# 📘 Paramètres Avancés LLM – Open WebUI & Ollama

  

Ce document présente une explication claire et complète des paramètres de génération d’un modèle LLM via Open WebUI, compatible avec un usage dans **Obsidian**.

  

---

  

## ⚙️ Paramètres Généraux

  

- **Streamer la réponse de la conversation**

  - Active le mode de génération mot par mot, visible en temps réel.

  - ✅ Recommandé pour le chat interactif.

  - ❌ Peut réduire les performances sur des machines lentes.

  

- **Function Calling**

  - Permet au modèle de déclencher des fonctions (si la fonction est supportée par le modèle, comme GPT-4).

  

- **Seed**

  - Graine aléatoire pour rendre les générations reproductibles.

  - Exemple : `seed = 42` -> toujours la même sortie pour le même prompt.

  - Par défaut : valeur aléatoire.

  

- **Séquence d'arrêt (`stop`)**

  - Liste de chaînes qui, si rencontrées, interrompent immédiatement la génération.

  - Exemple : `["\nUser:", "###"]`

  

---

  

## 🔥 Paramètres de Style et de Créativité

  

- **Température (`temperature`)**

  - Contrôle la créativité du modèle.

  - Borne typique : `0.0` (très déterministe) à `1.5` (très créatif).

  - ✅ Valeurs recommandées : `0.7` (équilibré), `1.0+` pour brainstorm.

  - 🧊 `0.0` = réponse toujours identique.

  

- **Top K**

  - Ne garde que les `K` tokens les plus probables à chaque étape.

  - Borne : `0` (désactivé) à `100+`.

  - Exemple : `Top K = 40` -> le modèle choisit parmi les 40 tokens les plus probables.

  

- **Top P (`top_p`)**

  - Filtrage probabiliste : garde les tokens jusqu'à atteindre une somme de probabilité donnée.

  - Borne : `0.0` à `1.0`.

  - Exemple : `0.9` = conserve les tokens représentant 90% de probabilité cumulée.

  

- **P min**

  - Probabilité minimale absolue pour inclure un token dans le choix.

  - Borne : `0.0` à `1.0`.

  

---

  

## 🧠 Paramètres de Contrôle de la Répétition

  

- **Pénalité de fréquence**

  - Pénalise les tokens répétés selon leur fréquence d’apparition.

  - Valeurs typiques : `0.0` (pas de pénalité) à `2.0`.

  

- **Pénalité de présence**

  - Pénalise les tokens qui ont déjà été générés une fois.

  - Utile pour éviter la redondance.

  

- **Pénalité de répétition (Ollama)**

  - Directement appliquée au moteur Ollama.

  - Valeurs typiques : `1.0` (neutre), `>1.0` pour plus de diversité (ex. `1.2`), `<1.0` = plus conservateur.

  

- **Répéter les N derniers**

  - Longueur de la fenêtre contextuelle analysée pour la détection de répétitions.

  

---

  

## 🧪 Algorithmes Avancés

  

- **Effort de raisonnement**

  - Ajuste la profondeur logique du modèle.

  - Plus la valeur est haute, plus le modèle essaiera de construire une réponse "logique" (si supporté).

  

- **Logit Bias**

  - Permet de favoriser ou de bloquer certains tokens.

  - Format : dictionnaire `{token_id: bias_value}`

  - Exemple : `{1234: -100}` empêche un token d'apparaître.

  

- **Mirostat**

  - Algorithme pour maintenir une perplexité constante.

  - `0` = désactivé, `1` = activé.

  - Utilisé pour une génération plus stable.

  

- **Mirostat Eta**

  - Taux d’ajustement dans l’algorithme Mirostat.

  - Valeur typique : `0.1` à `1.0`.

  

- **Mirostat Tau**

  - Cible de perplexité à maintenir.

  - Valeur typique : `2.0` à `5.0`.

  

- **Tfs Z**

  - Top Free Sampling : alternative à Top P avec une approche basée sur la surprise du token.

  - Moins courant, expérimental.

  

---

  

## 🧩 Contexte et Tokenisation

  

- **Tokens à conserver (`num_keep`)**

  - Nombre de tokens à préserver lors du rafraîchissement du contexte.

  - Utile pour les instructions système ou les préambules.

  

- **Nb max de tokens (`num_predict`)**

  - Limite maximale de tokens générés en réponse.

  - Typiquement : `128` à `4096` voire `32k` selon les modèles.

  

- **Longueur du contexte (Ollama)**

  - Taille mémoire maximale disponible pour prompt + génération.

  - Varie selon le modèle : `4096`, `8192`, `32768`, `128000`, etc.

  

---

  

## 🧵 Exécution & Performance (spécifique à Ollama)

  

- **Batch Size (`num_batch`)**

  - Nombre de tokens traités simultanément.

  - Peut accélérer l’inférence mais consomme plus de RAM/VRAM.

  

- **Utiliser mmap**

  - Active le chargement du modèle en mémoire mappée (plus rapide, nécessite moins de RAM).

  

- **Utiliser mlock**

  - Empêche le modèle d’être swapé sur le disque (nécessite des droits root).

  

- **Threads (`num_thread`)**

  - Nombre de threads CPU utilisés pour l’inférence.

  - Exemple : `8`, `16`, selon ton CPU.

  

- **GPU (`num_gpu`)**

  - Nombre de GPU à utiliser.

  - `0` = désactive le GPU, `1` = un seul GPU, `auto` = automatique.

  

---

  

## 📤 Exemple d'appel API Ollama

  

```json

{

  "model": "llama3.2-vision:90b-instruct-q8_0",

  "prompt": "Explique la gravité quantique",

  "temperature": 0.7,

  "top_p": 0.9,

  "repeat_penalty": 1.1,

  "num_predict": 512,

  "stream": false

}

```

  

---

  

## 🔗 Liens utiles

  

- [🔗 Docs OpenWebUI](https://docs.openwebui.com)

- [🔗 Ollama Modelfile Reference](https://github.com/ollama/ollama/blob/main/docs/modelfile.md)