docs(locadex): update translations on main

fr/hivemind.mdx

@@ -70,14 +70,15 @@ Depuis le tableau de bord HiveMind, votre équipe peut :
 * **Voir les sessions pour tous les agents** : Un démon capture les sessions de chaque agent pris en charge, sans configuration par agent.
 * **Suivre les coûts et l’utilisation** : Consultez le coût estimé au fil du temps, le coût par modèle et par équipe, l’utilisation des jetons et le coût par pull request fusionnée. Les chiffres de coût sont des estimations basées sur la tarification publiée des modèles et le nombre de jetons des sessions, et non sur les montants facturés par vos fournisseurs d’IA.
 * **Mesurer les résultats** : Reliez l’activité des agents aux pull requests, aux taux de fusion et à la quantité de code écrit par les agents qui est conservée.
+* **Suivre les compétences et les commandes slash** : Voyez quelles compétences et commandes slash votre équipe invoque et dans quelle mesure elles sont utilisées.
 * **Réutiliser le travail passé** : Utilisez `@hivemind` dans Claude Code, Codex ou Cursor pour rechercher dans l’historique des sessions de votre équipe et intégrer le contexte pertinent à votre session actuelle.
 * **Tirer parti de l’historique** : Importez des sessions existantes depuis des outils locaux comme Claude Code ou Cursor afin d’obtenir de nouvelles informations à partir d’une utilisation antérieure de l’IA.
 
-Ces captures d’écran montrent des pages d’exemple du tableau de bord HiveMind : un rapport d’utilisation, un leaderboard et la vue détaillée d’une session. Cliquez sur une capture d’écran pour voir les détails.
+Ces captures d’écran montrent des pages d’exemple du tableau de bord HiveMind : un leaderboard d’adoption, un rapport d’utilisation et de coût, et la vue détaillée d’une session. Cliquez sur une capture d’écran pour voir les détails.
 
 <Columns cols={2}>
-  <Frame>![Tableau de bord d’utilisation HiveMind avec des graphiques](/images/hivemind/hivemind-dashboard-pr-outcomes.png)</Frame>
-  <Frame>![Leaderboard HiveMind affichant les 15 meilleurs utilisateurs](/images/hivemind/hivemind-dashboard-leaderboard.png)</Frame>
+  <Frame>![Leaderboard d’adoption HiveMind affichant les meilleurs utilisateurs](/images/hivemind/hivemind-dashboard-leaderboard.png)</Frame>
+  <Frame>![Tableau de bord d’utilisation HiveMind avec des graphiques](/images/hivemind/hivemind-dashboard-usage.png)</Frame>
 </Columns>
 
 <Columns cols={1}>

fr/inference/lifecycle.mdx

@@ -44,11 +44,11 @@ Les modèles Serverless Inference suivants sont **obsolètes** :
 
 | Date d’obsolescence | Date de retrait | ID du modèle                         | Remplacement recommandé                             |
 | ------------------- | --------------- | ------------------------------------ | --------------------------------------------------- |
-| 2026-06-30          | 2026-07-20      | `microsoft/Phi-4-mini-instruct`      | `JetBrains/Mellum2-12B-A2.5B-Instruct`              |
-| 2026-06-30          | 2026-07-20      | `nvidia/Kimi-K2.5-NVFP4`             | `moonshotai/Kimi-K2.6`, `moonshotai/Kimi-K2.7-Code` |
-| 2026-06-30          | 2026-07-20      | `Qwen/Qwen3.5-27B`                   | `Qwen/Qwen3.6-27B`                                  |
-| 2026-06-30          | 2026-07-20      | `Qwen/Qwen3-235B-A22B-Instruct-2507` | `Qwen/Qwen3.6-27B`                                  |
-| 2026-06-30          | 2026-07-20      | `Qwen/Qwen3-235B-A22B-Thinking-2507` | `Qwen/Qwen3.6-27B`                                  |
+| 2026-06-30          | 2026-08-04      | `microsoft/Phi-4-mini-instruct`      | `JetBrains/Mellum2-12B-A2.5B-Instruct`              |
+| 2026-06-30          | 2026-08-04      | `nvidia/Kimi-K2.5-NVFP4`             | `moonshotai/Kimi-K2.6`, `moonshotai/Kimi-K2.7-Code` |
+| 2026-06-30          | 2026-08-04      | `Qwen/Qwen3.5-27B`                   | `Qwen/Qwen3.6-27B`                                  |
+| 2026-06-30          | 2026-08-04      | `Qwen/Qwen3-235B-A22B-Instruct-2507` | `Qwen/Qwen3.6-27B`                                  |
+| 2026-06-30          | 2026-08-04      | `Qwen/Qwen3-235B-A22B-Thinking-2507` | `Qwen/Qwen3.6-27B`                                  |
 
 <div id="retired-models">
   ## Modèles retirés

fr/inference/models.mdx

@@ -27,6 +27,7 @@ Les modèles suivants sont [généralement disponibles](/fr/inference/lifecycle#
 | Meta Llama 3.3 70B           | `meta-llama/Llama-3.3-70B-Instruct`            | Texte         | 128k                | 70B (total)               | Modèle multilingue qui excelle dans les tâches conversationnelles, le suivi précis des instructions et le codage.                                                                           |
 | Meta Llama 3.1 70B           | `meta-llama/Llama-3.1-70B-Instruct`            | Texte         | 128k                | 70B (total)               | Modèle conversationnel performant optimisé pour des interactions réactives avec des chatbots multilingues.                                                                                  |
 | Meta Llama 3.1 8B            | `meta-llama/Llama-3.1-8B-Instruct`             | Texte         | 128k                | 8B (au total)             | Modèle conversationnel performant, optimisé pour des interactions réactives avec des chatbots multilingues.                                                                                 |
+| MiniMax M3                   | `MiniMaxAI/MiniMax-M3`                         | Texte, vision | 262k                | 23B-428B (actifs-total)   | MiniMax M3 est un modèle MoE multimodal avec 23B de paramètres actifs, optimisé pour le codage et les flux de travail agentiques.                                                           |
 | MiniMax M2.5                 | `MiniMaxAI/MiniMax-M2.5`                       | Texte         | 197k                | 10B-230B (actifs-total)   | Modèle MoE à l’architecture très clairsemée, conçu pour offrir un débit élevé et une faible latence, avec de solides capacités de programmation.                                            |
 | Moonshot AI Kimi K2.7 Code   | `moonshotai/Kimi-K2.7-Code`                    | Texte, vision | 262k                | 32B-1T (actifs-total)     | Kimi K2.7 Code est un modèle MoE de 1T de paramètres avec 32B de paramètres actifs, spécialement conçu pour la programmation agentique à long horizon et l’ingénierie logicielle.           |
 | Moonshot AI Kimi K2.6        | `moonshotai/Kimi-K2.6`                         | Texte, vision | 262k                | 32B-1T (actifs-total)     | Kimi K2.6 est un modèle de langage multimodal de type Mixture-of-Experts, avec 32 milliards de paramètres activés et un total de 1 000 milliards de paramètres.                             |

fr/inference/response-settings/prefix-caching.mdx

@@ -0,0 +1,118 @@
+---
+title: "Mise en cache des préfixes"
+description: "Réduisez la latence des prompts répétés grâce à la mise en cache des préfixes, et isolez la réutilisation du cache avec `cache_salt` si nécessaire."
+---
+
+W&B Inference utilise la mise en cache des préfixes sur les modèles hébergés pris en charge pour accélérer les requêtes répétées ayant des préfixes de prompt identiques.
+
+Lorsqu'une requête partage le même préfixe de prompt qu'une requête antérieure sur le même backend, le modèle réutilise le cache de paires clé-valeur (KV) déjà calculé au lieu de recalculer l'intégralité du préfixe. Cela réduit la latence pour les prompts répétés, les prompts système longs et les charges de travail qui partagent un préfixe stable.
+
+La mise en cache des préfixes est automatique sur les modèles pris en charge. Vous n'avez donc pas besoin de l'activer dans votre requête. Cette page décrit les cas où la mise en cache des préfixes est la plus efficace et comment contrôler l'isolation du cache avec `cache_salt`.
+
+<div id="when-prefix-caching-helps">
+  ## Quand la mise en cache des préfixes est utile
+</div>
+
+La mise en cache des préfixes est particulièrement utile lorsque vous envoyez de façon répétée des requêtes qui partagent un long préfixe commun, par exemple :
+
+* Un long prompt système réutilisé dans de nombreuses requêtes.
+* Un long document commun suivi de différentes questions d’utilisateurs.
+* Des prompts d’évaluation répétés avec seulement de légères modifications d’une requête à l’autre.
+* Des charges de travail sur plusieurs tours de conversation, où une grande partie de l’historique reste inchangée.
+
+<div id="cache-isolation">
+  ## Isolation du cache
+</div>
+
+Dans certains environnements, vous pouvez avoir besoin d’empêcher la réutilisation du cache entre différents utilisateurs ou différentes applications. Le paramètre `cache_salt` permet ce contrôle.
+
+Par défaut, les requêtes avec des préfixes de prompt identiques peuvent réutiliser le cache sur une infrastructure partagée lorsque le backend l’autorise.
+
+Pour limiter la réutilisation du cache à un périmètre de confiance spécifique, définissez le paramètre de requête `cache_salt`. Les requêtes ne réutilisent le cache de préfixe que si le préfixe de prompt et `cache_salt` correspondent tous les deux.
+
+Utilisez `cache_salt` lorsque vous souhaitez autoriser la réutilisation du cache au sein d’un même utilisateur, tenant, session ou périmètre d’application, mais pas entre d’autres appelants.
+
+<div id="how-it-works">
+  ### Fonctionnement
+</div>
+
+La présence et la valeur de `cache_salt` influent sur la réutilisation du cache comme suit :
+
+* Même préfixe de prompt, pas de `cache_salt` : le cache peut être réutilisé entre les requêtes correspondantes.
+* Même préfixe de prompt, même `cache_salt` : le cache peut être réutilisé.
+* Même préfixe de prompt, `cache_salt` différent : le cache est isolé et n’est pas réutilisé d’une valeur de salt à l’autre.
+
+<Note>
+  `cache_salt` doit être une chaîne non vide lorsqu’il est spécifié.
+</Note>
+
+<div id="examples">
+  ## Exemples
+</div>
+
+Les exemples suivants montrent comment envoyer une requête de complétion de chat avec `cache_salt` afin d’isoler la réutilisation du cache.
+
+<Tabs>
+  <Tab title="Python">
+    ```python
+    import openai
+
+    client = openai.OpenAI(
+        base_url="https://api.inference.wandb.ai/v1",
+        api_key="<your-api-key>",
+    )
+
+    response = client.chat.completions.create(
+        model="moonshotai/Kimi-K2.5",
+        messages=[
+            {
+                "role": "system",
+                "content": "You are a careful assistant that answers concisely."
+            },
+            {
+                "role": "user",
+                "content": "Summarize this document in one sentence: <long shared prefix here>"
+            },
+        ],
+        extra_body={
+            "cache_salt": "tenant-a-user-123-secret",
+        },
+    )
+
+    print(response.choices[0].message.content)
+    ```
+  </Tab>
+
+  <Tab title="Bash">
+    ```bash
+    curl https://api.inference.wandb.ai/v1/chat/completions \
+      -H "Content-Type: application/json" \
+      -H "Authorization: Bearer <your-api-key>" \
+      -d '{
+        "model": "moonshotai/Kimi-K2.5",
+        "messages": [
+          { "role": "system", "content": "You are a careful assistant that answers concisely." },
+          { "role": "user", "content": "Summarize this document in one sentence: <long shared prefix here>" }
+        ],
+        "cache_salt": "tenant-a-user-123-secret"
+      }'
+    ```
+  </Tab>
+</Tabs>
+
+<div id="response-behavior">
+  ## Comportement de la réponse
+</div>
+
+Pour confirmer que la mise en cache des préfixes est active pour une requête, vérifiez les détails d’utilisation de la réponse. Sur certains modèles, les détails d’utilisation peuvent inclure le nombre de jetons mis en cache dans `usage.prompt_tokens_details.cached_tokens` lorsque le cache du préfixe est réutilisé. La disponibilité de ce champ varie selon le modèle et le backend.
+
+<div id="related-pages">
+  ## Pages connexes
+</div>
+
+Les pages suivantes abordent des sujets connexes :
+
+* [Complétions de chat](/fr/inference/api-reference/chat-completions)
+* [Activer le streaming des réponses](/fr/inference/response-settings/streaming)
+* [Sortie structurée](/fr/inference/response-settings/structured-output)
+* [Mode JSON](/fr/inference/response-settings/json-mode)

fr/inference/response-settings/reasoning.mdx

@@ -14,30 +14,35 @@ Les informations de raisonnement apparaissent dans le champ `reasoning` des rép
   ## Modèles pris en charge avec raisonnement
 </div>
 
-Le tableau suivant répertorie les modèles de Serverless Inference qui renvoient un raisonnement en sortie. Chaque modèle pris en charge inclut soit toujours le raisonnement, soit a le raisonnement activé ou désactivé par défaut :
+Le tableau suivant répertorie les modèles de Serverless Inference qui peuvent renvoyer un raisonnement en sortie, ainsi que le comportement de chacun :
+
+* **Always on :** Le modèle renvoie toujours un raisonnement en sortie. Vous ne pouvez pas le désactiver.
+* **Activé par défaut** / **Désactivé par défaut :** Vous pouvez activer ou désactiver le raisonnement en sortie. Le tableau indique la valeur par défaut lorsque vous ne spécifiez aucun paramètre.
+* **Adaptatif ; le modèle choisit par défaut :** Le modèle décide, pour chaque requête, s’il renvoie ou non un raisonnement en sortie. Vous pouvez redéfinir ce comportement.
 
 {/* takeru reasoning-models - Ce tableau est généré automatiquement, ne le modifiez pas à la main. */}
 
-| ID du modèle (pour l’utilisation de l’API)     | Prise en charge du raisonnement |
-| ---------------------------------------------- | ------------------------------- |
-| `deepseek-ai/DeepSeek-V4-Flash`                | Désactivé par défaut            |
-| `deepseek-ai/DeepSeek-V4-Pro`                  | Désactivé par défaut            |
-| `google/gemma-4-31B-it`                        | Désactivé par défaut            |
-| `MiniMaxAI/MiniMax-M2.5`                       | Always on                       |
-| `moonshotai/Kimi-K2.7-Code`                    | Always on                       |
-| `moonshotai/Kimi-K2.6`                         | Always on                       |
-| `moonshotai/Kimi-K2.5`                         | Always on                       |
-| `nvidia/NVIDIA-Nemotron-3-Super-120B-A12B-FP8` | Activé par défaut               |
-| `nvidia/NVIDIA-Nemotron-3-Ultra-550B-A55B`     | Activé par défaut               |
-| `openai/gpt-oss-120b`                          | Always on                       |
-| `openai/gpt-oss-20b`                           | Always on                       |
-| `Qwen/Qwen3.6-35B-A3B`                         | Activé par défaut               |
-| `Qwen/Qwen3.6-27B`                             | Activé par défaut               |
-| `Qwen/Qwen3.5-35B-A3B`                         | Activé par défaut               |
-| `Qwen/Qwen3.5-27B`                             | Activé par défaut               |
-| `Qwen/Qwen3-235B-A22B-Thinking-2507`           | Always on                       |
-| `zai-org/GLM-5.2`                              | Activé par défaut               |
-| `zai-org/GLM-5.1`                              | Activé par défaut               |
+| ID du modèle (pour l’utilisation de l’API)     | Prise en charge du raisonnement          |
+| ---------------------------------------------- | ---------------------------------------- |
+| `deepseek-ai/DeepSeek-V4-Flash`                | Désactivé par défaut                     |
+| `deepseek-ai/DeepSeek-V4-Pro`                  | Désactivé par défaut                     |
+| `google/gemma-4-31B-it`                        | Désactivé par défaut                     |
+| `MiniMaxAI/MiniMax-M3`                         | Adaptatif ; le modèle choisit par défaut |
+| `MiniMaxAI/MiniMax-M2.5`                       | Always on                                |
+| `moonshotai/Kimi-K2.7-Code`                    | Always on                                |
+| `moonshotai/Kimi-K2.6`                         | Always on                                |
+| `moonshotai/Kimi-K2.5`                         | Always on                                |
+| `nvidia/NVIDIA-Nemotron-3-Super-120B-A12B-FP8` | Activé par défaut                        |
+| `nvidia/NVIDIA-Nemotron-3-Ultra-550B-A55B`     | Activé par défaut                        |
+| `openai/gpt-oss-120b`                          | Always on                                |
+| `openai/gpt-oss-20b`                           | Always on                                |
+| `Qwen/Qwen3.6-35B-A3B`                         | Activé par défaut                        |
+| `Qwen/Qwen3.6-27B`                             | Activé par défaut                        |
+| `Qwen/Qwen3.5-35B-A3B`                         | Activé par défaut                        |
+| `Qwen/Qwen3.5-27B`                             | Activé par défaut                        |
+| `Qwen/Qwen3-235B-A22B-Thinking-2507`           | Always on                                |
+| `zai-org/GLM-5.2`                              | Activé par défaut                        |
+| `zai-org/GLM-5.1`                              | Activé par défaut                        |
 
 <div id="models-with-always-on-reasoning">
   ### Modèles avec le raisonnement `Always on`

fr/models/app/features/panels.mdx

@@ -1,6 +1,6 @@
 ---
 title: Panneaux
-sidebartitle: Aperçu
+sidebarTitle: Aperçu
 description: Utilisez et personnalisez les panneaux du Workspace pour visualiser vos données enregistrées
 keywords: ["panneaux du Workspace", "ajout rapide", "mode plein écran", "sections de panneaux", "intégrer un panneau"]
 ---

fr/models/app/features/panels/line-plot.mdx

@@ -44,11 +44,9 @@ Les sections suivantes expliquent comment créer un graphique en courbes pour un
   </Tab>
 
   <Tab title="Graphique en courbes avec plusieurs métriques">
-    <Note>
-      Cette fonctionnalité est en préversion et disponible sur invitation uniquement. Pour demander à y être inscrit, contactez [l’assistance](mailto:support@wandb.com) ou votre AISE.
-    </Note>
+    Dans un [espace de travail automatique](/fr/models/app/features/panels#workspace-modes), W&amp;B crée automatiquement un graphique en courbes à métrique unique pour chaque métrique enregistrée.
 
-    Dans un [espace de travail automatique](/fr/models/app/features/panels#workspace-modes), W&amp;B crée automatiquement un graphique en courbes à métrique unique pour chaque métrique enregistrée. Cette section explique comment créer un graphique en courbes unique affichant plusieurs métriques à la fois, définies par une expression régulière JavaScript. Vous pouvez également regrouper plusieurs graphiques à métrique unique en un seul graphique multi-métrique. Cela peut améliorer les performances d’un espace de travail comportant de nombreuses métriques enregistrées et vous aider à analyser les résultats de vos runs.
+    Cette section explique comment créer un graphique en courbes affichant plusieurs métriques sélectionnées à l’aide d’une expression régulière JavaScript. Un graphique en courbes multi-métrique vous permet de comparer des métriques associées dans un même panneau au lieu de les examiner dans plusieurs panneaux.
 
     1. Accédez à votre espace de travail.
     2. Pour ajouter un graphique en courbes globalement, cliquez sur **Add panels** dans la barre de contrôle, à côté du champ de recherche des panneaux.