llama-cookbook : ce que contient réellement le dépôt de recettes de Meta
Welcome to the Llama Cookbook! This is your go to guide for Building with Llama: Getting started with Inference, Fine-Tuning, RAG. We also show you how to solve end to end problems using Llama model family and using them on various provider services
En bref
- De quoi s’agit-il ?
- Le dépôt officiel de Meta pour Llama est un ensemble de notebooks et d'exemples, pas une bibliothèque. Voici ce qu'il permet de faire, ce qu'il laisse à votre charge, et pourquoi il faut vérifier la licence du modèle avant de copier un exemple en production.
- À qui s’adresse-t-il ?
- Adoptez llama-cookbook si vous avez besoin d'un point de départ documenté pour l'inférence, le fine-tuning ou une chaîne RAG sur Llama, et si vous acceptez de réécrire les notebooks plutôt que de les déployer tels quels. Ne l'adoptez pas comme dépendance de production ni comme socle de versionnage : il n'y a pas de paquet à épingler, et le dépôt a été refactoré au point de publier une branche archive-main pour les anciens chemins.
- Puis-je l’utiliser commercialement ?
- Oui. MIT est une licence permissive : vous pouvez utiliser, modifier et vendre un logiciel qui en dépend, à condition de conserver les mentions de droit d’auteur et de licence.
- Est-il encore maintenu ?
- Oui. Les derniers commits datent d’il y a 119 jours.
- En quel langage est-il écrit ?
- Principalement Jupyter Notebook, d’après les statistiques de langage de GitHub.
Ces réponses reposent sur les données GitHub du projet (dernière synchronisation le 15 septembre 2026) et sur notre analyse. Elles ne constituent pas un avis juridique.
ANALYSE OPEN SOURCE APPROFONDIE
Un guide de recettes, pas une bibliothèque à installer
Le README annonce la couleur : il s'agit du guide officiel pour démarrer avec l'inférence, le fine-tuning et les cas d'usage de bout en bout de la famille Llama. Le langage principal du dépôt est Jupyter Notebook. C'est un point structurant. Vous ne trouverez pas ici une API stable à importer, mais des notebooks que vous ouvrez, lisez et adaptez. Le dossier src contient, selon le README, le code source de l'ancienne bibliothèque llama-recipes ainsi que des FAQ sur le fine-tuning. Cette coexistence est révélatrice : le dépôt a changé de nature en cours de route, et le code hérité n'a pas disparu. Pour un ingénieur, la conséquence est simple. Le coût d'entrée est faible, mais le coût de sortie aussi : rien ne vous retient, et rien ne vous protège des changements. Un notebook qui fonctionne aujourd'hui peut pointer vers un chemin déplacé demain.
Comment le dépôt est découpé, et ce que chaque partie suppose
Quatre entrées structurent le dépôt. 3p-integrations regroupe des recettes de démarrage et des cas d'usage fournis par différents fournisseurs de Llama. end-to-end-use-cases couvre, comme le nom l'indique, des domaines et applications variés. getting-started sert de référence pour l'inférence, le fine-tuning et le RAG. src, enfin, héberge le code de l'ancienne bibliothèque llama-recipes et les FAQ de fine-tuning. Cette séparation a une logique : elle distingue l'apprentissage d'un concept, la démonstration d'un produit complet et l'usage d'un service tiers. Elle impose aussi une discipline de lecture. Un exemple de 3p-integrations dépend d'un fournisseur précis, avec ses propres clés et sa propre facturation. Un exemple de getting-started vise le modèle lui-même. Confondre les deux mène à des notebooks qui ne s'exécutent pas, faute de compte chez le bon prestataire.
Les recettes Llama 4 citées par le README
Le README met en avant plusieurs parcours Llama 4. Un notebook getting-started/build_with_llama_api.ipynb pour démarrer avec Llama API, dont l'accès passe par une liste d'attente visible dans les badges du haut de page. Une intégration de Llama API avec WhatsApp, décrite dans end-to-end-use-cases/whatsapp_llama_4_bot/README.md. Un exemple de contexte long annoncé à 5M tokens avec Llama 4 Scout dans getting-started/build_with_llama_4.ipynb. Une analyse d'articles de recherche avec Llama 4 Maverick dans end-to-end-use-cases/research_paper_analyzer/README.md. Et la création d'une carte mentale des personnages d'un livre, toujours avec Maverick, dans end-to-end-use-cases/book-character-mindmap/README.md. Ce sont les seuls chemins que le README nomme explicitement. Le chiffre de 5M tokens est une caractéristique revendiquée du modèle, pas un résultat mesuré par le dépôt. Aucun de ces exemples n'est accompagné d'une sortie attendue dans le README.
Mise en route : ce que le dépôt donne, ce qu'il ne donne pas
Le README ne fournit aucune commande d'installation, ni pip install, ni clone, ni fichier de dépendances détaillé. Il renvoie vers les dossiers et vers la documentation officielle des modèles sur llama.com. C'est une limite concrète : vous n'obtiendrez pas ici de procédure reproductible unique. Ce que vous obtenez, ce sont des notebooks à ouvrir, dont les cellules contiennent les appels réels, et des README de cas d'usage comme celui du bot WhatsApp. La version publiée la plus récente est v0.0.5, datée du 22 janvier 2025. Les deux précédentes, v0.0.4 et v0.0.4.post1, datent de septembre 2024. Le dernier push sur la branche main est daté du 19 mai 2026, bien après la dernière publication. Autrement dit, le dépôt bouge entre deux versions, et ce que vous lisez sur main n'est pas nécessairement ce qui a été étiqueté. Si vous avez besoin d'un état figé, visez un tag, pas la branche par défaut.
Le refactor, et pourquoi certains liens sont morts
Le README traite la question en FAQ, ce qui indique qu'elle revient souvent. Des liens cassés ou des dossiers manquants s'expliquent par un refactor du dépôt, et une branche archive-main conserve un instantané de l'état antérieur. Le même README confirme le renommage : llama-recipes est devenu llama-cookbook. Pour quiconque suit un tutoriel écrit avant ce changement, la conséquence est directe. Les chemins cités dans les articles tiers, dans les issues ou dans des notes internes peuvent ne plus résoudre. La branche archive-main est le recours prévu. Cela dit, un dépôt qui conserve une branche d'archive pour compenser un refactor indique un projet dont l'organisation a évolué plus vite que sa documentation externe. Prévoyez de vérifier chaque chemin avant de le transmettre à quelqu'un d'autre.
Deux licences superposées, et ce que cela change
Le dépôt lui-même est publié sous licence MIT. Mais le README renvoie, modèle par modèle, vers des fichiers de licence et des politiques d'usage acceptable distincts, hébergés dans le dépôt llama-models : des liens séparés pour Llama 4, Llama 3.3, Llama 3.2, Llama 3.1, Llama 3 et Llama 2. La licence MIT couvre donc le code du cookbook, pas les poids ni les conditions d'utilisation des modèles. Copier un notebook dans un produit ne vous place pas sous MIT pour autant. Il faut lire la licence et la politique d'usage acceptable du modèle que vous servez. Le README ne résume pas ces conditions et ne prétend pas le faire. Je ne peux pas vous dire ici ce qu'elles autorisent ou non, seulement qu'elles existent et qu'elles sont versionnées par famille de modèles.
Quand le cookbook n'est pas le bon outil
Trois situations le rendent inadapté. D'abord, si vous cherchez une dépendance à épingler dans un requirements.txt ou un pyproject.toml : il n'y a pas de paquet publié à installer ici, seulement des notebooks et du code source. Ensuite, si vous voulez un exemple qui s'exécute sans compte externe : plusieurs recettes passent par Llama API, dont l'accès figure encore sous forme de liste d'attente dans les badges du README, ou par des services de fournisseurs tiers. Enfin, si vous avez besoin d'une garantie de stabilité des chemins : le refactor et la branche archive-main montrent le contraire. Pour une bibliothèque qui expose une API d'entraînement et d'inférence avec des scripts réutilisables, l'ancien llama-recipes, dont le code vit désormais dans src, correspondait davantage à cette attente. La différence d'approche est nette : une bibliothèque vous donne des fonctions à appeler et des versions à épingler, un cookbook vous donne des notebooks à lire et à réécrire. Le premier coûte plus cher à adopter et moins cher à maintenir. Le second inverse ce rapport.
Coût de maintenance et renouvellement
Un cookbook vieillit avec les modèles qu'il documente, et le rythme des publications le montre : v0.0.4 en septembre 2024, v0.0.4.post1 quelques jours plus tard, puis v0.0.5 en janvier 2025. Entre cette dernière version et le push de mai 2026 sur main, il s'est écoulé plus d'un an sans nouvelle publication étiquetée. Cela ne signifie pas que le dépôt est abandonné, la branche main ayant été mise à jour. Cela signifie que le versionnage ne suit pas le rythme des modifications. Si vous fondez un processus interne sur un tag, vous travaillez sur un état ancien. Si vous fondez ce processus sur main, vous travaillez sur une cible mouvante. Dans les deux cas, la reprise d'un notebook après une montée de version de modèle implique de relire les cellules, pas de changer un numéro de version. Le coût est en lecture, pas en mise à jour de dépendances.
Conclusion éditoriale
Adoptez llama-cookbook si vous avez besoin d'un point de départ documenté pour l'inférence, le fine-tuning ou une chaîne RAG sur Llama, et si vous acceptez de réécrire les notebooks plutôt que de les déployer tels quels. Ne l'adoptez pas comme dépendance de production ni comme socle de versionnage : il n'y a pas de paquet à épingler, et le dépôt a été refactoré au point de publier une branche archive-main pour les anciens chemins. Avant de copier quoi que ce soit, vérifiez la licence du modèle Llama visé, distincte de la licence MIT du dépôt.
Notes de la communauté