Des API légèrement différentes nécessitent une approche particulière.
Voici une comparaison côte à côte du support de la sortie structurée (obtention de JSON fiable) chez les principaux fournisseurs de LLM, ainsi que des exemples Python minimaux.
Quelques méthodes pour obtenir des sorties structurées avec Ollama
Les grands modèles de langage (LLM) sont puissants, mais en production, nous ne souhaitons rarement des paragraphes libres. Au lieu de cela, nous voulons des données prédictibles : des attributs, des faits ou des objets structurés que vous pouvez injecter dans une application. C’est ce qu’on appelle la sortie structurée des LLM.
Mise en œuvre de RAG ? Voici quelques extraits de code Go – 2...
Puisque la version standard d’Ollama ne possède pas d’API de reranking directe, vous devrez implémenter le reranking en utilisant Qwen3 Reranker en GO en générant des embeddings pour les paires requête-document et en les notant.
Mettez en œuvre RAG ? Voici quelques extraits de code en Golang..
Cet exemple de code Go pour le reranking appelle Ollama pour générer des embeddings pour la requête et pour chaque document candidat, puis les trie de manière décroissante selon la similarité cosinus.
Nouveaux LLM impressionnants disponibles dans Ollama
Les modèles Qwen3 Embedding et Reranker sont les dernières publications de la famille Qwen, conçues spécifiquement pour les tâches avancées d’incorporation de texte (embedding), de récupération et de reranking.
Poursuivons le sujet de l'extraction de données à partir du HTML
Si vous cherchez un équivalent de Beautiful Soup en Go, plusieurs bibliothèques offrent des fonctionnalités similaires de parsing et de scraping HTML :
LLM pour extraire du texte à partir d'HTML...
Dans la bibliothèque de modèles Ollama, il existe des modèles capables de convertir du contenu HTML en Markdown, ce qui est utile pour les tâches de conversion de contenu. Ce guide fait partie de notre Outils de Documentation en 2026 : Markdown, LaTeX, PDF et Flux de Travail d’Impression hub.
Liste courte des fournisseurs de LLM
L’utilisation des LLM n’est pas très coûteuse, il pourrait ne pas être nécessaire d’acheter un nouveau GPU impressionnant. Voici une liste si fournisseurs de LLM en nuage avec les LLM qu’ils hébergent.
Comprendre la concurrence, la mise en file d’attente et comment ajuster OLLAMA_NUM_PARALLEL pour des requêtes parallèles stables.
Ce guide explique comment Ollama gère les requêtes parallèles (concurrence, mise en file d’attente et limites de ressources), et comment l’optimiser à l’aide de la variable d’environnement OLLAMA_NUM_PARALLEL (et des paramètres associés).
« Comparaison de deux modèles deepseek-r1 avec deux modèles de base »
DeepSeek’s première génération de modèles de raisonnement avec des performances comparables à celles d’OpenAI-o1, incluant six modèles denses distillés à partir de DeepSeek-R1 basés sur Llama et Qwen.
Un code Python pour le reranking de RAG
Exige quelques expérimentations mais
Il existe toutefois quelques approches courantes pour rédiger des prompts efficaces afin que le modèle de langage ne se confonde pas en tentant de comprendre ce que vous souhaitez.
« 8 versions de llama3 (Meta+) et 5 versions de phi3 (Microsoft) »
Testons comment les modèles avec différents nombres de paramètres et de quantification se comportent.
