Points clés
- Le contrôle de la maison connectée est une tâche étroite (analyser la commande → appeler la fonction), que les petits modèles gèrent bien
- Les petits modèles (environ 1 à 4 milliards de paramètres) tournent avec une latence plus faible sur du matériel local modeste — un iGPU/NPU capable suffit
- La précision de l'appel de fonctions compte plus que l'étendue des connaissances générales pour cette tâche spécifique
- Les modèles plus grands restent utiles pour les questions ouvertes — une configuration peut y router séparément si besoin
- Pour des recommandations précises et actuelles, consultez la liste des meilleurs modèles LLM locaux pour le contrôle de la maison connectée
- Pour les appareils connectés, des modèles sous 1 milliard de paramètres (p. ex. FunctionGemma, 270M) suffisent pour une liste d'actions fixe ; 1 à 4 milliards de paramètres tolèrent des formulations plus libres
Pourquoi le petit bat le grand ici
La latence est le facteur décisif pour le contrôle vocal — une commande de maison connectée doit s'exécuter quasiment en temps réel, et un petit modèle sur du matériel local répond plus vite qu'un grand modèle ne le ferait sur le même matériel.
- Un grand modèle nécessite nettement plus de calcul par token généré, ce qui se traduit directement par des réponses plus lentes sur le même matériel local — perceptible comme un délai entre le moment où l'on prononce une commande et celui où la lumière s'allume réellement.
- Les commandes de maison connectée sont généralement courtes et structurées (« éteins les lumières de la chambre », « règle le thermostat à 20 »), ce qui ne nécessite pas le raisonnement plus large ni la base de connaissances qu'apporte un grand modèle.
- Exécuter un petit modèle en local signifie aussi des exigences matérielles réduites — voir le guide du meilleur matériel pour une maison connectée locale pour ce à quoi ressemble une machine capable de faire tourner un petit modèle par rapport à ce qu'exigerait une machine pour un modèle plus grand.
L'appel de fonctions est la capacité clé
La capacité qui compte réellement pour le contrôle de la maison connectée est un appel de fonctions fiable — transformer le langage naturel en un appel correctement structuré vers un service Home Assistant précis, et non une capacité conversationnelle générale.
- Un modèle affiné ou spécifiquement doué pour l'appel de fonctions peut faire correspondre de manière fiable « réchauffe le salon » au bon appel de service de contrôle climatique, une compétence plus étroite et plus mesurable que la qualité d'un chat ouvert.
- C'est aussi là que se manifeste spécifiquement le risque d'hallucination pour les maisons connectées — voir le guide sur la réduction des hallucinations LLM dans l'automatisation domestique pour savoir comment contraindre un modèle aux entités réellement disponibles.
- Évaluez un modèle candidat sur la précision de l'appel de fonctions pour votre liste d'entités spécifique, et non sur des scores de benchmark généraux, lors du choix entre petits modèles.
Petits modèles pour les appareils domestiques connectés
Pour les appareils connectés, la plage pratique descend sous 1 milliard de paramètres : un modèle d'appel de fonctions de 270 millions de paramètres peut associer des commandes courantes à une liste fixe d'actions, tandis que les modèles de 1 à 4 milliards de paramètres tolèrent mieux les formulations approximatives. Le bon choix dépend du nombre d'actions exposées par l'appareil et de sa mémoire.
- FunctionGemma (Google, 270M) : une variante de Gemma 3 270M optimisée pour l'appel de fonctions. Google cite la maison connectée comme cas adapté aux applications ayant « un ensemble défini d'actions » et recommande le fine-tuning pour un comportement constant ; c'est un modèle commande-vers-action, pas un modèle de conversation.
- Home-FunctionGemma-270m (communauté, 270M) : un fine-tune de FunctionGemma pour l'API Assist de Home Assistant, quantifié pour du matériel peu puissant comme un Raspberry Pi. Sa fiche ne mentionne aucun benchmark de précision ; il relève de la licence Gemma.
- Qwen3 0.6B–4B (Alibaba) : une famille de modèles denses avec prise en charge de l'appel d'outils ; la taille 4B figure dans la sélection de modèles.
- Llama 3.2 1B et 3B (Meta) : conçus pour l'exécution sur l'appareil, avec prise en charge de l'appel d'outils ; la taille 3B figure aussi dans la sélection.
- Gemma 3 1B/4B et Phi-4-mini (3,8B) : options de 1 à 4 milliards de paramètres quand les commandes sont formulées librement ; Gemma 3 4B et Phi-4-mini figurent dans la sélection.
- Le modèle reçoit du texte, pas de l'audio : une étape distincte de reconnaissance vocale transforme d'abord la commande parlée en texte.
- Nous n'avons trouvé aucun comparatif public direct de l'appel de fonctions pour des commandes domotiques à ces tailles — testez chaque candidat avec votre propre liste d'entités et vos formulations avant de vous décider.
Où les petits modèles montrent leurs limites
Les petits modèles sont le bon choix pour l'analyse de commandes structurées, pas pour les questions ouvertes, le raisonnement complexe en plusieurs étapes, ou les tâches nécessitant de vastes connaissances générales.
- Si vous voulez que votre assistant de maison connectée réponde aussi bien à des questions générales, une configuration hybride qui route les entrées de type commande vers un petit modèle et les questions ouvertes vers un modèle plus grand (local ou non) est un schéma courant.
- Les petits modèles sont plus enclins que les grands à mal interpréter des formulations ambiguës — des formulations de commande claires et cohérentes, ainsi que des noms d'entités bien délimités, réduisent ce risque plus efficacement qu'une augmentation de la taille du modèle.
- Pour des automatisations allant au-delà de la simple analyse de commandes — raisonner sur plusieurs capteurs, décider si un schéma inhabituel justifie une notification — un modèle plus grand peut réellement valoir la latence supplémentaire, selon le degré de sensibilité au temps de l'automatisation.
En quoi cela diffère du guide de modèles recommandés
Cet article explique pourquoi les petits modèles constituent le bon choix d'architecture pour le contrôle de la maison connectée ; la liste de modèles recommandés propose des modèles précis et actuels à utiliser.
- Lisez d'abord cet article si vous voulez comprendre le raisonnement derrière la recommandation des petits modèles.
- Consultez le guide des meilleurs modèles LLM locaux pour le contrôle de la maison connectée pour des modèles précis et actuellement recommandés, ainsi que leurs exigences matérielles.
- Pour des options de petits modèles de langage spécifiques aux appareils mobiles (un contexte matériel différent), voir le guide inter-cluster sur les modèles LLM mobiles.
Questions fréquentes
Un petit modèle de langage est-il moins précis qu'un grand pour le contrôle de la maison connectée ?
Pas nécessairement pour cette tâche spécifique — la précision de l'appel de fonctions pour des commandes structurées dépend davantage de l'adéquation du modèle à cette tâche étroite que du nombre total de paramètres. Un grand modèle généraliste n'est pas automatiquement meilleur pour analyser « éteins les lumières » qu'un petit modèle adapté à cet effet.
Quelle taille compte ici comme un « petit » modèle de langage ?
Environ 1 à 4 milliards de paramètres est la plage pratique évoquée dans cet article — assez petit pour tourner de manière réactive sur le GPU ou le NPU intégré d'un mini PC, sans nécessiter de GPU dédié. Les modèles pour appareils vont encore plus bas : FunctionGemma de Google compte 270 millions de paramètres.
Puis-je exécuter un petit modèle sur un Raspberry Pi ?
Des modèles très petits peuvent tourner sur un Pi, bien que lentement — voir le guide du meilleur matériel pour une maison connectée locale pour les compromis entre un Pi et un mini PC pour cette charge de travail.
Ai-je besoin d'un modèle différent pour les questions ouvertes et pour les commandes ?
De nombreuses configurations les routent différemment — un petit modèle gère rapidement l'analyse des commandes, tandis que les questions ouvertes peuvent aller vers un modèle local ou cloud plus grand si vous voulez une capacité conversationnelle plus large. C'est un choix d'architecture, pas une obligation.
Quel est le lien avec la réduction des hallucinations dans l'automatisation domestique ?
Un modèle plus petit et bien délimité, qui n'a besoin que de faire correspondre des commandes à une liste d'entités connue, est intrinsèquement moins enclin à inventer des appareils ou à mal lire un état qu'un modèle généraliste censé raisonner plus largement — voir le guide de réduction des hallucinations pour les techniques précises.
Quels petits modèles précis dois-je utiliser ?
Cet article cite des modèles d'exemple dans la section « Petits modèles pour appareils connectés » ; pour la sélection centrée sur Home Assistant avec tags Ollama et niveaux de matériel, consultez le guide des meilleurs modèles LLM locaux pour la domotique.
Un petit modèle a-t-il besoin de moins de RAM ?
Oui — un nombre de paramètres plus faible se traduit directement par des exigences de mémoire réduites, ce qui explique en partie pourquoi ils tournent bien sur le matériel intégré d'un mini PC plutôt que de nécessiter un GPU dédié.
Quels petits modèles embarqués comprennent les commandes en langage courant pour les appareils connectés ?
Points de départ courants : FunctionGemma de Google (270M) et son fine-tune Home Assistant Home-FunctionGemma-270m pour des listes d'actions fixes, ainsi que des modèles de 1 à 4 milliards de paramètres comme Llama 3.2 1B/3B, Qwen3 1.7B/4B, Gemma 3 1B/4B et Phi-4-mini pour des formulations plus libres. Nous n'avons trouvé aucun comparatif public direct pour les commandes domotiques à ces tailles — testez avec votre propre liste d'entités.
Un modèle de 270 millions de paramètres peut-il tourner sur un appareil électroménager ?
Sa taille en fait un candidat pour du matériel peu puissant : le modèle communautaire Home-FunctionGemma-270m est quantifié pour des appareils comme le Raspberry Pi. Mesurez la mémoire et la latence sur votre propre matériel ; Google recommande le fine-tuning pour un comportement constant.