Capture d'écran de la conversation LLM Architecture

Objectif : Créer une capture d’écran réaliste d’une interface de chat IA, présentant une image liée à l’infographie technique générative « Principes techniques des grands modèles de langage (LLM) ». Les captures d’écran doivent être présentées comme des conversations au sein d’une application web moderne, et non comme des affiches promotionnelles autonomes. Format : Capture d’écran verticale 768 × 1024 pixels, fond d’application gris clair, zones de contenu blanches arrondies, police sans empattement épurée, ombres subtiles, haute résolution. Le texte de l’infographie doit cependant être légèrement plus petit, comme dans une véritable image générée intégrée. Disposition de l’interface de chat : Un petit avatar circulaire est affiché dans le coin supérieur gauche, accompagné du titre du chat « Visualiser l’architecture des LLM » et d’une petite flèche déroulante. Un simple onglet « Fichiers » et son icône sont affichés dans le coin supérieur droit. En dessous, une bulle de message arrondie, centrée et alignée à droite, indique : « Créez une image expliquant le fonctionnement technique des LLM. » En dessous, une barre d'état affiche « Tâche Scira terminée », accompagnée d'une icône de chargement clignotante et d'une flèche. L'image principale générée apparaît sous la forme d'une grande carte rectangulaire aux coins arrondis. Un texte explicatif de l'assistant, situé en dessous de l'image, indique : « L'image ci-dessus est une infographie technique complète expliquant le fonctionnement interne des grands modèles de langage. Voici une présentation détaillée de chaque composant : », suivi du titre de section en gras : « Tokenisation : du texte aux nombres ». En bas, une zone de saisie arrondie contient l'espace réservé « Demander un suivi… », un bouton « + » à gauche, ainsi que de petites commandes d'outils/modèles, l'étiquette du modèle « Kimi K2.6 », un menu déroulant et un bouton vocal circulaire à droite. Infographie générée dans la conversation : Concevez une affiche pédagogique technique bleue et blanche avec un grand titre bleu marine en lettres capitales : « COMMENT FONCTIONNENT LES GRANDS MODÈLES DE LANGAGE (LLM) ». Utilisez un fond blanc, un contour bleu marine, des surlignages bleu clair, des panneaux arrondis et des flèches reliant les étapes, les micrographiques, les formules, les tableaux et les icônes. L'affiche doit être riche en informations et privilégier une approche d'ingénierie. Section infographique : Utilise 8 panneaux/zones étiquetés : 1. Panneau « ENTRÉE : TOKENISATION » : Affiche une zone de texte brut contenant la phrase « Le rapide renard brun saute par-dessus le chien paresseux. », un module de tokenisation, des cases pour les jetons de mots et des cases pour les identifiants des jetons. 2. Panneau « EMBEDDINGS » : Affiche les identifiants des jetons convertis en vecteurs denses et un tableau contenant les valeurs numériques d'intégration. 3. Panneau « ARCHITECTURE DU TRANSFORMATEUR » : Affiche des modules Transformer empilés, notamment Add & Norm, Feed-Forward Network, Multi-Head Self-Attention, l'intégration d'entrée, l'encodage positionnel et la notation de répétition des couches. 4A. MÉCANISME D'AUTO-ATTENTION (DANS UNE SEULE TÊTE) : Le large panneau inférieur gauche affiche l'embedding d'entrée, les requêtes, les clés, les valeurs, les scores d'attention, la fonction softmax, les poids d'attention, la sommation pondérée et les matrices de formules. 4B. Panneau « ATTENTION : LES JETONS S'ATTENTENT LES UNS AUX AUTRES » : Affiche le graphe du réseau des jetons dans la phrase d'exemple, reliés par des lignes bleues, et inclut les barres de poids d'attention. 5. Panneau « SORTIE : PRÉDICTION DU JETON SUIVANT » : Affiche les barres de distribution de probabilité pour les jetons candidats suivants (par exemple, chat, assis, sur, le, tapis, toit) et met en évidence le jeton suivant prédit « le ». 6. « ENTRAÎNEMENT : PRÉ-ENTRAÎNEMENT AVEC PRÉDICTION DU JETON SUIVANT » : La barre inférieure est divisée en 5 mini-cartes : corpus de texte massif, création d'exemples d'entraînement, prédiction du modèle, calcul de la perte et rétropropagation/mise à jour. 7. Flèche de flux inférieure avec le texte : « Répéter pour des milliards d’exemples sur de nombreuses époques jusqu’à convergence. » 8. Annotation de résultat en bas à droite avec une icône de cerveau, expliquant comment le modèle apprend les structures et connaissances linguistiques courantes. Style visuel : Infographies vectorielles claires, à la fois pédagogiques et conviviales, avec des titres bleu marine foncé, des bordures bleu moyen, un remplissage bleu clair, des micro-tableaux et des graphiques, des flèches épurées, des cartes arrondies et un espacement régulier. Les infographies intégrées doivent ressembler à un graphique pédagogique généré par IA, avec un texte dense mais globalement lisible. Contraintes : Tout le texte de l’interface utilisateur doit rester en anglais. N’ajoutez pas de filigrane. Conservez les cadres de capture d’écran de chat visibles et les grandes infographies intégrées. Utilisez les 8 zones d’infographie et les 5 mini-cartes indiquées dans la barre d’entraînement.