Small language model ou LLM : choisir selon la tâche

Un small language model (SLM), ou petit modèle de langage, convient à une étape bien délimitée dont on peut vérifier le résultat. Pour un travail ambigu qui exige plusieurs étapes, mieux vaut partir d’un grand modèle de langage de pointe. Le choix entre LLM et SLM commence par la tâche à accomplir : Microsoft Phi-4-mini-instruct compte 3.8 milliards de paramètres, mais sa taille ne suffit pas à savoir s’il atteindra le niveau de qualité attendu pour votre fonctionnalité. Dans un workflow qui mêle plusieurs types de tâches, tranchez séparément pour chaque étape.

Small language model ou LLM : lequel choisir ?

Pour ajouter de la classification, de l’extraction ou une reformulation courte, commencez par un petit modèle. Délimitez les données d’entrée, précisez les sorties autorisées et comparez ses erreurs à celles de votre solution de référence. Attribuer une catégorie à un ticket d’assistance est un meilleur premier essai que confier à un agent la résolution de tous les litiges clients.

Pour ajouter de l’investigation, de la planification ou de la rédaction ouverte, commencez par un modèle de pointe. Ce terme désigne les modèles généralistes les plus performants d’un fournisseur. Définissez d’abord ce qu’est un bon résultat, avant de chercher à le reproduire avec un modèle plus petit.

Pour une fonctionnalité hors ligne ou soumise à des contraintes de confidentialité, partez du périmètre de déploiement. Même une API cloud très efficace ne répond pas à une exigence d’exécution sur l’appareil. Un petit modèle téléchargeable n’est utile que si l’application, les outils et les journaux conservent eux aussi les données à l’endroit prévu.

Il s’agit de recommandations de départ, pas des résultats d’un banc d’essai comparatif. Pages des fournisseurs vérifiées le 26 octobre 2026. Cette comparaison repose sur les capacités documentées, les contraintes de déploiement et des critères d’acceptation propres à chaque tâche ; aucun test de performance des modèles n’a été réalisé pour cet article.

Que signifie « petit modèle de langage » en pratique ?

« Petit » décrit la taille relative du modèle, pas une forme d’intelligence distincte. Un paramètre est un poids numérique appris pendant l’entraînement ; B signifie milliard. La frontière reste suffisamment floue pour que Meta qualifie ses modèles Llama 3.2 de 1B et 3B de grands modèles de langage.

Un petit modèle peut avoir reçu un entraînement généraliste. Son faible encombrement ne lui donne pas spontanément connaissance de votre politique de remboursement. C’est vous qui délimitez la tâche, à travers les instructions, les éléments fournis, les sorties autorisées et, si cela se justifie, un entraînement supplémentaire.

SLM : comment interpréter la taille annoncée ?

Distinguez trois questions : combien de poids le modèle contient, quelle quantité de calcul il effectue pour chaque token et où il s’exécute. Un token est un fragment de texte traité par le modèle.

La nomenclature de Gemma, chez Google, illustre bien cette distinction. E2B et E4B désignent des paramètres effectifs ; les poids supplémentaires liés aux embeddings occupent eux aussi de la mémoire. 26B A4B désigne un modèle à mélange d’experts, qui sélectionne une partie de son réseau pour chaque token : selon Google, il active 4 milliards de paramètres tout en chargeant les 26 milliards pour assurer une inférence rapide. Son empreinte mémoire n’est donc pas celle d’un modèle de 4B. Les recommandations mémoire de Google expliquent cette distinction.

La quantification, qui consiste à stocker les poids avec une précision numérique réduite, peut diminuer cette empreinte. Elle ne supprime ni la mémoire nécessaire au contexte ni les logiciels d’accompagnement. Le cache KV conserve des informations intermédiaires sur le contexte pendant la génération ; des requêtes et des réponses plus longues peuvent le faire grossir. Partez des exigences de la version exacte du modèle et de son environnement d’exécution, puis mesurez sur l’appareil visé.

Une offre d’API présentée comme rapide ou économe répond à une autre question. Elle peut améliorer le temps de réponse et réduire la facture d’exploitation sans révéler son nombre de paramètres ni fournir des poids téléchargeables.

Exemples de SLM : les familles à évaluer

Ces versions de modèles, nommées par leurs fournisseurs, sont des candidates à tester sur une tâche précise. Le nom d’une famille ne suffit pas à connaître les types d’entrée, les besoins en mémoire ou la fiabilité d’un modèle.

Microsoft Phi : des tâches textuelles délimitées, des connaissances limitées

Microsoft Phi-4-mini-instruct est un modèle de texte ouvert doté de 3.8B paramètres et d’une fenêtre de contexte de 128K tokens. Sa fiche documente le suivi des instructions, un format d’appel de fonctions et le déploiement local. Il peut être évalué pour extraire des champs d’un texte fourni ou reformuler une réponse courte dans un format imposé. Fiche du modèle Microsoft.

Sa principale limite tient à sa capacité à mémoriser des faits : Microsoft avertit qu’il ne peut pas stocker de vastes connaissances factuelles et qu’il peut produire des faits erronés. Fournissez la politique applicable à un assistant de support, au lieu de supposer que ses poids contiennent vos règles métier.

Le modèle apparenté Phi-4-mini-reasoning compte lui aussi 3.8B paramètres, mais Microsoft indique l’avoir conçu et testé pour le raisonnement mathématique. Une spécialisation en mathématiques ne prouve pas qu’il puisse piloter un agent de service client aux missions ouvertes. Fiche de Phi-4-mini-reasoning.

Google Gemma : des modèles pour le mobile, une taille à bien comprendre

Google Gemma 4 comprend E2B et E4B, ses modèles de 2B et 4B paramètres effectifs destinés aux déploiements mobiles et en périphérie. Pour ces tailles, Google documente des entrées texte, image et audio natif, une fenêtre de contexte de 128K, un mode de réflexion configurable et l’appel de fonctions. C’est un point de départ si la fonctionnalité exige des entrées multimodales en local, c’est-à-dire au-delà du seul texte. Présentation de Gemma 4.

Il reste à vérifier l’adéquation au déploiement : le nombre effectif ne correspond pas au total des poids, et exploiter toute la fenêtre de contexte demande de la mémoire supplémentaire. Un modèle compatible avec un téléphone exige encore un environnement d’exécution adapté et des performances durables acceptables sur le téléphone concerné.

Alibaba Qwen : plusieurs tailles, avec une réserve sur le plus petit modèle

Alibaba Qwen3.5 propose de petites versions nommées 0.8B, 2B, 4B et 9B dans la collection du fournisseur. La fiche de Qwen3.5-4B indique 4B pour la composante modèle de langage et mentionne séparément un encodeur de vision. Dimensionnez les ressources pour l’ensemble, pas seulement pour le suffixe.

Qwen3.5-4B documente des entrées texte, image et vidéo, ainsi qu’un contexte natif de 262,144 tokens. Cela en fait un candidat à évaluer pour les fonctionnalités qui traitent des documents, mais la fenêtre indique une capacité d’accueil, pas une preuve de raisonnement fiable sur un document long.

La mise en garde la plus nette concerne Qwen3.5-0.8B. Son fournisseur le destine au prototypage, au fine-tuning pour des tâches précises, ainsi qu’à la recherche ou au développement. Il avertit qu’activer la réflexion augmente le risque de boucles pouvant empêcher la génération de se terminer. Ne l’intégrez pas à une boucle de raisonnement sans surveillance sans avoir testé les conditions d’arrêt et imposé des limites. Avertissement de Qwen.

Meta Llama : de petits modèles réservés au texte

Meta Llama 3.2 propose des modèles de 1B et 3B, avec du texte en entrée comme en sortie. Meta décrit, pour les versions ajustées au suivi d’instructions, des usages de dialogue, de recherche d’information, de résumé et d’aide à la rédaction sur mobile. Ce sont des candidats pour des fonctionnalités textuelles locales lorsque l’application n’a pas besoin d’examiner des images. Fiche du modèle Meta.

Ces petites versions ne traitent que du texte. Elles relèvent aussi de la Llama 3.2 Community License et de l’Acceptable Use Policy de Meta : vérifiez donc la licence séparément lors de la préparation du déploiement.

Pour une sélection organisée en fonction de votre machine, consultez les meilleurs LLM locaux en 2026. Ici, la décision porte sur le rôle à confier au modèle.

Les modèles économes accessibles par API : une sélection à part

Les modèles hébergés conçus pour l’efficacité sont les candidats les plus simples à envisager pour réduire le travail d’infrastructure. Les pages ci-dessous ne publient pas leur nombre de paramètres : qualifier chaque gamme de SLM reviendrait donc à affirmer une taille qu’elles ne permettent pas d’établir.

OpenAI : GPT-6 Luna pour les tâches bien délimitées

OpenAI GPT-6 Luna vise les tâches ciblées à fort volume. Dans ses recommandations de sélection, OpenAI associe Luna aux tâches délimitées et au triage, et positionne GPT-6 Astra sur les problèmes ambigus et l’analyse approfondie. La comparaison aide à distinguer une étape limitée d’une étape exigeant un modèle de pointe, sans inventer le nombre de poids de l’un ou de l’autre.

Luna présente une contrainte d’utilisation des outils propre à l’endpoint : sa page modèle indique que l’appel de fonctions avec Chat Completions exige de régler reasoning_effort sur none ; l’API Responses prend en charge les outils intégrés et l’appel de fonctions. Vérifiez le contrat de l’endpoint avant de remplacer le modèle d’un agent.

Anthropic : Claude Haiku 5.5 pour les étapes répétées d’un agent

La documentation d’Anthropic Claude Haiku 5.5 couvre la classification, l’extraction, le routage et le travail de sous-agents, avec une réflexion adaptative et une fenêtre de contexte de 1M tokens. C’est un candidat pour les parties répétées et délimitées d’un agent plus vaste. Documentation de Haiku 5.5.

Vérifiez la compatibilité des requêtes avant de migrer : Anthropic demande d’omettre temperature, top_p et top_k. Une couche d’accès commune aux API doit prendre en compte les réglages propres à chaque modèle. Par ailleurs, une grande fenêtre de contexte ne rend pas toutes les tâches à contexte long adaptées à une gamme légère.

Google : Gemini 3.5 Flash-Lite pour traiter les entrées multimodales

La documentation de Google Gemini 3.5 Flash-Lite le destine aux tâches de sous-agents à haut débit et à l’analyse de documents. Il accepte du texte, des images, de la vidéo, de l’audio et des PDF, renvoie du texte et prend en charge les sorties structurées ainsi que l’appel de fonctions. C’est un candidat pour transformer les contenus reçus en une fiche au périmètre défini. Documentation de Gemini 3.5 Flash-Lite.

Pour les fonctionnalités vocales, distinguez l’entrée de l’interaction : accepter de l’audio ne signifie pas en générer, et ce modèle ne prend pas en charge la Live API. Un analyseur de documents et une conversation vocale en direct n’ont pas les mêmes exigences.

SLM vs LLM : quel modèle pour quelle tâche ?

Choisissez le premier modèle en fonction du résultat à vérifier. Les recommandations suivantes supposent que la version retenue prend en charge le type d’entrée et l’environnement de déploiement.

La règle qui fait basculer le choix : ne conservez le candidat plus petit que s’il atteint le même niveau d’acceptation et améliore la contrainte qui compte pour vous. S’il exige des corrections fréquentes, un appel peu coûteux n’aura pas produit un résultat peu coûteux.

Dans quels cas chaque catégorie prend-elle l’avantage ?

Tâches précises, latence et coût par appel : les petits modèles

Pour les tâches répétées et délimitées, les petits modèles méritent d’être évalués en premier. Une classification ou une extraction courte donne un résultat facile à juger et justifie rarement de payer un raisonnement étendu à chaque requête.

La taille du modèle ne mesure toutefois pas sa latence. L’exécution locale supprime l’aller-retour vers un service d’inférence distant ; un appareil surchargé peut malgré tout terminer après un modèle hébergé. Mesurez le temps nécessaire pour obtenir un résultat accepté, en incluant le traitement des entrées, la génération, la validation et les nouvelles tentatives.

De même, comparez le coût par résultat accepté. Une cascade qui commence par un petit modèle paie l’appel initial et les vérifications, puis l’appel au grand modèle chaque fois qu’elle passe le relais. L’auto-hébergement ajoute le matériel, la capacité inutilisée et l’exploitation. Conservez le parcours par le petit modèle lorsque le débit mesuré de résultats acceptés s’améliore ; envoyez directement les tâches manifestement difficiles au modèle plus puissant.

Exécution sur l’appareil et déploiement confidentiel : les petits modèles locaux

Les petits modèles locaux prennent l’avantage lorsque la fonctionnalité doit fonctionner sans service d’inférence distant. Pensez à un professionnel de terrain qui classe ses notes sans connexion, ou à une fonctionnalité de bureau dont les documents sources doivent rester sur la machine.

La confidentialité dépend du parcours d’exécution, pas de l’adjectif « petit ». Examinez la télémétrie, les journaux, les services de recherche d’information, les outils et les destinations de secours. Une première tentative locale suivie automatiquement d’une nouvelle tentative dans le cloud franchit la même limite qu’un appel direct au cloud. Le guide de l’IA sur l’appareil détaille ce choix à l’échelle du terminal.

Raisonnement en plusieurs étapes : les modèles de pointe

Les modèles de pointe constituent le meilleur point de départ pour les plans inhabituels et les exceptions ambiguës. Un litige sur un remboursement peut exiger de rapprocher un historique d’expédition, une exception dans la politique applicable et un accord antérieur avec le client. Extraire correctement chaque champ ne suffit pas à résoudre le dossier.

Les petits modèles de raisonnement contredisent bien l’idée selon laquelle « un petit modèle ne peut pas raisonner ». La vraie question est de savoir si leur spécialisation correspond à l’étape. L’évaluation de Phi centrée sur les mathématiques ne démontre pas une fiabilité générale en tant qu’agent. Confiez à un petit modèle un sous-problème vérifiable de façon indépendante ; conservez le modèle de pointe lorsque l’interprétation d’éléments contradictoires détermine l’issue.

Synthèse en contexte long : les modèles de pointe, jusqu’à preuve du contraire

Pour mettre en cohérence les éléments d’un long dossier, commencez par le modèle de pointe ; pour retrouver un champ dans un extrait fourni, évaluez d’abord un petit modèle. Les deux tâches utilisent du contexte, mais sollicitent des raisonnements différents.

La fenêtre de 262,144 tokens de Qwen3.5-4B et celle de 1M tokens de Haiku 5.5 montrent qu’on ne peut pas associer systématiquement les modèles petits ou économes à un contexte court. Elles ne prouvent pas que l’un ou l’autre reliera correctement tous les passages pertinents. Fiche du modèle Qwen, documentation de Haiku.

Testez des clauses contradictoires, une correction placée vers la fin et une réponse qui exige de croiser des éléments issus de sections différentes. Le simple fait d’accepter toute l’entrée ne suffit pas à réussir ce test. La recherche d’information, qui sélectionne les éléments pertinents avant la génération, peut alléger le travail quelle que soit la taille du modèle.

Rédaction ouverte : les modèles de pointe

Les modèles de pointe sont à privilégier au départ lorsque la qualité dépend du jugement, du ton et de la cohérence de la structure sur la durée. Les recommandations d’OpenAI distinguent explicitement les retouches ciblées de la rédaction nuancée et des livrables exigeants. Recommandations de sélection du modèle.

Une reformulation courte dans un gabarit approuvé se prête très bien à un petit modèle. Rédiger un argumentaire de stratégie produit à partir d’éléments incomplets est un autre travail. Évaluez les deux résultats au regard des faits requis, des réserves nécessaires, du public et du ton ; la longueur et la fluidité ne suffisent pas à établir la qualité. Aucune des deux catégories ne garantit l’exactitude factuelle ni l’absence de biais.

Comment combiner les deux dans une même fonctionnalité ?

Définissez le routage à partir des exigences de chaque étape avant d’ajouter un modèle chargé de tout décider. Un routeur choisit le modèle qui traite une requête ; une cascade essaie d’abord un parcours moins coûteux, puis passe le relais lorsque les vérifications échouent. Le guide des routeurs de modèles approfondit ces architectures.

Prenons un assistant de support hypothétique. Le client écrit : « Mon colis est arrivé endommagé et je souhaite le remboursement des frais de livraison. » La fonctionnalité doit classer le problème, retrouver la commande, interpréter la politique applicable et proposer une réponse. Ces tâches n’exigent pas toutes les mêmes capacités.

1. 1

   Appliquer d’abord les règles de circulation des données

   Consultez les règles de l’application applicables au compte et les destinations autorisées avant d’envoyer le ticket à un modèle. Si le traitement distant est interdit, limitez toutes les branches aux services locaux approuvés ou à une file de traitement humain. La difficulté ne doit jamais écarter silencieusement cette règle.

2. 2

   Confier au petit modèle une extraction bien délimitée

   Demandez la catégorie du problème, une référence de commande si elle figure dans le ticket, et les extraits exacts qui étayent ces informations. Laissez les informations manquantes absentes. Le code de l’application vérifie les catégories autorisées, les champs requis, les citations de la source et l’existence de la référence de commande. Ces contrôles détectent certains échecs ; ils ne prouvent pas que toute l’interprétation est juste.

3. 3

   Transmettre les cas ambigus avec les éléments d’origine

   Dirigez les interprétations contestées de la politique, les demandes multiples et les échecs de validation vers un modèle de pointe approuvé ou une personne. Joignez le ticket d’origine, la politique retrouvée et le contrôle qui a échoué, pas seulement le résumé du petit modèle. Le niveau de confiance qu’un modèle déclare ne remplace pas un signal de routage validé par des évaluations.

4. 4

   Garder l’autorisation d’agir en dehors de la génération

   Laissez le modèle proposer une réponse ou un appel d’outil. Le code de l’application fait respecter les permissions du compte, les actions autorisées et toute approbation humaine requise. Une réponse qui paraît correcte n’autorise pas à effectuer un remboursement.

Consignez la raison de chaque passage de relais, l’acceptation ou non de la réponse finale et la durée totale de l’opération. Examinez aussi un échantillon des sorties acceptées du petit modèle : les validateurs laissent passer des erreurs plausibles. Si une catégorie de tâches exige presque toujours un relais, dirigez-la directement vers le modèle de pointe.

C’est tout l’intérêt de combiner les deux catégories pour des charges de travail mixtes en production : une même fonctionnalité rassemble des étapes peu coûteuses et vérifiables, et d’autres qui exigent un jugement difficile. Le routage permet à chacune de satisfaire ses propres exigences de qualité et de temps de réponse.

SLM vs LLM : ce qu’implique un changement de modèle

Changez une étape avant de remplacer le modèle de toute la fonctionnalité. Préservez ses entrées, son schéma de sortie, ses références aux éléments de preuve et son comportement en cas d’échec, puis adaptez les prompts et les réglages d’API au nouveau modèle. Conserver la même interface HTTP ne garantit pas les mêmes appels d’outils ni les mêmes réponses.

Passer à des poids locaux vous transfère aussi la responsabilité de la mise à disposition du modèle, de la gestion mémoire, des mises à jour de version et de la planification de capacité. Passer d’un modèle hébergé à un autre peut modifier les paramètres des requêtes et les outils disponibles. Prévoyez un adaptateur pour ces différences et consignez la version exacte du modèle utilisée pendant l’évaluation.

Ne changez pas si le modèle actuel répond déjà au besoin et qu’aucune mesure de latence, de coût d’exploitation ou contrainte de localisation des données ne justifie ce changement. Un modèle minuscule n’est pas, à lui seul, une réussite architecturale.

Si une tâche stable et bien délimitée exige encore un meilleur comportement, envisagez la distillation de modèles, qui consiste à entraîner un modèle élève à partir des exemples d’un modèle enseignant, après avoir vérifié que cette méthode d’entraînement est autorisée. Commencez par les prompts et les éléments fournis ; modifier les poids représente un engagement plus important que changer le routage.

Questions fréquentes

ChatGPT est-il un LLM ou un SLM ?

ChatGPT est une application reposant sur des modèles de langage, pas une taille de modèle fixe. La documentation de chat-latest d’OpenAI distingue le modèle utilisé dans l’application d’une version figée. Comparez le modèle sous-jacent, pas le nom de l’application.

DeepSeek est-il un SLM ou un LLM ?

Précisez la version du modèle. Pour prendre un exemple historique concret, DeepSeek-R1 compte 671B paramètres au total, tandis que DeepSeek-R1-Distill-Qwen-1.5B est un modèle distillé beaucoup plus petit. Tous deux figurent dans la fiche du modèle R1 de DeepSeek ; la marque ne suffit pas à déterminer la taille.

Faut-il choisir un LLM ou un SLM ?

Commencez par un petit modèle pour une tâche précise et vérifiable. Préférez un modèle de pointe pour un raisonnement inhabituel, des éléments contradictoires ou une rédaction ouverte. Une exigence impérative d’exécution locale limite les modèles admissibles avant même de comparer leur qualité.

Qu’est-ce qu’un SLM en IA ?

SLM signifie small language model, ou petit modèle de langage : une appellation relative pour un modèle de langage dont l’empreinte de calcul est plus faible. Cela ne signifie pas automatiquement qu’il est spécialisé, confidentiel, hors ligne ou exact.

Quelle est la différence entre un SLM et un LLM ?

La différence principale tient à leur taille relative, avec des conséquences sur le déploiement et les capacités. Il n’existe pas de seuil universel de paramètres, et les appellations se recoupent : Meta appelle LLM ses petites versions de Llama 3.2. Évaluez le modèle exact sur la tâche visée.

Quels sont les quatre types de LLM ?

Il n’existe pas de classification universelle unique en quatre types. L’architecture, la méthode d’entraînement, les modalités d’entrée et le nombre de paramètres décrivent des dimensions différentes d’un modèle. Une liste fondée sur l’une ne permet pas de déterminer si un autre modèle est assez petit pour votre appareil.

Quels sont les 5 meilleurs LLM ?

Un classement fixe de cinq modèles masquerait les contraintes de tâche et de déploiement. Pour faire ce choix, retenez une référence performante et un candidat économe disposant des entrées et des outils nécessaires, puis comparez-les sur un travail représentatif. Un classement général ne peut pas désigner le meilleur modèle pour votre fonctionnalité.

Quelle est la différence entre LLM et GPT ?

LLM désigne la catégorie générale. GPT, abréviation de Generative Pre-trained Transformer, est le nom d’une famille de modèles OpenAI qui en fait partie. Le glossaire des modèles de langage de Google explique ces termes.

Quels sont les 5 principaux modèles d’IA ?

Il n’existe pas de liste universelle de cinq modèles. Cette expression peut désigner des méthodes d’apprentissage, des architectures ou des familles de modèles commerciaux. Pour une fonctionnalité de langage, précisez les entrées, les sorties, le périmètre de déploiement et le niveau de qualité requis avant de choisir des modèles nommés.

Que signifie SLM vs LLM ?

Il s’agit de la même comparaison entre petits et grands modèles, présentée dans l’ordre inverse. Choisissez le candidat le plus léger qui réussit la tâche, tout en conservant un recours à un modèle plus puissant ou à une personne pour les demandes hors de son périmètre validé.

LLM vs SLM vs MLM : quelles différences ?

MLM est ambigu : il peut désigner un masked language model, ou modèle de langage masqué, qui prédit du texte caché, ou être employé de manière informelle pour multimodal language model, un modèle de langage multimodal. Aucun des deux sens ne définit une troisième catégorie de taille entre petit et grand. Le glossaire de Google distingue la modélisation masquée et les entrées multimodales.

LLM vs SLM vs RAG : quelle distinction ?

La génération augmentée par la recherche d’information, ou RAG, fournit à un générateur des éléments retrouvés en amont. Elle fonctionne avec un petit comme avec un grand modèle de langage. Elle peut combler un manque d’information, mais ne garantit pas que le modèle interprétera correctement les éléments fournis.

Par quelle étape commencer ?

La semaine prochaine, choisissez une étape répétée et rédigez ses règles d’acceptation avant de comparer les modèles. Utilisez des exemples réservés à l’évaluation, c’est-à-dire des cas qui n’ont pas servi à ajuster le prompt, et incluez des demandes courantes, des cas ambigus, des éléments manquants et des entrées hors périmètre.

Faites fonctionner le petit candidat en parallèle de la référence actuelle, sans l’autoriser à modifier les données en production. Comparez l’exactitude, les sorties rejetées, les exceptions manquées, la latence de bout en bout et l’effort d’exploitation. Ne mettez en service que les catégories qui réussissent ; conservez la solution de repli et continuez à contrôler les résultats acceptés.

Utilisez la checklist d’audit des workflows d’IA en entreprise pour choisir la première étape qui mérite d’être optimisée.