Dernière mise à jour 09-01-2026
Catégorie:
Reviews:
Join thousands of AI enthusiasts in the World of AI!
TLM Playground
TLM Playground est le centre de documentation de Cleanlab pour le Trustworthy Language Model (TLM), une API de génération de modèles qui évalue en temps réel la fiabilité de toute réponse d'un LLM. Chaque réponse reçoit un score de fiabilité compris entre 0 et 1, signalant les hallucinations et erreurs de raisonnement avant qu'elles n'atteignent les utilisateurs. Installez le client Python avec pip install cleanlab-tlm, définissez une CLEANLAB_TLM_API_KEY, et appelez TLM.prompt() pour générer des réponses notées ou get_trustworthiness_score() pour auditer les sorties de votre pile existante.
La plupart des détecteurs d'hallucinations se concentrent sur la fidélité au contexte récupéré. Des métriques comme RAGAS vérifient si une réponse correspond aux documents sources mais manquent les erreurs factuelles lorsque le contexte est mince ou confus. TLM utilise l'estimation de l'incertitude du modèle plutôt que le prompting LLM-en-juge, et Cleanlab publie des benchmarks montrant une précision 3 fois supérieure à RAGAS dans les workflows RAG. Il ne nécessite pas de données d'entraînement étiquetées dans votre domaine, ce qui évite le problème de dérive qui compromet les évaluateurs personnalisés.
Les ingénieurs ML et IA construisant des pipelines RAG, chatbots et systèmes d'agents utilisent TLM pour filtrer les sorties à faible confiance, les orienter vers des humains, ou remplacer par des réponses de secours. L'API couvre les sorties structurées, les appels d'outils, les étiquettes de classification et les conversations multi-tours, pas seulement les complétions de texte simples.
Chaque réponse retourne un score de fiabilité de 0 à 1 calculé via une estimation de l'incertitude
get_trustworthiness_score() évalue les résultats de n'importe quel LLM sans modifier votre code d'inférence
TLM.prompt() retourne à la fois une réponse et un score en un seul appel API, en utilisant par défaut gpt-4.1-mini comme modèle de base
Les benchmarks rapportent 27% de réponses GPT-4o incorrectes en moins et une détection d'erreurs RAG 3 fois meilleure que RAGAS
Les préréglages de qualité, de faible à élevée, plus TLM Lite, vous permettent d'échanger la latence et le coût contre la profondeur de l'évaluation
TrustworthyRAG Evals évalue la solidité, l'abstention et la suffisance du contexte en plus de la fiabilité
Évalue les réponses de n'importe quel LLM sans formation personnalisée ni jeux de données étiquetés.
Prend en charge le langage naturel, les sorties structurées, les appels d'outils et les décisions de classification.
L'API Python propose à la fois des workflows de génération avec notation et de notation seule.
Les préréglages de qualité et TLM Lite aident à réduire la latence et les coûts après les tests initiaux.
Les paramètres TLM par défaut privilégient une fiabilité globale plutôt qu'une faible latence et peuvent être coûteux.
Les détails du prix par jeton sont visibles uniquement sur la page de facturation de votre compte Cleanlab.
Les scores de confiance peuvent nécessiter un réglage des critères d'évaluation personnalisés pour correspondre aux standards de qualité spécifiques à l'équipe.
TLM Playground est-il gratuit ?
Oui. TLM Playground inclut des jetons gratuits lorsque vous créez un compte Cleanlab et obtenez une clé API. Après avoir utilisé ces crédits, vous continuez avec un plan payant par jeton. Consultez les tarifs actuels dans votre compte Cleanlab sous Usage et Facturation.
Comment commencer avec TLM Playground ?
TLM Playground commence par pip install cleanlab-tlm, la configuration de votre variable d'environnement CLEANLAB_TLM_API_KEY, puis l'appel de TLM().prompt() ou get_trustworthiness_score(). Le tutoriel de démarrage rapide sur help.cleanlab.ai explique ces deux méthodes étape par étape.
TLM Playground peut-il évaluer les réponses de mon propre LLM ?
Oui. TLM Playground évalue les sorties de n'importe quel LLM en utilisant get_trustworthiness_score() avec votre prompt et votre réponse. Vous conservez votre code d'inférence existant et ajoutez l'évaluation de confiance sans réentraîner vos données.
Quelles applications LLM TLM Playground prend-il en charge ?
TLM Playground couvre RAG, chatbots, agents, résumé, extraction de données, sorties structurées, appels d'outils, classification, étiquetage de données et workflows d'évaluation LLM. Il évalue tout type de sortie de modèle, pas seulement les réponses en texte brut.
TLM Playground propose-t-il un déploiement privé ?
Oui. TLM Playground prend en charge le déploiement VPC entreprise via Cleanlab pour que toutes les données restent dans votre infrastructure privée. Contactez les ventes de Cleanlab pour les options de déploiement privé, les remises sur volume et les intégrations LLM personnalisées.
Comment réduire la latence et le coût de TLM Playground ?
TLM Playground vous permet de définir quality_preset sur base ou low, de choisir des modèles base plus rapides comme gpt-4.1-nano, d'utiliser TLM Lite pour les workflows d'évaluation uniquement, ou de diffuser les réponses de votre LLM et de les évaluer ensuite avec get_trustworthiness_score().