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

Un LLM, ou grand modèle de langage (large language model), est un type d'IA entraîné sur d'énormes quantités de texte afin de pouvoir comprendre et générer du langage. Étant donné un texte, il prédit ce qui doit venir ensuite, 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 crée avec l'IA

Si vous créez avec un créateur d'applications IA, vous travaillez avec un LLM à deux niveaux. 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 application — un chatbot, un bouton de résumé, un assistant d'écriture.

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

Une analogie du quotidien

Imaginez quelqu'un qui a lu une bibliothèque d'une immensité incroyable — livres, sites web, notices, code, forums — et qui est devenu extraordinairement bon pour prolonger n'importe quel texte de manière cohérente. Donnez-lui le début d'un e-mail, il le terminera dans votre ton. Posez une question, il rédigera le genre de réponse qui suit habituellement une telle question.

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

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

Fonctionnement d'un LLM, en termes simples

Entraînement. Le modèle reçoit d'immenses quantités de texte et apprend, en ajustant des milliards de nombres internes (ses paramètres), à prédire le morceau de texte suivant. L'architecture utilisée par la plupart des LLM s'appelle le transformer, introduite par des chercheurs de Google en 2017.
Réglage. Le modèle brut est ensuite affiné pour suivre les instructions, tenir une conversation et éviter les contenus nuisibles, souvent grâce à des retours humains.
Utilisation (inférence). Quand vous envoyez un prompt, le modèle le lit et génère une réponse un token à la fois, en choisissant à chaque fois le token suivant le plus probable compte tenu de tout ce qui précède.

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

Exemple concret : une réponse au service client

Imaginons que vous dirigez une boutique de plantes en ligne et que vous collez ceci dans un LLM :

Un client écrit : « Ma commande #4412 est arrivée avec un pot cassé. 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 aimable.

Voici ce qui se passe :

Le texte est découpé en tokens, environ une centaine.
Le modèle lit l'ensemble : le message du client, votre politique et votre consigne.
Il génère une réponse token par token : « Bonjour ! Je suis vraiment désolé que votre pot soit arrivé cassé… » et demande une photo, en mentionnant le remplacement gratuit.

Essayez maintenant la même demande sans la politique. Le modèle rédigera tout de même une réponse aimable et assurée — mais il pourra promettre un remboursement, ou un délai de 30 jours, parce que ce sont des formulations courantes dans les e-mails de support qu'il a vus. C'est une hallucination, et elle illustre la leçon pratique la plus importante sur les LLM : ils ne sont aussi exacts que les informations que vous leur donnez. Les applications qui ont besoin de réponses fiables fournissent au modèle, à chaque fois, les bons documents sources — une technique appelée RAG.

Termes clés expliqués

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

Erreurs fréquentes et idées reçues

« Il consulte des sources. » Un LLM seul ne le fait pas. Certaines applications 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, c'est qu'il a raison. » Assurance et exactitude n'ont aucun lien. Vérifiez les noms, les chiffres, les dates, les prix et tout ce qui touche au juridique ou au médical.
« Il se souvient de tout ce que j'ai dit. » Seulement de ce qui tient dans la fenêtre de contexte. Dans les conversations très longues, 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 relire.
« 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 clients dans un service d'IA ou de les intégrer à une application, vérifiez les conditions d'utilisation et de conservation des données du prestataire.

Ce qu'il faut demander à votre créateur d'IA

Quand le LLM construit votre application :

« Avant de modifier 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 un emplacement et liste-les pour moi. »

Quand vous voulez un LLM dans votre application :

« Ajoute un bouton [résumer] qui appelle l'API de [prestataire] depuis le serveur. Garde la clé d'API dans un secret, jamais dans le navigateur. »
« Intègre nos politiques dans le prompt pour que les réponses s'y tiennent, et qu'il réponde « je ne sais pas » en cas de doute. »
« Limite la longueur des réponses, et plafonne le nombre de requêtes qu'un utilisateur peut faire par jour. »
« Journalise le coût de chaque requête pour que je puisse voir la consommation. »

Pour un pas-à-pas, voir comment ajouter des fonctions d'IA à votre application.

Les LLM et Mythex

L'agent de construction de Mythex fonctionne sur un LLM. Tout le monde utilise 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'application que vous créez sont distinctes : vous apportez votre propre clé d'API auprès d'un prestataire comme OpenAI ou Anthropic, la stockez comme secret de projet, et le prestataire vous facture directement cette consommation. La recette de la documentation ajouter l'IA à votre application montre le prompt à utiliser.

Questions

Que signifie LLM ?

LLM signifie large language model, soit grand modèle de langage : 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 application de chat construite sur les LLM d'OpenAI. Le LLM est le modèle sous-jacent qui génère le texte ; l'application ajoute l'interface de chat, les fonctions de mémoire, les outils et les couches de sécurité qui l'entourent.

Pourquoi les LLM inventent-ils des choses ?

Un LLM génère les mots suivants les plus plausibles d'après 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, ce qu'on appelle une hallucination. Lui fournir des sources et vérifier ses réponses réduit ce 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 ensuite à entraîner de futurs modèles dépend de la politique du prestataire et de vos réglages : vérifiez les conditions du service que vous utilisez.

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

Un token 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 tokens : plus les prompts et les réponses sont longs, plus cela coûte cher.