AISkillsPro Aligner un modèle : RLHF, DPO et les préférences humaines SÉRIE — SOUS LE CAPOT AVANCÉ · ARCHITECTURES & ENTRAÎNEMENT — ALIGNEMENT U n modèle de langage fraîchement pré-entraîné ne sait pas répondre. Il sait compléter . Exposé à des trillions de mots, il a a... Concepts 5 juil. 2026 Concepts
AISkillsPro Tokenization : pourquoi l'IA compte mal les lettres CONCEPTS — SOUS LE CAPOT · TOKENIZATION P osez la question à n'importe quel assistant : « combien de fois la lettre R apparaît-elle dans strawberry ? ». Il y a de bonnes chances qu'il réponde « deux »... Concepts 5 juil. 2026 Concepts
AISkillsPro Quantization : faire tourner un LLM sur sa machine CONCEPTS — SOUS LE CAPOT AVANCÉ · QUANTIZATION U n modèle de langage à sept milliards de paramètres, stocké dans sa précision d'origine, occupe environ quatorze gigaoctets de mémoire. C'est plus que c... Concepts 5 juil. 2026 Concepts
AISkillsPro Temperature, top-p : les curseurs qui rendent une IA créative ou déterministe CONCEPTS — SOUS LE CAPOT · TEMPERATURE, TOP-P & LE HASARD MAÎTRISÉ P osez deux fois la même question à un assistant IA, et vous obtiendrez souvent deux réponses différentes. Ce n'est ni un bug, ni une... Concepts 5 juil. 2026 Concepts
AISkillsPro Fenêtre de contexte longue & « lost in the middle » : pourquoi tout mettre dans le prompt n'est pas une stratégie CONCEPTS — SOUS LE CAPOT AVANCÉ · FENÊTRE DE CONTEXTE & « LOST IN THE MIDDLE » U n million de tokens. L'argument commercial est irrésistible : versez un roman entier, un dossier juridique complet, des... Concepts 5 juil. 2026 Concepts
AISkillsPro Prompt caching & KV cache : le levier coût/latence que peu comprennent CONCEPTS — SOUS LE CAPOT AVANCÉ · PROMPT CACHING & KV CACHE U ne application qui interroge un modèle de langage renvoie souvent, à chaque appel, le même bloc de texte en tête de requête : une consigne... Concepts 5 juil. 2026 Concepts
AISkillsPro La mémoire des agents : pourquoi un agent « oublie » CONCEPTS — SOUS LE CAPOT · LA MÉMOIRE DES AGENTS V ous confiez une consigne à un agent, il l'exécute, vous revenez le lendemain — et il vous redemande votre nom, vos préférences, le contexte que vous ... Concepts 5 juil. 2026 Concepts
AISkillsPro Benchmarks & contamination : pourquoi les classements de modèles mentent CONCEPTS — SOUS LE CAPOT AVANCÉ · BENCHMARKS & CONTAMINATION U n classement de modèles a quelque chose de rassurant. Une colonne de noms, une colonne de scores, un vainqueur en tête : la décision semb... Concepts 5 juil. 2026 Concepts
AISkillsPro Multi-agents & orchestration : quand un seul agent ne suffit pas SÉRIE — SOUS LE CAPOT AVANCÉ · CONCEPTS · AGENTS AVANCÉS U n agent, c'est déjà une boucle : un modèle de langage qui raisonne, appelle des outils, observe le résultat, recommence jusqu'à atteindre son... Concepts 5 juil. 2026 Concepts
AISkillsPro Modèles de raisonnement : payer du calcul à l'inférence, pas à l'entraînement CONCEPTS — SOUS LE CAPOT · RAISONNEMENT & CALCUL À L'INFÉRENCE P osez la même question ardue à deux assistants. Le premier répond aussitôt, du tac au tac — parfois juste, parfois faux avec le même apl... Concepts 5 juil. 2026 Concepts
AISkillsPro Jailbreak & red teaming : casser l'alignement volontairement CONCEPTS — SÉCURITÉ & GOUVERNANCE · JAILBREAK & RED TEAMING U n modèle de langage moderne est entraîné à refuser. On lui a appris, après son apprentissage brut, à décliner certaines demandes, à ne pas... Concepts 5 juil. 2026 Concepts
AISkillsPro Open weights, open source, fermé : ce que « open » veut vraiment dire CONCEPTS — SÉCURITÉ & GOUVERNANCE · OPEN WEIGHTS, OPEN SOURCE, FERMÉ « Open» est sans doute le mot le plus galvaudé de l'intelligence artificielle. On l'accole à des modèles très différents : celui do... Concepts 5 juil. 2026 Concepts
