QCM : LLM et traduction assistée (37 questions)

Questions et réponses du QCM

1. Pourquoi un LLM peut-il reproduire des biais culturels ou sociaux dans ses réponses ?

Il apprend à partir des objectifs définis par les traducteurs pour chaque réponse.
Il applique des règles de modération qui reflètent nécessairement chaque culture.
Il apprend à partir de textes produits par des humains, qui peuvent refléter ces biais.
Il produit un texte fluide, ce qui élimine les biais issus de ses données.

Il apprend à partir de textes produits par des humains, qui peuvent refléter ces biais.

Explication

Les textes humains utilisés pour entraîner les LLM peuvent contenir des biais culturels, historiques, sociaux, linguistiques ou géographiques. Les règles de modération, les objectifs des développeurs et la fluidité du texte ne sont pas la cause indiquée ici.

2. Une entreprise intègre un LLM à son application et paie en fonction du nombre de requêtes ou de tokens consommés. Quel modèle économique utilise-t-elle ?

Le téléchargement local
Un abonnement fixe
La mise à disposition en open source
La facturation par API

La facturation par API

Explication

Les API permettent d’intégrer un LLM dans une application et leur facturation dépend du nombre de requêtes ou de tokens utilisés. Un abonnement repose sur une formule périodique, le téléchargement local concerne l’exécution du modèle et l’open source concerne l’accès au code.

3. Une réponse inventée par un LLM paraît convaincante, mais son contenu est faux : comment appelle-t-on ce phénomène ?

Une récupération augmentée
Un biais des données
Une hallucination
Une reformulation stylistique

Une hallucination

Explication

Une hallucination est une information fausse produite avec une apparence de crédibilité. Le biais des données concerne les données d’entraînement, la reformulation transforme un texte et la récupération augmentée recherche des informations.

4. Lorsqu’un modèle choisit le token suivant, il accorde davantage d’importance à certains mots de la phrase qu’à d’autres. Quel mécanisme décrit cette opération ?

Le modèle n-gramme
L’estimation fondée sur les mots précédents
Le mécanisme d’attention
La représentation par embeddings

Le mécanisme d’attention

Explication

Le mécanisme d’attention attribue des poids différents aux mots afin de repérer les informations pertinentes pour produire le token suivant. Les embeddings convertissent les mots en représentations numériques, les n-grammes portent sur des suites consécutives, et l’estimation par contexte limité caractérise les modèles antérieurs.

5. Un logiciel de traitement de texte propose la traduction automatique directement dans son interface. Quel modèle décrit cette évolution ?

Un service de post-édition autonome
Une API de traduction commercialisée séparément
Translation as a Feature (TaaF)
Un abonnement à un traducteur automatique

Translation as a Feature (TaaF)

Explication

Le modèle Translation as a Feature intègre la traduction à un autre logiciel, au lieu de la proposer comme produit autonome. L’abonnement décrit un mode de paiement, l’API une modalité d’intégration technique et la post-édition une activité de traduction.

6. Un modèle reproduit régulièrement un stéréotype culturel présent dans les textes ayant servi à son apprentissage. Quelle explication correspond à cette situation ?

Il hérite d’un biais présent dans ses données humaines d’entraînement
Il applique les garde-fous destinés à limiter certains comportements
Il produit une réponse indépendante des données humaines d’entraînement
Il compense les écarts de volume de données entre les langues

Il hérite d’un biais présent dans ses données humaines d’entraînement

Explication

Les LLM peuvent hériter des biais culturels, politiques, sociaux et linguistiques présents dans les données humaines d’entraînement. Les écarts entre langues concernent l’inégale disponibilité des données, et les garde-fous relèvent de l’alignement.

7. Une équipe entraîne un grand modèle de langage en lui fournissant d’immenses quantités de textes. Quel rôle ces textes jouent-ils dans son apprentissage ?

Ils constituent les gigantesques corpus à partir desquels le modèle apprend
Ils fournissent quelques phrases complètes servant de règles explicites
Ils constituent les garde-fous qui limitent certains comportements
Ils forment une base exhaustive de toutes les connaissances humaines

Ils constituent les gigantesques corpus à partir desquels le modèle apprend

Explication

Les LLM apprennent à partir de gigantesques corpus d’entraînement, dans lesquels ils rencontrent des milliards de phrases incomplètes. L’alignement correspond à une phase de garde-fous, et aucun corpus ne rassemble toutes les connaissances humaines.

8. Quelle architecture constitue la base de la quasi-totalité des grands modèles de langage ?

Les Transformers
Le mécanisme d’attention
Les embeddings
Les modèles n-grammes

Les Transformers

Explication

Les Transformers constituent la base de la quasi-totalité des grands modèles de langage. Les n-grammes sont une étape antérieure, tandis que les embeddings et l’attention désignent des représentations ou des mécanismes, non l’architecture visée ici.

9. Pendant l’entraînement, un modèle reçoit une phrase incomplète dont un token a été retiré. Quelle tâche doit-il effectuer ?

Suivre une règle grammaticale explicite
Deviner le token manquant
Appliquer des garde-fous à sa réponse
Vérifier la vérité de la phrase entière

Deviner le token manquant

Explication

Pendant l’entraînement, le modèle doit deviner le token manquant dans des phrases incomplètes. Vérifier toute la phrase, appliquer des garde-fous ou suivre une règle explicite ne décrit pas cette tâche d’apprentissage.

10. Pourquoi un LLM peut-il donner une réponse plausible sans l’avoir vérifiée dans une base de connaissances ?

Il consulte un dictionnaire avant chaque génération
Il prédit la suite de tokens la plus probable
Il vérifie chaque réponse dans une base actualisée
Il compare chaque réponse à des pages de recherche

Il prédit la suite de tokens la plus probable

Explication

Un LLM génère du texte en prédisant la suite de tokens la plus probable, sans nécessairement vérifier ses réponses dans une base de connaissances. La comparaison à des pages de recherche et la consultation systématique d’une base confondent son fonctionnement avec celui d’un moteur de recherche.

11. Une traductrice doit traiter un contrat contenant des données médicales et des informations personnelles. Quel enjeu doit-elle évaluer avec une attention particulière ?

La fluidité stylistique du texte traduit par l’outil
La disponibilité des fonctions de traduction intégrées
La confidentialité des données transmises à l’outil
La consommation électrique du centre de données

La confidentialité des données transmises à l’outil

Explication

Les informations personnelles, les données médicales et les contrats rendent la confidentialité particulièrement préoccupante. La qualité stylistique, la consommation énergétique et l’intégration logicielle sont des enjeux distincts.

12. Une équipe constate que son corpus contient beaucoup de textes dans certaines langues, mais peu dans d’autres, et qu’il ne couvre pas toutes les connaissances humaines. Quelle conclusion est la plus juste ?

Un corpus assez volumineux peut réunir l’ensemble des connaissances humaines
Les données disponibles sont réparties de façon uniforme entre les langues
Le corpus reste incomplet et les volumes de données varient selon les langues
Les lacunes concernent les connaissances humaines, mais pas les langues

Le corpus reste incomplet et les volumes de données varient selon les langues

Explication

Aucun corpus ne contient l’ensemble des connaissances humaines, et la quantité de données disponible varie selon les langues. Un grand volume ne garantit donc ni une couverture exhaustive ni une représentation uniforme des langues.

13. Un traducteur remarque qu’une réponse d’un LLM présente une généralisation stéréotypée sur une région. Quelle démarche convient-il d’adopter ?

Considérer que le modèle a neutralisé le stéréotype au moment de la génération.
Examiner la réponse de façon critique et repérer le biais avant de la reformuler.
Conserver la réponse dès lors que sa formulation est grammaticalement correcte.
Remplacer la réponse sans vérifier ce qu’elle affirme sur la région concernée.

Examiner la réponse de façon critique et repérer le biais avant de la reformuler.

Explication

Le traducteur doit exercer un regard critique sur les réponses produites par les LLM, notamment pour repérer un biais et envisager une reformulation. La correction grammaticale, une substitution non examinée ou une confiance automatique dans le modèle ne remplacent pas cet examen.

14. Comment définit-on un n-gramme dans le traitement du langage ?

Une suite de n caractères consécutifs
Une suite de n mots consécutifs
Une suite fixe de trois mots consécutifs
Une suite de mots séparés dans une phrase

Une suite de n mots consécutifs

Explication

Un n-gramme est constitué de n mots consécutifs. Une suite de caractères porte sur des unités différentes, tandis que des mots non consécutifs ou un nombre fixe de trois mots ne correspondent pas à cette définition.

15. Un système approche sa limite de traitement simultané lorsqu’il analyse un document avec un prompt et génère une réponse. Quels éléments faut-il compter dans sa fenêtre de contexte ?

Le prompt et le document à analyser, sans la réponse générée
Le document à analyser, sans le prompt ni la réponse générée
Le prompt, le document à analyser et la réponse générée
Le document à analyser et la réponse générée, sans le prompt

Le prompt, le document à analyser et la réponse générée

Explication

La fenêtre de contexte inclut le prompt, le texte à traduire ou à analyser et la réponse produite. Ne compter que le document ou omettre le prompt ou la réponse sous-estime donc la quantité de tokens prise en charge.

16. Deux LLM sont déployés pour des usages différents. Pour comparer leur coût environnemental, quels éléments faut-il prendre en compte ?

Les requêtes et les équipements, sans tenir compte de l’efficacité ni de l’énergie
La taille des modèles et l’efficacité des centres, sans considérer le nombre d’utilisateurs
La taille, l’usage, les requêtes, l’efficacité des centres et le mix énergétique
La taille et l’usage des modèles, sans tenir compte des requêtes ni de l’énergie

La taille, l’usage, les requêtes, l’efficacité des centres et le mix énergétique

Explication

Le coût dépend de la taille du modèle, du nombre d’utilisateurs, du type de requête, de l’efficacité des centres de données et du mix énergétique. Ignorer les requêtes ou le nombre d’utilisateurs, confondre efficacité et taille, ou écarter le mix énergétique omet des facteurs pertinents.

17. Pourquoi l’entraînement et l’utilisation des LLM peuvent-ils mobiliser beaucoup de ressources environnementales ?

Ils reposent surtout sur les appareils des utilisateurs, sans infrastructure informatique importante
Ils requièrent des centres de données, des GPU, une alimentation continue et du refroidissement
Ils utilisent des systèmes de refroidissement qui produisent l’électricité consommée
Ils mobilisent des centres de données pendant l’entraînement, mais pas lors de l’utilisation

Ils requièrent des centres de données, des GPU, une alimentation continue et du refroidissement

Explication

L’entraînement et l’utilisation des LLM s’appuient sur des centres de données et des GPU, avec une alimentation électrique continue et des systèmes de refroidissement qui consomment de l’eau et de l’énergie. Réduire les besoins aux appareils des utilisateurs, confondre refroidissement et production électrique ou écarter les ressources nécessaires à l’utilisation déforme ce mécanisme.

18. Lors d’une post-édition, une réviseuse demande à un LLM de rendre une traduction plus fluide : quel point doit-elle particulièrement contrôler ?

La reformulation reproduit forcément la structure source
La reformulation rend toujours le texte plus fidèle
La reformulation empêche toute amélioration stylistique
La reformulation peut modifier involontairement le sens

La reformulation peut modifier involontairement le sens

Explication

La reformulation est utile en post-édition et en révision stylistique, mais elle peut modifier involontairement le sens. La fluidité ne garantit donc pas la fidélité, et la reproduction de la structure source caractérise plutôt la tendance de la NMT.

19. Un client confie des documents juridiques sensibles à un traducteur qui envisage d’utiliser un outil d’IA. Quelle démarche répond aux exigences de protection des données ?

Utiliser un environnement sécurisé sans examiner les politiques applicables
Lire les politiques de l’outil et ignorer les exigences prévues au contrat
Choisir l’outil le plus populaire et transmettre les documents sans vérification
Lire les politiques, respecter le contrat et privilégier un environnement sécurisé

Lire les politiques, respecter le contrat et privilégier un environnement sécurisé

Explication

La protection des données sensibles suppose de lire les politiques de confidentialité, de respecter les exigences contractuelles du client et de privilégier un environnement sécurisé. La popularité ne garantit pas la confidentialité; négliger le contrat ou les politiques laisse aussi une vérification importante de côté.

20. Une équipe compare deux modèles : le premier publie son code, tandis que le second ne rend accessibles que ses paramètres, sans l’ensemble du processus d’entraînement. Comment les classer ?

Le premier est open source et le second open-weight
Le premier est open source et le second expose aussi tout son entraînement
Le premier est open-weight et le second open source
Le premier est open-weight et le second ne publie que son code

Le premier est open source et le second open-weight

Explication

Un modèle open source rend son code accessible, tandis qu’un modèle open-weight publie ses paramètres sans fournir l’ensemble du processus d’entraînement. Confondre ces catégories inverse leurs caractéristiques, et la publication des paramètres ne signifie pas que l’entraînement complet est accessible.

21. Pour traduire une phrase dont la structure inhabituelle doit être préservée, quelle tendance distingue la NMT d’un LLM ?

La NMT tend à embellir la structure source, le LLM à la conserver
La NMT tend à reproduire la structure source, le LLM à la normaliser
La NMT tend à normaliser la structure source, le LLM à la reproduire
La NMT tend à supprimer la structure source, le LLM à la traduire littéralement

La NMT tend à reproduire la structure source, le LLM à la normaliser

Explication

La NMT tend à reproduire la structure du texte source, tandis que le LLM tend à normaliser ou à embellir les textes. Inverser ces tendances ou attribuer la normalisation à la NMT confond les deux technologies.

22. Une équipe doit évaluer automatiquement des traductions, mais ne possède aucune traduction humaine de référence. Quelle technologie répond à ce besoin ?

L’Adaptive MT
La Quality Estimation
La révision humaine
La comparaison à une référence humaine

La Quality Estimation

Explication

La Quality Estimation estime automatiquement la qualité d’une traduction sans disposer d’une traduction humaine de référence. La comparaison à une référence en exige une, l’Adaptive MT apprend des corrections et la révision repose sur l’intervention d’une personne.

23. Un service utilise un LLM pour traduire une langue peu dotée en ressources numériques. À quoi l’équipe doit-elle s’attendre par rapport à une langue mieux dotée ?

À des traductions plus fiables, une compréhension plus étendue et une génération de meilleure qualité
À des traductions moins fiables, mais une compréhension plus étendue et une génération de meilleure qualité
À des traductions moins fiables, une compréhension plus limitée et une génération de moindre qualité
À des traductions plus fiables et une compréhension plus limitée, mais une génération de meilleure qualité

À des traductions moins fiables, une compréhension plus limitée et une génération de moindre qualité

Explication

Pour les langues peu dotées, les traductions sont moins fiables, la compréhension plus limitée et la qualité de génération inférieure. L’accès à certains services linguistiques ne signifie pas que ces performances s’améliorent, et les autres choix attribuent à tort des avantages de compréhension ou de génération.

24. Lors du traitement de « Traduction automatique ! », le système découpe le texte en unités qui peuvent inclure des parties de mots et la ponctuation. Comment appelle-t-on ces unités ?

Des embeddings, qui sont des suites de valeurs numériques associées au texte
Des tokens, qui peuvent être des mots, des fragments, des signes ou des espaces
Des règles grammaticales, qui décrivent l’organisation des mots
Des phrases, qui regroupent des mots autour d’une proposition complète

Des tokens, qui peuvent être des mots, des fragments, des signes ou des espaces

Explication

Un token est une unité de découpage qui peut être un mot, une partie de mot, un signe de ponctuation, un chiffre ou une espace. Un embedding est une représentation numérique, tandis qu’une phrase ou une règle grammaticale correspond à une autre notion.

25. Un système doit traiter une phrase longue en tenant compte des relations entre ses différents mots pour améliorer la cohérence de sa traduction. Quelle propriété des Transformers répond directement à ce besoin ?

La pondération de mots sans analyse simultanée
L’analyse successive des mots de la phrase
L’analyse simultanée de tous les mots de la phrase
L’estimation du mot à partir d’un contexte très limité

L’analyse simultanée de tous les mots de la phrase

Explication

Les Transformers analysent simultanément tous les mots d’une phrase, ce qui améliore notamment la prise en compte du contexte, la cohérence et la traduction. Un contexte limité rappelle les modèles antérieurs, et la pondération relève du mécanisme d’attention.

26. Une requête ambiguë ne fournit aucun détail utile, mais le modèle produit malgré tout une réponse très complète : quels facteurs peuvent contribuer à une hallucination dans cette situation ?

La précision de la requête, le contexte riche et la vérification interne
Le contexte insuffisant, à l’exclusion de toute autre cause possible
L’ambiguïté, le contexte insuffisant et la recherche d’une réponse complète
L’accès à des données fiables, la requête claire et une réponse concise

L’ambiguïté, le contexte insuffisant et la recherche d’une réponse complète

Explication

Une requête ambiguë, un contexte insuffisant et la tendance à produire une réponse complète font partie des causes possibles d’hallucination, auxquelles peut s’ajouter l’absence de vérification interne. La précision et la vérification interne sont des causes inverses, tandis que le manque de contexte n’est pas la seule cause possible.

27. Pour préparer une traduction destinée à publication, une professionnelle pilote les consignes données au modèle, vérifie la terminologie et assume la cohérence et la conformité du texte final. Quel rôle décrit le mieux cette pratique ?

Un rôle où le modèle garantit lui-même la conformité finale
Un rôle combinant prompting, terminologie et garantie de conformité
Un rôle limité au contrôle des termes employés
Un rôle limité à la traduction initiale du texte

Un rôle combinant prompting, terminologie et garantie de conformité

Explication

Le traducteur peut être spécialiste du prompting et terminologue, mais aussi garant de la cohérence et de la conformité du texte final. La traduction initiale et le contrôle terminologique ne couvrent qu’une partie de ces responsabilités, tandis que la garantie finale reste humaine.

28. Une équipe envisage deux tâches : reformuler un courriel et traduire un contrat juridique. Quel niveau de prudence convient à ces usages ?

Confiance relativement élevée pour le courriel, vérification indispensable pour le contrat
Confiance relativement élevée pour les deux tâches
Vérification indispensable pour les deux tâches
Vérification indispensable pour le courriel, confiance relativement élevée pour le contrat

Confiance relativement élevée pour le courriel, vérification indispensable pour le contrat

Explication

La reformulation d’un courriel peut être effectuée avec une confiance relativement élevée, tandis qu’un contrat juridique exige une vérification indispensable. Inverser ces niveaux ou appliquer le même niveau de prudence aux deux tâches ne tient pas compte de cette différence.

29. Un modèle reçoit la séquence « La capitale de la France est… » et poursuit le texte. Quelle tâche fondamentale effectue-t-il ?

Traduire la séquence dans une langue différente
Corriger les erreurs grammaticales de la séquence
Classer la séquence selon son sujet principal
Prédire le mot ou le token qui vient ensuite dans la séquence

Prédire le mot ou le token qui vient ensuite dans la séquence

Explication

L’objectif fondamental d’un LLM est de prédire le mot ou le token suivant dans une séquence. La traduction, le classement thématique et la correction grammaticale sont des tâches distinctes, même si un modèle peut aussi contribuer à les réaliser.

30. Après l’activation de filtres de modération et de mécanismes d’alignement, un modèle répond avec prudence à une question controversée. Que peut-on conclure sur sa neutralité ?

L’alignement prouve que la réponse est impartiale envers tous les points de vue.
Ces mécanismes garantissent que la réponse est dépourvue de biais.
La modération supprime tout contenu controversé de la réponse.
Ces mécanismes influencent la réponse sans garantir qu’elle soit neutre.

Ces mécanismes influencent la réponse sans garantir qu’elle soit neutre.

Explication

L’alignement et la modération influencent les réponses, mais ne les rendent pas nécessairement neutres. Une influence n’est pas une garantie d’absence de biais, et l’alignement ne prouve pas l’impartialité.

31. Dans un modèle, un token est représenté par une série de valeurs numériques. Quel est le nom de cette représentation ?

Une règle grammaticale, ou instruction linguistique programmée
Une fenêtre de contexte, ou limite de traitement simultané
Un token, ou unité de découpage du texte
Un embedding, ou représentation vectorielle

Un embedding, ou représentation vectorielle

Explication

Un embedding, ou représentation vectorielle, est une série de valeurs numériques représentant un token. Le token est l’unité de texte représentée; la fenêtre de contexte désigne une limite de traitement, et une règle grammaticale est une autre forme d’information.

32. Une équipe compare les performances d’un LLM en anglais et dans une langue disposant de peu de ressources numériques. Quelle différence générale est la plus probable ?

De meilleures performances sont généralement observées dans les langues peu dotées
De meilleures performances sont généralement liées au nombre de locuteurs
De meilleures performances sont généralement observées dans les langues richement dotées
Des performances généralement équivalentes sont observées dans les deux langues

De meilleures performances sont généralement observées dans les langues richement dotées

Explication

Les langues disposant de nombreuses ressources numériques, comme l’anglais, bénéficient généralement de meilleures performances que les langues peu dotées. L’équivalence des performances, le nombre de locuteurs et un avantage des langues peu dotées ne traduisent pas cette distinction.

33. Une traductrice doit rendre un texte complexe plus accessible, puis harmoniser le style d’un document : quelles tâches un LLM peut-il l’aider à réaliser ?

Simplifier le texte et harmoniser le style
Traduire littéralement sans modifier la formulation
Vérifier les dates et garantir leur exactitude
Protéger les données et contrôler leur confidentialité

Simplifier le texte et harmoniser le style

Explication

Un LLM peut simplifier un texte complexe et harmoniser le style d’un document, comme il peut aussi en adapter le registre ou la longueur. La vérification des dates et la protection des données ne sont pas ces tâches de reformulation.

34. Une entreprise intègre la traduction automatique à son outil de gestion. Pour rester utile, quelle contribution le traducteur peut-il apporter ?

Administrer l’infrastructure informatique du logiciel intégré
Assurer la qualité, la spécialisation et l’adaptation culturelle
Concevoir le modèle automatique utilisé par le logiciel
Corriger les seules erreurs grammaticales produites par l’outil

Assurer la qualité, la spécialisation et l’adaptation culturelle

Explication

La valeur ajoutée du traducteur peut inclure la qualité, la spécialisation, la post-édition, le conseil linguistique et l’adaptation culturelle. La correction grammaticale seule réduit cette contribution, tandis que l’administration technique et la conception du modèle ne correspondent pas aux rôles mentionnés.

35. Quels principes regroupent les principaux enjeux éthiques associés à l’IA générative ?

La propriété intellectuelle, la censure, la confidentialité et l’autonomie du modèle.
La modération, l’alignement, le filtrage des contenus et l’automatisation.
La transparence, la performance linguistique, la standardisation et la rapidité.
La transparence, la responsabilité, la propriété intellectuelle et l’humain au centre.

La transparence, la responsabilité, la propriété intellectuelle et l’humain au centre.

Explication

Les enjeux éthiques comprennent la transparence, la responsabilité, la propriété intellectuelle et le maintien de l’humain au centre. Le filtrage et l’alignement sont des mécanismes, tandis que la performance et l’autonomie du modèle ne remplacent pas ces principes.

36. Au cours d’un projet, un moteur de traduction utilise les corrections apportées par la traductrice pour améliorer ses propositions ultérieures. De quel système s’agit-il ?

De la Quality Estimation
De la post-édition humaine
D’un moteur statique préentraîné
De l’Adaptive MT

De l’Adaptive MT

Explication

L’Adaptive MT apprend progressivement à partir des modifications réalisées pendant le projet. La Quality Estimation estime la qualité sans référence, un moteur statique n’intègre pas ces corrections en cours de projet, et la post-édition humaine ne désigne pas un système qui apprend.

37. Qu’est-ce qui caractérise un grand modèle de langage (LLM) ?

Un outil documentaire entraîné sur des fichiers pour classer les textes par sujet
Un modèle d’IA entraîné sur de vastes quantités de textes pour apprendre les régularités du langage
Un système de traduction entraîné sur des paires de phrases pour convertir une langue en une autre
Un programme linguistique fondé sur des règles explicites pour produire des phrases correctes

Un modèle d’IA entraîné sur de vastes quantités de textes pour apprendre les régularités du langage

Explication

Un LLM apprend les régularités du langage en s’entraînant sur d’immenses quantités de textes. Un système de traduction se définit par sa tâche de conversion, tandis qu’un programme à règles explicites ou un outil de classement ne correspond pas à cette définition.

Révisez avec les flashcards

Mémorisez les réponses avec 83 flashcards sur LLM et traduction assistée.

Qu’est-ce qu’un LLM ?

Un modèle d’intelligence artificielle entraîné sur de grandes quantités de textes pour apprendre les régularités du langage.

Quel est l’objectif d’un LLM dans une séquence de texte ?

Prédire le mot ou token suivant.

Qu’est-ce que la fenêtre de contexte d’un LLM ?

La quantité maximale de texte, mesurée en tokens, qu’il peut traiter simultanément.

Voir les flashcards →

Approfondir avec la fiche

Consultez la fiche de révision complète sur LLM et traduction assistée.

Voir la fiche →

Cours similaires

Crée tes propres QCM

Importe ton cours et l'IA génère des QCM avec corrections en 30 secondes.

Générateur de QCM