# Raschka décrypte les secrets des modèles de langage IA > Sebastian Raschka décrit son workflow manuel pour comprendre les architectures des modèles open-weight à partir des rapports, configurations et codes de référence. Type : Actualité IA · Catégorie : Outils · Publié le 2026-08-15 · Signal IA - Order & Chaos Source : https://www.orderchaos.eu/signal-ia/actu/sebastian-raschka-detaille-sa-methode-pour-lire-les-llm Tags : sebastian raschka, hugging face, transformers, modèles open-weight, architectures llm, claude, chatgpt, gemini --- ## En résumé - Sebastian Raschka commence généralement par les rapports techniques officiels, qu’il juge souvent moins détaillés pour les modèles open-weight industriels. - Les fichiers de configuration sur Hugging Face et l’implémentation de référence dans transformers permettent d’examiner directement davantage de détails d’architecture. - La méthode reste manuelle et vise l’apprentissage, tandis qu’elle ne s’applique pas réellement aux modèles propriétaires comme ChatGPT, Claude ou Gemini. **Le signal :** Pour comprendre un modèle open-weight, Sebastian Raschka confronte le rapport technique au fichier de configuration et au code transformers. Sebastian Raschka publie une méthode de travail destinée à comprendre les architectures des nouveaux modèles de langage open-weight. Dans un article daté du 18 avril 2026, le chercheur explique comment il prépare les schémas et les représentations qu’il utilise dans ses articles, ses présentations et le LLM-Gallery. Cette démarche répond aux questions reçues au cours des derniers mois sur la manière dont il analyse ces modèles. ## Raschka commence par les rapports techniques Le point de départ habituel de Sebastian Raschka reste le rapport technique officiel du modèle. Mais cette source ne suffit pas toujours. Selon lui, les articles sont souvent moins détaillés qu’auparavant, en particulier pour la plupart des modèles open-weight publiés par des laboratoires industriels. Les informations nécessaires pour comprendre précisément l’architecture peuvent donc manquer dans la documentation initiale. La situation est différente lorsque les poids du modèle sont disponibles sur le [Hugging Face](/signal-ia/actu/kimi-k3-la-revelation-du-plus-grand-modele-ia-ouvert) Model Hub et que le modèle est pris en charge par la bibliothèque Python transformers. Dans ce cas, Raschka peut examiner directement le fichier de configuration ainsi que l’implémentation de référence. Ces deux éléments lui donnent accès à des détails supplémentaires sur l’architecture. Son approche repose ainsi sur des éléments concrets, au-delà de la seule description fournie par le rapport technique. Il résume cette idée par une formule simple : du code qui fonctionne ne ment pas. ## Le code transforme l’analyse en schémas À un niveau général, le workflow passe donc des fichiers de configuration et du code aux enseignements sur l’architecture. L’examen de ces ressources permet à Raschka de construire les esquisses et les dessins présentés dans ses contenus. Le processus ne se limite pas à lire une explication théorique : il consiste à observer ce que le modèle utilise effectivement dans sa configuration et dans son implémentation de référence. Cette méthode vise avant tout les modèles open-weight. Elle ne s’applique pas réellement à des modèles comme [ChatGPT](/signal-ia/actu/boostez-la-visibilite-ia-avec-chatgpt-et-claude), Claude ou Gemini, dont les poids et les détails sont propriétaires. Raschka précise également que son approche reste volontairement assez manuelle. Certaines étapes pourraient être automatisées, mais lorsqu’il s’agit d’apprendre le fonctionnement des architectures, il considère que réaliser plusieurs analyses à la main demeure l’un des meilleurs exercices. L’article complet est réservé aux abonnés payants. Il présente ce workflow comme une démarche d’apprentissage : partir des documents disponibles, consulter la configuration et le code de référence lorsque ces ressources sont accessibles, puis en tirer une compréhension structurée de l’architecture.