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

Poids du modèle

Les poids d'un modèle (model weights) sont les nombres appris à l'intérieur d'un réseau de neurones, fixés pendant l'entraînement, qui déterminent comment il transforme une entrée en sortie. Un checkpoint est un fichier ou un ensemble de fichiers sauvegardé qui contient ces poids.

Aussi appelé : weights, checkpoint, parameters file

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

Un réseau de neurones est une structure fixe de couches, et les poids sont les valeurs de ces couches. L'entraînement les ajuste jusqu'à ce que les sorties du modèle soient bonnes. Quand on dit qu'un laboratoire a « publié les poids », cela signifie que vous pouvez télécharger ces nombres et faire tourner le modèle vous-même. Le nombre de poids est le nombre de paramètres du modèle.

Ce que contient un checkpoint

Dans PyTorch, les poids se trouvent dans un state_dict, un dictionnaire qui associe chaque couche à son tenseur. Un checkpoint le sauvegarde, parfois avec l'état de l'optimiseur pour pouvoir reprendre l'entraînement. Les fichiers de modèles sur Hugging Face sont généralement découpés en plusieurs shards et accompagnés d'un fichier de configuration qui décrit l'architecture, ainsi que d'un tokenizer. Sans le code d'architecture et le tokenizer correspondants, les poids seuls ne tournent pas.

Formats

Les formats courants incluent les fichiers de PyTorch basés sur pickle, Safetensors, GGUF pour les outils locaux comme llama.cpp, et ONNX. Le format influe sur la sécurité, la vitesse de chargement et les outils capables de le lire.

Taille et précision

La taille du fichier vaut à peu près le nombre de paramètres multiplié par les octets par poids. Stocker les poids en précision plus faible ou appliquer une quantification réduit le fichier et la mémoire nécessaire pour le faire tourner, avec une certaine perte de qualité.

Poids et open source

Avoir les poids ne revient pas à tout avoir. Un modèle open-weight peut être livré sans ses données ni son code d'entraînement, et sous une licence comportant des limites. La définition de l'Open Source Initiative considère les paramètres comme une seule des parties qui doivent être partagées.

Termes liés

Modèle open-weight
Un modèle open-weight (modèle à poids ouverts) est un modèle dont les poids entraînés sont publiés pour que chacun puisse les télécharger et les exécuter, souvent sans le code d'entraînement ni l'ensemble des données d'entraînement ; il n'est donc pas forcément open source.
Safetensors
Safetensors est un format de fichier de Hugging Face pour stocker les poids des modèles. Contrairement aux fichiers pickle de Python, son chargement ne peut pas exécuter de code caché, et il permet un chargement rapide, par projection en mémoire, de tenseurs individuels.
Paramètres du modèle
Les paramètres d'un modèle (model parameters) sont les nombres qu'un réseau de neurones apprend pendant l'entraînement, surtout des poids. Le nombre de paramètres, écrit 7B pour sept milliards, est le raccourci habituel pour désigner la taille d'un modèle.
GGUF
GGUF est un format de fichier binaire qui stocke les poids, le tokenizer et les métadonnées d'un modèle dans un seul fichier, conçu pour un chargement rapide et l'inférence locale avec des outils basés sur GGML comme llama.cpp, souvent sous forme quantifiée.
Précision numérique (FP16, BF16, FP8)
La précision numérique est le format de nombre utilisé pour stocker les poids d'un modèle et effectuer ses calculs, comme FP32, FP16, BF16, FP8 ou INT4. Moins de bits par nombre signifie moins de mémoire et une inférence plus rapide, avec un certain risque pour la précision des résultats.
Licence de modèle
Une licence de modèle (model license) regroupe les conditions juridiques selon lesquelles les poids d'un modèle, et parfois son code et ses données, peuvent être utilisés, modifiés et partagés. Les conditions vont des licences ouvertes permissives aux licences non commerciales ou sur mesure restrictives.

Sources