Les petits modèles de langage

Face aux modèles géants, les « small language models » (SLM) montent en puissance : quelques milliards de paramètres, tournant sur un serveur modeste, un ordinateur, parfois un téléphone. Ils suffisent à une large part des usages professionnels réels — classification, extraction, résumé, réponses sur une base documentaire.

Des modèles d'IA compacts, presque aussi bons que les grands sur des tâches ciblées, mais bien moins coûteux. À lire aussi : LLM en local · Ouvert ou propriétaire · IA sur appareil.

01 — De quoi on parle

Les petits modèles de langage, en clair

Face aux modèles géants, les « small language models » (SLM) montent en puissance : quelques milliards de paramètres, tournant sur un serveur modeste, un ordinateur, parfois un téléphone. Ils suffisent à une large part des usages professionnels réels — classification, extraction, résumé, réponses sur une base documentaire.

02 — Pourquoi c'est en vogue

Ce qui pousse le sujet

• Les techniques d'entraînement et de compression ont beaucoup progressé.
• Le coût des grands modèles à fort volume pousse à chercher plus sobre.
• La confidentialité et l'exécution hors ligne redeviennent des critères.

03 — Ce que ça change

Les effets concrets

• Coût d'inférence divisé par dix ou plus sur des tâches spécialisées.
• Possibilité d'exécuter l'IA sur site, sans envoyer les données à un tiers.
• Stratégie « le bon modèle pour la bonne tâche » plutôt qu'un modèle unique pour tout.

04 — Comment s'y prendre

Par où commencer

• Cartographier ses tâches IA et identifier celles qui sont simples et répétitives.
• Tester un petit modèle ouvert (Gemma, Phi, Qwen, Mistral) sur ces tâches.
• Mesurer qualité, coût et latence face au grand modèle utilisé aujourd'hui.
• Router : petit modèle par défaut, grand modèle seulement quand c'est nécessaire.

05 — Points de vigilance

Ce qu'il faut garder en tête

• Un petit modèle reste en dessous des grands sur le raisonnement complexe.
• L'auto-hébergement demande du matériel et un minimum d'exploitation.
• Le réglage (fine-tuning, RAG) est souvent nécessaire pour atteindre le bon niveau.

06 — Questions fréquentes

Questions fréquentes

Un petit modèle peut-il remplacer ChatGPT ?

Pas pour tout. Pour des tâches ciblées et répétitives, souvent oui, à une fraction du coût.

Faut-il un GPU ?

Pour de bonnes performances, un GPU aide beaucoup. De très petits modèles tournent sur un bon ordinateur.

Comment choisir ?

Par test sur vos tâches réelles : qualité, coût, latence, contraintes de données.

07 — Ressources & liens

Où aller, concrètement