Gemini 3 et l’optimisation programmée des prompts révolutionnent l’IA

En décembre 2025, Google a officialisé l’intégration de Gemini 3 dans son outil NotebookLM, apportant des avancées notables en raisonnement et compréhension multimodale. Parallèlement, une approche innovante d’optimisation des prompts transforme la manière dont les modèles de langage sont entraînés, en remplaçant l’intuition par une recherche systématique et automatisée des meilleures configurations.

Gemini 3 dynamise NotebookLM avec des fonctionnalités inédites

NotebookLM, l’assistant intelligent de prise de notes de Google, bénéficie désormais de la puissance de Gemini 3, une évolution majeure de la série Gemini. Cette mise à jour améliore significativement la capacité de l’outil à raisonner et à comprendre des contenus multimodaux, sans indication visible dans l’application pour l’utilisateur. En plus de cette montée en gamme, Google a introduit la possibilité d’importer directement des carnets dans l’application Gemini, facilitant la combinaison, l’analyse et la création de contenus inspirés de ces notes.

Une nouveauté notable est l’ajout du format « Data Tables » dans les options de sortie Studio, qui synthétise les sources en tableaux structurés exportables vers Google Sheets. Cette fonctionnalité s’adresse à des cas d’usage variés, comme la transformation de comptes rendus de réunion en listes d’actions classées, la comparaison de concurrents, ou encore la préparation d’examens via des tableaux d’événements historiques. Actuellement réservée aux abonnés Google AI Pro et Ultra, elle sera accessible aux utilisateurs gratuits prochainement.

Optimiser les prompts par programmation : une nouvelle ère pour l’ingénierie des prompts

Traditionnellement, la conception des prompts pour les modèles de langage reposait sur l’intuition et l’essai-erreur. Une nouvelle méthode propose de traiter les prompts comme des paramètres ajustables, en construisant une boucle d’optimisation autour du modèle Gemini 2.0 Flash. Cette approche systématique expérimente différentes instructions et exemples, évalue leurs performances, puis sélectionne automatiquement la configuration la plus efficace.

Le processus débute par la création d’un jeu de données diversifié pour la classification de sentiments (positif, négatif, neutre). Un objet programmable, PromptTemplate, assemble instructions, exemples et requêtes en un prompt unique. La classe SentimentModel encapsule le modèle Gemini, facilitant la prédiction et l’évaluation de la précision sur des ensembles de validation.

Le cœur de cette innovation réside dans la classe PromptOptimizer, qui teste plusieurs instructions candidates et sélectionne les exemples les plus représentatifs du jeu d’entraînement. En combinant ces éléments, elle génère un prompt optimisé qui surpasse les performances des configurations manuelles ou basiques. Cette méthode offre un workflow reproductible, fondé sur des données, pour concevoir des prompts performants avec précision et confiance.