# SLM (Small Language Model) > Un SLM, ou Small Language Model, est un modèle de langage compact comptant généralement de 1 à 12 milliards de paramètres, par opposition aux grands modèles qui en alignent des centaines de milliards. Sa taille réduite le rend bien moins coûteux à exécuter — de l'ordre de 10 à 30 fois moins en latence et en énergie — tout en restant amplement suffisant pour des tâches cadrées : classification, extraction d'informations, résumé, ou pilotage d'un agent sur un périmètre défini. L'idée directrice est qu'un grand LLM généraliste est souvent surdimensionné pour un besoin précis : sur une tâche bien délimitée, un SLM correctement choisi ou spécialisé atteint une qualité comparable pour une fraction du coût. Cette efficience ouvre des usages nouveaux : exécution locale, déploiement sur des appareils contraints, hébergement souverain à moindre coût, et multiplication d'agents spécialisés. Le SLM incarne un choix d'ingénierie pragmatique : dimensionner le modèle au besoin réel plutôt que d'appeler par défaut le plus gros modèle disponible. [source]: https://luwiz.io/glossaire/slm --- Un SLM, pour *Small Language Model*, est un modèle de langage compact. Là où un grand [LLM](/glossaire/llm) aligne des centaines de milliards de paramètres, le SLM en compte typiquement de 1 à 12 milliards. Cette compacité n'est pas une limitation à corriger : c'est un choix d'ingénierie, dicté par le principe qu'un modèle doit être dimensionné au besoin réel plutôt qu'appelé au maximum par défaut. ## Compact ne veut pas dire faible L'intuition trompeuse serait de croire qu'un modèle plus petit est forcément moins bon. En réalité, sur une tâche bien délimitée — classification, extraction d'informations, résumé, réponse dans un domaine précis — un SLM correctement choisi ou spécialisé atteint une qualité comparable à celle d'un grand modèle généraliste. Ce dernier est souvent surdimensionné pour le besoin : sa polyvalence coûte cher et n'apporte rien de plus quand le périmètre est cadré. Deux leviers expliquent cette efficacité. D'une part, une tâche cadrée mobilise une fraction seulement des connaissances d'un grand modèle ; l'immense reste devient un coût inutile. D'autre part, un SLM peut être affiné sur un domaine précis — un jargon métier, un format de sortie, un type de document — jusqu'à surpasser un grand modèle généraliste sur ce terrain limité, tout en restant infiniment plus léger à exécuter. ## L'avantage économique et énergétique C'est sur le coût que l'écart devient spectaculaire. Un SLM consomme de l'ordre de 10 à 30 fois moins en latence et en énergie qu'un grand LLM pour une réponse équivalente. Cette efficience change la donne : elle rend viables des usages où appeler un gros modèle serait prohibitif — notamment la multiplication d'[agents IA](/glossaire/agent-ia) spécialisés, chacun cantonné à une tâche précise, exécutés en parallèle et à faible coût. La latence réduite compte autant que le prix. Un modèle compact répond en une fraction du temps d'un grand LLM, ce qui autorise des interactions temps réel, des boucles d'agent enchaînant de nombreux appels, ou des traitements en masse sur de gros volumes de documents. À l'échelle, cette différence sépare un usage expérimental d'un déploiement industriel rentable. ## Des usages nouveaux ouverts par la compacité Parce qu'il tient dans une empreinte réduite, le SLM peut s'exécuter localement, sur des appareils contraints, sans transiter par un service distant. Cette portabilité sert directement la [souveraineté numérique](/glossaire/souverainete-numerique) : un modèle compact est plus simple et moins coûteux à héberger en France ou en Union européenne, sous contrôle complet des données. C'est un levier central de notre approche de l'[IA souveraine](/expertises/ia-souveraine) : préférer, quand la tâche le permet, un SLM efficient et maîtrisé plutôt que la dépendance systématique à un grand modèle généraliste hébergé à l'étranger.