Glossaire de l'IA (de A à Z)

Mis à jour le 6 juin 2026

Le texte et le dialogue

Ces termes concernent la façon dont un modèle d'IA comprend et produit du texte, ainsi que la manière dont vous interagissez avec lui.

Fenêtre de contexte: La fenêtre de contexte est la quantité maximale de texte qu'un modèle peut lire en une seule fois — à la fois vos messages, les réponses précédentes et tout document joint. Au-delà de cette limite, le modèle ne se souvient plus des informations les plus anciennes.
Hallucination: On parle d'hallucination lorsqu'un modèle produit une information fausse avec un air de certitude. Ce n'est pas un mensonge intentionnel : le modèle génère du texte probable, mais ne vérifie pas les faits.
Modèle de langage: Un modèle de langage est un système entraîné sur de grandes quantités de texte pour prédire et générer du langage cohérent. C'est le moteur sous-jacent des assistants conversationnels et des outils de rédaction automatique.
Prompt: Le prompt est l'instruction ou la question que vous envoyez à un modèle. La façon dont vous le formulez influence directement la qualité et la pertinence de la réponse obtenue.
Raisonnement: Certains modèles sont conçus pour décomposer un problème en étapes intermédiaires avant de donner leur réponse finale. Ce mode de fonctionnement, appelé raisonnement, améliore la précision sur des tâches complexes — mathématiques, logique, analyse — mais consomme davantage de ressources et prend plus de temps.
Token: Un token est la plus petite unité de texte manipulée par un modèle de langage, soit environ quatre caractères ou trois quarts d'un mot. Le nombre de tokens consommés par un échange détermine son coût en termes de réservoir.

L'image, le son et la vidéo

Ces termes décrivent les modèles capables de traiter ou de produire des contenus autres que du texte.

Diffusion (modèle de): Un modèle de diffusion génère des images en partant d'un bruit aléatoire qu'il affine progressivement jusqu'à obtenir une image cohérente avec votre description. C'est la technique qui sous-tend la majorité des générateurs d'images actuels.
Image-to-video: L'image-to-video (ou animation d'image) consiste à fournir une image fixe à un modèle vidéo, qui va ensuite la mettre en mouvement de façon cohérente. C'est une alternative à la génération vidéo entièrement à partir de texte.
Multimodal: Un modèle multimodal peut traiter et produire plusieurs types de contenu — texte, images, audio, vidéo — au sein d'une même interface. Il comprend une image qu'on lui soumet et peut répondre en texte, ou l'inverse.
Ratio / format: Le ratio (ou format d'image) exprime le rapport entre la largeur et la hauteur d'une image ou d'une vidéo, par exemple 16:9 pour un écran large ou 9:16 pour un format vertical (réseaux sociaux). Ce paramètre influe sur la composition et le coût de la génération.
Transcription: La transcription est la conversion automatique d'un fichier audio ou vidéo en texte écrit. Un modèle de transcription analyse les sons pour en extraire les mots prononcés et les mettre en forme.

Les réglages et le fonctionnement

Ces termes expliquent comment les modèles sont créés et comment leurs paramètres influencent leurs réponses.

Entraînement: L'entraînement est la phase durant laquelle un modèle apprend à partir de très grandes quantités de données — textes, images, sons. Cette étape, très coûteuse en énergie et en calcul, précède toute utilisation du modèle.
Inférence: L'inférence désigne le fait d'utiliser un modèle déjà entraîné pour produire une réponse. Lorsque vous envoyez un message à un assistant, c'est une inférence qui se produit : le modèle applique ce qu'il a appris pour générer une réponse adaptée à votre demande.
Paramètres (poids): Les paramètres — souvent appelés poids — sont les valeurs numériques internes d'un modèle qui ont été ajustées pendant l'entraînement. Ils encodent, en quelque sorte, la connaissance du modèle. On caractérise souvent la taille d'un modèle par son nombre de paramètres (en milliards).
Seed: Le seed est un point de départ numérique qui initialise l'aléatoire lors d'une génération. En utilisant le même seed avec les mêmes paramètres, vous obtenez un résultat identique ou très proche — utile pour reproduire une image ou une vidéo qui vous a plu.
Température: La température contrôle le degré de variété dans les réponses d'un modèle. Une température basse rend les réponses plus prévisibles et précises ; une température élevée introduit plus de créativité et de diversité — au risque d'être parfois moins cohérent.
Top-p: Le top-p (ou échantillonnage nucleus) est un autre réglage qui limite les choix du modèle aux mots dont la probabilité cumulée atteint un seuil fixé. Combiné à la température, il permet d'affiner la créativité tout en évitant les sorties trop improbables.

Autour des modèles

Ces termes décrivent l'écosystème qui entoure les modèles d'IA — comment on y accède, comment on les compare, comment on les fait évoluer.

API: Une API (interface de programmation applicative) est un point d'accès technique qui permet à un logiciel d'interroger un modèle de façon automatisée, sans passer par une interface visuelle. Les développeurs l'utilisent pour intégrer des capacités d'IA dans leurs propres applications.
Benchmark: Un benchmark est un test comparatif standardisé qui mesure les performances d'un modèle sur des tâches précises — mathématiques, raisonnement, compréhension du langage, etc. Les résultats permettent de comparer des modèles entre eux de façon objective, même si aucun benchmark ne capture tous les usages réels.
Fine-tuning: Le fine-tuning (ou affinage) consiste à reprendre un modèle généraliste déjà entraîné et à le spécialiser sur un ensemble de données ciblées, pour qu'il soit plus performant dans un domaine précis — rédaction juridique, service client, etc. — sans repartir de zéro.
Open source vs propriétaire: Un modèle open source rend publics ses paramètres (poids) et, souvent, son code, permettant à chacun de l'utiliser ou de le modifier librement. Un modèle propriétaire, à l'inverse, n'est accessible qu'à travers l'interface ou l'API de l'organisation qui l'a conçu, sans accès aux mécanismes internes.

Confiance et usage

Ces termes abordent les enjeux éthiques, légaux et environnementaux liés à l'utilisation de l'IA générative.

Droits d'auteur: La question des droits d'auteur sur les contenus générés par IA reste ouverte dans la plupart des pays : les législations évoluent et varient selon les juridictions. En règle générale, il est recommandé de vérifier les conditions d'utilisation du service avant de publier ou commercialiser un contenu généré.
Empreinte écologique: L'entraînement et l'utilisation des modèles d'IA consomment de l'électricité et de l'eau pour refroidir les serveurs. L'empreinte écologique varie fortement selon la taille du modèle, la source d'énergie des centres de données et le nombre de requêtes traitées.
Modération: La modération désigne les mécanismes mis en place pour filtrer les contenus interdits — violence, désinformation, contenu illégal — qu'ils soient en entrée (votre prompt) ou en sortie (la réponse du modèle). Ces filtres sont configurés par les fournisseurs et peuvent varier d'un service à l'autre.

Questions fréquentes

Quelle est la différence entre un token et un mot ?

Un token n'est pas tout à fait un mot : c'est une petite unité de texte d'environ quatre caractères. Un mot court comme « chat » peut correspondre à un seul token, tandis qu'un mot plus long sera découpé en plusieurs. Les espaces et la ponctuation sont eux aussi comptabilisés sous forme de tokens.

Qu'est-ce que le fine-tuning ?

Le fine-tuning (ou affinage) consiste à reprendre un modèle déjà entraîné et à le spécialiser sur un ensemble de données plus restreint, pour qu'il excelle dans un domaine précis — rédaction juridique, service client, analyse médicale, etc. C'est une étape qui s'ajoute à l'entraînement général et qui coûte beaucoup moins de ressources que de repartir de zéro.

Que veut dire « open source » pour un modèle d'IA ?

Un modèle dit open source met à disposition du public tout ou partie de ses paramètres (les poids) et parfois son code d'entraînement. Cela permet à n'importe qui de l'exécuter, de l'étudier ou de le modifier. Un modèle propriétaire, à l'inverse, n'est accessible qu'à travers l'interface ou l'API de l'organisation qui l'a conçu.

Une question sur Modik ? Le plus simple est encore d'essayer.

Ouvrir Modik

Cet article vous a-t-il aidé ?