Labo interactif
Le labo rassemble les visualisations interactives du projet. Chacune est aussi intégrée dans la fiche du concept qu’elle illustre : cette page n’est qu’une autre porte d’entrée, calculée depuis les fiches elles-mêmes.
Disponibles
Section intitulée « Disponibles »- Comment le modèle découpe-t-il une phrase ? Le morceau de texte, mot, bout de mot ou caractère, que le modèle lit et génère, un par un.
- L'espace du sens, en trois dimensions La traduction d'un mot ou d'un texte en une liste de nombres qui capture son sens : des coordonnées dans l'espace du sens.
- Comment le modèle sait-il à quoi renvoie « il » ? Le mécanisme qui permet à chaque token de regarder les autres pour décider lesquels comptent pour son propre sens.
- Que traverse un token, de l'entrée à la prédiction ? L'architecture de réseau de neurones sur laquelle tous les LLM sont bâtis : une pile de blocs identiques que le texte traverse de bout en bout.
- Comment le modèle écrit-il, mot après mot ? Le moment où le modèle tourne pour de vrai : la boucle qui écrit le texte, un token à la fois, par opposition à l'entraînement où il apprend.
- Comment un modèle transforme-t-il du bruit pur en image ? Une famille de modèles génératifs qui créent des images, des sons ou des vidéos en apprenant à éliminer méthodiquement le bruit d'un signal aléatoire.
- Comment le modèle répond-il à partir de tes documents ? Aller chercher des documents pertinents dans une base de connaissances et les donner au modèle pour qu'il réponde avec des informations à jour et sourcées.
- Simulateur de quantification Réduire la précision des poids d'un modèle pour le rendre plus léger, plus rapide et utilisable sur du matériel grand public.
- Comment un modèle active seulement une fraction de ses neurones ? Une architecture où chaque token ne passe que par quelques sous-réseaux choisis parmi beaucoup : le modèle grossit sans que chaque mot coûte plus cher à calculer.
Quatre d’entre elles racontent la même phrase, chacune à un étage différent — le découpage, le regard entre les mots, la machine qu’ils traversent, et le pari final : « Le chat dort sur le canapé parce qu’il est fatigué. »
Deux autres partagent le même espace sémantique : la recherche du RAG est exactement la mesure que fait l’explorateur d’embeddings.
Toutes les visualisations annoncées sont livrées. La suite se décidera au fil des fiches : une viz naît d’un concept qui résiste à l’explication écrite, jamais l’inverse.