diff --git a/MyIA.AI.Notebooks/GenAI/RAG-et-Memoire-Semantique/02-Retrieval-Avance.ipynb b/MyIA.AI.Notebooks/GenAI/RAG-et-Memoire-Semantique/02-Retrieval-Avance.ipynb
index 67ed66a459..30f94ec307 100644
--- a/MyIA.AI.Notebooks/GenAI/RAG-et-Memoire-Semantique/02-Retrieval-Avance.ipynb
+++ b/MyIA.AI.Notebooks/GenAI/RAG-et-Memoire-Semantique/02-Retrieval-Avance.ipynb
@@ -100,6 +100,34 @@
     "print(\"Modèles locaux : bi-encoder multilingue, FLAN-T5-small, cross-encoder mMARCO\")\n"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "id": "91fd3f97",
+   "metadata": {},
+   "source": [
+    "### Lecture : l'environnement déclaré — trois modèles locaux, zéro appel réseau\n",
+    "\n",
+    "La sortie `PyTorch : 2.11.0+cpu | device : CPU` puis la liste des trois\n",
+    "modèles locaux méritent d'être lues comme un choix de protocole, pas comme un\n",
+    "journal d'installation. Trois décisions s'y trouvent. D'abord **le CPU est\n",
+    "explicite** (`device=\"cpu\"` sur les trois modèles) : le notebook ne dépend\n",
+    "d'aucun GPU, donc il s'exécute partout avec le même résultat — le coût se\n",
+    "paie en temps de calcul, jamais en matériel. Ensuite **tout est local et rien\n",
+    "ne sort de la machine** : bi-encoder multilingue, `google/flan-t5-small`,\n",
+    "cross-encoder mMARCO sont chargés depuis le cache local, sans clé d'API ni\n",
+    "quota — contraste direct avec un notebook d'API distante où chaque score\n",
+    "dépend d'un service tiers. Le prix de cette clôture : les scores sont\n",
+    "reproductibles et comparables entre configurations, ce qui est précisément\n",
+    "la condition d'un benchmark contrôlé comme celui de la section 5. Enfin, ces\n",
+    "modèles sont **petits par construction** — `flan-t5-small` compte ~77 M de\n",
+    "paramètres — et cette petitesse est une hypothèse à tester, pas une garantie\n",
+    "de qualité : la lecture du document hypothétique (section 3) montrera ce\n",
+    "qu'un générateur non affiné produit réellement. Le `Seed : 42` et le\n",
+    "plafonnement `threads PyTorch : 4` complètent la démarche : on privilégie la\n",
+    "prévisibilité à la vitesse, car un benchmark n'a de valeur que si deux runs\n",
+    "donnent le même tableau."
+   ]
+  },
   {
    "cell_type": "markdown",
    "id": "fa3463d5",
@@ -231,6 +259,32 @@
     "print(\"Exemple :\", documents[0])\n"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "id": "2f227050",
+   "metadata": {},
+   "source": [
+    "### Lecture : le corpus est un dispositif de mesure, pas un jeu de données\n",
+    "\n",
+    "`Corpus : 60 documents | thèmes : 20` : le corpus est **synthétique et\n",
+    "volontairement régulier** — trois variantes par thème (`définition`,\n",
+    "`pratique`, `décision`), toutes construites sur la même matrice de phrases.\n",
+    "Ce n'est pas de la paresse : c'est ce qui rend le benchmark INTERPRÉTABLE.\n",
+    "Sur un corpus réel, on ne sait jamais si une chute de nDCG vient du\n",
+    "retrieval ou d'une vérité terrain bruitée ; ici, la perturbation est la seule\n",
+    "variable. Le second nombre est plus subtil : `Gold QA : 24 questions (20\n",
+    "in-corpus, 4 hors corpus)`. Les 4 questions hors corpus ne sont **pas un\n",
+    "oubli ni une erreur d'annotation** — c'est le groupe de CONTRÔLE du\n",
+    "notebook, celui qui mesure le comportement quand la réponse n'existe pas.\n",
+    "La section 5 les interroge séparément, et l'exercice 3 en fait le cœur du\n",
+    "sujet (règle d'abstention). Noter enfin ce que la vérité terrain contient :\n",
+    "des **identifiants de documents** (`{'id': 'python-0', ...}`), c'est-à-dire\n",
+    "une pertinence BINAIRE et non graduée. Conséquence directe sur la métrique\n",
+    "choisie plus bas : nDCG dégénère ici en une mesure de position du bon\n",
+    "document, sans degrés de pertinence à pondérer. Un tel corpus valide les\n",
+    "deltas, pas la performance absolue."
+   ]
+  },
   {
    "cell_type": "markdown",
    "id": "ef63017d",
@@ -319,6 +373,31 @@
     "print(f\"Exemple dégradé — Recall@3={recall_at_k(['x', 'a', 'b'], relevant, 3):.2f}, nDCG@3={ndcg_at_k(['x', 'a', 'b'], relevant, 3):.3f}\")\n"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "id": "5cd7646e",
+   "metadata": {},
+   "source": [
+    "### Lecture : deux métriques, deux questions — et les nombres se recomptent\n",
+    "\n",
+    "La sortie donne `Tests métriques : PASS` puis l'exemple dégradé\n",
+    "`Recall@3=1.00, nDCG@3=0.693`. Le ranking `['x', 'a', 'b']` contre les\n",
+    "documents pertinents `{a, b}` est précisément le cas qui sépare les deux\n",
+    "métriques : le document non pertinent est **en tête**, mais les deux\n",
+    "pertinents restent dans la fenêtre de 3. Résultat, `Recall@3 = 2/2 = 1.00`\n",
+    "— parfait — tandis que nDCG chute. Ce n'est pas une incohérence : les deux\n",
+    "mesurent des choses différentes. Recall répond à « le bon document est-il\n",
+    "DANS la fenêtre ? », nDCG à « À QUELLE HAUTEUR ? ». Le 0.693 se recompte à\n",
+    "la main. Le DCG idéal place les deux pertinents aux rangs 1 et 2 :\n",
+    "`1/log2(2) + 1/log2(3) = 1 + 0,6309 = 1,6309`. Le DCG réel, avec `x` en tête,\n",
+    "les place aux rangs 2 et 3 : `0 + 1/log2(3) + 1/log2(4) = 0,6309 + 0,5 =\n",
+    "1,1309`. Le rapport vaut `1,1309 / 1,6309 = 0,693` — exactement la valeur\n",
+    "affichée. La décote logarithmique est la clé : occuper le rang 1 rapporte\n",
+    "`1,0`, le rang 3 seulement `0,5`. C'est ce qui rend nDCG sensible au\n",
+    "reranking de la section 4 : déplacer un document pertinent du rang 4 au rang\n",
+    "3 améliore le score sans changer le Recall d'un iota."
+   ]
+  },
   {
    "cell_type": "markdown",
    "id": "44a5a24f",
@@ -463,6 +542,34 @@
     "    print(f\"  {doc_id:<18} score={score:.3f}\")\n"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "id": "5e546075",
+   "metadata": {},
+   "source": [
+    "### Lecture : le bi-encoder factorise — et laisse un intrus au rang 3\n",
+    "\n",
+    "`Matrice corpus : (60, 384)` dit l'essentiel de l'architecture : les 60\n",
+    "documents sont encodés **une fois pour toutes** en 384 dimensions (la taille\n",
+    "de `MiniLM-L12`), et une requête se réduit à un vecteur unique, comparé par\n",
+    "un simple produit matriciel `(60, 384) · (384,)` → 60 scores. C'est la\n",
+    "factorisation qui fait la vitesse du bi-encoder : aucun des 60 documents\n",
+    "n'est relu au moment de la question. Mais cette économie a un prix, et il est\n",
+    "visible dans la sortie. Le top-5 affiche `rag-0 score=0.517`, `rag-2\n",
+    "score=0.467`, puis **`overfit-1 score=0.403`** — un document d'un AUTRE thème\n",
+    "s'insère au rang 3, devant `rag-1` (`0.303`). Le diagnostic se lit en\n",
+    "relisant les textes du corpus : le thème *surapprentissage* est défini par\n",
+    "« l'écart entre performance d'entraînement et de validation », vocabulaire\n",
+    "qui recoupe (`validation`, `généralisation`, `jeu de données`) celui du\n",
+    "document RAG. La proximité est **sémantique de surface** — elle porte sur des\n",
+    "mots partagés, pas sur le sujet — et le bi-encoder, qui encode question et\n",
+    "document SÉPARÉMENT, n'a aucun moyen de la distinguer d'une vraie\n",
+    "correspondance : c'est exactement la limite que le cross-encoder de la\n",
+    "section 4 est conçu pour lever. Noter aussi l'amplitude : de 0,517 à 0,299,\n",
+    "la queue est serrée, donc la marge entre rangs voisins est faible — de la\n",
+    "matière pour un réordonnanceur, peu de certitude pour un seuil."
+   ]
+  },
   {
    "cell_type": "markdown",
    "id": "4f500177",
@@ -548,6 +655,42 @@
     "print(\"Top-5 HyDE :\", [doc_id for doc_id, _ in hyde_example])\n"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "id": "18fe0a26",
+   "metadata": {},
+   "source": [
+    "### Lecture : le document hypothétique est un texte DÉGÉNÉRÉ — et c'est l'expérience\n",
+    "\n",
+    "La sortie doit être lue sans complaisance :\n",
+    "\n",
+    "> `In French, a current technique of two phrases that responds to this\n",
+    "> question is not a reference to this question. N'invente pas de référence :\n",
+    "> Comment ancrear a generation in documents récupérés ?`\n",
+    "\n",
+    "Les trois symptômes de dégénérescence sont simultanés. (1) Le modèle\n",
+    "**recopie la consigne au lieu d'y répondre** : « N'invente pas de référence »\n",
+    "appartient au prompt, pas à une réponse — le modèle paraphrase l'instruction\n",
+    "qu'il a reçue. (2) Il **mélange deux langues** (« In French… » en anglais,\n",
+    "puis la suite en français) alors que la question est entièrement française.\n",
+    "(3) Il **fabrique un mot** (`ancrear`, hybride français/espagnol de\n",
+    "« ancrer »). Le mécanisme de HyDE reste pourtant intact : on n'encode plus la\n",
+    "question, on encode **le texte généré**, quelle que soit sa qualité — le\n",
+    "`retrieve_hyde` ne vérifie rien. Le classement qui en résulte\n",
+    "(`['rag-1', 'rag-2', 'rag-0', 'kubernetes-0', 'transformer-1']`) est lu\n",
+    "contre la baseline bi-encoder de la section précédente\n",
+    "(`['rag-0', 'rag-2', 'overfit-1', 'rag-1', 'transformer-1']`) : deux\n",
+    "mouvements opposés s'annulent presque. Gain — `rag-1` remonte du rang 4 au\n",
+    "rang 1 et l'intrus `overfit-1` est éliminé. Perte — `rag-0`, le meilleur\n",
+    "document, **recule du rang 1 au rang 3**, et un intrus NOUVEAU apparaît\n",
+    "(`kubernetes-0`). Le solde est un déplacement de bruit, pas une\n",
+    "amélioration : HyDE, tel que publié (Gao *et al.*, 2022), suppose un modèle\n",
+    "instruct capable de rédiger un passage plausible ; `flan-t5-small` sans\n",
+    "affinage ne satisfait pas cette hypothèse, et le notebook l'expose au lieu de\n",
+    "la masquer. C'est le point de méthode : une technique ne se juge pas sur son\n",
+    "nom, mais sur la qualité de son entrée."
+   ]
+  },
   {
    "cell_type": "markdown",
    "id": "3de0f45a",
@@ -681,6 +824,41 @@
     "print(\"Après reranking :\", [doc_id for doc_id, _ in reranked_example])\n"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "id": "04abe986",
+   "metadata": {},
+   "source": [
+    "### Lecture : le reranker corrige l'intrus — mais ne récupère rien\n",
+    "\n",
+    "Le tableau avant/après est le verdict d'un réordonnanceur qui a bien\n",
+    "fonctionné :\n",
+    "\n",
+    "- avant — `['rag-0', 'rag-2', 'overfit-1', 'rag-1', 'transformer-1']`\n",
+    "- après — `['rag-2', 'rag-0', 'rag-1', 'overfit-1', 'transformer-1']`\n",
+    "\n",
+    "Trois mouvements, tous conformes à la limite diagnostiquée sur le\n",
+    "bi-encoder. `rag-1` remonte du rang 4 au rang 3 en **passant devant\n",
+    "`overfit-1`** : l'intrus lexical qui s'était glissé au rang 3 est repoussé au\n",
+    "rang 4, et les trois documents du thème `rag` occupent désormais les rangs 1\n",
+    "à 3. `rag-2` et `rag-0` permutent en tête. C'est la démonstration que le\n",
+    "cross-encoder fait ce que le bi-encoder ne pouvait pas : il voit la paire\n",
+    "`(question, document)` dans une seule séquence et peut donc modéliser les\n",
+    "interactions entre les termes, là où deux encodages séparés ne comparent que\n",
+    "des directions de vecteurs. Mais la composition du top-5 est **identique** :\n",
+    "aucun document n'entre, aucun ne sort. C'est structurel, pas accidentel — le\n",
+    "`rerank` ne reçoit que la fenêtre `baseline_example` et **ne peut choisir que\n",
+    "parmi ses candidats** ; un document absent de la liste du bi-encoder est\n",
+    "définitivement hors de portée. D'où le coût, qui explique l'ordre\n",
+    "d'application : le cross-encoder exécute un passage avant par PAIRE\n",
+    "(question, document), soit 5 ici mais 50 à 100 en production — on rappelle\n",
+    "donc large et pas cher avec le bi-encoder, puis on reranke étroit et cher.\n",
+    "Dernier détail de lecture : les scores du cross-encoder sont des **logits non\n",
+    "bornés**, non comparables aux cosinus du bi-encoder ; seuls les RANGS se\n",
+    "comparent entre colonnes, ce que le notebook respecte en ne joignant jamais\n",
+    "les deux échelles dans un même tableau."
+   ]
+  },
   {
    "cell_type": "markdown",
    "id": "1607fc8a",
@@ -903,6 +1081,45 @@
     "plt.show()\n"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "id": "e21df0c4",
+   "metadata": {},
+   "source": [
+    "### Lecture : -1.000 n'est pas une baisse, c'est une disparition — et le signe compte\n",
+    "\n",
+    "`delta_nDCG -1.000` répété cinq fois (q-python, q-rest, q-overfit sous HyDE\n",
+    "et HyDE + rerank) demande une lecture précise : le nDCG@10 ne baisse pas de\n",
+    "1, il **tombe à zéro**. Traduit en langage de retrieval : sur ces questions,\n",
+    "le document pertinent n'est plus dans les 10 premiers du tout. L'échelle\n",
+    "d'aide à mesurer la gravité — le corpus ne compte que 60 documents et la\n",
+    "fenêtre en couvre 10, soit un sixième ; perdre le bon document dans ces\n",
+    "conditions signale une dérive complète de la représentation de requête, pas\n",
+    "un réordonnancement malheureux. C'est la conséquence directe du texte\n",
+    "dégénéré de la section 3 : quand la requête encodée ne parle plus du sujet,\n",
+    "le classement n'a plus de raison de contenir la réponse. Le résultat le plus\n",
+    "instructif est ailleurs : **`HyDE + rerank` est aussi à -1.000** sur q-python\n",
+    "et q-rest. Le cross-encoder, dont on vient de vérifier qu'il corrige\n",
+    "proprement les intrus quand le bon document est dans la fenêtre, est ici\n",
+    "**impuissant — non par faiblesse, mais parce qu'il ne reçoit pas le document\n",
+    "pertinent**. Un réordonnanceur ne peut pas réparer un rappel manquant ; c'est\n",
+    "la démonstration expérimentale de la limite énoncée après la cellule du\n",
+    "cross-encoder, et la raison pour laquelle l'ordre rappel-large → rerank-étroit\n",
+    "est une contrainte d'architecture, pas une préférence. Le second tableau\n",
+    "apporte la pièce manquante sur les questions **hors corpus**, et c'est\n",
+    "l'observation la plus utile du notebook. La baseline retourne un top-1 avec\n",
+    "des scores **faibles mais POSITIFS** (`docker-0 0.254`, `kubernetes-0 0.307`,\n",
+    "`0.233`, `0.278`) ; `HyDE + rerank` retourne des scores **négatifs**\n",
+    "(`-6.658`, `-4.874`, `-4.719`, `-4.043`). Le signe est une information\n",
+    "exploitable : le cross-encoder affirme explicitement la NON-pertinence de la\n",
+    "paire, alors qu'un cosinus — borné par le bas à -1 et structurellement\n",
+    "incapable de dire « aucun rapport » — laisse 0,25 ressembler à un score\n",
+    "acceptable. Il n'y a pas de document pertinent à trouver dans ces quatre cas ;\n",
+    "un système qui répond quand même avec aplomb est exactement le défaut que\n",
+    "l'exercice 3 (`should_abstain`) est chargé de corriger : le reranker fournit\n",
+    "le signal (un logit négatif), le seuil reste la décision à prendre."
+   ]
+  },
   {
    "cell_type": "markdown",
    "id": "34885014",