# Sebastian Raschka croise le code pour lire les modèles ouverts > Sebastian Raschka décrit un workflow manuel pour comprendre les architectures de modèles à poids ouverts via leurs rapports, configurations et code. Type : Actualité IA · Catégorie : Outils · Publié le 2026-09-10 · Signal IA - Order & Chaos Source : https://www.orderchaos.eu/signal-ia/actu/sebastian-raschka-revele-sa-methode-pour-lire-les-modeles-ouverts Tags : modèles ouverts, architectures, hugging face, transformers, claude, chatgpt, gemini, open-source --- ## En résumé - Sebastian Raschka commence généralement par les rapports techniques officiels. - Les configurations et le code de référence révèlent des détails absents des articles. - Le workflow concerne surtout les modèles dont les poids sont accessibles. **Le signal :** Sebastian Raschka recommande d’inspecter les configurations Hugging Face et le code Python Transformers des modèles à poids ouverts. **Sebastian Raschka documente** son workflow pour comprendre les [architectures](/signal-ia/actu/sebastian-raschka-decortique-les-architectures-de-modeles-ouverts) de grands modèles de langage. Il a publié cette méthode le 18 avril 2026. Son approche sert notamment à produire des schémas dans ses articles, ses conférences et la LLM-Gallery. Raschka commence généralement par consulter les rapports techniques officiels. Il observe toutefois que ces documents décrivent parfois moins précisément les architectures qu’auparavant. Cette limite concerne surtout plusieurs modèles à poids ouverts issus de laboratoires industriels. Son processus cherche alors d’autres éléments vérifiables. Il examine les configurations de modèles et les implémentations de référence. Le code fonctionnel lui fournit une base concrète pour relier les composants décrits aux détails techniques observables. **Les rapports techniques précisent** parfois moins les architectures des modèles à poids ouverts. Raschka utilise donc les ressources publiées avec ces modèles. Lorsque les poids sont disponibles sur [Hugging Face](/signal-ia/actu/sebastian-raschka-detaille-sa-methode-pour-lire-les-llm) Model Hub, il inspecte leur fichier de configuration. Il vérifie aussi si le modèle est pris en charge par la bibliothèque Python Transformers. Cette compatibilité permet d’accéder à une implémentation de référence. Raschka considère le code fonctionnel comme un objet directement examinable. Il peut ainsi comparer les paramètres de configuration avec la structure effectivement utilisée. Son workflow passe donc des documents techniques aux fichiers et au code. La démarche reste centrée sur des éléments consultables, plutôt que sur les seuls schémas présentés dans un rapport. ## Raschka inspecte configurations et code **Le périmètre concerne** principalement les modèles à poids ouverts. Raschka indique que cette méthode ne s’applique pas réellement à [ChatGPT](/signal-ia/actu/deepseek-v32-combine-attention-parcimonieuse-et-raisonnement), Claude ou Gemini. Pour ces modèles, les poids et les détails d’architecture sont propriétaires. Le workflow s’appuie au contraire sur des composants accessibles publiquement. Le [dépôt Python Transformers de Hugging Face](https://github.com/huggingface/transformers) constitue l’une des ressources mentionnées. Raschka renvoie également vers sa [LLM-Gallery](https://sebastianraschka.com/llm-architecture-gallery/), où il présente des schémas d’architectures. Ces références prolongent le chemin décrit dans son article. Elles permettent de passer d’une annonce de modèle à des fichiers précis. L’analyse reste toutefois dépendante des poids, configurations et implémentations effectivement publiés. **La méthode reste manuelle** par choix pédagogique. Raschka reconnaît que certaines étapes pourraient être automatisées. Il estime néanmoins que réaliser plusieurs analyses à la main constitue un exercice utile pour apprendre. Le workflow suit une progression simple. Il part des fichiers de configuration et du code. Il conduit ensuite vers une compréhension plus précise de l’architecture. Cette séquence sert à produire des dessins et des explications techniques. Raschka présente aussi deux figures pour résumer cette démarche. La première expose la différence entre des rapports parfois moins détaillés et une implémentation fonctionnelle. La seconde résume le passage des fichiers et du code vers des observations sur l’architecture. L’article complet est accessible sur [Substack](https://magazine.sebastianraschka.com/p/workflow-for-understanding-llms). ## Le workflow privilégie l’apprentissage manuel **Les prochaines étapes consistent** à répéter l’examen sur plusieurs modèles à poids ouverts. Raschka ne décrit pas un outil automatisé complet. Il documente plutôt une routine d’apprentissage orientée vers l’inspection. Chaque analyse commence par le rapport technique officiel disponible. Elle se poursuit avec le fichier de configuration publié sur Hugging Face Model Hub. Le code de référence dans Transformers apporte ensuite un autre niveau de détail. Cette combinaison permet d’étudier les composants effectivement présents dans l’implémentation. Les schémas produits par Raschka reposent ainsi sur cette lecture progressive. Son article s’adresse surtout aux personnes qui veulent comprendre les architectures. Il ne présente pas cette méthode comme applicable aux modèles propriétaires, dont les poids restent inaccessibles.