Humanizer 12B : un réécrivain local de textes d’IA, et ce que disent vraiment ses propres chiffres

Chronologie

1. 11 septembre 2026

   Le dépôt humanizer apparaît sur Hugging Face. La fiche décrit un modèle de 12B, affiné à partir de google/gemma-4-12B et publié sous Apache 2.0, qui réécrit des brouillons rédigés par IA en anglais et en chinois pour qu’ils se lisent comme écrits par une personne, en conservant chaque nombre, unité, date, nom et citation.

   jialinyyzz/humanizer model card

2. 2 octobre 2026

   L’auteur fait tourner Originality.ai à son réglage le plus strict sur 210 réécritures anglaises produites avec les poids bf16 : 11 sont signalées comme IA, contre 26 pour la version précédente. La fiche souligne qu’aucun détecteur d’IA n’a servi à aucun moment de l’entraînement.

   humanizer model card, Evaluation details

3. 4 octobre 2026

   À partir de cette date, chaque fichier GGUF stocke dans ses métadonnées les réglages d’échantillonnage recommandés et embarque un gabarit de conversation qui construit le prompt du modèle à partir du dernier message de l’utilisateur ; des interfaces de chat comme le point d’accès de chat de llama-server peuvent ainsi piloter un modèle qui est en réalité un outil de complétion de texte.

   humanizer model card, Prompt format

Ce que c’est, et ce que ce n’est pas

La plupart des outils vendus comme « humaniseurs d’IA » sont des formulaires web. Celui-ci est un modèle que l’on télécharge. La fiche décrit un réécrivain de 12B paramètres qui prend un brouillon écrit par un modèle de langage et le réécrit pour qu’il se lise comme écrit par une personne, en anglais et en chinois. L’objectif de conception tient en une contrainte : conserver chaque nombre, unité, date, nom et citation, et n’ajouter rien. Il tourne en local, une application existe pour les Mac à puce Apple et pour Windows, et la fiche documente aussi les voies llama.cpp, MLX, transformers, vLLM et Ollama. Le modèle est affiné à partir de google/gemma-4-12B, et poids comme code sont sous Apache 2.0.

Ce n’est pas un chatbot. La fiche insiste : il s’agit de complétion de texte, sans prompt système ni marqueurs de tour : on envoie une instruction fixe, une ligne vide, son brouillon, un séparateur et les mots « Rewritten: », puis on laisse le modèle continuer. La fiche demande de s’arrêter uniquement sur la fin de séquence, jamais sur une chaîne d’arrêt, et d’utiliser température 1,0 et top-p 0,95 avec top-k et min-p désactivés, car les valeurs par défaut de llama.cpp et la configuration de génération fournie interféreraient sinon. Cette minutie signe un outil conçu pour une seule tâche.

Comment il a été fabriqué, selon l’auteur

Le récit d’entraînement de la fiche est assez détaillé pour être vérifiable, ce qui est rare. La première étape était un affinage supervisé sur 28 598 paires, chacune associant un brouillon écrit par un modèle de langage à un véritable original humain ; côté humain, il s’agit de résumés d’articles, de rapports gouvernementaux, de dissertations d’étudiants, de courriels d’entreprise et de listes de diffusion, de Reddit, de Hacker News et de Zhihu. La deuxième étape était un entraînement par préférences sur 3 918 paires choisies uniquement pour la fidélité aux faits et la copie, jugées par un LLM. La troisième était de l’apprentissage par renforcement en trois tours totalisant 500 étapes, avec un juge de faits strict à vote unique pendant les 200 premières, puis deux tours de 150 ; chaque étape utilisait 16 brouillons à 8 échantillons chacun.

La récompense combinait un juge LLM, qui lisait chaque réécriture face à son brouillon et pénalisait les erreurs graves, le contenu inventé, le sens modifié et la mise en forme perdue, avec une pénalité pour la copie des 5-grammes et des squelettes de phrases du brouillon. La fiche dit que les données derrière chaque ligne utilisée pour la deuxième version sont publiées dans un jeu de données compagnon. Et elle avance une affirmation qui compte pour lire le chiffre vedette : aucun détecteur d’IA n’a été utilisé à aucun moment de l’entraînement, ni comme récompense, ni comme filtre, ni pour choisir un checkpoint.

Le chiffre vedette : 95 % jugés humains

Le titre de la fiche annonce que 95 % de 210 réécritures anglaises ont été jugées humaines par Originality.ai à son réglage le plus strict le 2 octobre : 11 ont été signalées comme IA, contre 26 pour la version précédente, un écart que la fiche présente comme statistiquement significatif sur données appariées. Elle compare aussi avec une référence publique, une skill d’humanisation forte d’environ 53 mille étoiles GitHub, appliquée par Claude Sonnet à 60 des mêmes brouillons, où les 60 ont été signalés. Le nouveau modèle, sur les mêmes 60, en avait 4 de signalés.

Trois raisons de tenir ce chiffre à distance, que la fiche fournit elle-même. C’est un seul détecteur à une seule date, et la fiche dit que les détecteurs changent et que rien ne garantit un résultat auprès d’un détecteur. Les brouillons d’évaluation viennent du jeu réservé de l’auteur, écrits par trois modèles de pointe à parts à peu près égales ; ils disent donc peu de chose, par exemple, d’un billet de blog commencé par un humain et poli par une IA. Et les genres les plus formatés restent les plus difficiles : la ventilation de la fiche montre les publications sociales à émojis et hashtags à 3 signalées sur 16 et les notes de politique formelles à 2 sur 13, alors que courriels, billets de blog, publications Reddit et avis produits n’en avaient aucune.

Les chiffres que la fiche met sur la table

Les chiffres les plus utiles sont ceux sur les faits. Un juge LLM strict n’a trouvé aucun problème factuel dans 376 des 420 réécritures anglaises ; les 44 autres ont été signalées, avec 135 problèmes au total, dont 125 portant sur un seul mot ou une seule expression. L’exemple de la fiche est un brouillon disant « The remaining 37 complaints » devenu « The other 37% of complaints ». Pour le chinois, le tableau est plus faible : aucun problème factuel dans 149 des 204 réécritures. La version précédente obtenait 369 sur 420 en anglais et 135 sur 204 en chinois ; la tendance est donc bonne et le niveau absolu n’est pas parfait.

La fiche liste aussi des modes d’échec qui ne concernent pas les faits. 28 des 420 sorties anglaises ont perdu un élément de mise en forme, comme une liste ou un titre. Des brouillons anglais courts et informels pleins de jargon technique reviennent parfois entièrement écrits en chinois, un échec que l’application et l’outil en ligne de commande détectent et retentent. Dans les genres familiers, il ajoute parfois de l’argot ou des grossièretés absents du brouillon. Et les exemples avant-après de la fiche sont des sélections : le meilleur de huit échantillons parmi ceux que le juge de faits a validés.

Il y a même un audit du juge. Un second juge a relu 150 réécritures que le premier avait signalées comme graves ; il a confirmé la gravité dans 99 cas, l’a jugée mineure dans 41 et a trouvé le fait inchangé dans 10. Les auteurs en concluent que certains signalements sont une reformulation inoffensive, et ils vous disent quand même de relire nombres, dates et noms avant d’envoyer.

Pourquoi cela compte plus que les 95 %

Un outil qui a le plus souvent raison sur les nombres en changera un, sur assez de documents. La fiche le dit : relisez le résultat avant de l’envoyer. C’est le vrai coût d’usage, et la raison pour laquelle l’habitude de l’outil en ligne de commande de signaler tout passage où un nombre a disparu vaut plus que quelques points de score de détecteur. Les chiffres de vitesse aident à calibrer les attentes : sur un M5 Max, la configuration llama.cpp de l’application tourne à environ 36 à 38 tokens par seconde ; un courriel de cent mots prend donc environ 3,6 secondes et un courriel chinois d’environ 300 caractères environ 8,5.

La fiche est aussi explicite sur l’éthique. Elle décrit l’outil comme un outil d’écriture pour vos propres brouillons et dit que si une école, un employeur ou une publication a des règles sur l’assistance de l’IA, vous devez les suivre. Nous sommes d’accord, et irions plus loin : une réécriture qui ne fait qu’échapper à un détecteur n’a pas amélioré le brouillon de départ. La version de cet outil qu’il vaut la peine de souhaiter est celle qui fait lire un brouillon raide comme écrit par une personne, faits intacts, sur votre propre machine.

Si vous ne voulez qu’une option hébergée

Notre répertoire liste Grammarly AI Humanizer, un outil hébergé gratuit qui transforme un texte d’IA en écriture naturelle en gardant le sens. C’est un autre compromis : pas d’installation ni de matériel local, mais votre texte part vers un service. Pour choisir lequel des fichiers de ce modèle tient sur votre machine, voyez quel fichier humanizer pour 8, 16 ou 32 Go.

Notre avis

C’est une publication bien documentée qui a la faiblesse du genre : l’affirmation que la plupart des gens répéteront est celle qui est la moins liée à la qualité qui compte. Servez-vous des chiffres de vérification des faits, pas du chiffre du détecteur, pour décider si l’outil convient à votre travail. Si vous écrivez des documents pleins de nombres, prévoyez du temps pour relire chaque réécriture. Si vous écrivez des dissertations et des courriels avec peu de faits précis, le risque est plus faible et le bénéfice est une voix plus naturelle.

Pour continuer la lecture

Tous les articles, du plus récent au plus ancien, sont sur l’index du blog Front.

• Humanizer 12B : quel GGUF pour votre mémoire: Les besoins en mémoire de chaque fichier GGUF du même modèle.
• Ling 3.1 Flash : ce que demande son exécution: Le matériel nécessaire pour exécuter Ling 3.1 Flash.
• Grok 4.8 : ce que xAI a réellement dit: Les publications de xAI de Grok 4.5 à 4.7 et les déclarations sur la 4.8.
• Chronologie de Google Argon: Le lancement de Gemini 4 Argon par Google consigné dans l’ordre des dates.

Questions fréquentes

Journal des mises à jour

• 17 octobre 2026 — Première publication.

Sources

• jialinyyzz/humanizer model card
• Grammarly AI Humanizer