Skip to main content

Qu'est-ce qu'un grand modèle de langage (LLM)

Remarque : Ce document est une traduction automatique de la version originale anglaise.

Qu'est-ce qu'un grand modèle de langage (LLM)

Un grand modèle de langage (LLM) est un type de réseau de neurones entraîné sur d'énormes quantités de texte afin de pouvoir comprendre et générer le langage humain. Imaginez un assistant extrêmement cultivé ayant absorbé des milliards de pages de livres, d'articles, de code et de conversations. Il ne « sait » pas les choses comme une personne ; il a plutôt appris des motifs statistiques — quels mots et quelles idées tendent à suivre lesquels — suffisamment bien pour écrire des paragraphes cohérents, répondre à des questions, traduire entre langues, résumer des documents et même raisonner sur des problèmes multi-étapes.

La propriété déterminante (et la limite) d'un LLM est qu'il fonctionne par prédiction. Étant donné le début d'une phrase, le modèle calcule le mot suivant le plus probable, puis le suivant, et ainsi de suite, un token à la fois. Un token correspond approximativement à un mot ou à un sous-mot. En enchaînant des milliers de ces micro-prédictions, un LLM peut produire des essais, du code, des poèmes ou des analyses techniques — le tout sans être explicitement programmé pour chaque tâche. Les LLM connus incluent GPT, Claude, Gemini et Mistral. La plupart des projets d'IA crypto qui mentionnent « AI » dans leur marketing utilisent un LLM en interne, prétendent en utiliser un, ou enveloppent un LLM tiers derrière leur propre interface. Comprendre ce qu'est réellement un LLM — et ce qu'il n'est pas — est essentiel pour évaluer ces affirmations.

En bref : un LLM est le moteur derrière la plupart de l'IA textuelle moderne. Dans l'IA crypto, la question critique n'est pas de savoir si un projet « utilise un LLM » mais comment il l'utilise et quelle valeur propriétaire il ajoute par-dessus.

Comment ça fonctionne

Construire et utiliser un LLM implique plusieurs étapes distinctes. Chaque étape exige des ressources, une expertise et des données différentes — et chacune représente un niveau différent de profondeur d'IA lors de l'évaluation d'un projet d'IA crypto.

Étape 1 : pré-entraînement

Le pré-entraînement est l'étape où le modèle apprend les fondamentaux du langage. Pendant cette phase, le LLM lit des milliards de tokens — mots et sous-mots tirés de livres, sites web, dépôts de code, articles scientifiques et autres sources textuelles. Le modèle ajuste ses paramètres internes (poids) pour devenir de plus en plus précis dans la prédiction du token suivant d'une séquence.

Cette étape est coûteuse. Entraîner un LLM de pointe à partir de zéro peut nécessiter des milliers de GPU spécialisés tournant pendant des semaines ou des mois, et le modèle résultant peut compter des dizaines ou des centaines de milliards de paramètres. Seule une poignée d'organisations — des laboratoires d'IA bien dotés — pré-entraînent régulièrement des LLM à partir de zéro.

Étape 2 : fine-tuning

Un modèle pré-entraîné est puissant mais générique. Le fine-tuning affine le comportement du modèle en l'entraînant davantage sur un dataset plus petit et organisé, pertinent pour une tâche ou un domaine spécifique. Par exemple, un LLM médical pourrait être fine-tuné sur des notes cliniques ; un modèle orienté DeFi pourrait être fine-tuné sur de la documentation de smart contracts et des données on-chain.

Le fine-tuning exige bien moins de calcul que le pré-entraînement mais demande néanmoins une expertise en sélection de données, en métriques d'évaluation et pour éviter l'oubli catastrophique (lorsque le modèle perd ses capacités générales en se spécialisant).

Étape 3 : alignement et RLHF

Les LLM modernes passent généralement par une phase d'alignement après le fine-tuning. L'apprentissage par renforcement à partir de feedback humain (RLHF) est l'approche la plus courante : des évaluateurs humains classent les sorties du modèle, et le modèle est entraîné à préférer les réponses que les humains notent le mieux. L'alignement est ce qui fait qu'un modèle suit les instructions, refuse les requêtes nuisibles et produit des réponses véritablement utiles plutôt que des absurdités à l'apparence plausible.

Étape 4 : inférence

L'inférence est la phase de production — lorsqu'un LLM entraîné reçoit un prompt et génère une sortie. Chaque fois qu'un utilisateur envoie un message à un chatbot, le LLM sous-jacent exécute une inférence : il lit le prompt, le traite à travers ses couches de paramètres et produit une réponse token par token.

L'inférence coûte du calcul (temps GPU) mais bien moins par requête que l'entraînement. La plupart des projets qui « utilisent un LLM » n'effectuent que de l'inférence — souvent en appelant l'API d'un fournisseur externe plutôt qu'en exploitant leur propre matériel.

Le pipeline en un coup d'œil

Étape Ce qui se passe Qui le fait typiquement Coût en calcul
Pré-entraînement Apprendre le langage à partir de milliards de tokens Grands laboratoires d'IA Très élevé
Fine-tuning Adapter le modèle à un domaine ou une tâche Laboratoires d'IA, startups bien financées Moyen
Alignement (RLHF) Rendre le modèle sûr et obéissant aux instructions Laboratoires d'IA Moyen
Inférence Générer des réponses aux prompts des utilisateurs Quiconque possède une clé d'API ou un GPU Faible par requête

Caractéristiques clés d'un LLM

Plusieurs propriétés définissent la capacité d'un LLM particulier :

  • Nombre de paramètres — le nombre de poids entraînables dans le modèle. Les modèles plus grands capturent généralement plus de nuances mais coûtent plus cher à entraîner et à exécuter. Les nombres de paramètres vont de quelques milliards (petits modèles open source) à plus d'un billion (modèles de pointe).
  • Fenêtre de contexte — le nombre maximal de tokens que le modèle peut traiter en une seule interaction. Une fenêtre de contexte courte signifie que le modèle « oublie » le début d'une longue conversation. Les LLM modernes offrent des fenêtres de contexte allant de quelques milliers de tokens à plus de cent mille.
  • Architecture — la plupart des LLM modernes sont construits sur l'architecture Transformer, introduite en 2017. Les transformers utilisent un mécanisme appelé auto-attention pour pondérer les relations entre tous les tokens de l'entrée, ce qui leur permet de gérer les dépendances à longue portée dans le texte.
  • Données d'entraînement — la qualité, la diversité et la fraîcheur des données utilisées pendant le pré-entraînement façonnent ce que le modèle sait. Un modèle entraîné uniquement sur du texte anglais performera mal dans d'autres langues ; un modèle avec une date de coupure des connaissances à une année donnée ne connaîtra pas les événements ultérieurs.

Exemples réels de l'industrie

Plusieurs LLM bien connus illustrent l'éventail des approches du domaine :

  • GPT (OpenAI) — un LLM multimodal à code fermé, disponible via une API. De nombreux projets d'IA crypto appellent l'API GPT pour ajouter des fonctionnalités conversationnelles ou analytiques à leurs produits.
  • Claude (Anthropic) — un LLM à code fermé mettant fortement l'accent sur la sécurité et l'alignement. Comme GPT, il est typiquement accessible via API.
  • DeepSeek-R1 (DeepSeek) — un LLM à poids ouverts publié sous licence MIT. Ses solides capacités de raisonnement et sa disponibilité ouverte en font un modèle de base populaire pour le fine-tuning et pour les projets d'IA crypto souhaitant exécuter des modèles localement ou revendiquer une intégration d'IA plus profonde.
  • Mistral (Mistral AI) — une famille de modèles à poids ouverts reconnue pour ses fortes performances à des nombres de paramètres plus modestes, ce qui les rend pratiques pour les projets aux budgets GPU limités.

Ces noms apparaissent fréquemment dans les descriptions de projets d'IA crypto. Quand un projet dit qu'il « utilise GPT », cela signifie presque toujours qu'il appelle l'API d'OpenAI. Quand il dit avoir « fine-tuné DeepSeek », cela implique un engagement technique plus profond — même si l'affirmation exige toujours des preuves vérifiables.

LLM open source vs à code fermé

Aspect Open source / poids ouverts Code fermé
Poids du modèle Disponibles publiquement en téléchargement Cachés derrière une API
Inspection Chacun peut étudier, auditer ou fine-tuner Aucun audit externe des rouages internes possible
Personnalisation Peut être fine-tuné sur des données propres, exécuté localement Limitée aux paramètres d'API (température, prompts système)
Structure de coûts Exige son propre matériel GPU ou de l'hébergement Tarification d'API au token
Exemples DeepSeek, Qwen, Mistral GPT, Claude, Gemini

Pour les projets d'IA crypto, la distinction compte : un projet qui a fine-tuné un modèle à poids ouverts et publié les détails de l'entraînement démontre plus de profondeur d'IA qu'un projet qui appelle une API fermée sans modification.

Pourquoi les LLM comptent dans l'IA crypto

De nombreux projets d'IA crypto référencent des LLM dans leurs whitepapers, pitch decks ou descriptions de produits. Les affirmations varient largement :

  • « Nous avons construit notre propre LLM » — implique un pré-entraînement ou un fine-tuning significatif, ce qui exige un calcul et une expertise substantiels. C'est le niveau d'engagement le plus profond.
  • « Nous avons fine-tuné un LLM pour la DeFi » — implique une adaptation spécifique au domaine d'un modèle de base existant. Plus crédible qu'un simple appel d'API, mais les détails comptent.
  • « Nous utilisons un LLM » — signifie souvent appeler une API externe (comme celle d'OpenAI ou d'Anthropic) avec des prompts spécifiques au projet. C'est le niveau d'intégration d'IA le plus superficiel.

Ces trois scénarios représentent des niveaux fondamentalement différents de profondeur d'IA, et DecAIHub les évalue en conséquence via sa méthodologie fondée sur les preuves.

Utiliser une API vs construire le sien

Approche Ce que cela signifie Profondeur d'IA
Appel d'API Le projet envoie des prompts à un LLM tiers (par exemple l'API OpenAI) et renvoie la réponse Faible — l'IA appartient au fournisseur
Prompt engineering Le projet conçoit des prompts spécialisés, des chaînes ou des pipelines de récupération par-dessus un LLM tiers Faible-moyenne — une logique propriétaire existe mais le modèle est externe
Fine-tuning Le projet adapte un modèle de base open source (DeepSeek, Mistral, Qwen) sur son propre dataset Moyenne-élevée — le projet possède un modèle modifié
Pré-entraînement Le projet entraîne un modèle à partir de zéro avec ses propres données et calcul Élevée — propriété complète du modèle

Un wrapper d'API qui transmet les prompts des utilisateurs à un LLM commercial et renvoie la réponse n'est pas la même chose qu'un projet ayant fine-tuné DeepSeek sur des données de transactions on-chain. DecAIHub distingue ces cas dans le champ AI component de la carte projet.

Où cela apparaît dans les cartes projets DecAIHub

En examinant une carte projet sur DecAIHub, plusieurs champs se rapportent directement à l'usage d'un LLM :

  • AI component peut mentionner « LLM », « fine-tuned model », « prompt engineering » ou un nom de modèle spécifique. Ce champ décrit quel type d'IA le projet possède réellement, tel que vérifié par les examinateurs de DecAIHub.
  • Le cas d'usage IA décrit à quoi sert le LLM : génération, classification, résumé, raisonnement d'agent, etc. Un projet peut utiliser un LLM pour une tâche étroite (par exemple l'analyse d'intention) ou comme moteur central d'un produit entier.
  • ai_score (partie de DecAI Fit) reflète la qualité de la documentation de l'usage du LLM avec des preuves Tier-1, Tier-2 ou Tier-3. Un projet qui revendique un usage de LLM sans fournir d'artefacts vérifiables obtiendra un score bas sur cette dimension.
  • Les indicateurs AI reality (AI_0 à AI_4) indiquent la profondeur globale de l'IA vérifiable, laquelle, dans de nombreux projets, est ancrée dans leur intégration de LLM.

Le but n'est jamais de pénaliser un projet pour l'usage d'un LLM tiers — de nombreux produits valides font exactement cela. Le but est de distinguer les projets qui appellent une API en toute transparence de ceux qui font passer un usage d'API pour de la recherche en IA propriétaire.

Ce qu'un LLM seul ne prouve pas

  • Posséder une clé d'API de LLM ne signifie pas que le projet « a de l'IA ». Cela signifie que le projet peut appeler l'IA de quelqu'un d'autre.
  • Mentionner « GPT » ou « Claude » dans le marketing ne prouve pas un travail d'IA propriétaire. Des milliers d'applications utilisent la même API.
  • Même un modèle fine-tuné a besoin d'artefacts vérifiables : une description des données d'entraînement, des métriques d'évaluation, un identifiant de version du modèle et des preuves de déploiement.
  • Un grand nombre de paramètres ne garantit pas un meilleur modèle. La qualité de l'entraînement, la curation des données et l'alignement comptent au moins autant que la taille brute.

Ne pas confondre avec

  • L'inférence — exécuter un LLM entraîné pour produire des sorties. L'inférence est une étape de l'utilisation d'un LLM, pas un synonyme de LLM.
  • L'entraînement — le processus de construction ou d'adaptation d'un LLM. L'entraînement produit le modèle ; l'inférence l'utilise.
  • L'agent IA — un système autonome qui peut utiliser un LLM comme cœur de raisonnement, mais ajoute perception, mémoire, usage d'outils et action. Un LLM seul n'est pas un agent.
  • Le traitement du langage naturel (NLP) — un domaine plus large de l'informatique. Les LLM sont une approche (très réussie) du NLP, mais le NLP inclut aussi des techniques plus anciennes comme l'extraction de mots-clés, l'analyse à base de règles et les classifieurs statistiques.
  • Le foundation model — un terme plus général qui inclut les LLM mais couvre aussi les grands modèles entraînés sur des images, de l'audio, de la vidéo ou des données multimodales. Tout LLM est un foundation model, mais tout foundation model n'est pas un LLM.

Questions fréquentes

Quelle est la différence entre un LLM et un chatbot ?

Un LLM est un modèle — un ensemble de paramètres entraînés capable de traiter et de générer du texte. Un chatbot est un produit construit par-dessus un modèle. Le LLM est le moteur ; le chatbot est la voiture. Un même LLM peut propulser des milliers de chatbots différents, chacun avec ses propres prompts, son interface et sa personnalité. Inversement, un chatbot n'utilise pas nécessairement un LLM — les chatbots plus anciens reposaient sur des règles scriptées ou une simple correspondance de motifs.

Tous les projets d'IA utilisent-ils des LLM ?

Non. De nombreux projets d'IA crypto utilisent d'autres types de machine learning : des modèles de vision par ordinateur pour la génération de NFT, de l'apprentissage par renforcement pour les stratégies de trading, des réseaux de neurones en graphe pour l'analytique blockchain, ou du ML traditionnel pour la détection d'anomalies. Le LLM domine les applications textuelles mais ce n'est pas le seul type d'IA.

Que signifie fine-tuner un LLM ?

Le fine-tuning prend un LLM pré-entraîné et poursuit son entraînement sur un dataset plus petit et organisé, pertinent pour une tâche spécifique. Le but est de spécialiser le modèle — par exemple lui apprendre à comprendre la terminologie DeFi, analyser des smart contracts ou générer des réponses dans un style particulier. Le fine-tuning est plus économique que le pré-entraînement à partir de zéro mais exige tout de même des compétences techniques, des données appropriées et des ressources de calcul.

Comment savoir si un projet crypto a construit son propre LLM ou utilise une API ?

Cherchez des preuves concrètes : poids de modèle publiés ou model card, données d'entraînement documentées, benchmarks d'évaluation et description du processus de fine-tuning. Si le projet ne fait que référencer un nom de modèle connu (GPT, Claude) sans décrire aucune modification, il utilise probablement une API. DecAIHub capture cette distinction dans le champ AI component et le niveau de preuve.

Que sont les LLM open source ?

Les LLM open source (ou à poids ouverts) sont des modèles dont les paramètres entraînés sont publiquement disponibles en téléchargement, étude et modification. Les exemples incluent DeepSeek, Qwen et Mistral. Ils permettent à quiconque de fine-tuner, déployer et inspecter le modèle, ce qui accroît la transparence et permet une vérification indépendante — deux qualités précieuses dans l'espace de l'IA crypto.

Pourquoi la taille du LLM (paramètres) compte-t-elle ?

Plus de paramètres permettent généralement à un modèle de capturer des motifs plus complexes dans le langage, ce qui peut améliorer les performances sur les tâches difficiles. Cependant, la taille seule n'est pas décisive. Un modèle plus petit bien entraîné peut surpasser un modèle plus grand mal entraîné. Ce qui compte le plus est la combinaison du nombre de paramètres, de la qualité des données, de la méthodologie d'entraînement et du réglage d'alignement.

Voir aussi

Références externes

No comments to display

Back to top