Concept 01 · 8 min
Il ne vous comprend pas. Il prédit le mot suivant. Extrêmement bien.
Faites défiler pour commencer
Scène 1
Vous en utilisez déjà un
Votre téléphone vous suggère trois mots pendant que vous tapez. Choisissez le vôtre.
Votre rendez-vous est confirmé pour la semaine
Votre téléphone a appris de vos messages. L’assistant que vous utilisez fait pareil, avec bien plus de textes : des milliards de pages.
Scène 2
Un mot à la fois
Sophie commence un e-mail à M. Dupont et laisse l’assistant le terminer. Faites défiler lentement : chaque étape ajoute un mot.
Un éventail animé de mots candidats suit. Les mêmes étapes sont listées dans le tableau qui le suit.
Continuez à faire défiler : chaque geste ajoute un mot.
Cher Monsieur Dupont, je vous remercie pour votre message et votre intérêt pour ce projet.
| Étape | Phrase jusqu’ici | Mots suivants les plus probables | Choisi |
|---|---|---|---|
| 1 | Phrase jusqu’ici…vous remercie pour votre | Mots suivants les plus probablesréponse14 %retour9 %lettre8,1 %message6,8 %cour5,4 % | Choisimessage |
| 2 | Phrase jusqu’ici…remercie pour votre message | Mots suivants les plus probableset29 %.21 %concernant11 %,6,4 %.↵↵5,1 % | Choisiet |
| 3 | Phrase jusqu’ici…pour votre message et | Mots suivants les plus probablespour22 %je22 %votre16 %vos10 %vous6,1 % | Choisivotre |
| 4 | Phrase jusqu’ici…votre message et votre | Mots suivants les plus probablesintérêt8,9 %confiance5,3 %proposition5,2 %demande4,8 %retour4 % | Choisiintérêt |
| 5 | Phrase jusqu’ici…message et votre intérêt | Mots suivants les plus probablespour47 %dans7,6 %.7 %envers5,9 %à5,5 % | Choisipour |
| 6 | Phrase jusqu’ici…et votre intérêt pour | Mots suivants les plus probablesnotre19 %mon11 %le10 %ce9 %les7 % | Choisice |
| 7 | Phrase jusqu’ici…votre intérêt pour ce | Mots suivants les plus probablessujet38 %projet27 %domaine2,9 %que2,2 %travail1,7 % | Choisiprojet |
| 8 | Phrase jusqu’ici…intérêt pour ce projet | Mots suivants les plus probables.50 %.↵↵12 %de10 %qui2,9 %d2,2 % | Choisi. |
Cher Monsieur Dupont, je vous remercie pour votre message et votre intérêt pour ce projet.
| Étape | Phrase jusqu’ici | Mots suivants les plus probables | Choisi |
|---|---|---|---|
| 1 | Phrase jusqu’ici…vous remercie pour votre | Mots suivants les plus probablesréponse14 %retour9 %lettre8,1 %message6,8 %cour5,4 % | Choisimessage |
| 2 | Phrase jusqu’ici…remercie pour votre message | Mots suivants les plus probableset29 %.21 %concernant11 %,6,4 %.↵↵5,1 % | Choisiet |
| 3 | Phrase jusqu’ici…pour votre message et | Mots suivants les plus probablespour22 %je22 %votre16 %vos10 %vous6,1 % | Choisivotre |
| 4 | Phrase jusqu’ici…votre message et votre | Mots suivants les plus probablesintérêt8,9 %confiance5,3 %proposition5,2 %demande4,8 %retour4 % | Choisiintérêt |
| 5 | Phrase jusqu’ici…message et votre intérêt | Mots suivants les plus probablespour47 %dans7,6 %.7 %envers5,9 %à5,5 % | Choisipour |
| 6 | Phrase jusqu’ici…et votre intérêt pour | Mots suivants les plus probablesnotre19 %mon11 %le10 %ce9 %les7 % | Choisice |
| 7 | Phrase jusqu’ici…votre intérêt pour ce | Mots suivants les plus probablessujet38 %projet27 %domaine2,9 %que2,2 %travail1,7 % | Choisiprojet |
| 8 | Phrase jusqu’ici…intérêt pour ce projet | Mots suivants les plus probables.50 %.↵↵12 %de10 %qui2,9 %d2,2 % | Choisi. |
Personne n’a écrit cette phrase à l’avance : chaque mot a été choisi parce qu’il est probable après les précédents. C’est ça, un modèle de langage. LLM : large language model, grand modèle de langage.
Une précision : il n’écrit pas toujours des mots entiers. Voyez comment il a découpé cette phrase :
Cher Monsieur Dupont, je vous remercie pour votre message et votre intérêt pour ce projet.
Scène 3
Un peu plus d’audace
L’assistant privilégie le mot suivant le plus probable, mais il n’est pas obligé de le prendre. Un réglage le rend plus ou moins audacieux. Essayez le curseur.
Défis
- Obtenez trois débuts différents, tous cohérents.
- Bonus : faites-le dérailler.
DébutCher Monsieur Dupont, je vous remercie pour votre…
Commencez par Prévisible, puis essayez les autres.
Écrivez trois versions à ce niveau
Vos trois versions apparaîtront ici.
La plupart des assistants cachent ce réglage, la température. Les modes « précis » la baissent, les modes « créatifs » la montent. Même modèle, plus ou moins audacieux.
Scène 4
Il continue. Il ne vérifie pas.
Sophie commence une phrase sur l’entreprise de son client.
La Menuiserie Dupont a été fondée en
Quel sera le mot suivant ?
Tout est là : il produit ce qui sonne juste. Quand il importe que ce soit vrai, direction la page Hallucinations.
Scène 5
Des notes avant la réponse
Votre assistant a peut-être un bouton « réfléchir plus longtemps », souvent appelé niveau de réflexion. Voici ce qu’il change. Choisissez une demande, puis un niveau.
Commencez par Faible, puis essayez les autres.
Il répond tout de suite.
Posez la question
Ses notes et sa réponse apparaîtront ici.
À un niveau plus haut, l’assistant écrit d’abord des notes, souvent cachées, puis s’en sert pour répondre. Plus de notes : réponse souvent de meilleure qualité, mais plus lente et plus chère.
Le buzz face à la réalité
- Ce que dit le buzz
« Il comprend ce que vous écrivez. »
Ce qui se passe vraimentIl calcule quels mots suivent habituellement les vôtres. Assez pour paraître intelligent, pas pour avoir raison. Même un mode « raisonnement » ne fait qu’écrire des notes d’abord.
- Ce que dit le buzz
« Il cherche les réponses sur Internet. »
Ce qui se passe vraimentSeul, il ne cherche rien : il écrit à partir de régularités apprises à l’entraînement, figées à une date. La recherche, on l’ajoute autour.
- Ce que dit le buzz
« Il contient une gigantesque base de faits. »
Ce qui se passe vraimentAucune table de faits : des milliards de nombres réglés pour prédire des mots. Les faits fréquents sortent justes, les faits rares sortent plausibles.
Sous le capot
Tout ce que vous venez de voir tient en ces quelques lignes.
def next_word(text, temperature): scores = model(text) # un score pour chaque mot suivant possible probs = softmax(scores / temperature) # les scores deviennent des probabilités return random_choice(probs) # on en tire un, selon sa probabilitétext = "Cher Monsieur Dupont, je vous remercie pour votre"while not text.endswith("."): text += next_word(text, temperature=0.8) # on l’ajoute, puis on prédit à nouveauL’entraînement, c’est la partie coûteuse : des milliards de pages pour régler les scores, d’où le « grand » de grand modèle. Écrire, c’est juste cette boucle ; un niveau de réflexion allonge seulement sa première phase : des notes, puis la réponse, écrites de la même façon. Sur cette page, les cinq réglages étaient les températures 0 ; 0,3 ; 0,8 ; 1,1 et 1,8, enregistrées sur un modèle ouvert pour que vous puissiez les rejouer.
Le français coûte un peu plus de tokens que l’anglais : les modèles ont lu davantage d’anglais.
En 3 phrases
- Un modèle de langage écrit un mot à la fois, en choisissant chaque fois une suite probable.
- Il a appris ces probabilités sur une quantité énorme de textes : il prédit, il ne vérifie pas.
- Des réglages comme la température et le niveau de réflexion changent sa réponse, pas ce qu’il a appris.
C’était clair ?
Étape suivante
Pourquoi oublie-t-il ce que je lui ai dit plus tôt ?
Un poisson rouge avec un petit carnet
Utiliser ce parcours avec vos équipesEnregistré avec Ministral 3 (3B), le 3 oct. 2026. Faible, Moyen et Haut sont trois consignes données à ce petit modèle.