Qu’est-ce que LLM Course ?
Le LLM Course de Maxime Labonne est une feuille de route GitHub gratuite pour apprendre les grands modèles de langage. Il est divisé en trois parties : les fondamentaux (maths, Python, réseaux de neurones, NLP), le parcours LLM Scientist (architecture, pré-entraînement, données de post-entraînement, fine-tuning, alignement par préférence, évaluation, quantisation) et le parcours LLM Engineer (faire tourner les modèles, stockage vectoriel, RAG, agents, optimisation d'inférence, déploiement, sécurité).
Chaque section associe un court explicatif à des articles, vidéos et articles de recherche organisés. Un tableau séparé liste environ deux douzaines de notebooks Colab de l'auteur, d'outils en un clic comme LazyMergekit et AutoQuant à des tutoriels de fine-tuning. Le même matériel sous-tend le LLM Engineer's Handbook, que Labonne a co-écrit pour Packt.
Il n'y a pas de versions. Les commits ont ralenti à une poignée par an ; le dernier, le 5 février 2026, a corrigé un lien cassé.
LLM Course vaut-il le coup ?
Le LLM Course est une carte, pas un manuel, et c'est une très bonne carte. Sa valeur est l'ordre : il dit à un développeur quoi apprendre après les transformeurs, en quoi consiste le post-entraînement, et où s'insèrent le RAG et les agents, puis lie au meilleur matériel gratuit pour chaque étape. Environ 84 600 étoiles GitHub suggèrent que beaucoup de gens l'utilisent exactement de cette façon.
Les notebooks sont la moitié pratique et la partie à vérifier avant de s'y fier. Le tutoriel de fine-tuning le plus récent vise Llama 3.1 et a été écrit en juillet 2024 ; d'autres couvrent Mistral-7B avec DPO et QLoRA, Llama 2 et CodeLlama. Les techniques (LoRA, ORPO, quantisation GGUF, fusion de modèles, abliteration) s'appliquent encore, mais les versions de bibliothèques et les modèles de base ont évolué, alors attendez-vous à ce que certaines cellules aient besoin d'être corrigées.
La feuille de route écrite est plus à jour que les notebooks : le parcours ingénieur cite le décodage spéculatif EAGLE-3 et l'Agents Course de Hugging Face, mais l'historique des commits ne montre que cinq commits sur les douze derniers mois, surtout de petites éditions. Il reste dans la fenêtre d'activité de 12 mois, de justesse.
Le cours est gratuit et le restera, dit l'auteur, avec le LLM Engineer's Handbook payant comme moyen de le soutenir. Comparé à LLMs from Scratch de Sebastian Raschka, qui enseigne en construisant un modèle de bout en bout en code, celui-ci couvre bien plus de terrain avec bien moins de profondeur par sujet.
Là où il fait la différence
Un ingénieur backend qui passe à un rôle d'IA appliquée
Déterminer quoi étudier, dans quel ordre, sur quelques mois
Suivez le parcours LLM Engineer section par section : faire tourner les modèles, magasins de vecteurs, RAG, agents, inférence, déploiement et sécurité. Tout ce qui est lié est gratuit ; le coût est le temps, et certains liens peuvent avoir bougé.
Un ingénieur ML avec un seul GPU Colab de palier gratuit
Fine-tuner un modèle 7B pour la première fois
Ouvrez le notebook QLoRA Mistral-7B, que l'auteur a écrit pour le Colab de palier gratuit, puis remplacez par un modèle de base actuel. Attendez-vous à mettre à jour les versions de bibliothèques avant que les cellules ne tournent proprement.
Un responsable de formation qui intègre trois nouvelles recrues à une équipe LLM
Leur donner un programme partagé sans acheter de cours
Utilisez les titres du parcours Scientist comme plan de lecture et les notebooks comme exercices. Cela évite d'écrire un curriculum interne, même si l'équipe devra ajouter elle-même les modèles et l'outillage actuels.
Avant de vous engager
- Mise en route
- Rien à installer : lisez le README sur GitHub et ouvrez les notebooks dans Google Colab avec un compte Google. Le notebook QLoRA Mistral-7B est écrit pour le palier gratuit de Colab.
- Intégrations
- Les notebooks utilisent Hugging Face Transformers, TRL, Unsloth, Axolotl, MergeKit, llama.cpp et ExLlamaV2 ; certains poussent les résultats vers le Hugging Face Hub ou louent des GPU sur RunPod.
- Données et confidentialité
- Markdown statique et notebooks sous Apache 2.0, si bien que la réutilisation dans la formation interne est autorisée. Faire tourner les notebooks dans Colab met vos données sur le service de Google, et les téléversements vers le Hub ont besoin de votre propre jeton.
- Coût à grande échelle
- Gratuit. La seule dépense est le temps GPU si vous dépassez le Colab gratuit, par exemple un GPU loué pour les notebooks Axolotl ou AutoEval, plus le LLM Engineer's Handbook optionnel.
- Limites
- Pas de versions, cinq commits sur les douze derniers mois et 91 issues ou pull requests ouvertes. Les choix de modèles des notebooks (Llama 2, Llama 3.1, Mistral-7B) datent de 2023 et 2024.
Les points forts
- Ordre clair à travers les fondamentaux, les parcours Scientist et Engineer
- Environ deux douzaines de notebooks Colab gratuits de l'auteur
- Couvre le post-entraînement, la quantisation et la fusion avec une profondeur inhabituelle
- Apache 2.0, gratuit sans inscription
Les points faibles
- Surtout des liens vers du matériel extérieur
- Le notebook de fine-tuning le plus récent date de juillet 2024 (Llama 3.1)
- Cinq commits sur l'année écoulée
Idéal pour
Les développeurs qui veulent un chemin structuré vers l'entraînement et l'ingénierie des LLM.
Alternatives à LLM Course
LLM Course : questions fréquentes
- LLM Course vaut-il le coup ?
- Un programme bien ordonné pour toute la pile LLM dont les notebooks pratiques n'ont pas suivi le rythme de sa liste de lecture. Nous lui donnons 4.2 sur 5.
- Combien coûte LLM Course ?
- Gratuit et open source sous la licence Apache 2.0.
- Quels sont les inconvénients de LLM Course ?
- Surtout des liens vers du matériel extérieur; le notebook de fine-tuning le plus récent date de juillet 2024 (Llama 3.1); cinq commits sur l'année écoulée.
- À qui s’adresse LLM Course ?
- Les développeurs qui veulent un chemin structuré vers l'entraînement et l'ingénierie des LLM.
- Combien coûte LLM Course pour une équipe ou en production ?
- Gratuit. La seule dépense est le temps GPU si vous dépassez le Colab gratuit, par exemple un GPU loué pour les notebooks Axolotl ou AutoEval, plus le LLM Engineer's Handbook optionnel.
- LLM Course est-il sûr pour les données de l’entreprise ?
- Markdown statique et notebooks sous Apache 2.0, si bien que la réutilisation dans la formation interne est autorisée. Faire tourner les notebooks dans Colab met vos données sur le service de Google, et les téléversements vers le Hub ont besoin de votre propre jeton.
- Quelles sont les meilleures alternatives à LLM Course ?
- Les alternatives les plus proches que nous avons testées sont LLMs from Scratch, Generative AI for Beginners et Prompt Engineering Guide.
Réponses vérifiées le 23 oct. 2026.