Qu'est-ce qu'un LLM? Les grands modèles de langage expliqués simplement

Un LLM, ou grand modèle de langage, est un type d'IA entraîné sur d'énormes quantités de texte pour comprendre et générer du langage. Étant donné un texte, il prédit ce qui devrait suivre, un petit morceau à la fois, et cette capacité simple suffit à répondre à des questions, rédiger, résumer, traduire et écrire du code. Les modèles derrière ChatGPT, Claude et Gemini sont tous des LLM.

Pourquoi c'est important quand on construit avec l'IA

Si vous construisez avec un créateur d'applications IA, vous travaillez avec un LLM de deux façons. D'abord, un LLM fait le travail de construction : il lit votre demande, planifie les modifications et écrit le code. Ensuite, vous voudrez peut-être un LLM à l'intérieur de votre app — un robot de clavardage, un bouton de résumé, un assistant de rédaction.

Comprendre les bases vous aide dans les deux cas. Cela explique pourquoi l'IA comprend parfois mal une demande vague, pourquoi elle peut produire avec assurance quelque chose de faux, pourquoi de longues conversations peuvent lui faire perdre le fil des détails antérieurs, et pourquoi ajouter des fonctions d'IA à votre app coûte de l'argent à chaque utilisation. Vous n'avez pas besoin des mathématiques — seulement d'un bon modèle mental.

Une analogie du quotidien

Imaginez quelqu'un qui a lu une bibliothèque immensément grande — livres, sites web, manuels, code, forums — et qui est devenu extraordinairement bon pour poursuivre n'importe quel texte de façon cohérente. Donnez-lui le début d'un courriel et il le terminera dans votre ton. Posez une question et il rédigera le genre de réponse qui suit habituellement ce type de question.

Mais il n'a aucune note à vérifier, et la bibliothèque a fermé à une certaine date. Il rappelle des régularités, il ne consulte pas. La plupart du temps, les régularités sont justes. Parfois, il comble un trou avec quelque chose qui sonne juste, avec exactement la même assurance.

Voilà un LLM : un écrivain très instruit et très fluide, à la mémoire imparfaite, sans vérificateur de faits intégré.

Comment fonctionne un LLM, en termes simples

Entraînement. Le modèle voit d'énormes quantités de texte et apprend, en ajustant des milliards de nombres internes (ses paramètres), à prédire le morceau de texte suivant. La conception qu'utilisent la plupart des LLM s'appelle un transformeur, présenté par des chercheurs de Google en 2017.
Réglage. Le modèle brut est ensuite raffiné pour suivre des instructions, tenir une conversation et éviter les contenus nuisibles, souvent grâce à des retours humains.
Utilisation (inférence). Quand vous envoyez une invite, le modèle la lit et génère une réponse un jeton à la fois, en choisissant à chaque fois un jeton suivant probable selon tout ce qui précède.

Il n'a pas de base de données de faits à l'intérieur, et il n'apprend pas de votre clavardage. Tout ce qu'il « sait » dans une conversation provient soit de l'entraînement, soit de ce qui est devant lui à l'instant — sa fenêtre de contexte.

Un exemple concret : une réponse au service à la clientèle

Disons que vous tenez une boutique de plantes en ligne et que vous collez ceci dans un LLM :

Un client écrit : « Ma commande n° 4412 est arrivée avec un pot brisé. Que pouvez-vous faire? » Notre politique : nous remplaçons gratuitement les articles endommagés dans les 14 jours si le client envoie une photo. Rédige une réponse amicale.

Voici ce qui se passe :

Le texte est découpé en jetons, peut-être une centaine.
Le modèle lit tout : le message du client, votre politique et votre consigne.
Il génère une réponse un jeton à la fois : « Bonjour! Je suis vraiment désolé que votre pot soit arrivé brisé… » et demande une photo, en mentionnant le remplacement gratuit.

Essayez maintenant la même demande sans la politique. Le modèle rédigera quand même une réponse amicale et assurée — mais il pourrait promettre un remboursement, ou une fenêtre de 30 jours, parce que ce sont des régularités courantes dans les courriels de service à la clientèle qu'il a vus. C'est une hallucination, et elle illustre la leçon la plus pratique sur les LLM : ils ne sont aussi exacts que l'information que vous leur donnez. Les apps qui ont besoin de réponses fiables fournissent au modèle la bonne source à chaque fois, une technique appelée RAG.

Termes clés expliqués

Terme	Signification
Jeton	Un morceau de texte — souvent un mot ou une partie de mot. Les limites et les prix se comptent en jetons.
Fenêtre de contexte	La quantité de texte que le modèle peut considérer à la fois : votre invite, la conversation et les documents.
Invite (prompt)	L'entrée que vous donnez au modèle. Voir qu'est-ce que l'ingénierie de prompts.
Paramètres	Les nombres internes appris pendant l'entraînement. Plus n'est pas automatiquement mieux.
Données d'entraînement	Le texte sur lequel le modèle a appris.
Date limite des connaissances	La date après laquelle le modèle n'a plus de données d'entraînement; il ne connaît donc pas les événements récents, sauf si on les lui indique.
Hallucination	Une production fluide et sûre d'elle, mais fausse.
Température	Un réglage qui détermine à quel point la production est variée ou prévisible.
Inférence	Faire tourner le modèle pour obtenir une réponse. C'est ce que vous payez à chaque utilisation.
Multimodal	Des modèles qui peuvent aussi traiter des images, de l'audio ou d'autres entrées, pas seulement du texte.
API	La façon dont une app envoie des invites à un LLM par programme. Voir comment utiliser les API de LLM.

Erreurs courantes et idées reçues

« Il consulte des sources. » Un LLM simple ne le fait pas. Certaines apps ajoutent la recherche web ou la récupération de documents, mais le modèle lui-même génère à partir de régularités.
« S'il semble sûr de lui, il a raison. » L'assurance et l'exactitude n'ont aucun lien. Vérifiez les noms, les chiffres, les dates, les prix et tout ce qui est juridique ou médical.
« Il se souvient de tout ce que j'ai dit. » Seulement de ce qui tient dans la fenêtre de contexte. Dans les très longues conversations, les premiers détails peuvent disparaître ou recevoir moins d'attention. Répétez ce qui compte.
« Il pense comme un humain. » Il peut raisonner de façon impressionnante sur des problèmes, mais il n'a ni objectifs, ni croyances, ni conscience des conséquences. Traitez sa production comme un brouillon à réviser.
« Plus gros ou plus récent est toujours mieux. » Pour une tâche simple et à fort volume, un modèle plus petit, moins cher et plus rapide est souvent le bon choix.
Envoyer des données privées sans vérifier. Avant de coller des données de clients dans un service d'IA ou de les intégrer à une app, vérifiez les conditions d'utilisation et de conservation des données du fournisseur.

Quoi demander à votre créateur IA

Lorsque le LLM construit votre app :

« Avant de changer quoi que ce soit, dis-moi ce que tu as compris et ce que tu vas faire. »
« Voici le texte exact de la politique; utilise-le mot pour mot plutôt que d'inventer des détails. »
« Ne devine pas des faits comme les prix ou les dates. Laisse des emplacements réservés et donne-moi la liste. »

Lorsque vous voulez un LLM dans votre app :

« Ajoute un bouton [résumer] qui appelle l'API de [fournisseur] depuis le serveur. Garde la clé d'API dans un secret, jamais dans le navigateur. »
« Mets nos politiques dans l'invite pour que les réponses s'en tiennent à elles, et qu'il dise « je ne sais pas » en cas de doute. »
« Limite la longueur des réponses et plafonne le nombre de requêtes par utilisateur par jour. »
« Journalise le coût de chaque requête pour que je voie l'usage. »

Pour un guide pas à pas, consultez comment ajouter des fonctions d'IA à votre app.

Les LLM et Mythex

L'agent de construction de Mythex fonctionne avec un LLM. Tout le monde obtient le même agent Standard — il n'y a pas de sélecteur de modèle — et la construction consomme des crédits Mythex. Les fonctions d'IA à l'intérieur de l'app que vous construisez sont distinctes : vous apportez votre propre clé d'API d'un fournisseur comme OpenAI ou Anthropic, la stockez comme secret de projet, et le fournisseur vous facture directement cet usage. La recette de la documentation ajouter l'IA à votre app montre l'invite à utiliser.

Questions

Que signifie LLM?

LLM signifie grand modèle de langage (large language model) : un modèle d'IA entraîné sur de très grandes quantités de texte pour comprendre et générer du langage. Les modèles derrière ChatGPT, Claude et Gemini sont des LLM.

ChatGPT est-il un LLM?

ChatGPT est une app de clavardage construite sur les LLM d'OpenAI. Le LLM est le modèle sous-jacent qui génère le texte; l'app ajoute l'interface de clavardage, les fonctions de mémoire, les outils et les couches de sécurité autour.

Pourquoi les LLM inventent-ils des choses?

Un LLM génère les mots suivants les plus plausibles selon les régularités qu'il a apprises, et non en consultant une base de données de faits. Quand il lui manque la bonne information, il peut produire un texte fluide et sûr de lui, mais faux; on appelle cela une hallucination. Lui fournir des documents sources et vérifier ses réponses réduit le risque.

Les LLM apprennent-ils de mes conversations?

Un modèle ne change pas pendant une conversation; il ne voit que ce qui se trouve dans sa fenêtre de contexte. Le fait que vos conversations servent plus tard à entraîner de futurs modèles dépend de la politique du fournisseur et de vos paramètres; vérifiez les conditions du service que vous utilisez.

Qu'est-ce qu'un jeton dans un LLM?

Un jeton est un morceau de texte que le modèle lit et écrit — souvent un mot ou une partie de mot. Les limites de contexte et les prix des API se mesurent en jetons, donc des invites et des réponses plus longues coûtent plus cher.