Qu’est-ce qu’un LLM ? Définition et fonctionnement d’un grand modèle de langage

Un LLM, ou « large language model », est un grand modèle de langage entraîné à produire du texte à partir d’un contexte. Il génère une réponse en prédisant la suite du texte, élément après élément, selon les régularités apprises pendant son entraînement.
Qu’est-ce qu’un LLM ?
Un LLM, pour « Large Language Model » ou « grand modèle de langage », est, selon IBM, un modèle d’apprentissage profond entraîné sur d’immenses quantités de données pour comprendre et générer du texte en prédisant le mot suivant d’une séquence. Le qualificatif « grand » renvoie à ses paramètres, beaucoup plus nombreux que dans les modèles récurrents qui l’ont précédé, selon Google.
Un LLM peut générer du texte, répondre à des questions et résumer des informations, selon Anthropic. Ces capacités portent sur la production de langage naturel : elles permettent aussi bien de formuler une réponse que de condenser un texte. Anthropic décrit les textes produits comme proches de ceux qu’un humain pourrait écrire.
Pour situer les LLM parmi les IA qui produisent du texte, des images ou du son, voyez le guide « qu’est-ce que l’IA générative ».
Comment fonctionne un LLM ?
Un LLM produit une réponse en choisissant successivement des jetons, ou tokens : un jeton peut être un mot, un sous-mot ou un caractère. Selon la documentation de Google pour les développeurs, il estime la probabilité des jetons susceptibles de prolonger le texte déjà présent. Pour générer la suite, il peut sélectionner le jeton le plus probable ou en tirer un au hasard parmi ceux dont la probabilité dépasse un seuil.
Les Transformers, l’architecture des LLM décrite par Google, utilisent l’auto-attention pour tenir compte du contexte lors de la génération. Avec la fenêtre de contexte, une autre notion intervient : la quantité de texte que le modèle peut relire pour produire la suite. Anthropic la décrit comme une « mémoire de travail », distincte des données d’entraînement : elle correspond au texte accessible pendant la génération, pas à tout ce qui a servi à entraîner le modèle.
Comment un LLM est-il entraîné ?
- Les données : un LLM commence son entraînement avec des milliards ou des milliers de milliards de mots, selon IBM. Ces textes proviennent de livres, d’articles, de sites web, de code et d’autres contenus écrits.
- Le préentraînement : le modèle apprend à prédire le mot suivant à partir du texte qui précède, sur un grand corpus non étiqueté, selon Anthropic. À ce stade, il ne sait pas bien répondre aux questions ni suivre des consignes. Des étapes supplémentaires servent à le rendre utile pour ces tâches.
- L’ajustement : le fine-tuning consiste à poursuivre l’entraînement du modèle préentraîné avec des données supplémentaires, selon Anthropic. Il intervient après cette première phase, plutôt que de recommencer l’apprentissage depuis le début.
- Le RLHF : l’apprentissage par renforcement à partir de retours humains repose sur des évaluations humaines. Des personnes classent deux textes d’exemple ou plus, puis le modèle apprend à préférer des réponses proches des mieux classées, selon Anthropic.
Quels sont les LLM connus ?
À la date du 16 novembre 2026, voici des LLM connus et ce que leurs éditeurs en disent :
- Claude Opus 5.5 : Anthropic destine ce modèle à la production de code dans des tâches de programmation agentique de longue durée, ainsi qu’au travail intellectuel.
- Gemini 4 Carbon : Google conçoit ce modèle pour les tâches d’ingénierie de longue haleine et la cyberdéfense.
- Llama 4 Maverick : publié par Meta, ce modèle lit du texte multilingue et des images. Il produit du texte multilingue et du code pour la conversation.
- Mistral Large 4 : proposé par Mistral AI en préversion publique, puis dans une version améliorée dont l’éditeur a publié les poids, ce modèle accepte du texte et des images en entrée. Il peut appeler des outils.
- GPT-6.1 Sol : OpenAI destine ce modèle à la programmation complexe et au travail professionnel. Il lit du texte et des images, puis répond en texte.
Le classement des LLM d’Aikiwi compare ces modèles et d’autres.
Un LLM, un assistant et un agent : quelle différence ?
Un LLM est le modèle, pas l’application avec laquelle vous échangez. Selon IBM, le public y accède par des interfaces : l’assistant constitue cette porte d’entrée, tandis qu’un agent ajoute des mécanismes permettant d’agir.
Claude, l’assistant d’Anthropic, traduit des textes, extrait des données, et explique ou génère du code. Son éditeur précise qu’il repose sur un grand modèle de langage déjà ajusté pour remplir ce rôle d’assistant : ce n’est pas un modèle « nu ». Vous interagissez avec un assistant préparé pour ces usages, plutôt qu’avec le seul modèle sous-jacent.
Un agent associe le LLM à une mémoire, à des API, des interfaces de communication avec d’autres logiciels, et à une logique de décision. Selon IBM, cet ensemble peut effectuer une tâche comme réserver un vol, là où le modèle seul génère du texte selon le contexte. La distinction tient au passage de la réponse textuelle à l’action.
Le guide qu’est-ce qu’un agent IA détaille ce fonctionnement.
Hallucinations, actualité, biais : les idées reçues sur les LLM
| Idée reçue | Ce que disent les sources |
|---|---|
| Un LLM vérifie ce qu’il écrit | Un LLM peut générer des informations fausses mais plausibles : IBM parle d’hallucinations. Anthropic souligne aussi le risque de texte factuellement faux ou incohérent avec le contexte. |
| Un LLM connaît l’actualité | Un LLM s’appuie sur ses données d’entraînement. Selon Anthropic, la génération augmentée par récupération (RAG) lui apporte des informations supplémentaires, utiles pour les tâches qui exigent des informations à jour. |
| Un LLM est neutre | Selon IBM, un LLM peut refléter et amplifier les biais présents dans ses données d’entraînement. |
| Un LLM comprend comme un humain | Selon Google, un LLM produit un langage plausible en modélisant les schémas statistiques des jetons : sa réponse est un calcul sur des régularités du texte. |
Pour limiter les hallucinations, Anthropic recommande d’autoriser le modèle à exprimer son incertitude, d’ancrer ses réponses dans des citations directes et de vérifier ses affirmations à l’aide de citations.
Questions fréquentes
Faut-il savoir coder pour utiliser un LLM ?
Non : une interface grand public permet d’utiliser un grand modèle de langage sans programmer. Selon IBM, de nombreux modèles sont aussi accessibles aux développeurs par une API, une interface de programmation qui permet de les intégrer à une application, et de nombreux modèles open source peuvent être déployés en local ou dans le cloud, pour garder plus de contrôle sur les données.
Un LLM peut-il gérer plusieurs langues ?
Un LLM peut prendre en charge plusieurs langues, mais les langues acceptées dépendent du modèle. Selon sa fiche modèle, Llama 4 Maverick prend notamment en charge le français. Google précise que le découpage du texte en jetons, les unités traitées par le modèle, est propre à chaque langue : un jeton ne correspond pas au même nombre de caractères d’une langue à l’autre.
Sources et méthode
- ibm.com, consulté le 6 novembre 2026
- developers.google.com, consulté le 6 novembre 2026
- platform.claude.com, consulté le 6 novembre 2026
Informations vérifiées le .
Cet article est préparé par la rédaction d'Aikiwi avec une chaîne automatisée : chaque information est reliée à une source publique et vérifiée avant publication. Il ne rapporte pas de test pratique, sauf mention contraire. Notre méthode