Réduire la latence

La « latency » (latence) fait référence au temps nécessaire au modèle pour traiter un prompt et générer une sortie. La latence peut être influencée par divers facteurs, tels que la taille du modèle, la complexité du prompt, ainsi que l'infrastructure sous-jacente qui prend en charge le modèle et le point d'interaction.

Comment mesurer la latence

Lorsque l'on parle de latence, vous pouvez rencontrer plusieurs termes et mesures :

• Latence de base (baseline latency) : Il s'agit du temps nécessaire au modèle pour traiter le prompt et générer la réponse, sans tenir compte des tokens d'entrée et de sortie par seconde. Elle donne une idée générale de la vitesse du modèle.
• « Time to first token » (temps jusqu'au premier token), ou TTFT : Cette métrique mesure le temps nécessaire au modèle pour générer le premier token de la réponse, à partir du moment où le prompt a été envoyé. Elle est particulièrement pertinente lorsque vous utilisez le streaming (nous y reviendrons plus loin) et que vous souhaitez offrir une expérience réactive à vos utilisateurs.

Pour une compréhension plus approfondie de ces termes, consultez le glossaire.

Comment réduire la latence

1. Choisir le bon modèle

L'un des moyens les plus directs de réduire la latence consiste à sélectionner le modèle approprié pour votre cas d'utilisation. Anthropic propose une gamme de modèles aux capacités et caractéristiques de performance différentes. Tenez compte de vos exigences spécifiques et choisissez le modèle qui correspond le mieux à vos besoins en termes de vitesse et de qualité de sortie.

Pour les applications où la vitesse est critique, Claude Haiku 4.5 offre les temps de réponse les plus rapides tout en conservant une intelligence élevée :

client = anthropic.Anthropic()

# Pour les applications sensibles au temps de réponse, utilisez Claude Haiku 4.5
message = client.messages.create(
    model="claude-haiku-4-5",
    max_tokens=100,
    messages=[
        {
            "role": "user",
            "content": "Summarize this customer feedback in 2 sentences: [feedback text]",
        }
    ],
)
print(message.content[0].text)

Pour plus de détails sur les métriques des modèles, consultez la page de présentation des modèles.

2. Optimiser la longueur du prompt et de la sortie

Minimisez le nombre de tokens à la fois dans votre prompt d'entrée et dans la sortie attendue, tout en maintenant des performances élevées. Moins le modèle a de tokens à traiter et à générer, plus la réponse sera rapide.

Voici quelques conseils pour vous aider à optimiser vos prompts et vos sorties :

• Soyez clair mais concis : Efforcez-vous de transmettre votre intention de manière claire et concise dans le prompt. Évitez les détails inutiles ou les informations redondantes, tout en gardant à l'esprit que Claude manque de contexte sur votre cas d'utilisation et pourrait ne pas effectuer les raisonnements logiques attendus si les instructions ne sont pas claires.
• Demandez des réponses plus courtes : Demandez directement à Claude d'être concis. Si Claude produit des réponses d'une longueur indésirable, demandez à Claude de modérer sa verbosité.
• Définissez des limites de sortie appropriées : Utilisez le paramètre max_tokens pour fixer une limite stricte à la longueur maximale de la réponse générée. Cela empêche Claude de générer des sorties excessivement longues.
• Expérimentez avec la température : Le paramètre temperature contrôle le caractère aléatoire de la sortie. Des valeurs plus basses (par exemple, 0,2) peuvent parfois conduire à des réponses plus ciblées et plus courtes, tandis que des valeurs plus élevées (par exemple, 0,8) peuvent produire des sorties plus variées mais potentiellement plus longues.

Trouver le bon équilibre entre la clarté du prompt, la qualité de la sortie et le nombre de tokens peut nécessiter quelques expérimentations.

3. Utiliser le streaming des réponses

Le « streaming » (streaming) est une fonctionnalité qui permet au modèle de commencer à renvoyer sa réponse avant que la sortie complète ne soit terminée. Cela peut améliorer considérablement la réactivité perçue de votre application, car les utilisateurs peuvent voir la sortie du modèle en temps réel.

Avec le streaming activé, vous pouvez traiter la sortie du modèle au fur et à mesure de son arrivée, en mettant à jour votre interface utilisateur ou en effectuant d'autres tâches en parallèle.

Consultez Streaming des messages pour découvrir comment mettre en œuvre le streaming pour votre cas d'utilisation.

Étapes suivantes