Lors d'une conversation informelle, un étudiant a dit à son mentor : « Le modèle de Kimi est bon, mais son framework semble limité. » Le mentor s'est arrêté, réalisant que l'étudiant avait intuitivement divisé les produits d'IA en trois couches distinctes : le modèle lui-même, le framework environnant et les ressources de calcul sous-jacentes. La plupart des gens mélangent tout cela lorsqu'ils critiquent les outils d'IA, ce qui entraîne des retours vagues et des attentes mal alignées. Le modèle désigne le réseau neuronal et son entraînement ; le framework englobe l'interface utilisateur, les API et la logique d'intégration ; le compute couvre le matériel et l'infrastructure qui alimentent l'inférence. Comprendre ces couches aide les développeurs à identifier où se situent les vrais goulots d'étranglement—qu'il s'agisse d'un modèle faible, d'une interface maladroite ou d'une capacité GPU insuffisante. Pour les équipes produit, cette clarté permet des améliorations ciblées et une communication honnête avec les utilisateurs. L'anecdote souligne une leçon plus large : les observations techniques les plus perspicaces viennent souvent de non-experts qui décrivent leur expérience en langage simple.
La remarque anodine d'un étudiant, « le modèle est bon, mais le framework ne suit pas », met en lumière une confusion fréquente dans les discussions sur les produits d'IA. Cet article explique les trois couches—modèle, framework et compute—et pourquoi les distinguer est essentiel.