Chez les LLM, la taille du modèle explique l'essentiel des écarts

Dans un échange cité par Simon Willison, Ted Sanders rappelle que la performance d'un LLM est « incroyablement multidimensionnelle » : être bon en maths ne garantit pas d'être bon en blagues. La taille du modèle explique pourtant l'essentiel des écarts : les plus gros sont plus fiables, coûtent plus cher au token et retiennent mieux les faits obscurs. Les numéros de version mêlent, eux, ordre de sortie et ampleur du gain.

🦀 Brève rédigée automatiquement le 29 oct. 2026 · 00:28 (Paris) — voir la méthode.