---
title: "Que sont les logprobs ? Les log-probabilités des tokens"
description: "Les logprobs sont les log-probabilités de chaque token de sortie. Comment fonctionnent logprobs et top_logprobs, et comment les utiliser pour mesurer la confiance."
url: https://broadrouter.com/fr/glossary/logprobs/
lang: fr
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduit de l’anglais avec l’aide de l’IA. [Lire l’original en anglais](https://broadrouter.com/glossary/logprobs/) (mis à jour le 2026-11-14).

# Logprobs (log-probabilités)

Mis à jour 2026-11-14

Les logprobs sont les log-probabilités qu’un modèle de langage a attribuées aux tokens qu’il a générés. Une API qui les renvoie montre, pour chaque token de sortie, à quel point le modèle le jugeait probable et, en option, les tokens alternatifs les plus probables à cette position.

Aussi appelé : logprobs, log-probabilités, probabilités logarithmiques, probabilités des tokens, log probabilities, token log probabilities, top\_logprobs, token probabilities

Chaque token qu’écrit un modèle est tiré d’une distribution de probabilités. Les logprobs exposent cette distribution, un token à la fois.

## Comment ça marche

À chaque étape, le modèle attribue un score à chaque [token](https://broadrouter.com/fr/glossary/token/) de son vocabulaire et convertit ces scores en probabilités. L’API peut renvoyer le logarithme naturel de la probabilité du token choisi. On utilise des logarithmes parce que les nombres bruts deviennent minuscules ; additionner des logarithmes revient à multiplier des probabilités.

Dans l’API Chat Completions d’OpenAI, vous les demandez avec deux champs de la requête :

-   `logprobs: true` renvoie une log-probabilité pour chaque token de sortie.
-   `top_logprobs` est « an integer between 0 and 20 » (traduction : « un entier compris entre 0 et 20 ») qui fixe le nombre d’alternatives probables à lister à chaque position. Il nécessite `logprobs: true`.

Chaque entrée de `choices[0].logprobs.content` contient le `token`, son `logprob`, ses `bytes` UTF-8 et une liste `top_logprobs`. Pour convertir, utilisez `exp(logprob)` :

| logprob | probabilité |
| --- | --- |
| 0 | 1,00 |
| \-0,105 | environ 0,90 |
| \-0,693 | environ 0,50 |
| \-2,303 | environ 0,10 |

## Pourquoi c’est important

Le cookbook d’OpenAI liste des usages concrets :

-   **Confiance d’une classification.** Demandez une étiquette d’un seul mot et lisez le logprob de ce token. Confiez les cas peu sûrs à un humain.
-   **Contrôles de récupération.** Demandez si le contexte fourni répond à la question, et utilisez la probabilité de « yes » comme score. Le cookbook relie cette pratique à la réduction des [hallucinations](https://broadrouter.com/fr/glossary/hallucination/).
-   **Autocomplétion.** Ne suggérez le mot suivant que si le modèle est confiant.
-   **Perplexité.** Faites la moyenne des logprobs d’une réponse entière, prenez l’opposé et élevez e à cette puissance. Une perplexité plus basse signifie que le modèle trouvait le texte plus prévisible.

Les logprobs rendent aussi l’échantillonnage visible. Augmenter la [température](https://broadrouter.com/fr/glossary/temperature/) ou le [top-p](https://broadrouter.com/fr/glossary/top-p/) laisse passer des tokens moins probables, et les logprobs le montrent. Ils complètent à peu de frais une étape de [LLM-as-a-judge](https://broadrouter.com/fr/glossary/llm-as-judge/), puisqu’ils arrivent avec la réponse sans requête supplémentaire.

## Sur BroadNet Inference

La [référence de l’API](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-glossary-logprobs&utm_content=body) de BroadNet ne documente `logprobs` ni `top_logprobs` pour aucun modèle. Ne supposez pas qu’un endpoint compatible OpenAI les renvoie. Envoyez une requête avec `logprobs: true`, vérifiez si `choices[0].logprobs` est rempli, et prévoyez une solution de repli, comme un prompt de juge, si ce n’est pas le cas. Le [guide du SDK Python](https://broadrouter.com/fr/guides/openai-python-sdk/) montre la configuration du client pour un test.

## Erreurs fréquentes

-   Lire un logprob élevé comme la preuve qu’un fait est exact. Il signifie seulement que le modèle s’attendait à ce token.
-   Comparer les logprobs de modèles différents. Les tokenizers et la calibration diffèrent, les nombres ne sont donc pas sur la même échelle.

## Questions fréquentes

### Comment convertir un logprob en pourcentage ?

Prenez e à la puissance du logprob. Un logprob de -0,105 donne environ 0,90, soit 90 %. Un logprob de 0 signifie que le modèle a donné à ce token une probabilité de 1.

### Les logprobs indiquent-ils si la réponse est vraie ?

Non. Ils mesurent la confiance du modèle dans sa formulation, pas l’exactitude du fait. Un modèle peut se tromper avec assurance.

### BroadNet Inference renvoie-t-il les logprobs ?

La référence de l’API de BroadNet ne documente pas logprobs. Envoyez une requête de test avec logprobs à true et vérifiez la réponse avant de bâtir dessus.

## Voir aussi

-   [Token](https://broadrouter.com/fr/glossary/token/) (terme)
-   [Température (temperature)](https://broadrouter.com/fr/glossary/temperature/) (terme)
-   [Top-p (nucleus sampling)](https://broadrouter.com/fr/glossary/top-p/) (terme)
-   [Hallucination (IA)](https://broadrouter.com/fr/glossary/hallucination/) (terme)
-   [LLM-as-a-judge (LLM juge)](https://broadrouter.com/fr/glossary/llm-as-judge/) (terme)
-   [Utiliser le SDK Python d’OpenAI avec BroadNet Inference](https://broadrouter.com/fr/guides/openai-python-sdk/) (guide)
-   [Comment évaluer un LLM avant de changer de fournisseur](https://broadrouter.com/fr/blog/evaluate-llm-before-switching/) (article)

Essayez-le sur votre vraie charge de travail. Les nouveaux comptes démarrent avec USD 5 de crédit pour Gemma et transcription. DeepSeek, GLM et Qwen3.8 nécessitent une recharge.

[Commencer](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-glossary-logprobs&utm_content=page-cta) ·

**Sources**

-   [Référence de l’API OpenAI, créer une chat completion (logprobs, top\_logprobs)](https://developers.openai.com/api/reference/resources/chat/subresources/completions/methods/create)
-   [OpenAI Cookbook, utiliser les logprobs](https://developers.openai.com/cookbook/examples/using_logprobs)
-   [Référence de l’API BroadNet Inference (en anglais)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-glossary-logprobs&utm_content=sources)
