top of page

think-graft teste une sortie anticipée avec une ligne de poids

il y a 7 minutes
15 min de lecture
Illustrative photograph. Photo: Bibek ghosh / Pexels.

La sortie anticipée de think-graft modifie une ligne de la couche de sortie et rapporte 54 % de tokens générés en moins sur huit problèmes de mathématiques tenus à l’écart. Les deux versions des modèles ont répondu correctement aux huit problèmes. Le résultat soulève une question pratique : de combien de raisonnement un modèle a-t-il besoin après avoir déjà trouvé la réponse ?

Le développeur Vaibhav a publié l’expérience le 15 novembre 2026, en utilisant Qwen3.5-4B et DeepSeek V4.1 Flash. La modification proposée augmente la probabilité de mettre fin au brouillon de raisonnement d’un modèle lorsque son état interne ressemble à un travail achevé. Son intérêt réside dans sa simplicité de déploiement : le mécanisme d’arrêt devient partie intégrante du fichier de poids.

L’enjeu central oppose l’arrêt adaptatif aux limites fixes de raisonnement. Un budget fixe peut interrompre un travail utile ou permettre des vérifications répétitives. Des recherches antérieures, notamment Thinkless et les travaux sur la vérification des états cachés, abordent déjà ce problème. Cette expérience étudie si un signal d’arrêt peut être intégré au modèle lui-même, sans composant supplémentaire exécuté à ses côtés.

La sortie anticipée de think-graft cible la décision d’arrêt

La modification rapportée concerne le moment où le raisonnement se termine, plutôt que la manière dont le modèle exécute chaque étape du raisonnement. Cette distinction explique à la fois la promesse de l’expérience et sa portée limitée.

Les modèles de raisonnement génèrent un brouillon, une séquence de texte intermédiaire utilisée avant de produire leur réponse finale. Dans les configurations testées, le jeton spécial </think> marque la sortie de ce brouillon. L’expérience modifie les poids chargés d’évaluer ce jeton.

L’expérience à une ligne de Vaibhav décrit un schéma récurrent dans des réponses mathématiques enregistrées. Le modèle énonce une réponse correcte, puis continue à la vérifier au moyen de dérivations alternatives et de validations répétées. Il arrive que ces vérifications consomment le budget de génération restant avant qu’une réponse finale n’apparaisse.

L’intervention proposée utilise une sonde linéaire, un calcul pondéré qui identifie un motif dans la représentation numérique interne du modèle. Ici, ce motif représente des fins de paragraphe après l’apparition d’une réponse correcte. Le comportement visé est sélectif : préserver la recherche, puis raccourcir la fin répétitive.

C’est une nuance importante de l’expression « sortie anticipée ». Le modèle ne saute pas ses couches de calcul internes lors de la génération de chaque jeton. Il génère plutôt moins de jetons de raisonnement avant de passer à sa phase de réponse. Chaque jeton restant nécessite toujours les calculs habituels du modèle.

L’expérience Qwen originale utilisait Qwen3.5-4B en Q8_0, un format de poids à huit bits, exécuté sur un GPU RTX 4060 Laptop doté de 8 Go de mémoire. Vaibhav indique avoir utilisé un moteur d’inférence llama.cpp non modifié, le logiciel qui exécute le modèle. L’ajustement d’arrêt était intégré au fichier de modèle obtenu.

La préparation de ce fichier a néanmoins exigé un travail expérimental important. L’auteur a généré des traces de raisonnement, enregistré des états internes, attribué des étiquettes, ajusté la sonde et calibré sa force. Sur 24 problèmes d’ajustement, 22 ont produit des traces exploitables où la bonne réponse apparaissait pendant le raisonnement.

Qualifier la méthode de sans entraînement nécessite donc une définition précise. L’auteur n’a pas effectué d’entraînement de modèle fondé sur le gradient, qui met à jour les poids par étapes d’optimisation répétées. Toutefois, la méthode apprend toujours une distinction statistique à partir d’exemples étiquetés. Elle n’est ni sans données ni sans calibration.

Cette distinction compte pour les développeurs qui comparent les coûts de mise en œuvre. Un fichier modifié réutilisable peut simplifier le déploiement après sa préparation. Il n’élimine pas le travail nécessaire pour établir que la modification se comporte correctement sur un modèle donné.

La publication est également une expérience menée par un développeur individuel, et non une annonce de Qwen ou DeepSeek. Ses chiffres de performance restent rapportés par l’auteur. Les éléments disponibles permettent d’examiner le mécanisme et de tenter une reproduction, mais ils n’établissent pas une fiabilité générale sur l’ensemble des tâches.

Les budgets fixes laissent des réponses utiles inachevées

L’affirmation pratique la plus claire concerne une meilleure finalisation dans un budget fixe, plutôt qu’une hausse générale des capacités de raisonnement. Les résultats sélectionnés en mathématiques de compétition rendent cette distinction particulièrement importante.

Sur trois problèmes de l’AIME 2025 avec un budget de 32 000 tokens, la configuration Qwen originale n’a produit aucune réponse finale réussie. La version modifiée en a résolu correctement deux. Selon Vaibhav, les traces originales contenaient déjà les bonnes réponses avant que des vérifications répétées n’épuisent leurs budgets.

Cela crée un mode d’échec spécifique. Un modèle peut disposer d’un résultat intermédiaire utile tout en échouant à fournir une réponse finalisée. Avec une limite stricte de génération, des vérifications supplémentaires peuvent réduire le succès mesuré si le modèle n’atteint jamais sa phase de réponse.

Le résultat ne doit pas être interprété comme la preuve que le modèle original n’aurait jamais pu résoudre ces problèmes. Un budget plus élevé modifie la comparaison. L’auteur présente explicitement l’expérience comme une amélioration de la manière dont un budget existant se traduit en réponses achevées.

Pour les développeurs qui exploitent des assistants locaux, cette distinction a des conséquences pratiques. Les utilisateurs reçoivent la réponse finale, pas le crédit d’une réponse enfouie dans un brouillon inachevé. Un mécanisme d’arrêt doit donc préserver le raisonnement utile tout en permettant au modèle de terminer sa réponse.

Les limites fixes offrent des bornes de ressources prévisibles, mais elles ne reconnaissent pas ce qui se passe à l’intérieur d’une réponse donnée. La même limite s’applique lorsqu’un modèle découvre une solution et lorsqu’il la reformule. Abaisser cette limite réduit la consommation sans distinguer ces situations.

Désactiver la réflexion crée une autre solution brutale. Cela supprime le brouillon durant toute la réponse, y compris dans les situations où un raisonnement délibéré serait utile. Un mécanisme adaptatif cherche plutôt à reconnaître le moment où la génération supplémentaire du brouillon ne contribue plus suffisamment de valeur.

Le contexte concurrentiel comprend des approches qui apprennent ce choix durant l’entraînement du modèle. La sélection adaptative du raisonnement, décrite dans Thinkless, entraîne un modèle à choisir entre des réponses plus courtes et un raisonnement étendu. Ses auteurs utilisent l’apprentissage par renforcement, un processus d’optimisation guidé par des retours fondés sur les résultats.

Cette approche et think-graft poursuivent des objectifs d’efficacité liés par des interventions différentes. Thinkless modifie le comportement au moyen d’une procédure d’entraînement dédiée. L’expérience à une ligne ajuste une lecture d’informations internes existantes et l’insère dans la décision d’arrêt du modèle.

Il ne s’agit pas de victoires comparables sur un benchmark. Les approches utilisent des modèles, des conditions d’évaluation et des définitions de l’efficacité différents. La comparaison utile concerne l’emplacement du contrôle et la préparation requise par chaque approche.

La pression immédiate concerne les développeurs qui choisissent des contrôles de raisonnement pour des modèles à poids ouverts. Si une petite modification de sortie résiste à des tests plus larges, ils disposent d’une option supplémentaire au-delà des limites fixes et des variantes entraînées séparément. D’ici là, des réglages de budget prévisibles conservent un avantage opérationnel important.

Pour les acheteurs en entreprise, la question pertinente reste la qualité des tâches achevées sous contraintes de ressources. Un brouillon plus court n’aide que si la réponse finale demeure exacte, complète et utile. La réduction des tokens seule ne peut pas répondre à cette question.

Un signal ajusté devient partie intégrante des poids

L’idée de déploiement consiste à intégrer un détecteur dans une opération que le modèle effectue déjà. Cela supprime une décision distincte à l’exécution, tout en laissant la qualité du détecteur dépendre de sa préparation.

Un état caché est la représentation numérique que le modèle calcule à partir du texte traité jusqu’alors. La couche de sortie convertit cette représentation en scores de jetons. Chaque jeton du vocabulaire possède une ligne de poids correspondante qui contribue à son score.

Un logit est le score d’un jeton avant sa conversion en probabilité. Dans l’expérience, le logit </think> reçoit une contribution supplémentaire de la sonde ajustée. Un signal d’achèvement plus fort augmente la probabilité que le modèle termine son brouillon.

L’algèbre est simple. Ajouter le vecteur de la sonde à la ligne de poids du jeton de fermeture incorpore son calcul dans la multiplication existante de la couche de sortie. Le moteur d’inférence n’a pas besoin d’appeler un second classifieur ni d’inspecter les paragraphes générés par du code applicatif supplémentaire.

L’auteur ajuste ce vecteur à l’aide d’une analyse discriminante linéaire avec régularisation, une méthode statistique qui sépare des groupes étiquetés tout en stabilisant ses estimations. Les exemples positifs sont des fins de paragraphe sélectionnées après la première apparition de la réponse correcte. Les exemples négatifs incluent des positions de résolution antérieures et d’autres positions dans les paragraphes.

Ces exemples négatifs portent une grande part de la charge pratique de la méthode. Un détecteur qui ne reconnaîtrait que la confiance mathématique pourrait se déclencher avant une correction nécessaire. La distinction recherchée est plus étroite : un travail achevé à un point d’arrêt approprié, par opposition à tout ce qui doit continuer.

Un réglage de force contrôle le poids avec lequel le signal ajusté influence le jeton de fermeture. Vaibhav a utilisé une valeur de 14 dans les expériences rapportées. Les résultats de calibration montrent que le risque d’arrêt prématuré augmente à mesure que ce réglage devient plus agressif.

Cela fait de l’arrêt précoce un problème de contrôle plutôt qu’une réduction gratuite du calcul. Une intervention plus forte supprime davantage de vérifications, mais augmente également la probabilité d’interrompre un travail utile. Le réglage retenu reflète un jugement sur cet équilibre dans les traces disponibles.

Un détail de conditionnement se cache également derrière la description à une ligne. Qwen3.5-4B partage des poids entre ses embeddings d’entrée et sa tête de sortie. Le fichier modifié ajoute une tête de sortie distincte afin que la représentation d’entrée du jeton de fermeture reste inchangée.

Par conséquent, « une ligne » décrit la modification comportementale ciblée. Cela ne signifie pas que chaque fichier de modèle peut recevoir un correctif identique au niveau des octets. Le partage des poids et la représentation du fichier influent sur la manière dont la modification doit être empaquetée.

La prémisse scientifique plus large est antérieure à cette publication. La recherche sur l’auto-vérification par états cachés a étudié si les représentations internes révèlent l’exactitude de réponses intermédiaires. Elle a également examiné l’utilisation de ces signaux pour mettre fin plus tôt au raisonnement.

Des travaux distincts sur la planification de la force du raisonnement relient des directions internes à la longueur du raisonnement et au score du jeton de fermeture. Ces études fournissent un contexte pertinent pour le mécanisme. Elles ne valident pas indépendamment la sonde particulière de Vaibhav ni les résultats rapportés.

L’affirmation d’exactitude exige également de la prudence. Pour un état caché enregistré et fixe, le score modifié du jeton de fermeture découle directement de la modification des poids. Cette relation mathématique n’établit pas une reproduction exacte de réponses générées entières.

Le 17 novembre, l’auteur a clarifié cette distinction pour les méthodes d’échantillonnage qui limitent les jetons candidats. De telles modifications d’échantillonnage peuvent changer la continuation sélectionnée. Dès que le texte généré diverge, les états cachés ultérieurs peuvent également diverger.

Comprendre le fonctionnement de think-graft exige donc de séparer une équation locale d’une prévision comportementale complète. L’équation décrit un changement précis de score. Un déploiement fiable exige toujours des tests de génération en conditions réelles qui capturent les conséquences de ce changement.

Les économies mises en avant proviennent de comparaisons étroites

Les premières mesures justifient une enquête approfondie, mais leurs dénominateurs empêchent toute affirmation générale sur les performances. Chaque résultat rapporté répond à une question plus restreinte que ne le laisse entendre un pourcentage de titre.

Pour Qwen3.5-4B, la principale comparaison porte sur huit problèmes de validation extraits de MATH-500, une collection de problèmes d’évaluation mathématique. Elle ne couvre pas l’intégralité du benchmark. Chaque configuration de modèle a généré un échantillon par problème.

Les deux configurations ont correctement résolu les huit problèmes. Le total de tokens générés est passé de 34 955 à 16 080, soit la réduction rapportée de 54 %. Les tokens de raisonnement sont passés de 30 452 à 12 263, soit une réduction distincte d’environ 60 %.

Cette distinction importe, car interrompre le brouillon de raisonnement peut déplacer du travail vers la réponse visible. Ne mesurer que les tokens de raisonnement risque de surestimer la réduction de la génération totale. La comparaison Qwen rapporte les deux catégories, permettant aux lecteurs de les distinguer.

L’expérience DeepSeek présente une configuration matérielle différente. Vaibhav indique avoir exécuté DeepSeek V4.1 Flash, un modèle de 763 milliards de paramètres, dans un format à deux bits occupant 243GB. Les experts du modèle étaient diffusés depuis un stockage à état solide via un moteur modifié.

L’ordinateur portable disposait de 30GB de mémoire système et d’un GPU de 8GB. Cela ne signifie pas que le modèle complet tenait dans 8GB de mémoire GPU. La diffusion depuis le stockage est au cœur de la configuration et de la motivation pratique pour éviter les tokens inutiles.

Parmi sept problèmes mathématiques mis en avant, la configuration originale à effort maximal en a résolu six correctement, tandis que la version modifiée en a résolu sept. Toutefois, deux autres problèmes de validation ont épuisé leur budget dans les deux configurations. En les incluant, on obtient six réponses réussies contre sept sur neuf problèmes.

La réduction de tokens rapportée de 40 % utilise un autre dénominateur : les six problèmes résolus par les deux configurations. Leurs totaux sont passés de 41 559 à 25 112 tokens. Cette comparaison isole les réussites communes, plutôt que de présenter une réduction uniforme sur tous les problèmes tentés.

L’expérience sur l’agent est plus restreinte encore. Un agent est un système piloté par un modèle qui effectue des actions à l’aide d’outils. Ici, la tâche principale consistait à créer un site web de boulangerie via un flux de travail de codage dans le terminal.

L’exécution DeepSeek modifiée a utilisé 2 062 tokens de raisonnement, contre 13 106 pour l’exécution originale à effort moyen. Cela étaye la réduction rapportée de 84 % du raisonnement pour cette tâche. Il ne s’agit pas d’une réduction de 84 % du temps d’exécution total.

L’évaluation de qualité nécessite également une attribution. ChatGPT a évalué des captures d’écran sans étiquettes de modèle, attribuant 9,5 sur 10 au résultat modifié et 8,2 à l’original. Il s’agit d’un jugement de préférence automatisé, et non d’une étude indépendante de l’utilisabilité par des humains.

L’auteur décrit la rédaction répétée dans le brouillon de raisonnement comme une source de travail gaspillé. Une limite par étape interrompait ces brouillons, après quoi le modèle recommençait parfois. La modification aurait réduit ce comportement dans la tâche sélectionnée.

Ces observations sont utiles car elles identifient des comportements concrets à étudier. Elles restent les résultats d’exécutions uniques avec un modèle, un moteur et une configuration de tâche spécifiques. Elles ne permettent pas d’établir que la même modification améliore les agents de codage de manière générale.

Dans leur ensemble, les résultats suggèrent une opportunité d’efficacité assortie de plusieurs limites de mesure. Les réponses achevées, le nombre total de tokens, les tokens de raisonnement, le temps d’exécution et la qualité de sortie décrivent des résultats différents. Une évaluation crédible doit préserver ces distinctions plutôt que de les regrouper dans une seule affirmation d’amélioration.

Un arrêt plus précoce peut révéler d’autres défaillances

Un modèle qui termine son brouillon de raisonnement plus tôt peut néanmoins continuer à vérifier, répéter des tokens spéciaux ou formuler des affirmations non étayées. La réponse visible doit rester une partie de l’évaluation.

Vaibhav rapporte des tokens </think> supplémentaires dans certaines réponses mathématiques DeepSeek modifiées. L’explication proposée découle directement du mécanisme. Si la vérification pendant la phase de réponse ressemble à celle du brouillon de raisonnement, le même signal ajusté peut s’activer après la transition prévue.

Il s’agit d’une limite significative pour une intervention ne modifiant que les poids. La ligne de sortie modifiée reste présente tout au long de la génération. Son influence ne disparaît pas automatiquement lorsque le modèle entre dans une phase différente.

L’auteur rapporte que l’ajout de texte de réponse comme exemples négatifs élimine ces balises parasites dans une variante supplémentaire. Cette conclusion suggère une correction possible, mais elle renforce aussi l’importance de l’étiquetage. Le comportement dépend de ce que le processus d’ajustement apprend à la sonde à ignorer.

Une partie des vérifications s’est également déplacée dans la réponse visible. Dans un exemple DeepSeek rapporté, la réponse elle-même contenait 3 611 tokens. La réponse globale est restée plus courte, mais la réduction du brouillon de raisonnement n’a pas éliminé toutes les vérifications ultérieures.

Cela crée un compromis du point de vue de l’utilisateur. Une phase de raisonnement cachée plus courte peut produire une réponse visible plus longue ou moins soignée. Les applications doivent déterminer si la sortie devient plus facile à utiliser, plutôt que de supposer que chaque token de clôture plus précoce améliore l’expérience.

La tâche d’analyse de données apporte une autre mise en garde. Selon l’évaluation de l’auteur, la configuration modifiée a identifié légèrement plus de résultats intentionnellement insérés. Elle a aussi formulé deux affirmations erronées, contre une pour l’exécution comparative originale.

Cette comparaison utilisait des paramètres d’effort différents, ce qui ajoute une autre limite. Elle n’isole pas la modification des poids comme seule différence significative. Elle montre néanmoins pourquoi un résultat économisant des tokens ne peut pas remplacer un examen de la qualité factuelle.

L’expérience est également confrontée à l’incertitude liée à une répétition limitée. Une exécution par cellule ne peut pas caractériser la variabilité des réponses échantillonnées. Certaines mesures de référence DeepSeek utilisaient une version plus ancienne du moteur, ce qui complique davantage l’attribution.

Les données d’ajustement soulèvent une préoccupation distincte. Les étiquettes de correction provenaient de traces mathématiques où une réponse pouvait être identifiée. La recherche ouverte, l’analyse de documents et la planification offrent rarement une frontière d’arrêt aussi nette.

Un détecteur ajusté sur l’achèvement mathématique pourrait reconnaître des schémas utiles ailleurs, comme le suggèrent les exemples d’agents. Toutefois, le transfert à quelques tâches n’établit pas un comportement fiable dans des domaines inconnus. Un signal d’arrêt assuré peut toujours accompagner une conclusion incorrecte.

Les recherches antérieures sur le sondage précoce apportent un contexte à cette préoccupation. Leurs résultats comprennent des limites à la généralisation entre domaines de tâches. Cela plaide en faveur de tester le détecteur sur de nouvelles catégories plutôt que de supposer qu’un signal d’achèvement est universel.

Le suivi du 17 novembre nécessite également un traitement distinct. Le project repository décrit une expérience Qwen3.5-0.8B qui modifie trois lignes de sortie et évalue l’ensemble des 500 problèmes MATH-500. Il rapporte 276 réponses correctes, contre 261 dans un échantillon de référence externe sélectionné.

Ces chiffres concernent un autre modèle et une autre intervention. Ils ne peuvent pas étendre le résultat initial sur huit problèmes à une validation sur l’ensemble du benchmark de la méthode à une ligne. La référence externe exige également un examen avant que les lecteurs ne la considèrent comme une base de comparaison contrôlée.

Le suivi rapporte explicitement un bouclage important durant la phase de réponse ainsi que des balises de clôture répétées. Son évaluation plus large apporte donc des éléments sur les modes de défaillance autant que sur les capacités. Une couverture accrue du benchmark n’efface pas les différences de conception expérimentale.

Le statut actuel est donc précis : un mécanisme inspectable, de petites comparaisons encourageantes et des problèmes comportementaux documentés. Les résultats n’ont pas été reproduits indépendamment pour cet article. Une affirmation générale de précision préservée irait au-delà des preuves disponibles.

Le prochain test porte sur l’achèvement fiable des tâches

La prochaine étape utile consiste à obtenir une amélioration reproductible des tâches achevées, en tenant pleinement compte de la réponse finale et des conditions de déploiement. Trois évolutions permettraient de déterminer si cette approche devient une option fiable.

Premièrement, une réplication indépendante en conditions réelles devrait tester la configuration Qwen originale à une ligne sur davantage de problèmes et d’échantillons répétés. L’utilisation de fichiers de modèle, invites, budgets et versions de moteur identiques rendrait la comparaison plus facile à interpréter. Rapporter chaque échec serait aussi important que de rapporter la réduction moyenne de tokens.

Une réduction répétée du nombre total de tokens sans perte significative de précision renforcerait l’affirmation initiale. Des arrêts prématurés fréquents ou des résultats instables l’affaibliraient. L’un ou l’autre résultat serait plus informatif qu’un nouvel exemple isolé présentant une économie importante en pourcentage.

Deuxièmement, les évaluations devraient suivre des flux de travail d’agents complets et le comportement durant la phase de réponse. Les mesures pertinentes comprennent la réussite de la tâche, les affirmations non étayées, les tokens répétés, les appels d’outils et le temps écoulé. Les seuls décomptes de tokens de raisonnement laissent une trop grande part de l’expérience utilisateur non mesurée.

C’est particulièrement important lorsque le modèle lit des informations changeantes ou répond à des erreurs. Le mécanisme d’arrêt doit préserver le travail délibéré lorsqu’une tâche devient plus difficile. Il doit également éviter de déplacer un raisonnement inachevé dans la réponse ou d’augmenter l’utilisation corrective d’outils.

Pour les développeurs qui créent des assistants autour de documents techniques, préserver les preuves d’évaluation rend les comparaisons plus utiles. Une base de connaissances consultable peut conserver les invites, les cas d’échec et les décisions disponibles pour un examen ultérieur. Cette documentation soutient l’évaluation sans fournir elle-même de preuves sur la qualité du modèle.

Troisièmement, des tests plus larges devraient établir la sensibilité de la modification au conditionnement du modèle et aux conditions d’exécution. Les différences de chemin de capture rapportées montrent déjà que les détails d’implémentation peuvent compter. Un artefact réutilisable nécessite des vérifications au-delà d’un chargement réussi dans un seul moteur.

Des preuves d’un comportement stable dans les configurations prises en charge renforceraient l’argument en faveur du déploiement. Un recalibrage répété pour chaque configuration réduirait cet avantage. La nouvelle expérience à trois lignes devrait rester clairement identifiée séparément dans toutes ces comparaisons.

Pour les acheteurs, ces signaux se traduisent par une exigence simple : demander des preuves sur des tâches achevées dans des conditions proches de l’usage réel. Demandez si les économies incluent les réponses visibles et les nouvelles tentatives. Demandez si la comparaison utilise le même moteur et si les sorties incorrectes font l’objet d’un examen équivalent.

L’idée originale mérite toujours d’être suivie parce qu’elle rend l’arrêt adaptatif exceptionnellement facile à distribuer. Une fois préparé, le détecteur voyage avec les poids. Le défi restant consiste à déterminer dans quelles conditions cette commodité produit des économies fiables.

Avant d’adopter la sortie anticipée think-graft, examinez les échecs consignés parallèlement aux traces réussies. Comparez les modèles originaux et modifiés sur des tâches que vous connaissez déjà, notamment des cas exigeant une correction après une première réponse plausible. Gardez la génération totale, la qualité d’achèvement et le temps écoulé visibles dans la même évaluation. Traitez l’artefact à une ligne et le suivi à trois lignes comme des expériences distinctes avec des preuves distinctes. La question utile est de savoir si une fin plus précoce aide le modèle à fournir un résultat correct et exploitable dans vos contraintes. Suivez la prochaine réplication indépendante pour obtenir cette réponse, et jugez la méthode au travail qu’elle accomplit.

 
 

Commencez pour Gratuit

Un premier assistant IA local avec gestion des connaissances personnelles

Pour une meilleure expérience IA,

remio ne supporte que Windows 10+ (x64) et M-Chip Macs actuellement.

Votre partenaire IA au travail
Faites-en plus avec remio

Planifiez. Créez. Livrez.
Tout au même endroit.

bottom of page