← Toutes les actualités

IBM lance LLMON, un langage de balisage, et deux modèles Granite 4.1 LLMON en préversion : des instructions et des données découpées en blocs adressables

Dans un billet de blog Hugging Face daté du 12 novembre 2026, IBM présente LLMON, un langage de balisage, ainsi que deux modèles en préversion expérimentale dérivés de Granite 4.1, qui réduiraient fortement le taux de réussite des attaques sur des benchmarks d'injection de prompt indirecte statique comme OPI, tout en offrant des capacités générales comparables à Granite 4.1 Instruct.

Publication Mise à jour
Image de couverture de l’article original — IBM lance LLMON, un langage de balisage, et deux modèles Granite 4.1 LLMON en préversion : des instructions et des données découpées en blocs adressables
Image de couverture de l’article originalArticle original ↗

Ce qui change

Selon un billet de blog Hugging Face publié par IBM le 12 novembre 2026, l'équipe présente LLMON (LLM Object Notation), un langage de balisage, et publie deux modèles en préversion expérimentale, granite-4.1-3b-LLMON-preview et granite-4.1-8b-LLMON-preview. Ces modèles partent de points de contrôle de base Granite 4.1, et non des modèles Instruct déjà publiés, et apprennent à lire et écrire LLMON lors de la post-formation. Le blog explique l'approche : les gabarits de conversation habituels indiquent seulement à quel rôle appartient un segment, alors que LLMON précise en plus ce qu'est chaque segment et comment ils sont liés ; dans un tour de conversation, les instructions, les données et les contraintes deviennent des blocs adressables séparément, puis un bloc exec déclare sur quelles données exécuter quelle instruction, sous quelles exigences et où écrire la sortie. LLMON utilise six délimiteurs implémentés sous forme de jetons spéciaux réservés, plutôt que des caractères ordinaires comme les accolades et les guillemets, pour marquer la structure ; les fragments non appelés par un bloc d'exécution ne servent que de matériel de lecture. Le blog affirme que, sur le benchmark OPI, LLMON a résisté à 47 % d'attaques de plus que le meilleur modèle de pointe testé et à 95 % de plus que le meilleur modèle open source, et qu'une tendance similaire s'observe sur ASB et StruQ ; ces benchmarks mesurent l'injection de prompt indirecte statique. Le blog précise aussi qu'il s'agit d'un comportement appris, et non d'une règle garantie par construction. Les modèles sont publiés en préversion expérimentale et le blog indique explicitement qu'ils ne conviennent pas à un usage en production.

Conséquences pour les développeurs

Pour les développeurs, cette publication change moins le choix du modèle que la façon de construire les messages. Si l'on adopte LLMON, chaque composant du prompt doit être nommé explicitement et il faut préciser s'il est lié à un bloc d'exécution, ce qui fait remonter dans le code applicatif les conventions de rôle auparavant enfouies dans le prompt système. L'impact sur l'intégration comporte au moins deux aspects. D'une part, les modèles LLMON en préversion embarquent un gabarit de conversation : il suffit de construire comme d'habitude une liste de messages et d'appeler apply_chat_template pour produire les blocs LLMON ; en revanche, la source ne dit pas si les frameworks d'inférence tiers et les passerelles prennent en charge ce gabarit et ces jetons réservés, et un service auto-hébergé doit vérifier lui-même la compatibilité du tokenizer et du gabarit. D'autre part, le blog indique que la plupart des équipes dont le pipeline repose sur JSON n'ont pas à le réécrire : leur outil de conversion peut passer sans perte de JSON à LLMON et inversement, les étiquettes sont personnalisables, et un LoRA peut ensuite être ajusté sur un modèle LLMON. Cela signifie qu'une migration progressive d'un pipeline de données structurées est envisageable, mais l'équivalence après conversion doit être vérifiée soi-même. Côté coût d'inférence, le blog affirme que les identifiants de bloc proviennent d'un ensemble fixe dont chaque élément est encodé en un seul jeton par un tokenizer, si bien qu'adresser un bloc coûte toujours deux jetons ; cela ne décrit que le coût d'adressage selon la source et n'implique pas une baisse du coût global du contexte. Côté sécurité, les bénéfices annoncés ne couvrent que l'injection statique ; les auteurs indiquent travailler à améliorer la résistance aux attaques adaptatives sur plusieurs tours, un scénario plus courant dans les boucles d'outils des agents. Pour les applications de RAG et d'appel d'outils qui insèrent directement des documents récupérés ou des retours d'outils dans le contexte, cette distinction mérite une évaluation à part ; mais la source ne fournit pas de détail sur les benchmarks généraux au-delà de la comparaison avec Granite 4.1 Instruct.

Intégration et évaluation

Première recommandation : décider d'un essai en se fondant sur le taux de réussite des attaques par injection indirecte comme seuil d'entrée. Le changement clé de cette publication est la séparation explicite des instructions et des données, les fragments non appelés n'étant pas traités comme des commandes. Une approche possible consiste à injecter un ensemble fixe d'échantillons d'attaque dans les prompts et les données de récupération d'un Granite 4.1 3B ou 8B existant, puis à tester séparément le modèle Instruct d'origine et la préversion LLMON, en mesurant sur les mêmes échantillons le taux de réussite des attaques et le taux d'accomplissement des tâches. Cette comparaison n'a de sens que si la charge de travail inclut des documents, pages web ou retours d'outils externes qui sont concaténés au contexte ; si toutes les entrées viennent de sources de confiance, la différence mesurable en sécurité peut être faible. Deuxième recommandation : faire de l'introduction ou non de la liaison exec une décision de conception au niveau applicatif. Une approche possible consiste à décomposer d'abord les prompts existants en parties nommées instruction, data, requirement, etc., dans Mellea ou dans la couche de gabarit, puis à observer si le modèle exécute selon les blocs exec. Cela suppose de disposer d'un environnement d'évaluation capable d'assumer une réécriture du code de construction des prompts, et de mesurer si le taux de réponses correctes et la proportion de fragments non pertinents attirés dans la réponse sont comparables ou meilleurs que dans la version d'origine sur le même jeu de tâches. Le blog affirme que les capacités générales sont comparables à Granite 4.1 Instruct, mais cela doit être revérifié sur ses propres tâches et ne doit pas être pris pour une conclusion. Troisième recommandation : lorsqu'il s'agit d'appels d'outils ou de boucles d'agents, inclure les attaques adaptatives multi-tours dans l'évaluation. La source reconnaît que les benchmarks actuels ne mesurent que l'injection statique ; de bons résultats sur ces benchmarks ne garantissent donc pas les mêmes résultats face à des attaques multi-tours. On peut prendre comme indicateur le taux d'exécution lorsque des instructions malveillantes sont insérées dans des retours d'outils sur plusieurs tours consécutifs. Ces éléments sont des analyses et des recommandations fondées sur la source, et non des conclusions établies.

Limites et points à confirmer

Les deux modèles LLMON en préversion n'apparaissent pas dans le catalogue en ligne de KimiSeek ; la description de leur disponibilité dans cet article ne concerne que la publication du côté d'IBM et de Hugging Face, pas ce site. Le blog les qualifie explicitement de préversion expérimentale, inadaptée à la production ; la résistance à l'injection de prompt est un comportement appris, et les auteurs soulignent eux-mêmes qu'elle n'est pas garantie. Les comparaisons publiées sur la résistance à l'injection portent sur trois familles de benchmarks d'injection de prompt indirecte statique, OPI, ASB et StruQ ; la résistance aux attaques adaptatives multi-tours est encore en cours d'amélioration, et la comparaison des capacités générales ne porte que sur Granite 4.1 Instruct. La source ne donne ni les termes de la licence, ni les seuils de mémoire GPU ou de déploiement, ni le support par les frameworks d'inférence tiers, et ne mentionne pas de tarification d'API ; tout cela doit être vérifié soi-même avant adoption.

Illustrations de l’article original

Illustration de l’article original 1 — IBM lance LLMON, un langage de balisage, et deux modèles Granite 4.1 LLMON en préversion : des instructions et des données découpées en blocs adressables
Illustration de l’article original 1Article original ↗
Illustration de l’article original 2 — IBM lance LLMON, un langage de balisage, et deux modèles Granite 4.1 LLMON en préversion : des instructions et des données découpées en blocs adressables
Illustration de l’article original 2Article original ↗
Illustration de l’article original 3 — IBM lance LLMON, un langage de balisage, et deux modèles Granite 4.1 LLMON en préversion : des instructions et des données découpées en blocs adressables
Illustration de l’article original 3Article original ↗

Trois minutes jusqu’au premier appel

Créez un compte et une clé API. Le coût des appels est déduit de votre solde. 30 % de réduction sur la première recharge. Rechargez ¥500, payez ¥350, recevez ¥500 de crédit. Rechargez ¥1000, payez ¥850, recevez ¥1000 de crédit Vous pouvez toujours commencer par une recharge d’essai de ¥10.

Sources et méthode éditoriale

LLMON:一种面向 LLM 的原生标记语言,现已用于 Granite 4.1 3B 与 8B

L’IA a assisté l’analyse et la traduction des sources citées, suivies de contrôles automatiques. Les conseils ne sont pas des résultats de tests. Consultez le catalogue actuel pour les prix et la disponibilité.