AI ProdigiesCours interactifs
Ouvrir la navigation
Module 0 · Leçon 324 min · intermediaire

Classer la solidité d’une preuve

Employer une échelle de verdict cohérente pour séparer fait confirmé, simplification, inférence, information non publiée et erreur.

Sommaire et raccourcis

Objectifs d’apprentissage

Objectifs de la leçon

  • Choisir un verdict proportionné aux éléments disponibles
  • Expliquer la différence entre incertitude et contradiction

Prérequis

  • Leçon 0.2

Classer la solidité d’une preuve

Situation concrète

La recherche n’aboutit pas toujours à « vrai » ou « faux ». Une conclusion honnête peut être confirmée, simplifiée, plausible mais non documentée, trompeuse ou invérifiable avec les sources disponibles.

Objectifs d’apprentissage

  • Choisir un verdict proportionné aux éléments disponibles
  • Expliquer la différence entre incertitude et contradiction

Prérequis

  • Leçon 0.2

Mode simple

Un fait public confirmé possède une source qui dit clairement ce que vous affirmez. Une simplification garde l’idée principale mais laisse de côté des détails importants. Une inférence est une conclusion raisonnable construite à partir d’indices : elle doit rester étiquetée. Une information non publiée n’est pas automatiquement fausse ; elle manque simplement de preuve publique. Une affirmation devient trompeuse lorsqu’elle mélange les catégories, retire une condition ou attribue un nombre au mauvais modèle.

Mode approfondi

Le verdict porte sur une proposition délimitée, non sur la réputation générale de sa source. Il faut distinguer support direct, compatibilité et absence de contradiction. « Le rapport donne 7 168 » est directement vérifiable pour DeepSeek-V3 ; « une autre architecture secrète utilise probablement la même largeur » n’est qu’une inférence. Le niveau de preuve peut changer avec une publication ultérieure, d’où l’importance d’une date. Une classification utile associe toujours un libellé court à une justification et à la source déterminante.

Analogie

Un thermomètre ne répond pas seulement « chaud » ou « froid » : il donne une mesure et permet de conserver les zones intermédiaires.

Exemple concret

« Un token est un mot » est trop simplifié, car la documentation montre des fragments et des signes. La correction conserve l’intuition d’unité tout en remplaçant le terme inexact.

Six verdicts proportionnés — Une échelle compare confirmé, simplifié, inféré, non public, trompeur et faux avec le type de preuve attendu.

Six cartes de verdict indiquent pour chacune la présence de preuve directe, l’incertitude et le risque de déformation.

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

« Non public » ne signifie pas « faux », et « plausible » ne signifie pas « confirmé ». Ces raccourcis détruisent précisément l’information que l’échelle doit conserver.

Vérification rapide

Une métaphore utile mais littéralement inexacte reçoit-elle toujours le verdict faux ?

Pas forcément. Elle peut être classée comme simplification si sa portée est annoncée, ou comme trompeuse si elle conduit à une conclusion technique erronée.

Résumé

  • Le verdict doit rester proportionné à la preuve.
  • Compatibilité et confirmation sont deux relations différentes.
  • Chaque verdict associe source, justification et date.

Mots du glossaire

Sources

Vue comparison

Six verdicts proportionnés

Une échelle compare confirmé, simplifié, inféré, non public, trompeur et faux avec le type de preuve attendu.

Notions associées

  1. verdict
  2. catégorie de preuve
  3. incertitude

Description de la figure

Six cartes de verdict indiquent pour chacune la présence de preuve directe, l’incertitude et le risque de déformation.

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

Quel verdict convient lorsqu’un détail architectural n’est pas publié dans la source officielle ?

À garder sous la main

Mots du glossaire

Ouvrir tout le glossaire →
Hallucination

Réponse plausible mais fausse, inventée ou insuffisamment soutenue.

Le terme couvre plusieurs erreurs factuelles ou de fidélité à une source ; sa détection exige de comparer l’énoncé à une référence, pas seulement son degré d’assurance.

Voir les liens associés
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
RSources de la leçon3 références, avec portée et date de vérification
  1. 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
  2. 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
  3. R17Source secondaireVérifiée le 2026-07-18

    Huang, L. et al.. A Survey on Hallucination in Large Language Models: Principles, Taxonomy, Challenges, and Open Questions (2023, version révisée 2024).

    Synthèse structurée des types, causes, méthodes de détection et stratégies de réduction des hallucinations.

    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.