Tutoriels LLM

Apprenez à exécuter des modèles de décision puissants en local, explorez l’écosystème vLLM et réalisez trois projets concrets sur le texte, l’image et la vidéo.

Utilisez Meta Muse Wonder et l’API web Olostep pour vérifier des affirmations médicales, expliquer le raisonnement et indiquer l’origine des preuves.

Les modèles de décision évaluent un ensemble fixe de réponses au lieu de générer du texte. Découvrez leur fonctionnement, comment Jev se positionne, et ce que montrent les tests indépendants.

Un tutoriel pratique d’évaluation RAG en Python. Constituez un dataset d’évaluation, scorez‑le avec les 4 métriques clés de Ragas, branchez une barrière qualité en CI, générez des questions de test synthétiques et suivez les scores à chaque commit pour distinguer une panne de récupération d’un échec de génération avant vos utilisateurs.

Apprenez à utiliser l'API DeepSeek : choix des modèles, gestion des paramètres, optimisation des coûts, mise en cache du contexte et optimisation du chain-of-thought.

Suivez ce tutoriel OpenAI Agents API Computer Use pour créer un agent QA en Python qui teste un checkout dans un navigateur hébergé et re-teste un correctif dans la même session.

Tutoriel pratique pour exécuter Kimi K2 Thinking, créer des workflows de tool calling, afficher le raisonnement transparent et le comparer à GPT-5 et Claude 4.5.

Apprenez à créer un analyste financier IA sécurisé avec un bac à sable hébergé par OpenAI : du téléversement des données financières et de l’analyse pilotée par agent jusqu’à la génération et au téléchargement des rapports, graphiques et fichiers de données.

Apprenez à éditer des images avec Qwen Image 2.1 sur un Colab A100, à guider les changements avec du texte ou des dessins, puis à exporter les résultats sélectionnés en GIF.

Exécutez un gigantesque modèle MoE en local en combinant VRAM GPU, RAM système, SGLang et KTransformers pour une inférence hétérogène CPU‑GPU.

Créez un agent de réponse à incident avec GPT-6.1 Sol, l’API Agents d’OpenAI et un sandbox hébergé pour enquêter, exécuter des vérifications et générer des rapports structurés.

Les nœuds font le travail, les arêtes décident de la suite, et l'état partagé transporte l'information. Ce tutoriel explique quand un graphe multi-agents surpasse une simple boucle, et montre comment créer un pipeline chercheur, rédacteur et relecteur dans LangGraph avec une arête conditionnelle de révision.