On va partir d’une scène très concrète. Vous confiez exactement le même brief à deux collègues compétents. Ils ont bien compris la consigne. Ils savent faire le travail. Et pourtant… leurs textes ne sont pas strictement identiques.
L’un va choisir une formulation plus directe. L’autre va insister un peu plus sur un angle différent. Les deux restent sérieux. Les deux respectent le brief. Alors, est‑ce que l’un des deux a “mal répondu” ? Non. On se dit simplement qu’il y avait plusieurs façons valables de faire.
Gardez cette image en tête. C’est une bonne porte d’entrée pour comprendre ce qui se passe avec un LLM.
Contrairement à ce qu’on pourrait imaginer, un LLM ne va pas chercher une réponse toute prête dans un tiroir. Il ne pioche pas une phrase déjà écrite quelque part en se disant : “Parfait, ça fera l’affaire.” Non. Il génère le texte au fur et à mesure.
Autrement dit, il avance pas à pas. À chaque instant, il doit décider : “Quel est le mot le plus plausible pour la suite, compte tenu de la demande de départ… et de tout ce qui a déjà été écrit ?” Et c’est là que la notion clé entre en jeu : la probabilité.
Prenons un instant. Pour une même suite de texte, plusieurs prolongements sont possibles. Certains sont très attendus. D’autres un peu moins. Le modèle, lui, évalue ces différentes options. Et il ne choisit pas forcément toujours la même.
Il peut prendre l’une ou l’autre de ces suites plausibles. Résultat : avec la même consigne, vous pouvez obtenir plusieurs réponses différentes. Ça peut surprendre. Mais ce n’est pas forcément un bug.
Ce n’est pas que le modèle “change d’avis” comme une personne hésitante. Ce qui se passe, c’est que, à l’intérieur de l’ensemble des réponses compatibles avec votre demande, il existe plusieurs chemins de rédaction possibles. Plusieurs chemins plausibles.
La différence peut se jouer sur quoi, concrètement ? Sur les mots précis choisis. Sur l’ordre des idées. Sur le niveau de détail. Ou encore sur la manière d’insister davantage sur un point plutôt qu’un autre.
Tant que l’ensemble reste cohérent avec la consigne, cette variabilité fait partie du fonctionnement normal. C’est même attendu. Un peu comme avec vos deux collègues tout à l’heure.
Mais ce n’est pas tout. Un autre élément vient encore influencer ce degré de variabilité. Ce sont les réglages du modèle. Le terme que vous entendrez souvent, c’est “température”.
Pas besoin de se compliquer la vie avec ça. On peut le comprendre simplement comme un réglage qui rend la sortie plus prévisible… ou plus variée.
Quand la température est plus basse, le modèle a tendance à choisir des suites très attendues. Plus classiques. Les réponses se ressemblent davantage, d’une génération à l’autre. Elles deviennent plus stables, plus répétables.
Quand la température est plus élevée, le modèle laisse plus de place à des suites moins attendues. Il explore davantage les chemins alternatifs. Les réponses deviennent alors plus diverses. Et, forcément, moins prévisibles.
Et là, un point essentiel apparaît. Si deux réponses diffèrent, ce n’est pas automatiquement parce que l’une est correcte et l’autre fausse. Ça peut simplement venir du fait que plusieurs formulations, ou plusieurs développements, étaient possibles pour la même consigne.
En revanche, il y a un piège à éviter. Il ne faut pas confondre stabilité et vérité. Une réponse plus stable, obtenue avec des réglages qui la rendent très prévisible, n’est pas par magie plus vraie. Elle est juste plus proche d’une autre réponse générée dans les mêmes conditions.
Dans certaines situations, cette stabilité peut être utile. Mais cela ne transforme pas le modèle en arbitre du vrai.
Alors, qu’est‑ce qu’on garde en tête, au final ? Une idée très simple. La variabilité d’un LLM n’est pas forcément une anomalie. Elle vient directement de son mode de génération, étape par étape. Et le réglage appelé “température” joue surtout sur le degré de prévisibilité, ou au contraire de variété, de ce processus.
