LLM (grand modèle de langage)

Définition

Réseau de neurones à très grand nombre de paramètrès, entraîné sur d'immenses corpus de texte pour prédire le token suivant. Après pré-entraînement puis alignement (fine-tuning, RLHF), il répond à des instructions, résume, traduit ou écrit du code. Claude, GPT, Gemini, Llama ou Mistral sont des LLM.

Analogie

Un lecteur qui a lu toute la bibliothèque et complète n'importe quelle phrase entamée, un mot après l'autre.

Exemple de code

// Appel minimal d'un LLM via l'API Anthropic (fetch natif Node 18+)
const res = await fetch('https://api.anthropic.com/v1/messages', {
  method: 'POST',
  headers: {
    'x-api-key': process.env.ANTHROPIC_API_KEY!,
    'anthropic-version': '2023-06-01',
    'content-type': 'application/json',
  },
  body: JSON.stringify({
    model: 'claude-sonnet-5',
    max_tokens: 512,
    messages: [{ role: 'user', content: 'Explique un mutex en 2 phrases.' }],
  }),
});
const data = await res.json();
console.log(data.content[0].text);

Cas d'usage

Chatbot support, génération de code, extraction d'information, classification de tickets.

Anti-pattern

Traiter le LLM comme une base de données fiable : il prédit du texte plausible, il ne « sait » pas.

Termes liés

En entretien

C'est quoi un LLM ?
C'est un réseau de neurones à très grand nombre de paramètres, entraîné sur d'immenses corpus de texte pour prédire le token suivant. Après pré-entraînement et alignement, il répond à des instructions, résume, traduit ou écrit du code.
Donne-moi des exemples de LLM.
Claude, GPT, Gemini, Llama ou Mistral sont tous des LLM. Ils diffèrent par leur taille, leur entraînement et leur mode de distribution, mais partagent le même principe de prédiction de token suivant.
Pourquoi c'est risqué de traiter un LLM comme une base de données fiable ?
Parce qu'il prédit du texte plausible, il ne « sait » pas au sens d'une base de données qui stocke des faits vérifiés. C'est exactement ce qui mène à l'hallucination si on ne vérifie pas les réponses.