Ceci est une ancienne révision du document !

Table des matières

AI Language Model

AI Language Model

Les modèles d’intelligence artificielle (IA), des simples algorithmes de régression jusqu’aux réseaux neuronaux complexes utilisés dans l’apprentissage profond, fonctionnent grâce à une logique mathématique. Toutes les données utilisées par un modèle d’intelligence artificielle, y compris les données non structurées comme le texte, l’audio ou les images, doivent être exprimées sous forme numérique. Le plongement vectoriel, ou représentation vectorielle, est une méthode qui permet de convertir un point de données non structuré en un tableau de nombres, tout en conservant la signification originale des données.

Autres pages:

Glossaire

LLM/SLM Large Language Model / Small Language Model
LoRA (Low-Rank Adaptation): une méthode permet de “spécialiser” un peu un modèle est ajoutant des couches légères (qlqs Mo) et adaptables à un modèle pré-entraîné, au lieu de modifier tous ses poids ; 0,1% à 1% des paramètres du modèle sont entraînés. Le modèle de base reste inchangé, LoRA peut être désactivé.
- Axolotl A Free and Open Source LLM Fine-tuning Framework
techniques pour améliorer la gestion des longs textes
- YaRN (Yet Another Recurrent Network): une technique pour améliorer la gestion des textes longs par les LLMs sans nécessiter de réentraînement complet ou de modifications lourdes, seules quelques couches sont ajustées. Vise à étendre la fenêtre de contexte (context window) des LLMs, passer de 4k à 128k tokens. Autres techniques: ALiBi, NTK-aware scaling.
- RoPE (Rotary Position Embedding): technique pour intégrer des informations de position dans les séquences de tokens, tout en permettant une meilleure généralisation à des longueurs de texte variables. Contrairement aux méthodes comme les embeddings de position absolus (BERT), RoPE utilise une représentation relative et rotative des positions qui améliore la capacité des modèles à comprendre les relations entre les tokens, même sur de longues distances.
- RoPE + YaRN : RoPEE Fournit la base mathématique pour comprendre les positions relatives et YaRN étend cette base pour permettre des fenêtres de contexte encore plus grandes
- ALiBi … technique plus ancienne que les 2 précédentes …
GGUF (GPT-Generated Unified Format): format binaire optimisé pour l’inférence (exécution de modèles), développé par la communauté open-source, notamment par ggerganov le créateur de Llama.cpp. Remplace l’ancien format GGML.
- afficher les metadata du fichier: gpustack/gguf-parser-go
- Autres formats: PyTorch, ONNX, TensorRT, GGML (déprécié)
MoE (Mixture of Experts): architecture de modèle où plusieurs “experts” (sous-réseaux spécialisés) sont activés de manière conditionnelle pour traiter différentes parties des données.
- Le modèle est composé de plusieurs sous-réseaux appelés “experts”.
- Un générateur de sélection (router) détermine quels experts utiliser pour chaque entrée.
- permet de réduire le coût de calcul en ne passant les données que par un sous-ensemble des experts.
MCP Model Context Protocol, voir MCP Server
Agents IA

Classification de modèles ouverts: Foundation models by Ibm

Comment faire pour qu'un appel à un LLM ait un résultat reproductible d'une fois sur l'autre ?

Sur les perfs

Estimations

Devstral avec llama.cpp sur RTX 3060 12 Go.

by ChatGPT :

Modèle	Contexte (seq_len)	Batch_size recommandé	Remarques
—————–	——————	———————	—————————————-
Devstral Small 7B	1024	4	Très sûr, VRAM ample
Devstral Small 7B	2048	2‑3	Bon compromis vitesse/VRAM
Devstral Small 7B	4096	1‑2	VRAM presque saturée
Devstral 13B	1024	2	VRAM limitée
Devstral 13B	2048	1‑2	Optimal, attention VRAM
Devstral 13B	4096	1	VRAM saturée, offload CPU conseillé
Devstral 13B	8192	1	Possible mais contexte long → risque OOM

by LeChat:

contexte (tokens)	modèle (paramètres)	VRAM estimée (Go)	Batch size optimal	Latence estimée (tok/s)	Notes
512	7B	~5.5	8	15-25	Idéal pour des tâches courtes et rapides.
1024	7B	~6.0	4	10-20	Bon compromis pour des prompts moyens.
2048	7B	~7.0	2	5-15	Nécessite une gestion fine de la VRAM.
4096	7B	~8.5	1	3-10	Proche de la limite VRAM, risque de ralentissement.
512	13B	~9.0	4	8-15	Modèle plus gros, latence accrue.
1024	13B	~10.0	2	4-10	VRAM presque saturée, batch_size réduit.
2048	13B	~11.5	1	2-8	Risque élevé de dépassement VRAM, latence importante.

Online services

launch a opencode server :

opencode serve --port=30781 --print-logs --log-level DEBUG

Then prompt : “Explain async/await in JavaScript”

with:

time opencode run -m <ProviderId/ModelId> --attach=http://127.0.0.1:30781 --agent=plan "Explain async/await in JavaScript"

👾 Attention, les résultats peuvent être très différents:

d'une simple phrase de définition à un exemple de code
- mais je n'ai pas modifier la taille du context, ce qui a une grande importance sur la taille/qualité de la réponse …
aussi, le system message prompt est sélectionné par opencode …
- https://github.com/sst/opencode/issues/4861

ovhcloud/Qwen3-Coder-30B-A3B-Instruct = 2,008s / 3,100s
ovhcloud/gpt-oss-20b = 14,219s / 21,714s
ovhcloud/Mistral-Nemo-Instruct-2407 = abandon après 7 minutes d'attente …
ovhcloud/DeepSeek-R1-Distill-Llama-70B = 22,301s / 29,187s
opencode/big-pickle = 2,858s / 3,479s
mistral-codestral/codestral-latest = 2,320s / 3,427s

Cartes IA

Hailo

Hailo 8
packaging in a box with a Raspberry by SeedStudio, 26 TOPS, 15 GB RAM - $289

Axelera

Metis
Europa

seeedstudio

reComputer Mini J4012 is a tiny AI computer powered by NVIDIA® Jetson Orin™ NX 16GB module,delivering up to 100 TOPS AI performance - $900
reComputer J2022 - Edge AI Computer with NVIDIA® Jetson Xavier™ NX 16GB - $759

Ollama & Nvidia Jetpack

https://www.jetson-ai-lab.com/tutorial_ollama.html
pour plus de performance utiliser NanoLLM - Optimized LLM Inference
- Ollama uses llama.cpp for inference, which various API benchmarks and comparisons are provided for on the Llava page. It gets roughly half of peak performance versus the faster APIs like NanoLLM , but is generally considered fast enough for text chat.

Nvidia

A10
- https://askgeek.io/en/gpus/NVIDIA/NVIDIA-A10
- NVIDIA A10 vs RTX 3060

	A 10	A 30	A 40	A 100 SXM4	A 800	H 100 SMX5
Prix eBay	$2,330	$3,999	$9,950	$4,000	$20,000	$20,000
Architecture	Ampere	Ampere	Ampere	Ampere	Ampere	Hopper
Code name	GA102	GA100	GA102	GA100	GA100	GH100
Launch date	2021-04	2021-04	2020-10	2020-05	2022-11	2022-03
Maximum RAM	24 GB	24 GB	48 GB	40 GB	40 GB	96 GB
Memory type	GDDR6	HBM2e	GDDR6	HBM2e	HBM2e	HBM3
Memory bandwidth	600.2 GB/s	933.1 GB/s	695.8 GB/s	1555 GB/s	1.56 TB/s	1,681 GB/s
Memory bus width	384 bit	3072 bit	384 bit	5120 bit	5120 bit	5120 bit
Memory clock speed	1563 MHz	1215 MHz	1812 MHz	1215 MHz	1215 MHz	1313 MHz
Core clock speed	885 MHz	930 MHz	1305 MHz	1095 MHz	765 MHz	1837 MHz
Boost clock speed	1695 MHz	1440 MHz	1740 MHz	1410 MHz	1410 MHz	1665 MHz
Peak Half Precision (FP16)	31.24 TFLOPS (1:1)	10.32 TFLOPS (1:1)	37.42 TFLOPS (1:1)	77.97 TFLOPS (4:1)
Pipelines	9216	3584	10752	6912	6912	16896
Thermal Design Power	150 Watt	165 Watt	300 Watt	400 Watt	250 Watt	700 Watt
OpenCL	3.0	3.0	3.0		3.0

NVIDIA DGX Spark ($4,000) : GB10 Grace Blackwel, 1 FP4 PFLOPS, 128GB, ConnectX-7 Smart NIC, 4TB NVME.M2 with self-encryption
Jetson AI products
- Jetson AGX Orin™ 64GB, 275 TOPS, 2500 €
- Jetson Thor: Blackwell GPU, 128 GB, 2070 FP4 TFLOPS, £3200

Cartes graphiques

Nvidia

RTX 3060
- CUDA GPU Compute Capability: 8.6
RTX 5060 TI 16 Go 475€ TTC chipset.fr
- CUDA GPU Compute Capability: 12.0
pny-rtx-5060ti-16go-overclocked 445€ TTC grosbill.com

gpu_bench

Tips: Reset nvidia et CUDA:

# éteindre la carte
# débrancher THB
$ sudo rmmod nvidia_uvm nvidia

Adaptateur GPU externe

En anglais “GPU enclosures”. Nécessite un port Thunderbolt 3, 4 ou à venir 5.

egpu docks

Accelerating Machine Learning on a Linux Laptop with an External GPU by NVidia (Setting up Ubuntu to use NVIDIA eGPU)

eGPU

Models servers

llama.cpp

https://github.com/ggml-org/llama.cpp

Lancer le serveur avec un modèle en local:

./bin/llama-server -m devstralQ5_K_M.gguf --port 8012 --jinja --ctx-size 20000
 
~/Code/bronx/AI_Coding/llama.cpp/build/bin/llama-server --port 8012 --chatml -m ~/Data/AI_Models/Qwen2.5-coder-7b-instruct-q8_0.gguf --ctx-size 48000

Quid des chat formats ? Est-ce lié au modèle ?

--jinja
--chatml
Templates supported by llama_chat_apply_template

$ llama-server --help
...
--chat-template JINJA_TEMPLATE          set custom jinja chat template (default: template taken from model's
                                        metadata)
                                        if suffix/prefix are specified, template will be disabled
                                        only commonly used templates are accepted (unless --jinja is set
                                        before this flag):
                                        list of built-in templates:
                                        bailing, bailing-think, bailing2, chatglm3, chatglm4, chatml,
                                        command-r, deepseek, deepseek2, deepseek3, exaone3, exaone4, falcon3,
                                        gemma, gigachat, glmedge, gpt-oss, granite, grok-2, hunyuan-dense,
                                        hunyuan-moe, kimi-k2, llama2, llama2-sys, llama2-sys-bos,
                                        llama2-sys-strip, llama3, llama4, megrez, minicpm, mistral-v1,
                                        mistral-v3, mistral-v3-tekken, mistral-v7, mistral-v7-tekken, monarch,
                                        openchat, orion, pangu-embedded, phi3, phi4, rwkv-world, seed_oss,
                                        smolvlm, vicuna, vicuna-orca, yandex, zephyr
                                        (env: LLAMA_ARG_CHAT_TEMPLATE)

...

Modèles:

Les models au format GGUF, en fichier ou url sur Hugging Face, ModelScope
Obtaining and quantizing models

$ ./bin/llama-server --jinja -m ./Qwen3-Coder-30B-A3B-Instruct-Q5_K_S.gguf
llama_context: n_ctx_seq (4096) < n_ctx_train (262144) -- the full capacity of the model will not be utilized

Élargir la “context window” :

Tous les modèles ne supportent pas YaRN (vérifie la documentation).
YaRN améliore la gestion des longs textes, mais ne résout pas les problèmes de compréhension profonde
--rope-scaling {none,linear,yarn} RoPE frequency scaling method, defaults to linear unless specified by the model
--rope-scale N RoPE context scaling factor, expands context by a factor of N
--yarn-orig-ctx N YaRN: original context size of model (default: 0 = model training context size)

Compilation pour GPU

Il faut le compiler avec CUDA. Avec une version >= 11.7 pour compatibilité syntaxe.

Build llama.cpp with CUDA

J'ai installé CUDA le dépot Nvidia Cuda et cuda toolkit 13

$ sudo cat /etc/apt/sources.list.d/cuda-ubuntu2404-x86_64.list
deb [signed-by=/usr/share/keyrings/cuda-archive-keyring.gpg]
 https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2404/x86_64/ /

en option ou @ spécifier pour le cmake build :

export PATH=$PATH:/usr/local/cuda-<version>/bin/

Ensuite une longue compilation :

# DCMAKE_CUDA_ARCHITECTURES :
# CUDA GPU Compute Capability https://developer.nvidia.com/cuda-gpus
# RTX 3060 : 86
# RTX 5060 : 120

$ export CUDA_VERSION=12.9 && cmake -B build -DGGML_CUDA=ON \
 -DCMAKE_CUDA_ARCHITECTURES="86;120" \
 -DCMAKE_BUILD_WITH_INSTALL_RPATH=ON \
 -DCMAKE_CUDA_COMPILER=/usr/local/cuda-${CUDA_VERSION}/bin/nvcc \
 -DCMAKE_INSTALL_RPATH="/usr/local/cuda-${CUDA_VERSION}/lib64;\$ORIGIN"

-- ccache found, compilation results will be cached. Disable with GGML_CCACHE=OFF.
-- CMAKE_SYSTEM_PROCESSOR: x86_64
-- GGML_SYSTEM_ARCH: x86
-- Including CPU backend
-- x86 detected
-- Adding CPU backend variant ggml-cpu: -march=native 
-- CUDA Toolkit found
-- Using CUDA architectures: 86;120
-- CUDA host compiler is GNU 13.3.0
-- Including CUDA backend
-- ggml version: 0.9.4
-- ggml commit:  6016d0bd4
-- Configuring done (0.5s)
-- Generating done (0.2s)
-- Build files have been written to: /home/cyrille/Code/bronx/AI_Coding/llama.cpp/build

$ time cmake --build build --config Release -j 10

# host: i7-1360P + SSD
...
real	44m35,149s
user	42m38,100s
sys	1m51,594s
...
# Avec `-j 10` (concurent tasks)
real	11m6,449s
user	104m56,615s
sys	3m45,431s

ollama

- https://ollama.com - https://github.com/ollama/ollama

Chat & build with open models.

Interface utilisateur pour gérer et exécuter des modèles localement, utilise Llama.cpp sous le capot.

Sur linux install un service systemd

koboldcpp

https://github.com/LostRuins/koboldcpp

vLLM

vLLM est une bibliothèque open-source optimisée pour servir efficacement des LLMs en production, à la différence de llama.cpp qui est pour le développement ou usage solo sur du matériel standard (RTX ou CPU).