Niveau : Intermédiaire
LLM : qu'est-ce qu'un grand modèle de langage ?
Par La rédaction d'Info Agent IA ·
Un LLM, pour large language model ou grand modèle de langage, est un programme entraîné sur d’immenses quantités de textes pour prédire, morceau par morceau, la suite la plus probable d’un texte. C’est le moteur de ChatGPT, Claude, Gemini ou Le Chat : comprendre comment il fonctionne vous aide à mieux l’utiliser et à repérer ses erreurs.
Un LLM, en une image simple
Pensez à la saisie prédictive de votre téléphone. Vous tapez « Je serai en retard de », et il propose « cinq » ou « dix ». Un LLM fait la même chose, mais avec une finesse sans commune mesure : il tient compte de tout ce qui précède, parfois des centaines de pages, et il a appris à partir d’une quantité de textes qu’aucun humain ne pourrait lire en une vie.
Les trois lettres viennent de l’anglais : Large (grand), Language (langage), Model (modèle). Un modèle, en intelligence artificielle, est un ensemble de calculs dont les réglages ont été ajustés à partir d’exemples. Si vous partez de zéro, commencez par notre guide pour comprendre l’intelligence artificielle, qui situe les LLM dans le paysage plus large de l’IA.
Comment un LLM fabrique une réponse
Quand vous envoyez une question, le modèle suit toujours la même mécanique, en cinq temps :
- Découper votre texte en tokens, de petits morceaux qui correspondent à un mot, un bout de mot ou un signe de ponctuation.
- Convertir chaque token en nombres, la seule chose qu’un ordinateur sait manipuler.
- Calculer une probabilité pour chaque token possible à la suite, en pesant l’importance de chaque mot déjà présent. C’est le rôle du mécanisme d’attention, au cœur de l’architecture Transformer.
- Choisir un token, avec une petite part de hasard réglable : c’est pour cela que la même question ne donne pas toujours exactement la même réponse.
- Recommencer avec ce nouveau token ajouté au texte, jusqu’à la fin de la réponse.
Prenons « Le chat dort sur le… ». Le modèle juge « canapé », « lit » ou « rebord » très probables, « réfrigérateur » beaucoup moins. Il ne va chercher la réponse dans aucune base de faits : il calcule ce qui est plausible. Cette idée simple explique à la fois ses talents et ses défauts. Pour suivre le même mécanisme du point de vue de l’utilisateur, lisez comment fonctionne ChatGPT expliqué simplement.
Vérifiez-vous Un LLM consulte-t-il une base de données de faits pour vous répondre ?
Non. Le modèle seul produit le texte le plus plausible à partir de ce qu’il a retenu pendant son entraînement. Pour s’appuyer sur des faits vérifiables, l’assistant qui l’entoure doit lui fournir des documents ou des résultats de recherche web.
Comment on fabrique un LLM
La fabrication d’un grand modèle de langage se déroule en trois grandes étapes, très inégales en durée et en coût.
| Étape | Ce qui se passe | Ce que le modèle y gagne |
|---|---|---|
| Pré-entraînement | Le modèle lit un énorme volume de textes (pages web, livres, code) et s’exerce à deviner le mot suivant, des milliards de fois | La langue, des connaissances générales, des styles, des façons de raisonner |
| Ajustement | Il s’entraîne sur des exemples de dialogues, puis des personnes comparent ses réponses pour indiquer les meilleures | Suivre une consigne, adopter un ton d’assistant, refuser certaines demandes dangereuses |
| Mise en service | Le modèle, désormais figé, répond aux demandes des utilisateurs | Rien de nouveau : chaque message déclenche un calcul, qui prend du temps et coûte de l’énergie |
Le pré-entraînement est l’étape la plus lourde : c’est là que le modèle acquiert l’essentiel de son savoir. L’ajustement, avec notamment le RLHF (apprentissage par renforcement à partir de retours humains), transforme ensuite un modèle « brut », capable de continuer n’importe quel texte, en assistant qui répond poliment à une question.
Le nom GPT résume d’ailleurs cette histoire : Generative Pre-trained Transformer, un Transformer génératif pré-entraîné. L’architecture Transformer a été présentée par des chercheurs de Google dans l’article « Attention Is All You Need », déposé sur arXiv le 12 juin 2017 (consulté le 22 octobre 2026). Presque tous les LLM actuels en descendent.
Pourquoi dit-on « grand » ?
Le mot désigne deux choses : la quantité de textes lus pendant l’entraînement, et le nombre de paramètres du modèle. Les paramètres sont les nombres internes ajustés pendant l’apprentissage, comme des milliards de petits boutons de réglage. Ce qu’un modèle « sait » est stocké là, sous forme de nombres, et non comme une copie des textes lus.
Plus de paramètres ne veut pas dire automatiquement meilleur. Un modèle plus petit peut suffire pour une tâche simple, répondre plus vite et coûter moins cher. La taille sert surtout à estimer la mémoire nécessaire pour faire tourner le modèle.
Quels LLM aujourd’hui ?
Des dizaines de LLM sont disponibles. Ils se distinguent par leur fabricant, leur prix, la quantité de texte qu’ils peuvent traiter d’un coup, et par un point important : leurs poids sont-ils publiés ou non ?
| Modèle | Éditeur | Sortie | Contexte (tokens) | Entrée ($/M tokens) | Sortie ($/M tokens) | Poids ouverts |
|---|---|---|---|---|---|---|
| Claude Opus 5.5 | Anthropic | 22 septembre 2026 | 1 M | 4 $US | 20 $US | Non |
| GPT-6 Astra | OpenAI | 4 septembre 2026 | 1,05 M | 10 $US | 50 $US | Non |
| Gemini 4 Argon | Google DeepMind | 13 octobre 2026 | 1,05 M | 2 $US | 10 $US | Non |
| Mistral Large 4 | Mistral AI | 6 octobre 2026 | 1,05 M | 1,36 $US | 4,18 $US | Non |
| Kimi K3 | Moonshot AI | 16 juillet 2026 | 1,05 M | 3 $US | 15 $US | Oui |
| DeepSeek V4.1 Flash 1017 | DeepSeek | 17 octobre 2026 | 1,05 M | 0,15 $US | 0,60 $US | Oui |
Deux familles se dessinent :
- Les modèles fermés, comme ceux d’Anthropic, d’OpenAI ou de Google : on les utilise uniquement via l’application ou l’API de leur éditeur.
- Les modèles à poids ouverts, dont les fichiers sont téléchargeables. C’est le cas, selon models.dev au 22 octobre 2026, de Kimi K3, conçu par Moonshot AI. Vous pouvez alors le faire tourner sur vos propres machines, dans les limites de sa licence.
Autre critère visible dans ce tableau : la fenêtre de contexte, c’est-à-dire la quantité maximale de texte que le modèle peut prendre en compte en une fois, mesurée en tokens. Selon models.dev au 22 octobre 2026, Claude Opus 5.5 accepte un million de tokens. Pour aller plus loin, l’outil comparer les modèles met côte à côte prix, contexte et résultats publics.
LLM, assistant, agent : trois choses différentes
Ces mots sont souvent mélangés. Pourtant, ils désignent trois couches distinctes :
- Le LLM est le moteur. Il reçoit du texte et produit du texte.
- L’assistant (ChatGPT, Claude, Gemini…) est la voiture complète : une interface, un historique, une mémoire, la recherche web, la lecture de fichiers et des règles de sécurité, construits autour d’un ou plusieurs LLM.
- L’agent va encore plus loin : il utilise le LLM pour planifier, puis enchaîne des actions avec des outils (navigateur, messagerie, tableur) jusqu’à atteindre un objectif.
Conséquence pratique : deux assistants qui reposent sur le même modèle peuvent se comporter différemment, selon ce qui a été ajouté autour.
Un exemple concret : vous demandez « Quels sont les horaires de la piscine municipale ce week-end ? ». Le LLM seul n’en sait rien et risque d’inventer des horaires plausibles. Un assistant doté de la recherche web va d’abord consulter le site de la mairie, puis confier la page au modèle pour qu’il en tire la réponse. Un agent, lui, pourrait en plus réserver un créneau en ligne, si vous l’y autorisez.
Ce que les LLM font bien, et leurs limites
Les grands modèles de langage excellent dans tout ce qui touche à la forme du texte : rédiger un courriel, résumer un rapport, traduire, reformuler pour un enfant de dix ans, proposer des idées, expliquer un concept, écrire ou corriger du code.
Leurs limites découlent directement de leur fonctionnement :
- Ils peuvent inventer. Comme ils produisent du plausible et non du vérifié, ils affirment parfois des choses fausses avec assurance. C’est ce qu’on appelle les hallucinations de l’IA.
- Leurs connaissances ont une date limite. Sans recherche web, un modèle ignore ce qui s’est passé après la fin de son entraînement.
- Leur mémoire de travail est bornée par la fenêtre de contexte : au-delà, une partie de vos documents est ignorée.
- Le calcul exact n’est pas leur point fort, sauf s’ils peuvent appeler un outil de calcul.
Pour aller plus loin
Le jargon des LLM (tokens, contexte, température, inférence…) revient sans cesse dans les actualités. Notre lexique des 10 mots à connaître pour comprendre l’IA les explique un par un. Et pour voir concrètement ce que représente un texte en tokens, ces outils du site font le calcul dans votre navigateur :
Questions fréquentes
LLM et ChatGPT, est-ce la même chose ?
Non. ChatGPT est un assistant, c'est-à-dire une application complète. Il fonctionne grâce à un ou plusieurs LLM conçus par OpenAI, auxquels il ajoute une interface, une mémoire de conversation, la recherche web et des règles de sécurité.
Un LLM est-il connecté à Internet ?
Le modèle seul ne l'est pas : il répond à partir de ce qu'il a retenu pendant son entraînement. C'est l'assistant qui l'entoure qui peut lancer une recherche web et lui transmettre les pages trouvées.
Peut-on faire tourner un LLM sur son propre ordinateur ?
Oui, avec un modèle à poids ouverts et un logiciel adapté. Les petits modèles tournent sur un ordinateur récent, les plus grands demandent une carte graphique dotée de beaucoup de mémoire ou un serveur loué.
Un LLM apprend-il de mes conversations ?
Pas en direct : ses paramètres sont figés une fois l'entraînement terminé. En revanche, un éditeur peut utiliser vos échanges pour entraîner une version future, selon ses conditions et vos réglages de confidentialité.