La recherche neurosymbolique gagne par mécanisme, pas par volume de catalogue

L'article de MarkTechPost sur l'Ontology 1 d'Onton rapporte un modèle de recherche neurosymbolique qui a atteint une précision moyenne à 10 de 0,630 sur Subtext-Decor-90, contre 0,543 pour Google Shopping et 0,469 pour Amazon, tout en indexant environ 1 pour cent de leurs catalogues. (Michal Sutter, « Onton Releases Ontology 1: A Neurosymbolic Search Model That is 2.7x More Accurate than the World's Best E-commerce Search Engines », MarkTechPost, 2 août 2026, récupéré le 2026-08-23, https://www.marktechpost.com/2026/08/02/onton-releases-ontology-1-a-neurosymbolic-search-model/). L'Honest Architect lit l'article comme le Théorème 3 appliqué à la pertinence de recherche. La propriété (pertinence sur les requêtes à forte intention comme « pet-friendly sectional ») est garantie par le mécanisme (un graphe de connaissances inspectable qui décompose les prédicats vagues en propriétés vérifiables : fibre, tissage, construction), pas par l'assertion « nous avons un grand catalogue ». Onton indexe 1 pour cent du catalogue et gagne 52 des 90 requêtes directement. Le volume n'est pas le mécanisme. Le graphe est le mécanisme.

Points clés

• Le mécanisme est le graphe, pas le catalogue. Théorème 3 : la propriété (pertinence sur les requêtes à forte intention) est garantie par le mécanisme (graphe de connaissances neurosymbolique décomposant les prédicats vagues en propriétés vérifiables), pas par le volume du catalogue. Onton indexe 1 pour cent et gagne 52 sur 90. Une équipe qui affirme « nous avons un grand catalogue » sans mécanisme de décomposition des propriétés est un non-mécanisme.
• La mesure est honnête et l'écart est nommé. Subtext-Decor-90 est publié avec le code et les données. Trois juges LLM ont noté les 10 meilleurs résultats. Intervalles de confiance bootstrap à 95 pour cent à partir de 10 000 rééchantillonnages. L'alpha de Krippendorff entre les juges est de 0,465, donc les valeurs absolues de P@10 sont bruitées, mais les trois juges classent les moteurs dans le même ordre. Le classement est robuste ; les nombres absolus non. C'est le nom honnête de l'écart.
• Le titre 2.7x n'est pas le chiffre agrégé. Le corps donne P@10 0,630 vs Amazon 0,469, ce qui est 1,34x, pas 2.7x. Le 2.7x est un chiffre de titre non directement étayé par les nombres agrégés dans le corps. L'Honest Architect étiquette la méthodologie Production et le ratio du titre Partial.
• Les cas d'échec sont nommés. Onton perd sur les requêtes de spécification fonctionnelle où les métadonnées de catégorie d'Amazon dominent : « lampe qui ne réveillera pas mon partenaire » (Onton 0,4, Amazon 0,9). L'article ne le cache pas. Le mécanisme de raisonnement sur les propriétés perd là où le mécanisme de métadonnées de catégorie gagne. Mécanismes différents, propriétés différentes.
• Neurosymbolique signifie inspectable, pas opaque. Le modèle construit un modèle du monde explicite et inspectable plutôt que d'absorber les motifs dans des poids. Parallèle à l'ensemble Oracle : probabilités normalisées à exactement un endroit, scénarios triés par ordre décroissant, entropie en nats. L'Honest Architect étiquette la forme du mécanisme neurosymbolique Production et la revendication cross-domaine Partial.
• La disponibilité est honnête : pas de poids ouverts, pas d'API publique. Onton est en ligne sur Onton.com, accès partenaire au cas par cas. L'Honest Architect étiquette cela Production (portée honnête). La revendication « la méthodologie se généralise au-delà du e-commerce » est Partial (une seule verticale aujourd'hui, généralisation affirmée non démontrée).

Le mécanisme est le graphe, pas le catalogue

Le mouvement central de l'article est de décrire une architecture neurosymbolique. La recherche e-commerce classique suppose que l'intention se projette sur des catégories et des attributs : taille, prix, matériau, marque. Il n'y a pas de filtre pour « pet-friendly » et aucun pour les meubles qui tiennent dans votre pièce. Ontology 1 prend une autre voie. Pour « pet-friendly sectional », il ne fait pas confiance à l'étiquette du vendeur, qui peut être absente ou fausse. Il raisonne à partir de propriétés plus susceptibles d'être objectives : fibre, tissage, construction. Il signale les affirmations que les données du produit contredisent. Il pondère la source, car certaines annonces manipulent l'algorithme et certains avis sont achetés. Le modèle construit un modèle du monde explicite et inspectable plutôt que d'absorber les motifs dans des poids. Quand il n'a pas de compte pour « pet-friendly », il traite cela comme une lacune et construit la réponse : nettoyabilité et durabilité, puis le tissu polyester comme indicateur. L'apprentissage est réutilisé sur des requêtes ultérieures comme « pet-friendly chair » ou « cleanable blue couch », et la boucle tourne en continu.

L'Honest Architect lit cela comme le Théorème 3 rendu opérationnel pour la recherche. La propriété (pertinence sur les requêtes à forte intention) est garantie par le mécanisme (décomposer les prédicats vagues en propriétés vérifiables, raisonner à partir de propriétés objectives, pondérer la provenance de la source, réutiliser l'apprentissage entre requêtes), pas par l'assertion « nous indexons tout ». Une équipe qui affirme « nous avons une excellente recherche » sans mécanisme de décomposition des propriétés est un non-mécanisme : l'assertion ne produit pas la pertinence. Une équipe avec un graphe de connaissances inspectable qui décompose « pet-friendly » en nettoyabilité, durabilité et indicateur polyester a un mécanisme : le P@10 mesuré est l'effet. L'Honest Architect étiquette la forme du mécanisme neurosymbolique Production ✅ : la décomposition des propriétés en propriétés vérifiables est un motif réel et implémentable.

L'angle de souveraineté compte. Onton ne fait pas confiance à l'étiquette du vendeur. Il raisonne à partir de propriétés plus susceptibles d'être objectives et pondère la source. La propriété (résistance à la manipulation) est garantie par le mécanisme (pondération de la source + provenance), pas par l'assertion « nous filtrons le spam ». Une équipe qui affirme « nous luttons contre les faux avis » sans pondération de la source est un non-mécanisme. L'Honest Architect étiquette le mécanisme de pondération de la source Production ✅. Le parallèle avec World Monitor est Partial ⚠️ : une topologie redondante bat une topologie concentrée, et une source dont la clé est unset se désactive. Même forme (la provenance délimite la propriété), domaines séparés (pondération de source de recherche vs auto-désactivation de source de signal géo).

La mesure est honnête et l'écart est nommé

[UNIQUE INSIGHT] La section du benchmark est la partie que l'Honest Architect considère comme la plus honnête mécaniquement. Onton a publié Subtext-Decor-90 avec le code et les données sur HuggingFace. Trois juges LLM multimodaux ont noté les 10 cartes de résultats visibles : Claude Opus 4.8, Gemini 3.1 Pro, GPT-5.5. P@10 a été moyenné entre les juges, avec des intervalles de confiance à 95 pour cent à partir de 10 000 rééchantillonnages bootstrap. Résultats : Onton 0,630 avec IC 0,571 à 0,688, Google Shopping 0,543 avec IC 0,490 à 0,596, Amazon 0,469 avec IC 0,417 à 0,521. Onton a gagné 52 requêtes directement, Google 19, Amazon 16.

L'écart que l'article nomme est la mesure. L'alpha de Krippendorff entre les trois juges est de 0,465, donc les valeurs absolues de P@10 sont bruitées et dépendantes du juge. Les trois juges placent pourtant les moteurs dans le même ordre. L'Honest Architect lit cela comme la séparation honnête de deux propriétés. La propriété (l'ordre de classement : Onton au-dessus de Google au-dessus d'Amazon) est garantie par la mesure (les trois juges sont d'accord sur l'ordre). La propriété (le chiffre de précision absolue) n'est PAS garantie (alpha 0,465 signifie que les valeurs absolues sont bruitées). Une équipe qui affirme « nous sommes précis à 0,630 » sans nommer l'alpha affirme une propriété que la mesure ne garantit pas pleinement. Une équipe qui affirme « l'ordre de classement est robuste entre les juges » a une propriété garantie. L'Honest Architect étiquette la méthodologie de benchmark Production ✅ : code publié, données publiées, trois juges, IC bootstrap, alpha de Krippendorff nommé. L'Honest Architect étiquette la garantie de précision absolue Partial ⚠️ : alpha 0,465 est modeste, les nombres absolus dépendent du juge.

L'exclusion est honnête aussi. Les requêtes image et multimodales ont été exclues des 90, parce qu'Amazon Lens ne prend pas en charge les requêtes multimodales et Google Lens ne renvoie pas exclusivement des produits. Onton rapporte une comparaison image séparée de 10 requêtes contre Google. L'Honest Architect lit cela comme honnêteté de portée : le benchmark ne prétend pas couvrir des modalités qu'il ne peut pas comparer équitablement. L'Honest Architect étiquette l'honnêteté de portée Production ✅.

Le titre 2.7x et les cas d'échec nommés

[ORIGINAL DATA] Le titre affirme qu'Ontology 1 est « 2.7x plus précis que les meilleurs moteurs de recherche e-commerce du monde ». Le corps donne P@10 0,630 vs Amazon 0,469, ce qui est 1,34x, et 0,630 vs Google 0,543, ce qui est 1,16x. Le ratio 2.7x n'est pas directement étayé par les nombres agrégés dans le corps. Il peut s'agir d'un ratio de requête spécifique ou d'un ratio de taux d'erreur sur un sous-ensemble, mais l'article ne montre pas le calcul. L'Honest Architect étiquette le titre 2.7x Partial ⚠️ : revendication du titre non directement étayée par les nombres P@10 agrégés. Le classement agrégé (Onton au-dessus de Google au-dessus d'Amazon, les trois juges d'accord) est Production ; le ratio 2.7x est un titre marketing que le corps ne dérive pas.

Les cas d'échec sont nommés et c'est la partie honnête. Ontology 1 perd sur les requêtes de spécification fonctionnelle où les métadonnées de catégorie d'Amazon dominent. « Lampe qui ne réveillera pas mon partenaire si je lis à 3h du matin » a obtenu Onton 0,4, Amazon 0,9. « Quelque chose à poser sur un rebord de fenêtre étrangement profond » a obtenu Onton 0,07, Amazon 0,67. Onton attribue cela à la largeur du catalogue et à son index à verticale unique non sponsorisé, et s'attend à ce que la boucle d'auto-apprentissage réduise l'écart. L'Honest Architect lit cela comme la désignation honnête de l'endroit où le mécanisme perd. Le mécanisme de raisonnement sur les propriétés (décomposer les prédicats vagues en propriétés vérifiables) perd là où le mécanisme de métadonnées de catégorie (filtrer par champs structurés) gagne. Des mécanismes différents garantissent des propriétés différentes. Une équipe qui affirme « nous gagnons partout » sans nommer les cas d'échec est un non-mécanisme. L'Honest Architect étiquette la divulgation des cas d'échec Production ✅ : nommer où le mécanisme perd est honnête et vérifiable.

Neurosymbolique signifie inspectable, pas opaque

La distinction d'architecture que l'article trace est entre un modèle du monde inspectable et des poids absorbant les motifs. Le modèle construit un graphe de connaissances explicite. Quand il n'a pas de compte pour « pet-friendly », il traite cela comme une lacune et construit la réponse. L'apprentissage est réutilisé sur des requêtes ultérieures. L'Honest Architect lit cela comme la même forme que l'ensemble Oracle. L'Oracle n'absorbe pas les motifs de prévision dans des poids opaques. Il fusionne des sorties de Sister typées en un ensemble normalisé. Les probabilités sont normalisées à exactement un endroit. Les scénarios sont triés par ordre décroissant. L'entropie est en nats. L'ensemble est inspectable : un consommateur peut examiner les scénarios, les probabilités, l'entropie, et voir ce que la fusion a produit. L'Honest Architect étiquette le mécanisme de l'ensemble Oracle Production ✅ : normalisation unique, scénarios triés, entropie à chaque fusion sont réels et implémentés. La revendication cross-domaine est Partial ⚠️ : même forme (mécanisme inspectable vs poids opaques), domaines séparés (pertinence de recherche vs ensemble de prévision).

Le parallèle de la boucle d'auto-apprentissage est direct. Ontology 1 décompose « pet-friendly » en nettoyabilité, durabilité et indicateur polyester, puis réutilise l'apprentissage sur « pet-friendly chair » et « cleanable blue couch ». Les Sisters sont des personnalités typées (analyst, contrarian, disruptor, historian, institutionalist) chargées au runtime depuis des fichiers TOML. Chaque Sister imagine un avenir plausible depuis sa perspective typée. La sortie typée est réutilisée entre prévisions : la perspective analyste sur un événement géopolitique est la même lentille typée réutilisée sur un événement de marché. L'Honest Architect étiquette le mécanisme des personnalités typées des Sisters Production ✅ : personnalités typées chargées au runtime avec fusion Oracle sont réelles et implémentées. La revendication cross-domaine est Partial ⚠️ : même forme (décomposition typée réutilisée entre requêtes), domaines séparés (décomposition de propriétés de recherche vs typage de personnalité de prévision).

La revendication d'infrastructure est citée par Onton. Ograph, une base de données graphe custom, rapporte qu'un cœur bat SuiteSparse:GraphBLAS sur 14 cœurs à environ 100x le débit par cœur, avec un build GPU tournant 43x plus vite que la variante CPU. L'Honest Architect étiquette les revendications de performance d'Ograph Partial ⚠️ : cité par Onton, pas indépendamment benchmarké dans cet article. La forme du mécanisme (base de données graphe custom pour le raisonnement neurosymbolique) est Production ✅ : motif réel et implémentable.

Ce qu'un Honest Architect lit dans un article de release produit

L'article de MarkTechPost est un article de release produit basé sur la page de recherche d'Onton. L'Honest Architect extrait les formes de mécanisme sans endosser Onton. La méthodologie de benchmark est Production ✅ : code publié, données publiées, trois juges, IC bootstrap, alpha de Krippendorff. La forme du mécanisme neurosymbolique est Production ✅ : la décomposition des propriétés en propriétés vérifiables est réelle et implémentable. La divulgation des cas d'échec est Production ✅ : nommer où le mécanisme perd est honnête. La portée de disponibilité est Production ✅ : pas de poids ouverts, pas d'API publique, partenaire uniquement est honnête. Le titre 2.7x est Partial ⚠️ : non directement étayé par les nombres agrégés. Les revendications de performance d'Ograph sont Partial ⚠️ : cité par Onton, pas indépendamment benchmarké. La revendication « la méthodologie se généralise au-delà du e-commerce » est Partial ⚠️ : une seule verticale aujourd'hui, généralisation affirmée non démontrée.

Le garde-fou de portée compte. La pertinence de recherche e-commerce est une activité civilo-commerciale. Ce n'est pas une enquête de sécurité, pas une recommandation d'investissement, et pas une promesse de token, wallet ou community-credit. Les revendications cross-domaines vers Oracle, Sisters, World Monitor et eval sont des illustrations Partial ⚠️ de la forme du mécanisme. Aucune issue token, wallet ou community-credit n'est promise ; celles-ci sont Roadmap 🔵, examen Howey en attente.

Questions fréquemment posées

Le mécanisme est-il le graphe ou le catalogue ?

Le graphe. Théorème 3 : la propriété (pertinence sur les requêtes à forte intention) est garantie par le mécanisme (graphe de connaissances neurosymbolique décomposant les prédicats vagues en propriétés vérifiables), pas par le volume du catalogue. Onton indexe 1 pour cent et gagne 52 sur 90. Une équipe qui affirme « nous avons un grand catalogue » sans décomposition des propriétés est un non-mécanisme.

Le titre 2.7x est-il fiable ?

Il n'est pas directement étayé par les nombres agrégés. Le corps donne P@10 0,630 vs Amazon 0,469, ce qui est 1,34x. Le 2.7x peut être un ratio de requête spécifique ou de taux d'erreur, mais l'article ne montre pas le calcul. L'Honest Architect étiquette le classement agrégé Production (les trois juges d'accord sur l'ordre) et le titre 2.7x Partial.

Pourquoi l'alpha de Krippendorff de 0,465 est-il un écart honnête ?

Parce que l'alpha 0,465 signifie que les valeurs absolues de P@10 sont bruitées et dépendantes du juge. La propriété (le chiffre de précision absolue) n'est pas garantie par la mesure. Mais la propriété (l'ordre de classement) est garantie : les trois juges placent les moteurs dans le même ordre. L'Honest Architect étiquette la robustesse du classement Production et la garantie de précision absolue Partial.

En quoi neurosymbolique est-il inspectable comme l'ensemble Oracle ?

Les deux construisent un modèle du monde explicite et inspectable plutôt que d'absorber les motifs dans des poids opaques. L'Oracle normalise les probabilités à exactement un endroit, trie les scénarios par ordre décroissant, mesure l'entropie en nats. Ontology 1 construit un graphe de connaissances qui décompose « pet-friendly » en nettoyabilité, durabilité, indicateur polyester. L'Honest Architect étiquette les deux Production et la revendication cross-domaine Partial (même forme, domaines séparés).

Everythink endosse-t-il Onton ?

Non. Everythink est une plateforme de prévision, pas un vendeur de recherche. L'article de MarkTechPost est un article de release produit. L'Honest Architect extrait la forme du mécanisme (décomposition neurosymbolique des propriétés, benchmarking honnête, cas d'échec nommés) sans endosser le produit. Les revendications cross-domaines sont des illustrations Partial. Aucune issue token, wallet ou community-credit n'est promise ; celles-ci sont Roadmap, examen Howey en attente.

Sources

• Michal Sutter, "Onton Releases Ontology 1: A Neurosymbolic Search Model That is 2.7x More Accurate than the World's Best E-commerce Search Engines", MarkTechPost, August 2 2026, retrieved 2026-08-23, https://www.marktechpost.com/2026/08/02/onton-releases-ontology-1-a-neurosymbolic-search-model/

Si ton équipe est prête à mesurer le mécanisme plutôt que d'affirmer la propriété, construis ton réseau — la topologie route, les Sisters écrivent, l'Oracle mesure l'entropie à chaque fusion.