re-exécution GPU locale (63/63 cellules, 0 erreur, validate 7/7 PASS, mode strict tenu partout). Correction du triage : aucun des 7 n'utilise QuantBook() (5 torch+yfinance, 2 torch+CSV panier) → exéc locale, QC Cloud non requis. Deltas : 3/5 projets strictement identiques, GraphSAGE +0.004, TFT +0.012 ; les 2 RL = drift de données isolé (baselines B&H/EW dérivent à l'identique, écart portfolio-vs-baseline préservé exactement −0.020/−0.021). Bilan volet QC : 14/14 FAUTIF couverts (PR A #16860 ×4, PR B #16863 ×3, PR C #16870 ×7), QC-Py-25 PROTÉGÉ confirmé.

[jsboige]

[DELIVERED] volet QuantConnect tranche 2/2 — lane myia-po-2023:CoursIA — cycle 57 — PR #16874. Le volet QC est clos (15/15).

Les 7 notebooks research : flags + re-exécutions fraîches.

Verdicts 7/7 CORRIGE_ET_REEXECUTE :

• Ensemble-DLinear-TFT 28/28 lignes métriques identiques ; TFT-Crypto-Ranking 7/7 identiques ; Crypto-LSTM métriques identiques malgré cross-build (2.11+cpu→2.8+cu126).
• Mamba / GraphSAGE : résiduel 3e décimale cross-build (GraphSAGE : Sharpe identiques 42/42, seul l'Acc dérive ±0.005).
• RL grpo (20,5 min) + tactical_overlay : verdicts NO BEATS inchangés, deltas par seed stables au centième. Le delta absolu vient du baseline (BH 0.697→0.738) = data vintage : le dataset panier_close_all.csv (non tracké) a été rafraîchi depuis le run committé. Nouvelle classe documentée : reproductibilité = f(seed, build, device, vintage du dataset non tracké).
• Incident réparé en cours de route : FileNotFoundError <10 s sur les 2 RL — dataset absent du worktree (non tracké), copié depuis le dépôt local (classe B env, pas contourné).

Score #16795 : 29/43 verdicts (RL 6 + GenAI 11 + QC 15 — QC 100 % clos). Restent : ML/DSwA (9) + SymbolicAI (5). Prochain cycle : ML/DSwA.