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 et l'infrastructure sous-jacente prenant en charge le modèle et le point d'interaction.



Comment mesurer la latence

Lorsque vous abordez la latence, vous pouvez rencontrer plusieurs termes et mesures :

• Latence de base : Il s'agit du temps pris par le modèle pour traiter le prompt et générer la réponse, sans tenir compte des tokens d'entrée et de sortie par seconde. Cela donne une idée générale de la vitesse du modèle.
• Temps jusqu'au premier token (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 tard) 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. Choisissez le bon modèle

L'un des moyens les plus directs de réduire la latence est de sélectionner le modèle approprié pour votre cas d'usage. Anthropic propose une gamme de modèles avec différentes capacités et caractéristiques de performance. 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 maintenant une intelligence élevée :

client = anthropic.Anthropic()

# Pour les applications sensibles au temps, 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 vue d'ensemble des modèles.



2. Optimisez 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 : Visez à 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'usage et pourrait ne pas faire les déductions logiques attendues si les instructions ne sont pas claires.
• Demandez des réponses plus courtes : Demandez directement à Claude d'être concis. Si Claude produit une longueur indésirable, demandez à Claude de limiter son bavardage.
• Définissez des limites de sortie appropriées : Utilisez le paramètre max_tokens pour définir une limite stricte sur la longueur maximale de la réponse générée. Cela empêche Claude de générer des sorties trop longues.
• Expérimentez avec la température : Le paramètre temperature contrôle le caractère aléatoire de la sortie. Des valeurs plus faibles (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 donner des sorties plus diversifiées 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. Diffusez les réponses en streaming

Le « 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 de messages pour découvrir comment implémenter le streaming pour votre cas d'usage.



Prochaines étapes