Sélection et optimisation de modèles

Commencez par la mécanique, parce que deux questions d’examen vivent à l’intérieur. Un LLM génère un token à la fois, chacun choisi parmi ce qui a tendance à suivre le texte jusqu’ici — une autocomplétion sophistiquée, pas une recherche. Cette propriété unique produit à la fois la fluidité et les hallucinations : le modèle ne « cherche jamais rien » — il continue un motif.

L’hallucination se concentre donc dans les détails précis et vérifiables : noms, dates, chiffres, citations, URL. Et la règle empirique de l’examen suit : plus l’énoncé est précis, plus il exige une vérification.

La deuxième mécanique : le token suivant est échantillonné, pas retrouvé de façon déterministe, donc le même prompt dans de nouvelles conversations peut produire des réponses différentes. Testez les prompts sur plusieurs exécutions ; une citation qui apparaît à une exécution et pas à une autre mérite le soupçon. C’est aussi pourquoi les évals, et non les essais uniques, décident de quoi que ce soit.

01La couche SDK

Ce domaine réexamine aussi l’API du côté sur lequel vous construisez vraiment. Les SDK officiels — Python, TypeScript, C#, Go, Java, PHP, Ruby — sont des enveloppes minces sur les mêmes endpoints REST rencontrés dans le domaine Applications. Une méthode du client correspond un-à-un à un endpoint, l’absence d’état est inchangée, et chaque fait sur les en-têtes et les types d’erreur s’applique toujours en dessous. Ce que l’enveloppe ajoute, c’est la couche opérationnelle : authentification et en-têtes de version envoyés pour vous, objets de requête et de réponse typés, retries et backoff automatiques, helpers de streaming qui collectent les server-sent events en un message fini, et gestion du timeout et des connexions.

Trois faits de SDK qui rapportent à l’examen :

• —Python exige 3.10 ou plus récent et livre des clients sync et async qui lisent ANTHROPIC_API_KEY dans l’environnement — construisez le client sans arguments et la clé ne touche jamais votre code.
• —Le streaming est le même POST /v1/messages avec stream réglé — des server-sent events sur la requête ordinaire, pas des websockets.
• —Le SDK TypeScript refuse de tourner dans un bundle navigateur sans override explicite du garde-fou — et c’est délibéré — parce qu’une clé empaquetée est une clé publiée.

02Choisir un modèle

Toute la gamme de modèles en un tableau. Les prix sont en dollars US par million de tokens, entrée/sortie — les chiffres que l’examen cite :

Deux notes de bas de fenêtre sur lesquelles l’examen s’appuie. Les plafonds de sortie suivent la fenêtre : les modèles à 1M de tokens acceptent jusqu’à 128K tokens de sortie par requête, contre 64K pour Haiku 4.5. Et le palier 200K n’est pas réservé à Haiku — des modèles retirés comme Sonnet 4.5 y siègent aussi : lisez l’ID du modèle dans toute question de fenêtre avant de répondre.

Le coût d’abord est une stratégie honnête : démarrez sur Haiku 4.5 pour les prototypes, la latence serrée et le travail simple à gros volume, et ne montez que là où les évals montrent un manque précis.

La capacité d’abord court dans l’autre sens, et les deux stratégies marchent dans les deux sens : démarrez sur Opus 5.5, montez à Fable 5.1 quand même un effort high échoue à vos évals, puis redescendez à mesure que le flux de travail mûrit — effort plus bas, ou modèle plus petit, une fois que les évals tiennent.

L’examen formule le choix en scénarios : un classifieur de tickets sensible à la latence et contraint par le budget est une réponse Haiku, même si Opus est le défaut général.

03Effort et réflexion — les curseurs qu’on confond

Plusieurs modèles acceptent un réglage d’effort qui échange la minutie contre latence et coût sans changer de modèle — et la documentation est franche : régler l’effort est d’ordinaire un meilleur levier que changer de modèle. L’échelle court low, medium, high, xhigh, max. La plupart des modèles démarrent à high par défaut ; Opus 5.5 à medium.

L’effort régit chaque token de sortie — texte, appels d’outil et réflexion pareil — donc il fonctionne, réflexion activée ou non : il fixe la minutie par token plutôt qu’il n’allume le raisonnement. Le motif à reconnaître dans les questions : « même modèle, moins cher et plus rapide » veut dire baisser l’effort avant de vous tourner vers un modèle plus petit. Et pour le travail agentique de longue haleine, la réponse pointe l’autre sens, vers xhigh.

Deux faits de facturation que l’examen extrait : les tokens de réflexion sont facturés comme des tokens de sortie et comptent dans max_tokens. Et masquer le texte de réflexion dans la réponse (l’affichage « omis », par défaut sur plusieurs modèles) réduit la latence, pas le coût.

Une option de vitesse de plus : le fast mode, une research preview sur la gamme Opus — demandé avec speed: "fast" plus l’en-tête bêta fast-mode-2026-02-01 — livrant jusqu’à 2,5× le débit de tokens de sortie à des tarifs premium. Le gain est dans la vitesse de génération, pas dans le délai avant le premier token. Trois faits de plus à épingler :

• —Le fast mode est une configuration d’inférence, pas un modèle différent.
• —L’activer invalide le cache de prompt.
• —Il est indisponible via l’API Batches.

04Compter, tarifer et modéliser les coûts

Claude facture au million de tokens, par classe : entrée et sortie aux tarifs listés ci-dessus, plus des tarifs séparés pour écrire un cache de prompt (versions cinq minutes et une heure) et pour en lire un. La comptabilité arrive détaillée dans le champ usage de chaque réponse, et dès que le cache entre en jeu l’entrée se coupe en trois — input_tokens, cache_read_input_tokens et cache_creation_input_tokens — les trois mêmes classes que la tarification distingue.

L’endpoint de comptage de tokens mesure une requête avant l’envoi — les mêmes entrées que le paramètre messages (prompt système, outils, images, PDF), sans exécution du modèle. Ses usages : vérifier une requête par rapport aux limites de débit avant soumission, les décisions de routage, et serrer un prompt vers une longueur cible. Les angles morts sont plus nets :

• —Il renvoie une erreur sur les server tools, le connecteur MCP et le contenu issu d’URL ou de fichiers — envoyez du base64 à la place.
• —Il ignore complètement le cache : passer cache_control ne simule aucune économie de cache, parce que la mise en cache n’a lieu que sur les vraies requêtes.
• —Il utilise le tokenizer du modèle que vous désignez — et le tokenizer des modèles les plus récents compte environ 30 % de tokens en plus que celui de la génération précédente. Recomptez sur le modèle cible avant de migrer, ou vos anciens tableaux de bord sous-estimeront la dépense.

La surcharge fixe est le coût qui dort : une courte question météo avec une définition d’outil pèse déjà des centaines de tokens avant que l’utilisateur n’ait rien dit, et un PDF encodé en base64 avec une instruction d’une ligne en pèse des milliers. Comptez, n’estimez pas depuis la longueur du message.

L’échelle des coûts tirée des conseils d’Anthropic eux-mêmes mérite d’être mémorisée dans l’ordre. Les gains gratuits viennent d’abord, sans rien céder de la qualité :

• —Le prompt caching.
• —L’hygiène des tokens — rogner la surcharge fixe ci-dessus.
• —Les audits de prompt contre le modèle réel.
• —Le batching à 50 % de réduction, quand la latence le permet.
• —Les limites de dépense comme garde-fou.

Seulement ensuite les compromis qui peuvent coûter de la qualité : choix de modèle, effort, plafonds de sortie.

05Les pièges de ce domaine

• —« Effort et réflexion sont un seul réglage » — non. L’effort fixe la minutie par token de sortie ; la réflexion adaptative et la réflexion étendue sont les contrôles du raisonnement.
• —« Tout modèle actuel accepte un niveau d’effort et la réflexion adaptative » — Haiku 4.5 n’accepte ni l’un ni l’autre : réflexion étendue manuelle, pas de curseur d’effort.
• —« La réflexion cachée est gratuite » — les tokens de raisonnement se facturent en sortie, que vous voyiez le texte ou non.
• —« Le fast mode est un modèle plus rapide » — même modèle, inférence plus rapide, tarif premium, cache invalidé.
• —« L’endpoint de comptage prévisualise ma facture de cache » — il ignore le cache complètement.
• —« Les modèles plus récents coûtent plus cher » — l’inverse : Opus 5.5 s’affiche à 4 $/20 $ contre 15 $/75 $ pour l’ancien 4.1. L’ID du modèle est en soi une décision de coût.
• —« Le prix par token le plus bas est le moins cher » — comparez le coût par tâche accomplie.