Plugins

QA de fidélité de conception pour les modèles texte uniquement : un outil `deepseek_vision` emprunte un œil à n’importe quelle route vision compatible OpenAI, afin que le modèle puisse juger si une implémentation correspond à sa maquette — livré avec le benchmark derrière ce jugement (quatre fixtures, 23 défauts injectés, transcriptions brutes) et la discipline de questionnement dont il dépend.

OMK — Observer. Mesurer. Savoir. Modifications de connaissances étayées par des preuves pour les applications IA.

Budgets d'utilisation et plafonds de coûts par plugin sur le flux en cascade llm/stream : comptabilisation de l'utilisation par modèle, budgets par session et mensuels avec transitions avertir/bloquer, fenêtres de latence et estimation de l'empreinte carbone.

Dialoguez avec Excel dans DeepSeek Harness : créez, modifiez, réparez et vérifiez des feuilles de calcul par conversation, avec des vérifications automatiques de la santé des formules après chaque modification.

Capture automatique sans LLM et index symbolique \[ENGRAM\] avec divulgation progressive, un protocole de tâche/preuve de type ESR-lite (esr_task / esr_node / esr_close / esr_link), et une télémétrie d’utilisation par espace de travail avec un benchmark de rappel hors ligne (npm run eval).

Discutez avec Excel dans DeepSeek Harness : créez, éditez, réparez et vérifiez des feuilles de calcul par conversation, avec des vérifications automatiques de l'état des formules après chaque édition.

Outils DSH pour reproduire et valider le benchmark CPU du protocole v1 de ml-quant-trading, puis rédiger un rapport prêt à ouvrir en issue. Nécessite un clone local de initial-d/ml-quant-trading (défini comme workspace ou repoPath) ainsi que Python et PyTorch ; ce plugin ne récupère pas le dépôt et n’installe pas ses dépendances.

Ajoute des contrats d'exécution persistants, des graphes de travail récursifs, des clarifications critiques et des portes de vérification par preuves pour les tâches Harness longues ou insuffisamment spécifiées.

Fusionne le contexte d'autres sessions dans le tour en cours : résolution de conflits pondérée par les preuves, rétractation des affirmations dont les prémisses ont été rétractées, étiquetage de confiance qui résiste à l'injection de prompts entre sessions, et compactage limité par un budget. Livre un benchmark.

Affiche les benchmarks de capacités des modèles CodexRadar dans une page de paramètres et montre le score DeepSWE du modèle de session sélectionné à côté de la zone de rédaction.

Porte de vérification pour les agents DSH : chaque critère d'acceptation doit être étayé par des preuves d'outils réelles horodatées par le serveur avant que la porte de finalisation ne laisse passer un objectif (audit consultatif, porte d'application, autorisations durables).

Security-audit facts AI coding agents cannot compute, plus a verdict gate: euthyna history attributes deleted lines to commits and flags those from security fixes (--origins finds the first introducer), euthyna coverage reports which changed symbols no test ever invoked, and euthyna gate checks each finding against six gates, downgrading any without evidence to an observation.

TypeSafe Jev (modèle de décision System One) pour DeepSeek Harness, de bout en bout : jev_decision (choice/score/noul, parallèle, réponses typées + confiance), une carte Paramètres > Plugins pour la clé API et les bascules, des vues d'outils en ligne montrant chaque décision dans la conversation (réponse, confiance, latence, coût), un garde automatique (contrôles déterministes + risque/boucle Jev), un tableau de bord local /jev, et un benchmark de vérification en ligne (96,3 % sur 27 questions étiquetées, médiane ~283 ms sur jev-latest, 2026-09-21). Honnête par conception : API réelle uniquement, aucun repli simulé.

Long-form novel writing plugin: each book is a git repository of frontmatter files, with 39 DSH domain tools and a web writing UI. Deep import drafts candidates, AI adoption into canonical assets requires DSH approval, and deterministic continuity checks ship with a report-only benchmark. Independent open source (MIT), not an official DeepSeek product; requires Node >= 24.11.0 and currently targets DSH 0.1.2-rc.1.

Same-origin in mechanism with the two loudest lines in context compression. The code-skeleton gate follows the skeletonization approach of Headroom (Apache-2.0), whose published headline is 20% fewer tokens for coding agents and 60–95% fewer tokens for JSON, same answers. The estimator channel follows TokenPilot (arXiv:2606.17016), which reports up to 60% lower cost for long-session agents. Both figures are theirs, quoted as-is; this plugin ships no benchmark of its own and claims no reduction of its own. What it adds for DeepSeek Harness: choose a compression profile, set the Auto Compact trigger level and toggle code-skeleton compression from one settings section, with exact DeepSeek V4 tokenizer measurement, same-revision count verification, and fail-open behaviour that keeps the original tool results on unsupported models.

One MCP tool instead of every schema you own — a lazy capability broker that cuts resident tool context by a measured 94.4%. Search, inspect, enable and call MCP servers and skills on demand.

Compares existing DSH sessions or runs controlled A/B trials between agent presets, showing aligned timelines, paired metric deltas, explicit success checks, and exportable reports.

Piano performance plugin: ask the agent to play a piece and it renders on a Canvas2D grand piano with real Salamander Grand samples, an immersive stage, and an interactive 88-key keyboard.

Experience validation layer for DSH: zero-token collection of tool-failure/retry/search signals, AI refinement into verified skill books (three-layer verification), looked up at task start. Ships 10 trial skills and benchmark data (complex-task success 100% vs 60% bare).

Run the same prompt through every model you have, and see the difference without squinting.

DSH web plugin: a LiveBench tab in the Trajectory view (right of 对话/轨迹). Run LiveBench evaluations against every model configured in the DeepSeek Harness — pick provider/model, category, task, release and question range from dropdowns, watch progress, and

Control panel for local LLM inference servers in the DSH web view: service registry with health checks and stop controls, named parameter profiles for llama.cpp, SGLang and vLLM with pre-save KV/VRAM validation, GPU detection, and tok/s benchmarks.

Paired experiments and promotion gates for DSH plugins.

Plateforme d'évaluation d'agents : benchmarks YAML, orchestration d'exécutions headless, métriques basées sur les traces, et rapports d'exécution.