LLM : c'est quoi ? Définition simple et fonctionnement

#Un LLM, c'est quoi ? La définition simple

LLM est l'acronyme de Large Language Model, en français « grand modèle de langage ». Le mot « large » (grand) fait référence à la taille : ces modèles contiennent des milliards de paramètres, des sortes de réglages numériques ajustés pendant l'apprentissage. « Language model » (modèle de langage) veut dire que le programme modélise le langage : il a appris à quel point telle suite de mots est probable dans telle situation.

Concrètement, un LLM ne fait qu'une seule chose : à partir d'un morceau de texte, il prédit ce qui vient ensuite. Vous écrivez « La capitale de la France est », il calcule que le mot le plus probable après cette phrase est « Paris ». Toute la magie apparente d'un assistant comme ChatGPT découle de cette mécanique répétée des milliers de fois : rédiger un e-mail, résumer un document ou écrire du code, ce n'est jamais qu'une longue suite de « quel est le mot suivant le plus vraisemblable ? ».

#Les tokens : comment un LLM lit et écrit

Un LLM ne voit pas des mots ni des lettres comme nous. Il travaille avec des tokens : des fragments de texte. Un token peut être un mot court entier (« chat »), un bout de mot (« anti », « constitution »), un signe de ponctuation ou une espace. En moyenne, en français, un token correspond à peu près à 3 ou 4 caractères, soit environ ¾ d'un mot.

Avant de traiter votre message, le modèle le découpe en tokens (on appelle ça la tokenisation), puis convertit chaque token en une liste de nombres. Tout ce qu'il calcule, il le calcule sur ces nombres. Quand il répond, il génère un token à la fois, puis les reconvertit en texte lisible. C'est pour ça qu'on parle de génération « token par token ».

Token

L'unité de base manipulée par le modèle : un mot court, un bout de mot ou un symbole.

Contexte

La quantité de tokens que le modèle peut « garder en tête » en une fois (question + historique + réponse). On parle de fenêtre de contexte, souvent 4 000, 32 000, voire des centaines de milliers de tokens.

Repère pratique

Une page de texte ≈ 500 à 700 tokens. 1 000 tokens ≈ 750 mots. Facturation cloud et vitesse locale se mesurent toutes deux en tokens.

#L'entraînement : comment un LLM apprend

Un LLM n'est pas programmé règle par règle. Il est entraîné. On lui présente d'immenses volumes de texte (pages web, livres, code, articles) et on lui demande, à chaque endroit, de deviner le mot suivant. Au début, il se trompe presque toujours. À chaque erreur, un algorithme ajuste légèrement ses milliards de paramètres pour que la prochaine prédiction soit un peu meilleure. Répété des milliards de fois, ce processus fait émerger une compréhension statistique de la grammaire, des faits et du raisonnement.

Cette phase se déroule en deux grandes étapes. Le pré-entraînement construit la culture générale du modèle à partir du texte brut. Puis un affinage (fine-tuning) et un alignement lui apprennent à suivre des instructions et à répondre de façon utile et polie, souvent avec l'aide de retours humains. Un modèle « instruct » ou « chat » a subi cette seconde étape ; c'est celui qu'on utilise pour discuter.

Paramètres (les « milliards »)

Les réglages internes ajustés à l'entraînement. Un modèle « 7B » a 7 milliards de paramètres, un « 70B » en a 70 milliards. Plus il y en a, plus il est capable — et plus il demande de mémoire.

Poids (weights)

L'autre nom des paramètres, une fois figés. Télécharger un modèle, c'est télécharger ses poids : un gros fichier de plusieurs gigaoctets.

Données d'entraînement

Le texte lu pendant l'apprentissage. Le modèle ne le « stocke » pas mot pour mot : il en retient des régularités statistiques.

#L'inférence : générer du texte token par token

Une fois entraîné, utiliser le modèle s'appelle l'inférence. Vous envoyez un texte (le prompt), et le modèle produit sa réponse un token à la fois. Voici la boucle exacte : il lit tout le texte disponible, calcule le token suivant le plus probable, l'ajoute à la suite, relit le tout — prompt + le nouveau token — et recommence. Il s'arrête quand il génère un token spécial de fin ou atteint la limite fixée.

C'est pourquoi, dans une interface de chat, la réponse s'affiche mot par mot en temps réel : vous assistez littéralement à la génération. La vitesse se mesure en tokens par seconde. Sur un LLM local, elle dépend de votre matériel — un bon GPU génère des dizaines de tokens par seconde, un processeur seul beaucoup moins.

Le modèle ne choisit pas toujours le token le plus probable de façon rigide. Un réglage appelé température introduit une part de hasard contrôlé : basse, les réponses sont prévisibles et factuelles ; haute, elles sont plus créatives et variées. C'est ce même mécanisme qui explique pourquoi un LLM peut donner deux réponses différentes à la même question.

#Ce qu'un LLM n'est pas

Comprendre la mécanique évite les malentendus courants. Un LLM n'est pas une base de données : il ne recherche pas une réponse stockée, il la reconstruit statistiquement. Il n'est pas connecté à internet par défaut : il ne connaît que ce qu'il a lu jusqu'à sa date d'entraînement, sauf si on lui branche un outil de recherche ou du RAG. Et il ne « comprend » pas au sens humain : il modélise le langage extrêmement bien, ce qui suffit pour être utile, mais reste une prédiction, pas une conscience.

#LLM cloud vs LLM local : la vraie différence

Il existe deux façons d'utiliser un LLM. Dans le cas d'un LLM cloud, le modèle tourne sur les serveurs d'une entreprise (OpenAI pour ChatGPT, Google pour Gemini, Anthropic pour Claude). Vous envoyez votre texte par internet, leurs GPU calculent la réponse et vous la renvoient. Vous ne téléchargez rien ; en échange, vos données transitent par un tiers et vous dépendez d'un abonnement et d'une connexion.

Dans le cas d'un LLM local, vous téléchargez les poids d'un modèle open-weight (Llama, Qwen, Mistral, Gemma…) et vous le faites tourner sur votre propre ordinateur. L'inférence se passe entièrement chez vous : aucune donnée ne sort, aucun abonnement, ça fonctionne même hors connexion. La contrepartie est qu'il faut du matériel suffisant et que les meilleurs modèles ouverts restent souvent un cran derrière les plus gros modèles cloud propriétaires.

Confidentialité

Cloud : vos prompts partent chez le fournisseur. Local : tout reste sur votre machine.

Coût

Cloud : abonnement mensuel ou paiement au token. Local : gratuit à l'usage une fois le matériel acquis.

Hors ligne

Cloud : connexion obligatoire. Local : fonctionne sans internet une fois le modèle téléchargé.

Puissance

Cloud : accès aux plus gros modèles sans matériel. Local : limité par votre GPU/RAM, mais très capable dès une carte 12 Go.

Contrôle

Cloud : le fournisseur peut changer le modèle ou les règles. Local : le modèle vous appartient et ne change pas sans votre accord.

#Pourquoi le LLM local existe

Si le cloud est si pratique, pourquoi faire tourner un LLM chez soi ? Trois raisons principales. La confidentialité d'abord : documents médicaux, contrats, code propriétaire, notes personnelles — beaucoup de gens et d'entreprises refusent d'envoyer ces contenus sur des serveurs tiers. L'indépendance ensuite : pas d'abonnement, pas de limite de messages, pas de coupure si le service change de prix ou disparaît. Et la maîtrise technique : un modèle local se règle, s'intègre à ses propres outils et fonctionne en avion comme dans une zone sans réseau.

Ce qui a rendu tout cela possible, c'est la quantification : une technique qui compresse les poids du modèle pour qu'ils tiennent en mémoire sans trop perdre en qualité. Grâce à elle, un modèle qui exigeait un serveur peut désormais tourner sur un PC de jeu. Le format Q4_K_M est le compromis recommandé pour débuter ; Q5_K_M, Q8_0 et FP16 offrent plus de précision au prix de plus de mémoire.

#Essayer un LLM chez soi en 10 minutes

La meilleure façon de comprendre un LLM, c'est d'en lancer un. La stack la plus simple tient en deux morceaux : Ollama, un daemon qui télécharge et exécute les modèles (il écoute sur http://localhost:11434), et une interface comme Open WebUI ou LM Studio pour discuter dans une fenêtre de chat. Voici le parcours minimal en ligne de commande, avec un petit modèle qui tourne même sans GPU dédié.

1. 01
   Installer Ollama

   Téléchargez l'installateur depuis ollama.com pour Windows, macOS ou Linux, et lancez-le. Une fois installé, Ollama tourne en tâche de fond et expose son API locale sur le port 11434.
2. 02
   Télécharger et lancer un modèle

   Une seule commande récupère les poids puis ouvre le chat directement dans le terminal. Le premier lancement télécharge quelques gigaoctets ; les suivants sont instantanés.
3. 03
   Discuter

   Posez une question et regardez la réponse s'afficher token par token : vous voyez l'inférence en direct. Tapez /bye pour quitter la conversation.
4. 04
   Vérifier que tout est local

   Coupez le Wi-Fi et reposez une question. Le modèle continue de répondre : la preuve que le calcul se fait à 100 % sur votre machine.

# Lancer un petit modèle rapide (≈2 Go, tourne même sans GPU)
ollama run llama3.2:3b

# Pour un modèle plus capable si vous avez ~5 Go de VRAM
ollama run qwen3

# Vérifier les modèles installés et que le daemon répond
ollama list
curl http://localhost:11434/api/tags

#Pour aller plus loin

Vous savez maintenant ce qu'est un LLM et comment il fonctionne. Ces guides prolongent chaque notion abordée ici :

Démarrer avec Ollama

« Ollama c'est quoi et comment ça marche » détaille l'installation, les commandes de base (run, pull, list) et le matériel nécessaire pour débuter.

Comprendre les tokens

« Comprendre la fenêtre de contexte » explique comment le modèle « voit » vos messages et pourquoi il oublie les longues conversations.

Choisir sa quantification

« Choisir sa quantification (Q4, Q5, Q8, FP16) » aide à trouver le bon compromis entre qualité et mémoire pour votre carte.