Aller au contenu

🧠 Le Voyage d'un Prompt : Comment fonctionne un LLM ?

Quand vous tapez une question dans un modèle d’IA local, il y a une illusion de magie : la machine semble “comprendre” le texte et “réfléchir” à la réponse.

En réalité, un processeur ne comprend pas le français. Il ne fait qu’exécuter des milliards de multiplications à une vitesse fulgurante. Pour comprendre pourquoi l’IA demande autant de matériel (et pourquoi votre PC peut ramer), il faut soulever le capot et regarder comment un texte est transformé en calculs mathématiques.

Voici le voyage exact de votre prompt, étape par étape.


Étape 1 : La Tokenisation (Le hachoir à texte)

Un ordinateur ne sait calculer que sur des nombres. La toute première étape consiste donc à découper votre phrase en morceaux appelés tokens, puis à assigner un numéro à chaque morceau.

Chaque modèle a son propre dictionnaire, appris pendant son entraînement. En 2026, un modèle standard comme Llama 3 possède un vocabulaire d’environ 128 256 tokens possibles1. Chaque numéro est l’index exact d’un de ces mots ou sous-mots.

Étape 2 : L’Embedding (La carte au trésor)

Avoir le numéro 4502 pour le mot “Où” n’aide pas le modèle à comprendre son sens. L’ordinateur va donc convertir chaque numéro en une longue liste de coordonnées mathématiques (un vecteur). C’est ce qu’on appelle l’Embedding.

Imaginez une carte en 3D où les concepts similaires sont proches. Le mot “Roi” sera proche de “Reine” et de “Couronne”. Dans un grand modèle (LLM), cette “carte” ne fait pas 3 dimensions, mais souvent 4 096 ou 8 192 dimensions.

À la fin de cette étape, votre petite phrase de 4 mots s’est transformée en une gigantesque grille de milliers de nombres décimaux. Le vrai calcul peut commencer.


Étape 3 : Le “Prefill” (L’ingestion du contexte)

C’est ici que le moteur d’inférence (le logiciel qui fait tourner l’IA) lance ses calculs les plus lourds. Le modèle va faire passer votre grille de nombres à travers des dizaines de “couches” de neurones artificiels.

Cette phase s’appelle le Prefill. Le modèle lit tout votre prompt d’un seul coup, en parallèle.

Le cœur de cette étape est le mécanisme d'Attention : le modèle croise tous les mots entre eux pour comprendre le contexte. Il calcule mathématiquement que, dans votre phrase, le point d’interrogation est fortement lié au mot “Où”.

  • Ce qu’il se passe dans la machine : Vos puces (CPU ou GPU) tournent à 100% de leur capacité de calcul (TFLOPS) parce qu’elles peuvent exécuter toutes ces multiplications matricielles simultanément.

Étape 4 : Le KV Cache (La mémoire à court terme)

Pendant le Prefill, le modèle a calculé l’importance et le contexte de chaque mot de votre historique. S’il devait recalculer tout cela à chaque nouveau mot qu’il va générer, il serait effroyablement lent.

Pour éviter ça, il sauvegarde tous ces calculs intermédiaires dans la VRAM de votre carte graphique. C’est le fameux KV Cache (Key-Value Cache). Plus votre prompt est long (ex: si vous lui donnez un PDF de 200 pages à lire), plus ce KV Cache devient énorme et sature la mémoire de votre machine.


Étape 5 : Le “Decoding” (La génération mot à mot)

Maintenant que le modèle a “digéré” votre question et stocké le contexte dans le KV Cache, il va produire sa réponse. Il le fait un seul token à la fois. C’est la phase de Decoding.

  1. Le modèle regarde votre prompt, regarde son KV Cache, et prédit mathématiquement que le mot le plus probable pour commencer la réponse est “Paris”.
  2. Il écrit “Paris”.
  3. Le cycle recommence : il prend votre prompt + le mot “Paris”, relit le KV Cache, et calcule que le mot suivant est “est”.
  4. Il écrit “est”.

Cette boucle continue jusqu’à ce que le modèle génère un token spécial qui signifie <FIN>.

  • Ce qu’il se passe dans la machine : C’est une phase très séquentielle. Le processeur doit constamment faire des allers-retours avec la mémoire pour récupérer les poids du modèle et le KV Cache, juste pour générer un malheureux token. C’est pour cela que la vitesse de génération dépend de la Bande Passante Mémoire et non plus de la puissance de calcul brute.

🎯 En résumé pour l’architecte

Quand un utilisateur se plaint que “l’IA est lente”, vous devez savoir de quelle phase il parle :

  • Elle met trop de temps à démarrer ? C’est le Prefill. Le processeur manque de puissance de calcul brute (TFLOPS) pour digérer le prompt initial, ou le contexte envoyé est trop long.
  • Elle écrit la réponse trop lentement ? C’est le Decoding. La machine souffre du “Memory Wall” : la mémoire de la carte graphique ne peut pas envoyer les données assez vite vers la puce pour calculer le token suivant.

📚 Sources et Références

Footnotes

  1. Meta, Llama 3.1 Model Card (Architecture, vocabulaire 128 256 tokens, tokenizer Tiktoken), 2024. GitHub — llama-models ↩

Donner mon avis

Tout est facultatif : une seule réponse suffit. Ce site n'envoie rien : c'est vous qui envoyez, par le moyen de votre choix.

Votre notePas de note
Votre avis porte sur
Sur quoi ? (plusieurs choix possibles)
Ce qui sera envoyé
Envoyer par e-mail

Privé, sans compte : ouvre votre messagerie avec le message prêt, pour ia-on-prem@damien.becherini.fr.

Ouvrir un ticket GitHub ↗

Public, avec un compte GitHub. Vous relisez le ticket avant de le publier.

Pour le coller où vous voulez.

Donnez au moins une note, un sujet ou un message pour pouvoir envoyer.