LLM local : quand miser sur un petit modèle de langage

Les petits modèles de langage méritent un essai dès lors que la tâche est bien définie, la réponse vérifiable et les exceptions prises en charge. Pour un projet de LLM local, commencez par évaluer un modèle de 1B à 4B sur une tâche précise ; gardez une API de modèle de pointe à disposition pour les demandes qui exigent des connaissances plus étendues ou un raisonnement plus fiable, si votre politique de gestion des données le permet.

La question pour l’entreprise est simple : un modèle plus petit peut-il atteindre le niveau de qualité attendu sur votre matériel ? S’il fournit vite une réponse plausible, mais impose une nouvelle file de vérification, le problème reste entier.

Qu’est-ce qu’un petit modèle de langage ?

Un petit modèle de langage, ou SLM, renonce à une partie de sa polyvalence pour réduire ses besoins de calcul. Pour préparer un projet, retenez une plage indicative de 100 millions à 10 milliards de paramètres, avec des cas limites au-delà. Il n’existe pas de seuil universel : IBM parle de millions à quelques milliards, tandis que Mistral inclut explicitement un modèle de 14B dans sa famille de petits modèles. La frontière évolue avec le matériel, les méthodes d’entraînement et les capacités des plus grands modèles. La définition d’IBM et la famille de modèles de Mistral illustrent ce désaccord.

Un paramètre est un poids numérique appris pendant l’entraînement qui influence les réponses du modèle. Un token est un fragment de texte traité par celui-ci. Les modèles conversationnels génératifs construisent une réponse en prédisant les tokens successifs à partir du contexte fourni. Un modèle plus petit utilise moins de poids appris, même si l’architecture et la qualité de l’entraînement comptent aussi, au-delà de leur nombre. L’introduction de Google aux modèles de langage explique ce mécanisme.

Imaginez le laboratoire d’une petite boulangerie, équipé pour une gamme bien définie. Il peut parfaitement convenir aux mêmes commandes répétées chaque jour ; lui demander de préparer n’importe quel plat imaginé par un client répond à un tout autre besoin. Un petit modèle n’est pas spécialiste par nature, mais un workflow bien délimité permet de concentrer ses capacités là où elles sont utiles.

Les petits modèles peuvent être entraînés directement ou conçus par distillation, une méthode qui fait apprendre un modèle plus petit à partir des réponses d’un plus grand. La quantification consiste à stocker les poids numériques avec une précision réduite pour diminuer leur encombrement. Ce sont deux procédés distincts : quantifier un grand modèle ne réduit pas son nombre de paramètres et ne le rend pas équivalent à un modèle beaucoup plus petit. IBM présente ces techniques séparément.

SLM vs LLM : comment choisir entre petit et grand modèle ?

Faites d’abord votre choix selon la qualité obtenue sur la tâche, puis selon les contraintes de déploiement. Une API de modèle de pointe donne accès, par Internet, à un modèle très performant d’un fournisseur et vous épargne la gestion du matériel d’inférence. Un petit modèle offre davantage de possibilités de déploiement, dont celle d’exécuter tout le traitement sur un appareil.

La taille et le lieu d’exécution sont deux choix distincts. Un petit modèle peut être hébergé derrière une API, et certains grands modèles ouverts peuvent fonctionner sur votre propre infrastructure. Le terme « mini » choisi par un fournisseur ne renseigne ni sur le nombre de paramètres ni sur la possibilité de télécharger les poids.

Il s’agit de compromis de déploiement, pas de résultats de benchmarks. La présentation des SLM par Microsoft détaille leurs avantages en ressources et leurs limites de capacité. La comparaison pertinente porte sur votre charge de travail réelle, y compris les entrées difficiles.

Pourquoi une entreprise choisit-elle un petit modèle ?

Coût par appel : l’inférence d’un petit modèle peut consommer moins de ressources. Mais le local n’est pas gratuit : matériel, électricité, support, capacité inutilisée et nouvelles tentatives restent à comptabiliser. Comparez le coût par résultat accepté, vérification et recours à un relais compris, plutôt que de crier victoire à la disparition d’une facture d’API. Pour un usage occasionnel, acheter un service peut être plus simple que l’exploiter.

Latence : une exécution locale supprime l’aller-retour vers l’inférence distante. Elle ne garantit pas une réponse plus rapide. Le chargement du modèle, le traitement d’un prompt long, la lenteur de la mémoire ou les requêtes simultanées peuvent peser davantage. Pour un opérateur qui regarde un formulaire se remplir, mesurez le délai jusqu’à l’affichage du formulaire complet et valide.

Confidentialité : l’inférence locale peut conserver le prompt sur l’appareil. Ce bénéfice disparaît si un outil de recherche connecté, un service distant de secours ou un journal applicatif transmet le même texte ailleurs. Vérifiez l’ensemble du parcours, fichiers synchronisés et télémétrie compris, avant d’affirmer que les données restent privées.

Usage hors ligne : une fois l’application, le modèle et les ressources nécessaires téléchargés, un workflow local peut rester disponible sans accès à Internet. C’est utile pour un technicien qui rédige un compte rendu d’intervention dans un sous-sol. Consulter les stocks en direct exige toujours une connexion, sauf à disposer aussi d’une copie locale des données. La documentation de LM Studio sur le mode hors ligne distingue clairement l’inférence à partir de ressources téléchargées des opérations connectées.

Pour un fondateur ayant levé des fonds, une première version hébergée est souvent le moyen le plus rapide de vérifier l’utilité d’une fonctionnalité. Pour le CTO d’une entreprise de taille intermédiaire, un déploiement local devient intéressant quand une charge récurrente ou des exigences de confinement des données justifient d’en assurer l’exploitation. Pour un responsable opérationnel expérimenté, l’indicateur décisif est la part du travail qui aboutit à une réponse exploitable sans correction. Pour un développeur indépendant, un pilote sur ordinateur portable permet de vérifier la faisabilité avant tout achat de matériel.

Cinq tâches adaptées aux petits modèles

Les meilleurs candidats ont des sorties limitées et un moyen clair de rejeter les erreurs. Les exemples qui suivent sont des schémas de workflow à tester : ils ne signifient pas que chacun des modèles présentés plus bas sait déjà accomplir votre tâche.

1. Classification

Utilisez un modèle pour affecter un texte à un ensemble fixe de catégories. Un opérateur du support peut, par exemple, classer les tickets dans billing, access, bug ou other. Fournissez les définitions et des exemples à la frontière entre catégories, puis mesurez les erreurs pour chacune d’elles.

Le périmètre utile est « choisir une file de traitement », pas « régler le problème du compte client ». Conservez une voie other pour les messages qui sortent de la nomenclature. Si des règles simples classent déjà les entrées de manière fiable, gardez-les.

2. Extraction

Transformez un texte fourni en fiche de structure fixe : numéro de facture, fournisseur, date d’échéance et devise, par exemple. Exigez un extrait source pour chaque champ et autorisez null lorsque l’information manque. Un schéma définit la structure et les types de données autorisés en sortie ; il contrôle le format, pas l’exactitude des valeurs.

Pour les documents numérisés, la reconnaissance de texte constitue une étape distincte, sauf si le modèle et son environnement d’exécution acceptent les images en entrée. Validez les dates, les totaux et les identifiants dans le code avant d’envoyer une fiche au système comptable. Ne demandez jamais au modèle de deviner un numéro de facture manquant.

3. Routage

Laissez un petit modèle proposer le workflow spécialisé auquel adresser une demande. Un service d’assistance interne pourrait distinguer « trouver une procédure », « rétablir un accès » et « parler à un conseiller ». L’application vérifie ensuite que cette orientation est autorisée.

Un modèle de routage ne doit pas devenir le système de gestion des permissions. Considérez son choix comme une proposition, imposez une liste de destinations autorisées et transmettez les demandes ambiguës à un autre niveau de traitement. Le degré de confiance annoncé par un modèle n’est pas une probabilité calibrée d’avoir raison.

4. Assistants embarqués

Un assistant peut reformuler la note d’un technicien, résumer des consignes stockées localement ou préparer une requête de recherche sans envoyer le texte source à un modèle distant. Son périmètre doit être explicite : « aider à partir de ces manuels téléchargés », plutôt que « répondre à toute question de maintenance ».

Joignez le passage pertinent à la demande. Un modèle ne connaît pas une nouvelle procédure simplement parce que l’application l’a téléchargée quelque part. Gardez un accès visible au document original et testez sur le téléphone réellement utilisé, en tenant compte de la batterie et de l’échauffement.

5. Rédaction à partir de modèles de document

Produisez un brouillon à partir de champs approuvés et d’un format établi. Un chargé de compte peut ainsi transformer un compte rendu de réunion vérifié en e-mail de suivi, avec des rubriques consacrées aux décisions, aux responsables et aux prochaines étapes.

Conservez les engagements, les prix et les dates dans des champs sources validés. Si une valeur manque, omettez-la ou demandez-la. La rédaction par un petit modèle se contrôle plus facilement lorsque le modèle choisit les mots et que l’application fournit les faits.

Petits modèles de langage open source : tailles et licences

Voici des modèles à poids ouverts répertoriés par leurs éditeurs, vérifiés le 14 octobre 2026, et non un classement issu de tests pratiques. Le terme « open source » est souvent employé au sens large : pouvoir télécharger les poids ne donne pas les mêmes droits dans tous les cas. Vérifiez la licence de la version exacte du modèle que vous déployez, y compris s’il s’agit d’une version dérivée ou quantifiée.

Les tailles ci-dessous reprennent les désignations des éditeurs, en signalant les écarts de comptage importants. Un environnement d’exécution, ou runtime, est le logiciel qui charge les poids et fait fonctionner le modèle ; sa compatibilité et la mémoire disponible restent à vérifier.

Google Gemma 4 mérite une évaluation lorsqu’un assistant local doit traiter du texte ainsi que des images ou de l’audio. Ses désignations E2B et E4B correspondent aux nombres de paramètres effectifs : ne calculez donc pas la mémoire à partir du nom seul. Google fournit des formats de déploiement et des indications sur la mémoire, avec des options locales et mobiles.

Microsoft Phi-4-mini-instruct est un modèle textuel dont la fiche explique le déploiement local et signale explicitement des connaissances factuelles limitées. C’est donc un candidat pertinent pour travailler à partir d’un contexte fourni, à condition d’évaluer soigneusement ses résultats dans votre langue et sur vos documents ; il ne remplace pas une source de connaissances à jour.

Alibaba Qwen3.5 propose un éventail de petites tailles utile pour comparer une même tâche avec différentes exigences matérielles. La fiche du modèle 4B présente les possibilités d’exécution, tandis que la licence de cette version en fixe les conditions. Vérifiez la prise en charge par l’environnement d’exécution et les besoins de l’ensemble multimodal, sans supposer que chaque application locale accepte toutes les variantes.

Meta Llama 3.2 propose des modèles purement textuels assez petits pour permettre une évaluation sur appareil, avec une quantification pour mobile documentée par Meta. Sa licence spécifique constitue un accord différent de MIT ou d’Apache 2.0. Retenez-le pour un workflow textuel bien délimité ; pour lire des images, il faut un autre modèle.

Mistral AI Ministral 3 décline ses petites tailles en variantes de base, instruct et de raisonnement, avec compréhension des images. Pour une tâche courante, commencez par évaluer une variante instruct, c’est-à-dire entraînée à suivre des consignes. Une réponse de raisonnement plus longue peut ajouter de la latence alors qu’une simple catégorie ou un champ extrait suffit. La page actuelle du modèle 3B documente le modèle hébergé.

Quel petit modèle de langage choisir pour un premier pilote ?

Commencez par le plus petit candidat qui accepte les entrées nécessaires, prend en charge votre langue, possède une licence acceptable et dispose d’un environnement d’exécution compatible. Comparez-le à un modèle plus grand sur exactement les mêmes exemples. Sans connaître cette charge de travail, impossible de désigner sérieusement un vainqueur universel.

Pour un choix guidé par le matériel dans une gamme plus large, consultez le guide des meilleurs LLM en local. La sélection ci-dessus vise avant tout à éclairer le choix d’un petit modèle.

Quel modèle tient sur un portable, un téléphone ou un seul GPU ?

Les poids du modèle ne représentent que le besoin initial en mémoire. Il faut aussi de la mémoire de travail pour l’environnement d’exécution et pour le contexte, c’est-à-dire le texte et les autres entrées que le modèle traite.

Prenons un calcul volontairement simplifié : 4 milliards de paramètres × 4 bits ÷ 8 = 2 Go de poids bruts, en gigaoctets décimaux. C’est notre calcul, pas un benchmark ni l’affirmation qu’un modèle de 4B fonctionne avec 2 Go de RAM. Les métadonnées de quantification, les poids stockés à des précisions différentes, l’environnement d’exécution et le cache de contexte ajoutent tous une consommation supplémentaire.

Le cache KV est une mémoire de travail qui évite de recalculer certaines parties du contexte précédent. Des entrées plus longues, des sorties plus longues et davantage de requêtes simultanées peuvent accroître les besoins en mémoire. Les recommandations de Google pour dimensionner la mémoire distinguent explicitement les poids statiques du contexte et des logiciels nécessaires à l’exécution.

Un téléphone exige un environnement d’exécution mobile compatible et une tâche qui reste utile sous les contraintes prolongées de l’appareil. Un ordinateur portable doit garder de la mémoire pour le système d’exploitation et les applications que vous utilisez réellement. Un seul GPU ne constitue pas une spécification : sa mémoire vidéo disponible, les logiciels pris en charge et la charge de requêtes déterminent ce qu’il peut accueillir.

Un modèle qui tient en mémoire peut malgré tout être trop lent. Mesurez les démarrages à froid et les requêtes répétées, puis testez la longueur de prompt et la charge simultanée prévues. Ne réservez pas la fenêtre de contexte maximale au seul motif que la fiche du modèle la met en avant.

Comment lancer un LLM local ou utiliser une API ?

Choisissez Ollama si la ligne de commande et une API locale conviennent à votre workflow ; préférez LM Studio si vous souhaitez télécharger, charger et comparer des modèles dans une interface de bureau. Tous deux fournissent des environnements d’exécution et des applications : ce ne sont pas les modèles eux-mêmes. Le comparatif Ollama et LM Studio détaille ce choix.

Exécuter un modèle en local avec Ollama

Ollama propose un moteur d’exécution local et une interface HTTP. Installez-le et lancez-le en suivant le guide de démarrage officiel, puis téléchargez un modèle en précisant son identifiant. La fiche Llama 3.2 de sa bibliothèque répertorie les deux petites tailles.

1. 1

   Télécharger un petit modèle

   Après avoir installé Ollama, exécutez ces commandes dans un terminal :

   ollama pull llama3.2:3b
   ollama run llama3.2:3b

   La première commande télécharge le modèle. La seconde ouvre une session interactive. Il s’agit d’une procédure de démarrage documentée, pas d’une garantie que le modèle réussit votre tâche.

2. 2

   Tester une requête API bien délimitée

   Une fois Ollama lancé, la requête suivante demande de classer un ticket de support et de renvoyer du JSON. Exécutez-la dans un shell où curl est disponible :

   curl http://localhost:11434/api/generate \
     -H 'Content-Type: application/json' \
     -d '{
       "model": "llama3.2:3b",
       "prompt": "Classify the ticket as billing, access, bug, or other. Return JSON with one key: category. Ticket: I cannot sign in after resetting my password.",
       "format": "json",
       "stream": false
     }'

   Le texte généré se trouve dans le champ response de la réponse. Le point d’accès generate accepte aussi un JSON Schema si vous avez besoin d’une structure de sortie plus stricte. Votre application doit toujours rejeter les catégories inconnues et évaluer la justesse du classement.

3. 3

   Vérifier où le modèle s’exécute

   Utilisez ollama ps pour voir si le modèle est chargé sur le CPU, le GPU ou les deux. Si le workflow doit rester local, désactivez les fonctions cloud avec OLLAMA_NO_CLOUD=1 dans l’environnement du service Ollama en cours d’exécution, puis redémarrez-le. Ollama documente ces réglages dans sa FAQ. Excluez les outils connectés et les services distants de secours d’un test hors ligne.

Exécuter un modèle en local avec LM Studio

LM Studio est une application de bureau qui permet de télécharger et d’exécuter des modèles locaux compatibles. Sa documentation décrit la prise en charge de GGUF, un format de fichier de modèle local, ainsi que de MLX sur Apple Silicon.

Ouvrez Discover, recherchez le modèle et choisissez une version compatible qui convient à votre machine. Chargez-la dans une conversation et collez la même demande de classification que plus haut. Notez le fichier exact du modèle et sa quantification : deux téléchargements portant le même nom de famille peuvent différer par leur encombrement et leur qualité. Le guide de téléchargement des modèles décrit l’interface actuelle.

Pour un essai hors ligne, téléchargez d’abord le modèle et l’environnement d’exécution nécessaire, déconnectez-vous, puis répétez la tâche. Le modèle peut fonctionner localement alors que la recherche de modèles, les téléchargements ou les outils externes exigent toujours une connexion. Un essai de conversation hors ligne ne prouve pas que toutes les intégrations de l’application préservent la confidentialité.

Passer par une API hébergée

Une API hébergée de petit modèle permet de l’évaluer sans gérer de GPU. Par exemple, le service hébergé de Mistral propose Ministral aux côtés de modèles plus grands. Suivez son guide de démarrage API : créez un compte et une clé, choisissez l’identifiant actuel du petit modèle sur sa fiche, puis envoyez le même prompt délimité au point d’accès de complétion de conversation.

Conservez la clé sur votre serveur. Comparez les résultats acceptés, le temps de réponse et l’effort de vérification avec le même jeu de données que pour l’exécution locale. Un petit modèle hébergé reste une inférence distante : son faible nombre de paramètres ne lui confère ni fonctionnement hors ligne ni confidentialité sur l’appareil.

Limites réelles et promesses exagérées des petits modèles

Les échecs les plus difficiles apparaissent quand la tâche dépasse les exemples prévus. Un classifieur peut sembler fiable sur des tickets simples et échouer face à un message qui mêle un litige de facturation et un problème d’accès. Un modèle de rédaction peut respecter le format tout en inventant un engagement.

L’étendue des connaissances et le raisonnement face à l’ambiguïté restent des points faibles à évaluer. La fiche de Phi de Microsoft décrit explicitement des capacités factuelles limitées et met en garde contre les conversations longues, les différences entre langues et les informations peu fiables. Fournir des sources pertinentes aide à combler les lacunes de connaissances ; cela ne garantit pas leur bonne interprétation.

« Petit signifie exact » n’est pas une affirmation étayée. Réduire le périmètre d’une tâche facilite son évaluation et son encadrement. Cela ne rend pas les réponses du modèle véridiques. Conservez des contrôles sur les éléments de preuve et une voie de refus ou de relais.

« Local signifie privé » suppose une architecture à construire. Les journaux, les outils externes, la synchronisation de documents et les services distants de secours peuvent franchir la frontière même lorsque l’inférence est locale.

« Une longue fenêtre de contexte signifie qu’il comprend tout le manuel » va trop loin. La capacité d’entrée annoncée ne garantit ni que le tout tienne en mémoire ni que le modèle raisonne correctement sur chaque passage. Récupérez la section pertinente, joignez-la à la question et vérifiez la réponse dans la source.

Adapter un petit modèle à un domaine métier

La spécialisation commence par le workflow, avant l’entraînement. Fournissez au modèle le vocabulaire, les sorties autorisées et les documents utiles à la tâche. La génération augmentée par récupération, ou RAG, consiste à retrouver des sources pertinentes et à les inclure dans la requête. Elle permet d’actualiser les connaissances fournies sans modifier les poids du modèle.

Pour un assistant de maintenance, récupérez les consignes correspondant à la machine et à la révision exactes. Ne lui transmettez pas un dossier de manuels sans rapport en espérant qu’il fera le bon choix. Associez la révision de la source à la réponse afin que l’opérateur puisse la vérifier.

Quand envisager le fine-tuning d’un petit modèle ?

Le fine-tuning adapte un modèle préentraîné à l’aide d’exemples supplémentaires. Envisagez-le lorsqu’une tâche stable échoue de façon récurrente malgré le travail sur les prompts et la récupération de sources, et que vous disposez d’exemples représentatifs correctement annotés.

Pour un classifieur de support, cela peut consister à apprendre une distinction propre à l’entreprise entre incidents et demandes de fonctionnalités. Réservez un jeu d’évaluation qui ne sera jamais utilisé pendant l’entraînement. Si le problème vient d’une politique de remboursement qui évolue, commencez par actualiser la politique fournie au modèle ; le fine-tuning ne doit pas remplacer une source de référence à jour.

Faut-il se lancer, attendre ou garder sa solution actuelle ?

Lancez-vous maintenant si la tâche se répète, si sa sortie peut être contrôlée et si la disponibilité locale ou la localisation des données résout un problème concret. Un responsable opérationnel expérimenté confronté à une file de tri manuel dispose d’un meilleur cas pilote qu’un fondateur qui cherche à remplacer tous les assistants de l’entreprise.

Attendez avant de migrer si vous ne savez pas définir les erreurs acceptables, si vous manquez d’exemples représentatifs ou si vous avez besoin d’un agent au périmètre ouvert pour prendre des décisions lourdes de conséquences. Établissez d’abord le workflow et une évaluation de référence.

Gardez l’API existante si elle répond déjà au besoin et si ni la localisation des données, ni la disponibilité hors ligne, ni les performances opérationnelles mesurées ne justifient un changement. La taille du modèle ne suffit pas à motiver une refonte.

Dès lundi, choisissez une file de traitement, un schéma de sortie et un responsable. Constituez 100 cas de départ, par exemple 70 demandes courantes, 20 délicates et 10 hors périmètre. Ces volumes sont des suggestions pour commencer, pas une garantie statistique. Gardez des exemples distincts pour l’évaluation finale et ajoutez les erreurs rares à mesure que vous les découvrez.

Testez un petit modèle et votre solution de référence actuelle sur les mêmes cas réservés à l’évaluation. Relevez l’exactitude, les sorties invalides, les demandes transmises à un relais, la consommation de mémoire et la latence de bout en bout, notamment le 95e percentile, le délai dans lequel 95 % des requêtes se terminent. Fixez le seuil d’acceptation avant de comparer les résultats, et examinez les erreurs par catégorie plutôt que de vous fier à une moyenne globale. Commencez en mode observation : le modèle propose une réponse tandis que le workflow existant garde la main.

Questions fréquentes

À quoi servent les SLM ?

Les petits modèles de langage conviennent à des tâches linguistiques bien délimitées : classification, extraction, routage, assistance locale et rédaction à partir de modèles de document. Leur adéquation dépend du modèle, du contexte fourni et des contrôles appliqués à la sortie.

Qu’est-ce qu’un modèle de langage préentraîné ?

C’est un modèle dont les poids ont déjà appris des régularités à partir d’un jeu de données d’entraînement. Vous pouvez l’utiliser tel quel ou l’adapter. Une version entraînée à suivre des instructions a reçu un apprentissage supplémentaire pour répondre aux demandes ; c’est généralement le point de départ le plus pratique pour un assistant.

Quelles autres familles de grands modèles de langage existe-t-il ?

Gemma, Phi, Qwen, Llama et Mistral sont des familles de modèles de langage. Certaines comprennent de petits et de grands modèles. SLM désigne une taille relative, pas une technologie complètement distincte de celle des LLM.

Qu’est-ce qu’un modèle de langage à réseau de neurones ?

C’est un modèle qui utilise des poids numériques appris dans un réseau de neurones pour estimer des régularités linguistiques, par exemple le token le plus probable à la suite d’un texte. Beaucoup de modèles de langage génératifs actuels reposent sur des architectures transformer.

ChatGPT est-il un réseau de neurones ?

ChatGPT est une application qui s’appuie sur des modèles de langage neuronaux. L’application et le modèle sous-jacent sont deux couches distinctes ; « ChatGPT » ne désigne pas une taille de réseau fixe. OpenAI distingue les concepts liés aux modèles du modèle utilisé dans ChatGPT.

Pourquoi un CNN serait-il meilleur qu’un ANN ?

Un réseau de neurones convolutif, ou CNN, est un type de réseau de neurones artificiel, ou ANN. Il n’est pas meilleur dans l’absolu. Les convolutions sont utiles pour les motifs spatiaux, comme ceux des images ; la bonne architecture dépend de la tâche.

YOLO se résume-t-il à un CNN ?

YOLO est une famille de systèmes de détection d’objets. Beaucoup de versions utilisent des composants convolutifs, mais un détecteur opérationnel comprend une architecture, un processus d’entraînement et une logique de prédiction. Ce n’est pas un petit modèle de langage. Ultralytics documente cette famille de modèles.

TensorFlow est-il un modèle CNN ?

Non. TensorFlow est un framework logiciel qui sert à construire et à exécuter des modèles de machine learning. Un CNN est l’un des types de modèles que l’on peut créer avec lui, comme le montre son tutoriel sur les CNN.

Quels sont les quatre types de réseaux de neurones ?

Il n’existe pas de liste universelle limitée à quatre types. Les réseaux à propagation avant, convolutifs, récurrents et transformers sont quatre catégories souvent citées, mais les classifications d’architectures varient. La taille du modèle est une propriété distincte. Voir le glossaire de machine learning de Google.

Abonnez-vous à la newsletter pour recevoir des guides pratiques sur le choix et l’exploitation des systèmes d’IA.