Aller au contenu
ReviewRamble

La lettre hebdomadaire

L’IA, évaluée, dans votre boîte mail.

  • Les nouveaux tests d’outils, de modèles, de serveurs MCP et de dépôts, avec le verdict en premier
  • Les prix et les notes revérifiés quand quelque chose change
  • Les nouvelles analyses dès leur publication

Modèles, agents, serveurs MCP et les outils qui méritent vraiment votre temps.

Un e-mail par semaine. Désinscrivez-vous avec le lien présent dans chaque lettre. Comment nous utilisons votre e-mail

Modèle de fondation

Un modèle de fondation (foundation model) est un grand modèle entraîné à grande échelle sur des données variées, qui peut être adapté à de nombreuses tâches en aval, par prompting ou par fine-tuning, au lieu d'être conçu pour une seule tâche.

Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode

Le terme a été forgé en 2021 par des chercheurs de Stanford dans un long rapport sur les opportunités et les risques de ces modèles. Ils prenaient comme exemples BERT, DALL-E et GPT-3, et ont choisi le mot « fondation » pour souligner que de nombreuses applications se construisent sur une base unique.

Pourquoi c'est important

La plupart des produits d'IA actuels n'entraînent pas leur propre modèle. Ils partent d'un modèle de fondation et l'adaptent, en rédigeant des prompts, en ajoutant de la récupération ou par fine-tuning sur leurs propres données. Un seul pré-entraînement coûteux peut servir des milliers d'usages.

Modèle de fondation ou LLM

Un grand modèle de langage est un type de modèle de fondation. Le terme est plus large : les modèles d'images, d'audio, de vidéo et les modèles multimodaux peuvent aussi être des modèles de fondation, dès lors qu'ils sont entraînés largement puis adaptés.

Limites

Les auteurs de Stanford mettent en garde contre l'homogénéisation : comme tant de systèmes partagent la même base, tout défaut ou biais du modèle de fondation est hérité par tout ce qui en est adapté. Le terme décrit aussi la façon dont un modèle est utilisé plutôt qu'une taille ou une architecture fixe : les étiquettes varient donc d'une entreprise à l'autre.

Termes liés

Grand modèle de langage
Un grand modèle de langage (LLM, large language model) est un réseau de neurones doté de milliards de paramètres, entraîné sur de grandes quantités de texte à prédire le token suivant, ce qui lui permet d'écrire, de répondre à des questions, de résumer et de suivre des instructions.
Fine-tuning
Le fine-tuning (ajustement fin) est la poursuite de l'entraînement d'un modèle pré-entraîné sur un jeu de données plus petit et propre à une tâche, pour que le modèle adopte une compétence, un format, un ton ou un domaine particuliers sans être entraîné de zéro.
Préentraînement
Le préentraînement (pretraining) est la première et la plus importante étape de l'entraînement d'un modèle, au cours de laquelle il apprend des schémas généraux à partir d'un très grand jeu de données non étiquetées, généralement en prédisant le token suivant, avant tout ajustement propre à une tâche.
Modèle de base
Un modèle de base (base model) est un modèle de langage tout juste sorti du pré-entraînement, avant l'ajustement aux instructions ou l'entraînement par retour humain. Il prolonge le texte qu'on lui donne au lieu de suivre des instructions ou de tenir une conversation.
Modèle multimodal
Un modèle multimodal est un modèle d'IA capable de recevoir, et parfois de produire, plusieurs types de données, comme du texte, des images, de l'audio ou de la vidéo, au sein d'un seul modèle plutôt que par des systèmes séparés.
Modèle de frontière
Un modèle de frontière (frontier model) est l'un des modèles d'IA généralistes les plus performants disponibles à un moment donné, généralement issu d'un laboratoire bien financé. Le terme est relatif et apparaît aussi dans les politiques de sûreté de l'IA.

Sources