{"id":2771,"date":"2026-06-05T10:28:00","date_gmt":"2026-06-05T08:28:00","guid":{"rendered":"https:\/\/project.inria.fr\/emergences\/?p=2771"},"modified":"2026-06-05T10:29:33","modified_gmt":"2026-06-05T08:29:33","slug":"une-ia-plus-vertueuse-pour-generer-du-code","status":"publish","type":"post","link":"https:\/\/project.inria.fr\/emergences\/une-ia-plus-vertueuse-pour-generer-du-code\/","title":{"rendered":"Une IA plus vertueuse pour g\u00e9n\u00e9rer du code"},"content":{"rendered":"\n
Quand ils con\u00e7oivent leurs applications, les d\u00e9veloppeurs informatiques s\u2019appuient d\u00e9sormais sur des Intelligences Artificielles qui g\u00e9n\u00e8rent automatiquement du code. Probl\u00e8mes : ces grands mod\u00e8les de langage (LLM) sont souvent ferm\u00e9s, co\u00fbteux, peu fiables, opaques quant \u00e0 l\u2019origine des donn\u00e9es et gu\u00e8re plus loquaces sur les licences pouvant s\u2019appliquer. Port\u00e9 par l\u2019\u00e9quipe Software Heritage de l\u2019Inria, en collaboration avec le CEA et Tweag ainsi que d\u2019autres partenaires, le projet CodeCommons vise \u00e0 constituer des jeux de donn\u00e9es qualifi\u00e9s pour pouvoir ensuite entra\u00eener des mod\u00e8les ouverts, transparents et responsables.<\/h6>\n\n\n\n
<\/div>\n\n\n\n
\"\"<\/a>
\u00a9 Inria \/ Photo C. Morel<\/sup>

<\/figcaption><\/figure>\n\n\n\n

En 2025, dans le monde, 84% des d\u00e9veloppeurs ont utilis\u00e9 un robot conversationnel pour concevoir du code(1)<\/sup>. En t\u00eate du palmar\u00e8s : le c\u00e9l\u00e8bre ChatGPT et aussi GitHub Copilot, un outil plus sp\u00e9cialis\u00e9 qui s\u2019int\u00e8gre directement dans les environnements de d\u00e9veloppement. Ces LLM sont dits \u2018ferm\u00e9s\u2019 car ils ne divulguent pas les donn\u00e9es ayant servi \u00e0 leur entra\u00eenement. Aucune tra\u00e7abilit\u00e9. Rien ne garantit qu\u2019ils n\u2019enfreignent pas des droits d\u2019auteurs en s\u2019entra\u00eenant sur du code source prot\u00e9g\u00e9 par des licences. Rien non plus ne certifie que ce code n\u2019est pas v\u00e9rol\u00e9 par des bugs ou des failles de s\u00e9curit\u00e9.<\/p>\n\n\n\n

Et ce n\u2019est pas tout… Ils ne donnent de bonnes r\u00e9ponses que dans respectivement 65% et 46% des cas(2). Ils ne prennent en compte qu\u2019une douzaine de langages de programmation. Pourtant leur taille d\u00e9passe all\u00e8grement les 175 milliards de param\u00e8tres, rendant leur entra\u00eenement et leur exploitation tr\u00e8s \u00e9nergivore. Un \u2018prompt\u2019 sur ce type d\u2019outil \u00e9met au minimum 10 fois plus de CO2 qu\u2019une requ\u00eate sur Google.<\/p>\n\n\n\n

\n
\n

\u00c0 titre de comparaison, un mod\u00e8le ouvert comme StarCoder2<\/a> fonctionne avec seulement 15 milliards de param\u00e8tres alors qu\u2019il g\u00e8re plus de 80 langages et donne de bonnes r\u00e9ponses dans 41% des cas. Le mod\u00e8le ouvert LLaMA pr\u00e9sente \u00e9galement des m\u00e9triques du m\u00eame ordre.<\/p>\n\n\n\n

Mais il y a encore \u00e9norm\u00e9ment de chemin \u00e0 faire avant de parvenir \u00e0 \u00e9laborer des assistants de codage aussi vertueux qu\u2019efficaces. Et c\u2019est pr\u00e9cis\u00e9ment l\u2019objectif de CodeCommons<\/a>, une nouvelle infrastructure d\u2019entra\u00eenement de LLM \u00e0 partir de logiciels open source. Financ\u00e9 par la banque publique d\u2019investissement Bpifrance, ce projet va durer deux ans. Il se charpente autour d\u2019un consortium rassemblant Inria, le CEA<\/a>, Tweag<\/a>, AboutCode<\/a>, ainsi que Sant’Anna<\/a>, les universit\u00e9s de Pise<\/a>, Bologne<\/a> et Turin<\/a>.<\/p>\n<\/div><\/div>\n\n\n\n

D\u00e9fi Inria LLM4CODE<\/big>

L\u2019institut travaille aussi \u00e0 l\u2019am\u00e9lioration des LLM pour l\u2019assistance aux d\u00e9veloppeurs \u00e0 travers un D\u00e9fi Inria, c\u2019est-\u00e0-dire une action de recherche transversale impliquant plusieurs \u00e9quipes. Baptis\u00e9 LLM4CODE<\/a>, ce projet r\u00e9unit pour quatre ans des sp\u00e9cialistes en IA, g\u00e9nie logiciel et m\u00e9thodes formelles. Il implique les \u00e9quipes de recherche Argo<\/a>, Deducteam<\/a>, DiverSE<\/a>, Evref<\/a>, Flowers<\/a>, Mnemosyne<\/a>, Picube<\/a>, Spirals<\/a> et Stamp<\/a>, ainsi que le Service d\u2019exp\u00e9rimentation et de d\u00e9veloppement d\u2019Inria (SED), l\u2019archive de code Software Heritage, le Laboratoire bordelais de recherche en informatique (LaBRI<\/a>) et la soci\u00e9t\u00e9 Sopra Steria<\/a>. <\/span><\/p>\n<\/div>\n\n\n\n

<\/div>\n\n\n\n

Software Heritage<\/h2>\n\n\n\n
<\/div>\n\n\n\n
\"\"<\/figure>
\n

Pour ces travaux, les scientifiques ne partent pas de z\u00e9ro. Ils s\u2019appuient sur Software Heritage<\/a>. Lanc\u00e9e en 2016 par Inria et soutenue par l’Unesco, cette archive ouverte collecte le code source des logiciels disponibles publiquement. Elle h\u00e9berge \u00e0 ce jour la bagatelle de 28 milliards de fichiers issus de 430 millions de projets provenant de 500 \u2018forges<\/a>\u2019 collaboratives comme GitHub ou GitLab. Cette masse d\u2019informations s\u2019organise dans un graphe qui comporte aujourd\u2019hui un trilliard d\u2019ar\u00eates et p\u00e8se 2 p\u00e9taoctets.<\/p>\n<\/div><\/div>\n\n\n\n

Quatre \u00e9quipes-projets d\u2019Inria s\u2019impliquent dans CodeCommons : Software Heritage \u00e0 Rocquencourt, Cedar \u00e0 Saclay, ALMAnaCH \u00e0 Paris et DiverSE(3)<\/sup> \u00e0 Rennes. Sp\u00e9cialis\u00e9e en g\u00e9nie logiciel, cette derni\u00e8re intervient sur l\u2019acc\u00e9l\u00e9ration de la collecte et la qualification des donn\u00e9es.<\/p>\n\n\n\n

\u201cAvant de pouvoir mettre un LLM en production, il y a plusieurs \u00e9tapes<\/em>, indique Caroline Landry<\/a>, ing\u00e9nieure de recherche dans l\u2019\u00e9quipe DiverSE et responsable technique de CodeCommons. D\u2019abord, il faut collecter les donn\u00e9es aupr\u00e8s des diff\u00e9rentes forges. C\u2019est tr\u00e8s long et tr\u00e8s co\u00fbteux. Ensuite, il faut trier ces donn\u00e9es et les qualifier pour trouver des caract\u00e9ristiques, identifier les langages employ\u00e9s et \u00e9ventuellement d\u2019autres crit\u00e8res d\u2019int\u00e9r\u00eat. Actuellement, ce travail s\u2019effectue \u00e0 la main ! Le but est d\u2019extraire de ce gros jeu de donn\u00e9es un sous-ensemble \u00e0 la fois moins volumineux et plus pertinent pour l\u2019apprentissage. Apr\u00e8s cela, il faut cr\u00e9er le mod\u00e8le, l\u2019entra\u00eener sur ce jeu de donn\u00e9es et enfin tester son efficacit\u00e9 \u00e0 l\u2019aide de HumanEval, un outil qui mesure les performances des LLM dans les t\u00e2ches de g\u00e9n\u00e9ration de code.<\/em>\u201d<\/p>\n\n\n\n

<\/div>\n\n\n\n

Des progr\u00e8s dans les r\u00e9sultats<\/h2>\n\n\n\n
<\/div>\n\n\n\n

Dans tout ce processus, la qualification s\u2019av\u00e8re une phase critique. \u201cIl ne s\u2019agit pas seulement de collecter le code source<\/em>, pr\u00e9cise Caroline Landry. Nous voulons aussi adjoindre toutes informations suppl\u00e9mentaires qui s\u2019y rapportent. C\u2019est le cas en particulier de ce que nous appelons les \u2018issues\u2019. Cela comprend les signalements de bug \u00e0 corriger ou encore des demandes d\u2019\u00e9volution. Ces discussions techniques sont associ\u00e9es \u00e0 des \u2018pull requests\u2019. Dans GitHub, cette fonction permet de proposer des modifications au code source d\u2019un projet. Un d\u00e9veloppeur am\u00e9liore sa copie locale et souhaite partager cette version modifi\u00e9e. Les autres d\u00e9veloppeurs font une revue du code. Quand tout le monde a valid\u00e9, le d\u00e9veloppeur effectue sa livraison. Pour nous, cette fonction pr\u00e9sente un \u00e9norme int\u00e9r\u00eat. Car souvent les modifications propos\u00e9es sont \u00e0 la fois de petite taille et associ\u00e9es \u00e0 une discussion entre d\u00e9veloppeurs. Nous pouvons donc relier une portion de code modifi\u00e9e \u00e0 une description en langage naturel. C\u2019est l\u2019\u00e9quivalent d\u2019une annotation. Cette association entre bribe de code et discussion fournit des \u00e9l\u00e9ments de r\u00e9ponse pertinents quand un d\u00e9veloppeur interroge un LLM. En pratique, toutes les donn\u00e9es sont organis\u00e9es dans un graphe. Les n\u0153uds contiennent les fichiers de code source dans leurs versions successives auxquels nous rajoutons des qualifications. \u00c0 partir de ce graphe qualifi\u00e9, on peut imaginer un d\u00e9veloppeur qui dise : moi, je veux du Python 3.5 minimum utilisant la biblioth\u00e8que Pandas, avec une licence open source, sans faille de s\u00e9curit\u00e9 et avec une couverture de code(4)<\/sup> de plus de 60%. Un LLM comme StarCoder a int\u00e9gr\u00e9 ce genre de donn\u00e9es et nous avons constat\u00e9 des progr\u00e8s dans les r\u00e9sultats.<\/em>\u201d<\/p>\n\n\n\n

<\/div>\n\n\n\n

D\u00e9tecter les licences<\/h2>\n\n\n\n
<\/div>\n\n\n\n

La caract\u00e9risation permettra aussi d\u2019incorporer les CVE (Common Vulnerabilities and Exposures) qui sont des biblioth\u00e8ques de vuln\u00e9rabilit\u00e9s connues. Gr\u00e2ce au partenariat avec AboutCode, le projet pourra par ailleurs s\u2019appuyer sur le logiciel ScanCode<\/a> pour d\u00e9tecter les licences couvrant le code source collect\u00e9.<\/p>\n\n\n\n

Dans le cadre du projet, huit ing\u00e9nieurs ont \u00e9t\u00e9 recrut\u00e9s au sein de l\u2019\u00e9quipe DiverSE. Ils con\u00e7oivent deux outils. Le premier est un \u2018crawler\u2019 parcourant toutes les forges pour collecter les codes, les issues, les pull requests… Le second analyse la syntaxe du code pour identifier les langages, les versions, les compatibilit\u00e9s…<\/p>\n\n\n\n

CodeCommons va permettre aux \u00e9diteurs de concevoir de meilleurs assistants de codage dont les d\u00e9veloppeurs pourront ensuite se servir. \u201cMais il y a aussi un int\u00e9r\u00eat pour les scientifiques<\/em>, conclut Caroline Landry. Avant de pouvoir construire et \u00e9tudier des mod\u00e8les, les chercheurs passent \u00e9norm\u00e9ment de temps \u00e0 collecter, trier, qualifier les donn\u00e9es. C\u2019est un frein \u00e0 la recherche en IA que nous allons contribuer \u00e0 lever.<\/em>\u201d<\/p>\n\n\n\n

<\/div>\n\n\n\n
    \n
  1. Sondage<\/a> international par Stack Overflow portant sur 50 000 professionnels.<\/li>\n\n\n\n
  2. Lire : Evaluating the Code Quality of AI-Assisted Code Generation Tools: An Empirical Study on GitHub Copilot, Amazon CodeWhisperer, and ChatGPT<\/a>, par Burak Yeti\u015ftiren, I\u015f\u0131k \u00d6zsoy, Miray Ayerdem et Eray T\u00fcz\u00fcn.<\/li>\n\n\n\n
  3. Sp\u00e9cialis\u00e9e en g\u00e9nie logiciel, DiverSE<\/a> est une \u00e9quipe Inria, Insa Rennes, CNRS et Universit\u00e9 de Rennes, commune \u00e0 l\u2019Irisa.<\/li>\n\n\n\n
  4. La couverture de code correspond au pourcentage d\u2019instructions qui ont \u00e9t\u00e9 v\u00e9rifi\u00e9es par des tests.<\/li>\n<\/ol>\n","protected":false},"excerpt":{"rendered":"

    Quand ils con\u00e7oivent leurs applications, les d\u00e9veloppeurs informatiques s\u2019appuient d\u00e9sormais sur des Intelligences Artificielles qui g\u00e9n\u00e8rent automatiquement du code. Probl\u00e8mes : ces grands mod\u00e8les de langage (LLM) sont souvent ferm\u00e9s, co\u00fbteux, peu fiables, opaques quant \u00e0 l\u2019origine des donn\u00e9es et gu\u00e8re plus loquaces sur les licences pouvant s\u2019appliquer. Port\u00e9 par\u2026<\/p>\n

    En savoir plus<\/span><\/i><\/a> <\/p>\n","protected":false},"author":132,"featured_media":2780,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":"","_members_access_role":[],"_members_access_error":""},"categories":[7],"tags":[52],"class_list":["post-2771","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-recherche","tag-52"],"_links":{"self":[{"href":"https:\/\/project.inria.fr\/emergences\/wp-json\/wp\/v2\/posts\/2771","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/project.inria.fr\/emergences\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/project.inria.fr\/emergences\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/project.inria.fr\/emergences\/wp-json\/wp\/v2\/users\/132"}],"replies":[{"embeddable":true,"href":"https:\/\/project.inria.fr\/emergences\/wp-json\/wp\/v2\/comments?post=2771"}],"version-history":[{"count":11,"href":"https:\/\/project.inria.fr\/emergences\/wp-json\/wp\/v2\/posts\/2771\/revisions"}],"predecessor-version":[{"id":2792,"href":"https:\/\/project.inria.fr\/emergences\/wp-json\/wp\/v2\/posts\/2771\/revisions\/2792"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/project.inria.fr\/emergences\/wp-json\/wp\/v2\/media\/2780"}],"wp:attachment":[{"href":"https:\/\/project.inria.fr\/emergences\/wp-json\/wp\/v2\/media?parent=2771"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/project.inria.fr\/emergences\/wp-json\/wp\/v2\/categories?post=2771"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/project.inria.fr\/emergences\/wp-json\/wp\/v2\/tags?post=2771"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}