AI ProdigiesCours interactifs
Ouvrir la navigation
Module 11 · Leçon 130 min · intermediaire

Un protocole de vérification reproductible

Passer d’une phrase technique à une conclusion datée en conservant la source, le passage, l’attribution et les limites.

Sommaire et raccourcis

Objectifs d’apprentissage

Objectifs de la leçon

  • Appliquer une checklist complète à une affirmation
  • Distinguer preuve directe, source secondaire et inférence

Prérequis

  • Module 0

Un protocole de vérification reproductible

Situation concrète

Une méthode devient utile lorsqu’une autre personne peut refaire le chemin et comprendre pourquoi le verdict a été choisi.

Objectifs d’apprentissage

  • Appliquer une checklist complète à une affirmation
  • Distinguer preuve directe, source secondaire et inférence

Prérequis

  • Module 0

Mode simple

Écrivez l’affirmation exacte. Séparez ses éléments : modèle, version, nombre, unité et date. Cherchez d’abord une publication ou documentation de l’organisation concernée. Ouvrez la source, retrouvez le passage et lisez ce qui l’entoure. Vérifiez que le nombre porte la bonne étiquette et que la source ne décrit pas un autre modèle. Comparez si nécessaire avec une source indépendante. Notez enfin votre verdict, sa justification, le lien et la date de consultation.

Mode approfondi

Le protocole distingue provenance documentaire et validité logique. Une source primaire peut documenter une mesure sans autoriser une généralisation ; une source secondaire peut synthétiser utilement plusieurs travaux sans remplacer l’original pour un hyperparamètre précis. Les tableaux exigent de conserver en-têtes, unités, notes et version. La reproductibilité inclut aussi les requêtes utilisées, les variantes de noms, les échecs de recherche et la condition « sources publiques disponibles à cette date ».

Analogie

Un laboratoire conserve le protocole, les instruments et les observations, pas seulement la phrase finale écrite dans le rapport.

Exemple concret

Pour « 128 têtes », ouvrez le tableau DeepSeek-V3, identifiez qu’il s’agit de têtes d’attention MLA, puis refusez de transformer ce nombre en vérité générale sur les LLM.

La checklist en neuf étapes — Une piste de contrôle relie décomposition, source primaire, passage, contexte, attribution, unité, comparaison, verdict et date.

Neuf cases cochables forment un chemin continu de l’affirmation brute vers une fiche de preuve datée.

Activité manipulable

Manipulez l’activité « claim-verification-lab », validez votre réponse puis expliquez ce que le résultat démontre et ce qu’il ne démontre pas.

Confusion fréquente

Un résultat de moteur de recherche, un résumé automatique ou un extrait hors contexte n’est pas le passage source tant que le document n’a pas été ouvert.

Vérification rapide

Pourquoi conserver l’en-tête d’un tableau ?

Parce qu’il donne l’étiquette et l’unité du nombre. Sans lui, une largeur peut être prise pour des couches ou des paramètres actifs.

Résumé

  • Décomposez l’énoncé avant de chercher.
  • Lisez le passage et son contexte.
  • Conservez attribution, unité, verdict et date.

Mots du glossaire

Sources

Vue flow

La checklist en neuf étapes

Une piste de contrôle relie décomposition, source primaire, passage, contexte, attribution, unité, comparaison, verdict et date.

Notions associées

  1. protocole
  2. source primaire
  3. reproductibilité

Description de la figure

Neuf cases cochables forment un chemin continu de l’affirmation brute vers une fiche de preuve datée.

Manipuler pour comprendre

Activité interactive

Activité interactive

Laboratoire de vérification des affirmations

Attribue un verdict à chaque affirmation, puis confronte-le à la correction et à la source primaire.

Six affirmations techniques sur les Transformers, GPT-4 et DeepSeek-V3 sont évaluées avec des verdicts nuancés et des sources publiques.

Affirmation 1

Le Transformer de 2017 remplace la récurrence par une architecture fondée sur l’attention.

Affirmation 2

GPT-4 contient exactement 1,76 billion de paramètres.

Affirmation 3

DeepSeek-V3 annonce 671 milliards de paramètres totaux et 37 milliards activés par token.

Affirmation 4

La configuration publiée de DeepSeek-V3 indique 61 couches Transformer.

Affirmation 5

La dimension cachée publiée pour DeepSeek-V3 est de 7 168.

Affirmation 6

Le mécanisme MLA de DeepSeek-V3 est configuré avec 128 têtes d’attention.

Affirmation 7

Une tête d’attention correspond toujours à une règle grammaticale facile à nommer.

Affirmation 8

L’attention compare chaque token à chaque autre token, donc tout Transformer a toujours exactement le même coût quadratique.

Affirmation 9

Dire que les embeddings placent les mots proches les uns des autres est une description complète de leur fonctionnement.

Vérification rapide

Quelle étape vient avant le verdict dans un protocole rigoureux ?

À garder sous la main

Mots du glossaire

Ouvrir tout le glossaire →
LLM

Grand modèle de langage entraîné sur beaucoup de séquences textuelles.

Un Large Language Model estime des distributions sur des tokens avec un réseau à nombreux paramètres ; le terme ne fixe ni une architecture unique ni un seuil universel de taille.

Voir les liens associés
Paramètre

Nombre appris et conservé qui règle les transformations du modèle.

Les paramètres incluent matrices, vecteurs de biais ou échelles ; ils changent pendant l’entraînement mais restent normalement fixes pendant une inférence ordinaire.

Voir les liens associés
Transformer

Architecture qui traite les relations entre positions grâce à l’attention et à des blocs répétés.

Le Transformer original combine attention, réseaux feed-forward, positions, résidus et normalisation ; les LLM modernes en utilisent de nombreuses variantes.

Voir les liens associés
RSources de la leçon3 références, avec portée et date de vérification
  1. R1Source primaireVérifiée le 2026-07-18

    Vaswani, A. et al.. Attention Is All You Need (2017).

    Texte fondateur pour l’attention multi-têtes, les positions, le bloc feed-forward et la complexité du Transformer.

    Consulter la source dans un nouvel onglet
  2. R5Source primaireVérifiée le 2026-07-18

    OpenAI. GPT-4 Technical Report (2023, version mise à jour 2024).

    Source officielle qui confirme l’objectif de prochain token tout en déclarant non publiés les détails précis d’architecture et d’entraînement.

    Consulter la source dans un nouvel onglet
  3. R7Source primaireVérifiée le 2026-07-18

    DeepSeek-AI et al.. DeepSeek-V3 Technical Report (2024, version révisée 2025).

    Source primaire des nombres publics de DeepSeek-V3 : 61 couches, dimension 7 168, 128 têtes MLA, 671B paramètres totaux et 37B actifs.

    Consulter la source dans un nouvel onglet

Relevé de progression

Prêt à fixer cette étape ?

La progression reste enregistrée sur cet appareil, même sans compte.

Cette leçon est en cours.