Accueil › Glossaire › LLM

LLM (Large Language Model) — Grand Modèle de Langage

Les LLM ont bouleversé notre rapport à la technologie. Pour la première fois, des machines peuvent dialoguer en langage naturel, rédiger des textes cohérents, résumer des documents, écrire du code et raisonner sur des problèmes complexes. Ce n’est pas de la magie — c’est de la statistique à très grande échelle, mais le résultat est impressionnant.

Le « Large » dans LLM fait référence au nombre de paramètres du modèle — les poids du réseau de neurones. Les modèles actuels comptent des centaines de milliards de paramètres, entraînés sur des milliers de milliards de tokens. Cette échelle est ce qui confère aux LLM leurs capacités émergentes : raisonnement, créativité, compréhension contextuelle.

Comment fonctionne un LLM ?

Le principe fondamental

Un LLM est, à la base, un modèle de prédiction du token suivant. Étant donné une séquence de tokens (mots, sous-mots, caractères), le modèle prédit le token le plus probable qui vient ensuite. Cette tâche apparemment simple, appliquée à une échelle massive, produit un système capable de générer du texte cohérent, de répondre à des questions et de résoudre des problèmes.

Le processus de génération est autorégressif : le modèle prédit un token, l’ajoute à la séquence, puis prédit le suivant en tenant compte de tous les tokens précédents — y compris ceux qu’il vient de générer.

La tokenisation

Avant d’atteindre le modèle, le texte est découpé en tokens par un tokenizer. Un token n’est pas un mot — c’est une unité linguistique qui peut être un mot complet, un sous-mot ou un caractère. Par exemple, « intelligence » peut être un seul token, tandis que « artificiellement » pourrait être découpé en « artificiell » + « ement ». L’algorithme BPE (Byte Pair Encoding) est le plus utilisé.

La fenêtre de contexte (context window) définit le nombre maximum de tokens que le modèle peut traiter simultanément. En 2026, Claude propose une fenêtre de 1 million de tokens — l’équivalent de plusieurs livres complets. GPT-5 et Gemini offrent des fenêtres comparables.

Les phases d’entraînement

Les principaux LLM en 2026

Les capacités des LLM

Génération de texte

C’est la capacité fondamentale : rédiger des emails, articles, rapports, scripts marketing, documentation technique. Les LLM s’adaptent au ton, au style et au format demandé. Ils peuvent maintenir la cohérence sur des documents longs grâce à leurs fenêtres de contexte étendues.

Raisonnement et analyse

Les LLM modernes démontrent des capacités de raisonnement significatives : résolution de problèmes mathématiques, analyse logique, décomposition de tâches complexes en étapes. Les modèles « thinking » (o1, Claude avec extended thinking) verbalisent leur raisonnement étape par étape pour des résultats plus fiables sur les problèmes complexes.

Génération de code

Les LLM écrivent, débuguent et expliquent du code dans des dizaines de langages. Claude Sonnet 4.6 est préféré 70 % du temps pour les tâches de code lors des tests comparatifs. Les IDE intègrent désormais des assistants IA (Copilot, Cursor, Cody) qui complètent et refactorisent le code en temps réel.

Capacités multimodales

Les modèles multimodaux traitent simultanément texte, images, audio et vidéo. Vous pouvez soumettre une photo de graphique et demander une analyse, uploader un document PDF et poser des questions, ou décrire une scène visuelle à partir d’une image.

Comprendre les paramètres d’un LLM

Quand vous utilisez un LLM via une API ou une interface, plusieurs paramètres influencent la qualité de la réponse.

Limites des LLM

Hallucinations

Les LLM peuvent générer des informations fausses avec assurance — ce sont les hallucinations. Le modèle ne « sait » pas ce qui est vrai : il prédit des séquences de tokens statistiquement probables. Les techniques de RAG (ancrer les réponses dans des sources vérifiables) et la vérification humaine sont essentielles.

Date de coupure des connaissances

Un LLM ne connaît que les informations présentes dans ses données d’entraînement. Les événements postérieurs à sa date de coupure lui sont inconnus. Le RAG et l’accès à des outils externes (recherche web, bases de données) compensent cette limitation.

Coût d’utilisation

L’utilisation des LLM via API est facturée au nombre de tokens traités (entrée + sortie). Les modèles les plus puissants sont significativement plus coûteux. L’optimisation des prompts et le choix du bon modèle pour chaque tâche (utiliser Haiku pour les tâches simples, Opus pour les tâches complexes) sont des leviers d’optimisation importants.

Comment utiliser efficacement un LLM ?

La qualité de vos résultats dépend directement de la qualité de vos prompts. Le prompt engineering est la compétence clé pour tirer le maximum d’un LLM.