RESSOURCES · DICTIONNAIRE DES LLM
Parlez couramment LLM.
Température, top-p, LoRA, RAG… Déchiffre le jargon de l’IA sans jargon. Une définition claire en une phrase, les valeurs clés à tester et un lien direct vers la leçon pour aller plus loin.
- notions
- 119
- catégories
- 17
- avec valeurs clés
- 85
- reliées à une leçon
- 63
119 notions
| Notion | Catégorie | Définition | Valeurs clés | Voir aussi |
|---|---|---|---|---|
| AdamW OptimizerAdamWoptimiseur AdamW | EntraînementActuel | Optimiseur qui adapte le pas de chaque paramètre à partir des moyennes de ses gradients, avec une régularisation des poids séparée. Leçon : L’entraînement | PyTorch : lr = 0,001, β₁ = 0,9, β₂ = 0,999, weight_decay = 0,01 par défaut | Gradient DescentLearning Rate |
| Agent Harnessenvironnement d’exécution et d’orchestration d’agent | HarnessÉmergent | Ensemble logiciel qui encadre l’exécution d’un agent : état, outils, boucle, limites et contrôles. | — | AI AgentTool CallingCLI |
| Agent Memorymémoire d’agent | AgentsÉmergent | Informations qu’un agent conserve au-delà de sa fenêtre de contexte : historique, préférences, résultats. | — | AI AgentContext WindowRAG |
| Agent Skillcompétence d’agent | SkillsÉmergent | Ensemble d’instructions et de ressources réutilisables qui guide un agent dans une tâche spécialisée. | — | AI AgentAgent Harness |
| AI Agentagent d’intelligence artificielle | AgentsActuel | Système qui utilise un modèle pour choisir des actions et interagir avec des outils dans une boucle de contrôle. | — | Tool CallingMCPAgent Harness |
| Alignmentalignement | EntraînementActuel | Ensemble des méthodes qui rendent le comportement d’un modèle conforme aux intentions et aux valeurs attendues. Leçon : Du modèle de base à l’assistant | — | RLHFDPOSFT |
| Application Programming InterfaceAPIinterface de programmation applicative | InfrastructureFondamental | Interface contractuelle permettant à un logiciel de demander un service à un autre. Leçon : Du champ de saisie au modèle | — | Tool CallingInference |
| Backpropagationrétropropagation | EntraînementFondamental | Algorithme qui calcule efficacement le gradient de la perte par rapport à chaque paramètre, en remontant le réseau couche par couche. Leçon : L’entraînement | en PyTorch : loss.backward() | Gradient DescentCross-Entropy Loss |
| Base Modelmodèle de base | ModèlesFondamental | Modèle issu du seul pré-entraînement, qui sait prolonger du texte mais n’a pas appris à suivre des instructions. Leçon : Du modèle de base à l’assistant | — | PretrainingInstruction-tuned ModelFine-tuning |
| Batch Sizetaille de lot | EntraînementFondamental | Nombre d’exemples traités ensemble avant chaque mise à jour des paramètres. Leçon : L’entraînement | tokens par pas = batch × longueur de séquence | Learning RateEpochGPU |
| Beam Searchrecherche en faisceau | GénérationActuel | Stratégie qui garde à chaque étape les k suites les plus probables et retient la meilleure séquence complète. Leçon : Sampling et décodage | num_beams : 4 à 5 courant · 1 = décodage glouton | Greedy DecodingTop-p Sampling |
| Benchmarkbanc d’essai comparatif | ÉvaluationActuel | Protocole standardisé de tâches et mesures utilisé pour comparer des systèmes. | — | LLM Evaluation |
| Byte Pair EncodingBPEencodage par paires d’octets | ModèlesActuel | Algorithme de tokenisation qui fusionne progressivement les paires d’unités fréquentes. Leçon : Tokenisation BPE | GPT-2 : 50 000 fusions + 256 octets + 1 token spécial = 50 257 tokens | TokenizerToken |
| Causal Maskmasque causal | ArchitectureFondamental | Masque qui empêche chaque token de regarder les tokens situés après lui dans la séquence. Leçon : Matrice d’attention | scores au-dessus de la diagonale mis à −∞ avant le softmax → poids 0 | Self-AttentionDecoder-only ArchitectureNext-Token Prediction |
| Chain-of-ThoughtCoTchaîne de pensée | PromptingActuel | Technique qui fait produire au modèle des étapes de raisonnement intermédiaires avant la réponse finale. | — | Reasoning ModelPromptReAct (Reason + Act) |
| Chat Templategabarit de conversation | PromptingFondamental | Règle qui transforme une liste de messages (système, utilisateur, assistant) en une seule séquence de tokens. Leçon : Du modèle de base à l’assistant | ChatML : <|im_start|>rôle … <|im_end|> | Special TokensInstruction-tuned ModelSystem Prompt |
| Checkpointpoint de sauvegarde | EntraînementFondamental | Fichier qui enregistre l’état d’un modèle (et parfois de l’optimiseur) à un moment de l’entraînement. | formats : .pt (PyTorch), .safetensors, .gguf | ParametersGGUF |
| Chunkingdécoupage en passages | RAGActuel | Découpage des documents en segments manipulables par la recherche et le modèle. | repères courants : quelques centaines de tokens par passage, avec un léger chevauchement | RAGEmbedding |
| Coding Agent CLIagent de développement en ligne de commande | CommandesActuel | Agent de développement pilotable depuis un terminal, parfois autorisé à lire ou modifier des fichiers et lancer des commandes. | — | CLIAI AgentAgent Harness |
| Command-Line InterfaceCLIinterface en ligne de commande | CLIActuel | Interface textuelle permettant de piloter un programme avec des commandes et des arguments. | — | Agent HarnessTool Calling |
Comment lire ce dictionnaire
Chaque ligne donne le terme anglais, tel qu’il apparaît dans la documentation, puis son équivalent français. Les valeurs clés rassemblent formules, plages et valeurs par défaut ; elles dépendent de la version et du fournisseur : vérifiez toujours leur documentation.
Cliquez sur une notion pour ouvrir sa fiche : explication, exemple, limites, notions liées et sources officielles.
- Fondamentalnotion structurante, à connaître pour suivre le reste
- Actuelterme ou pratique en usage aujourd’hui
- Émergentusage encore en formation, vocabulaire mouvant
- Historique, legacy, dépréciéattribués seulement quand une source le justifie ; l’âge d’une notion ne suffit pas
Mise en ligne le