--- tags: - llm - opencode - obsidian - silverbullet - ovh - ai - api - synthese - ia type: note date: "2026-07-31" --- # Choix des modèles LLM pour OpenCode et Obsidian/Silverbullet Ce document et la syntèse réalisée par Mistral d’une conversation avec Gemini. ⚠️ Attention : ce texte contient des contradictions (ex. : utilisation gtp-oss-120). [[00_INBOX/Pro/IA_OpenCode_Choix-LLM_Synthese/Analyse_ChatGPT]] [[00_INBOX/Pro/IA_OpenCode_Choix-LLM_Synthese/Analyse_Gemini]] --- ## 🎯 Objectif Ce document synthétise les recommandations formulées par Gemini pour configurer **OpenCode** avec des modèles LLM OVH End Points adaptés à la gestion d'un **vault Obsidian ou Silverbullet**, en équilibrant **qualité**, **coût** et **cas d'usage**. **Liste des modèles OVH (21/07/2026)** cf. https://www.ovhcloud.com/fr/public-cloud/prices/#17128 | Modèle | Quantification | Modèle d'unité | Prix
HT/1M token | | --- | --- | --- | :--- | | Meta-Llama-3\_3-70B-Instruct | fp8 | input tokens | 0,67 € HT | | Meta-Llama-3\_3-70B-Instruct | fp8 | output tokens | 0,67 € HT | | Mistral-7B-Instruct-v0.3 | fp16 | input tokens | 0,10 € HT | | Mistral-7B-Instruct-v0.3 | fp16 | output tokens | 0,10 € HT | | Mistral-Nemo-Instruct-2407 | fp16 | input tokens | 0,13 € HT | | Mistral-Nemo-Instruct-2407 | fp16 | output tokens | 0,13 € HT | | Mistral-Small-3.2-24B-Instruct-2506 | bf16 | input tokens | 0,09 € HT | | Mistral-Small-3.2-24B-Instruct-2506 | bf16 | output tokens | 0,28 € HT | | Qwen3-32B | fp8 | input tokens | 0,08 € HT | | Qwen3-32B | fp8 | output tokens | 0,23 € HT | | Qwen3.5-9B | bf16 | input tokens | 0,10 € HT | | Qwen3.5-9B | bf16 | output tokens | 0,15 € HT | | Qwen3.5-397B-A17B | fp8 | input tokens | 0,60 € HT | | Qwen3.5-397B-A17B | fp8 | output tokens | 3,60 € HT | | Qwen3.6-27B | fp8 | input tokens | 0,40 € HT | | Qwen3.6-27B | fp8 | output tokens | 2,70 € HT | | Qwen3Guard-Gen-0.6B | fp16 | input tokens | Gratuit | | Qwen3Guard-Gen-0.6B | fp16 | output tokens | Gratuit | | Qwen3Guard-Gen-8B | fp16 | input tokens | Gratuit | | Qwen3Guard-Gen-8B | fp16 | output tokens | Gratuit | | gpt-oss-20b | fp4 | output tokens | 0,15 € HT | | gpt-oss-20b | fp4 | input tokens | 0,04 € HT | | gpt-oss-120b | fp4 | input tokens | 0,08 € HT | | gpt-oss-120b | fp4 | output tokens | 0,40 € HT | --- ## 📊 Comparatif des modèles recommandés NB : les modèles comme `Qwen3Guard-Gen-8B` **ne sont pas des LLM généraliste**. Ce sont des **modèles de garde-fou (Guardrail)**. Il ne peut pas générer de texte, car il a été entraîné spécifiquement pour analyser et classifier la sécurité des échanges. Ce sont des **modérateurs de contenu**. Ils renvoient un verdict structuré : * **Safety:** `Safe`, `Unsafe`, ou `Controversial`. * **Catégorie de risque :** Violations de droits d'auteur, PII (données personnelles), contenus haineux, tentatives de jailbreak, etc. ### 1. Modèles pour un usage quotidien (français et structuration) | Modèle | Précision | Coût (input/output) | Cas d'usage principal | Avantages | |--------|-----------|----------------------|-----------------------|-----------| | **Mistral-Small-3.2-24B** | bf16 | 0,09 € / 0,28 € | Résumés, tags, réécriture de notes, structuration Markdown | **Meilleur équilibre qualité/prix**, excellent en français, parfait pour le Markdown. | | **Qwen3-32B** | fp8 | 0,08 € / 0,23 € | Tâches courantes, génération de code/scripts | **Coût input minimal**, très bon rapport qualité/prix. | | **gpt-oss-20b** | fp4 | 0,04 € / 0,15 € | Tâches basiques (édition, renommage) | **Ultra-économique**, idéal pour un usage très régulier. | --- ### 2. Modèles pour l'analyse complexe (raisonnement avancé) | Modèle | Précision | Coût (input/output) | Cas d'usage principal | Avantages | |--------|-----------|----------------------|-----------------------|-----------| | **gpt-oss-120b** | fp4 | 0,08 € / 0,40 € | Analyse de gros volumes, restructuration de vault, raisonnement avancé | **Capacité massive pour un coût input très bas**, idéal pour digérer de gros contextes. | | **Meta-Llama-3.3-70B** | fp8 | 0,67 € / 0,67 € | Synthèses croisées complexes, logique fine | **Meilleure qualité de raisonnement**, idéal pour des tâches nécessitant une logique fine. | --- ### 3. Modèles pour les tests ou usages légers | Modèle | Précision | Coût (input/output) | Cas d'usage principal | |--------|-----------|----------------------|-----------------------| | **Qwen3Guard-Gen-0.6B/8B** | fp16 | Gratuit | Tests, validation de concepts | **Gratuit**, utile pour valider des idées sans coût. | ⚠️ **Vérifier si réellement utilisable pour des usages légers...** --- ## 🔍 Critères de choix ### **1. Précision vs. Coût** - **bf16** (Mistral-Small-3.2-24B) : Meilleur pour le **Markdown** et la **syntaxe française**. - **fp8** (Qwen3-32B) : Bon compromis **qualité/prix** pour la plupart des tâches. - **fp4** (gpt-oss-20b/120b) : **Économique**, mais moins précis pour des tâches fines. ### **2. Cas d'usage spécifiques** - **Génération de code/scripts** : Privilégiez **Qwen3-32B** ou **Meta-Llama-3.3-70B**. - **Structuration de notes** : **Mistral-Small-3.2-24B** est le meilleur choix. - **Analyse de nombreux fichiers** : **gpt-oss-120b** pour son **coût input minimal**. --- ## 🚀 Stratégie d'utilisation recommandée ### **Configuration OpenCode** ```yaml models: default: "Mistral-Small-3.2-24B" # Ou "Qwen3-32B" pour un meilleur rapport qualité/prix complex_analysis: "gpt-oss-120b" # Pour les tâches avancées budget_friendly: "gpt-oss-20b" # Pour les opérations courantes strategy: - Utiliser le modèle par défaut pour les tâches quotidiennes. - Basculer vers le modèle d'analyse complexe pour les restructurations ou synthèses. - Utiliser le modèle économique pour les opérations basiques ou les tests. ``` ### **Exemple de workflow** 1. **Tâches quotidiennes** (résumés, tags) → **Mistral-Small-3.2-24B** ou **Qwen3-32B**. 2. **Analyse complexe** (restructuration de vault) → **gpt-oss-120b** ou **Meta-Llama-3.3-70B**. 3. **Tests ou tâches basiques** → **gpt-oss-20b** ou **Qwen3Guard-Gen-8B**. --- ## ⚠️ Modèles à éviter (sauf besoin spécifique) | Modèle | Raison | |--------|--------| | Mistral-7B | Trop petit pour des structures Markdown complexes. | | Qwen3.5-9B | Suffisant pour des tâches simples, mais limité en qualité. | | Qwen3.5-397B / 3.6-27B | Coût output prohibitif (3,60 € et 2,70 €/M tokens). | --- ## 💡 Conseils supplémentaires ### **1. Surveillance des coûts** - Utilisez des outils pour suivre votre consommation de tokens. - **Astuce** : Privilégiez les modèles avec un **coût input faible** si vous travaillez avec de gros volumes de notes. ### **2. Automatisation** - Configurez des scripts Lua pour Silverbullet afin d'automatiser l'envoi de notes vers OpenCode avec le modèle approprié. - Exemple : Un script pour envoyer une note à **Mistral-Small-3.2-24B** pour une restructuration, puis à **gpt-oss-120b** pour une analyse approfondie. ### **3. Feedback et optimisation** - Notez les réponses des modèles pour affiner vos choix. - Exemple : Un modèle peut être meilleur pour le **français** mais moins bon pour le **code**. --- ## 🔗 Liens utiles - [[00_INBOX/IA_OpenCode_Choix-LLM]] : Note détaillée avec les analyses complètes. - [Documentation OVHcloud sur les prix](https://www.ovhcloud.com/fr/public-cloud/prices/#17128) : Pour vérifier les tarifs mis à jour. --- ## 📝 Résumé des recommandations finales | **Profil d'utilisation** | **Modèle recommandé** | **Coût estimé** | **Cas d'usage** | |--------------------------|-----------------------|-----------------|-----------------| | **Quotidien (français)** | Mistral-Small-3.2-24B | 0,37 €/M tokens | Résumés, tags, réécriture de notes. | | **Quotidien (éco)** | Qwen3-32B | 0,31 €/M tokens | Tâches courantes à coût minimal. | | **Analyse complexe** | gpt-oss-120b | 0,48 €/M tokens | Gros volumes, raisonnement avancé. | | **Budget serré** | gpt-oss-20b | 0,19 €/M tokens | Tâches basiques (édition, renommage). | --- ## Autre approche : offre Mistral Pro Des crédits sont inclus dans l’offre Mistral Pro (27€ à la date du 01/08/2026). Le modèle **Mistral-Small-4-2603** est intéressant pour : * **Les AI Agents & AI Tools :** Le plugin AI Silverbullet permet de créer des agents capables d'exécuter des outils pour lire, modifier, rechercher ou créer des notes, ainsi qu'exécuter du code Lua. Ces appels d'outils (*Tool Calling / Function Calling*) demandent une très grande fiabilité pour éviter d'altérer vos notes. **Small 4** gère bien mieux la structuration d'arguments et le chaînage d'outils. * **Le support MCP Server (`silverbullet-ai-mcp`) :** Le plugin peut exposer votre espace via un serveur MCP à des clients externes (comme Claude Code ou Cursor). Pour ce niveau d'interactivité dynamique, un modèle de génération 4 est plus robuste. * **Les fonctions d'enrichissement de contexte (Space Lua) :** SilverBullet permet d'exécuter du Lua à la volée pour construire du contexte enrichi. Si vous demandez au LLM de générer ou manipuler du Lua, la capacité supérieure en code de **Small 4** évitera des erreurs de syntaxe. Il vient en complément de **Mistral-Small-3.2-24B** qui reste intéressant pour : * **Le chat classique dans les pages (`AI: Chat on current page`) :** Si vous utilisez le plugin simplement pour discuter avec le LLM en utilisant la page courante comme historique ou pour poser des questions sur vos notes. * **Les Prompts Templatés (`Templated Prompts`) :** Pour des tâches répétitives pré-définies (résumer la page active, extraire des tâches `- [ ]`, corriger l'orthographe, appliquer du frontmatter). * **Conserver un coût très bas :** À 0,28 € / million de tokens générés (contre 0,60 €), les appels fréquents de génération de contenu dans le flux de vos notes restent très économiques.