---
title: "Safety Map : 39 LLM et les données sensibles (BroadNet)"
description: "BroadNet a étudié 39 LLM de 14 labos sur identifiants, PII, données de santé et financières : ce qui se transfère ou non, et les fuites par outils et raisonnement."
url: https://broadrouter.com/fr/blog/llm-safety-map-39-models/
lang: fr
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduit de l’anglais avec l’aide de l’IA. [Lire l’original en anglais](https://broadrouter.com/blog/llm-safety-map-39-models/) (mis à jour le 2026-11-16).

# La Safety Map : comment 39 LLM traitent les données sensibles

Par l’équipe BroadNet Inference · 3 min de lecture · Publié 2026-11-15 · Mis à jour 2026-11-16

La Safety Map est un preprint de BroadNet d’avril 2026 (DOI 10.5281/zenodo.19688433). Elle a testé 39 modèles de 14 labos sur 7 sondes couvrant identifiants, PII, données de santé, numéros de compte et analyse DLP, en environ 1 300 évaluations à plusieurs exécutions. La sécurité ne s’est transférée ni entre catégories ni entre canaux de sortie : 20 des 73 exécutions qui remplissaient des arguments d’appel d’outil ont fui par ce biais.

## À retenir

-   Preprint sur Zenodo, DOI 10.5281/zenodo.19688433, 22 avril 2026, CC BY 4.0. Non évalué par les pairs.
-   39 modèles, 14 labos, 7 scénarios de sonde, 5 catégories de données sensibles, environ 1 300 évaluations à plusieurs exécutions.
-   Trois axes se cumulent : l’architecture, la génération du modèle et l’investissement du labo dans l’alignement. Aucun ne prédit la sécurité à lui seul.
-   Les canaux de sortie fuient indépendamment : 20 des 73 exécutions avec appel d’outil et 29 des 43 exécutions avec raisonnement contenaient des valeurs sensibles.
-   BroadNet a tiré de ces résultats LSDF, un pare-feu open source (Apache-2.0) pour le trafic compatible OpenAI.

**Sur cette page**

1.  Que couvrait l’étude ?
2.  Quels sont les principaux résultats ?
3.  Que changer dans votre propre stack ?
4.  Qu’est-ce que LSDF ?
5.  Quelles sont les limites ?

La Safety Map est l’étude de BroadNet sur la façon dont les grands modèles de langage traitent les données sensibles. Le preprint, _The Safety Map: What Does and Doesn’t Transfer in LLM Sensitive-Data Handling_, a été publié sur Zenodo le 22 avril 2026 sous le DOI [10.5281/zenodo.19688433](https://doi.org/10.5281/zenodo.19688433), avec Mohammad Al Zubaidi comme auteur. Il accompagne la [méthode d’évaluation des données sensibles](https://broadrouter.com/fr/blog/llm-sensitive-data-safety-evaluation-method/) de BroadNet.

Ce qui suit est notre résumé du résumé de l’article et de la page de recherche de BroadNet. Les verdicts sont ceux de BroadNet.

## Que couvrait l’étude ?

| Dimension | Couverture |
| --- | --- |
| Modèles | 39, issus de 14 labos indépendants |
| Scénarios de sonde | 7 |
| Catégories | Identifiants, PII, informations de santé protégées (PHI), numéros de comptes financiers, analyse de prévention des pertes de données (DLP) |
| Éléments de preuve | plus de 135 combinaisons modèle-sonde classées, issues d’environ 1 300 évaluations à plusieurs exécutions |

Le catalogue de BroadNet indique qu’elle a fait passer environ 90 modèles distants et API, jamais exécutés sur son propre matériel, dans ses bancs de test de sécurité, de routage et d’arabe, et que ces résultats alimentent cette cartographie.

## Quels sont les principaux résultats ?

**La sécurité est une surface, pas un score unique.** Elle varie selon trois axes qui se cumulent :

-   **L’architecture.** L’article signale un plancher de capacité d’environ 24B de paramètres actifs sur les identifiants, quelles que soient les architectures de routage, avec les modèles mixture of experts à peu de paramètres actifs comme cas principal.
-   **La génération.** La qualité de l’alignement déplace la frontière au sein d’une même famille de modèles.
-   **L’investissement du labo dans l’alignement.** Un modèle phare d’un labo connu n’est pas une garantie.

Aucun des trois ne prédit la sécurité à lui seul ; ils se combinent.

**La sécurité ne se transfère pas entre catégories.** Traiter proprement les identifiants et les numéros de sécurité sociale américains ne s’est pas étendu aux noms, aux dossiers médicaux ni aux numéros de compte dans le même modèle.

**Les canaux de sortie fuient indépendamment.** C’est le résultat qui pèse le plus en pratique :

-   Sur 73 exécutions qui remplissaient `tool_calls.arguments`, 20 ont envoyé des valeurs sensibles via l’appel d’outil. Parmi les modèles à l’origine de ces exécutions figurait Kimi K2.6 de Moonshot, testé le jour de sa sortie, un modèle que l’article juge par ailleurs sûr sur plusieurs exécutions pour les identifiants, les PII, les données financières et la DLP.
-   Sur 43 exécutions où le fournisseur remplissait `reasoning_content` avec au moins 20 caractères, 29 ont laissé fuir des valeurs sensibles dans le raisonnement alors que la réponse du chat était jugée sûre, manquée ou tronquée.

**L’élagage peut casser la sécurité.** Deux versions élaguées indépendantes de la gamme Llama de Meta, réalisées par NVIDIA par recherche d’architecture neuronale, ont cassé la sécurité des données de santé par des canaux de sortie différents.

L’article se termine par un classement en cinq niveaux. Son groupe de tête, uniformément sûr dans toutes les catégories testées, comprend Claude Opus 4.7, GPT-5.4 et GPT-5.4-mini, Gemini 3 Flash et Gemini 3.1 Pro. Le résumé précise que les modèles phares xAI Grok et Meta Llama n’en font pas partie.

## Que changer dans votre propre stack ?

1.  **Filtrez chaque canal.** Un contrôle de la réponse visible manque les arguments d’appel d’outil et les champs de raisonnement. Si vous utilisez l’[appel d’outils](https://broadrouter.com/fr/glossary/tool-calling/) ou un modèle de raisonnement, inspectez les deux.
2.  **Testez par catégorie.** Un résultat propre sur les identifiants ne dit rien des données de santé ou de salaire.
3.  **Retestez à chaque mise à jour de modèle.** Le résultat de Kimi K2.6 venait d’un modèle testé le jour de sa sortie.
4.  **Masquez d’abord quand c’est possible.** Un modèle ne peut pas divulguer ce qu’il n’a jamais vu. Notre [guide sur les données sensibles](https://broadrouter.com/fr/blog/llm-api-sensitive-data/) montre le masquage par marqueurs en Python.

## Qu’est-ce que LSDF ?

LSDF, le LLM Sensitive Data Firewall, est le dispositif de contrôle que BroadNet a construit à partir de ces deux articles et publié en open source sous Apache-2.0 sur [github.com/brntech/lsdf](https://github.com/brntech/lsdf). C’est un reverse proxy pour l’API Chat Completions compatible OpenAI : vous pointez l’URL de base de votre client vers lui, et il transmet à votre serveur de modèles ou à votre fournisseur. Selon BroadNet, il inspecte les requêtes, les réponses, les chunks diffusés en streaming, les arguments d’appel d’outil diffusés, le contexte récupéré et les champs de raisonnement, et nettoie séparément les traces et les logs.

L’évaluation de BroadNet de mai 2026, sur ses propres corpus, rapporte ce rappel :

| Pile de détecteurs | Rejeu d’identifiants | PHI cliniques | PII anglaises générales |
| --- | --- | --- | --- |
| Regex seules | 0,944 | 0,019 | 0,208 |
| Microsoft Presidio | 0,194 | 0,056 | 0,326 |
| Détecteurs PII généraux de LSDF | 1,000 | 0,944 | 0,685 |

Ce sont les chiffres d’un éditeur pour son propre outil, sur des corpus qu’il a choisis. Ils sont utiles comme point de départ, et le dépôt fournit le rejeu pour que vous puissiez les vérifier. LSDF fonctionne devant n’importe quel modèle, y compris ceux que BroadNet n’héberge pas.

## Quelles sont les limites ?

L’article est un preprint, non évalué par les pairs. Selon la politique de publication responsable de BroadNet, les prompts exacts, les formats d’identifiants et les seuils sont retirés de la version publique et partagés sur demande avec les fournisseurs de modèles et les chercheurs. Les versions des modèles changent vite : un verdict d’avril 2026 est une raison de tester, pas un substitut aux tests.

Outils gratuits sur ce sujet (en anglais)

-   [OpenAI-compatible API request builder](https://broadrouter.com/tools/api-request-builder/) One request, copied as curl, Python, Node or the OpenAI SDKs.
-   [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) Price a workload on every model at once, with cache hits, reasoning and a flat-plan check.

[Outils gratuits (en anglais)](https://broadrouter.com/tools/)

## Termes de cet article

[PII (données d’identification personnelle)](https://broadrouter.com/fr/glossary/pii/)

Les PII (personally identifiable information) sont les informations permettant de distinguer ou de retrouver l’identité d’une personne, comme un nom, un numéro d’identité ou des données biométriques, et toute information qui lui est liée ou rattachable. Le RGPD parle plus largement de données personnelles. Avec les LLM, le masquage des PII les retire des prompts avant qu’ils quittent vos systèmes.

[Mixture of experts (MoE, mélange d’experts)](https://broadrouter.com/fr/glossary/mixture-of-experts/)

Le mixture of experts (MoE) est une architecture de réseau de neurones dans laquelle une couche contient de nombreux sous-réseaux experts et un routeur appris envoie chaque token vers quelques-uns seulement. Un modèle de langage MoE a un grand nombre total de paramètres mais n’en utilise qu’un petit sous-ensemble actif par token.

[API Chat Completions](https://broadrouter.com/fr/glossary/chat-completions-api/)

L’API Chat Completions est l’endpoint HTTP d’OpenAI, POST /v1/chat/completions, qui reçoit un nom de modèle et une liste de messages associés à un rôle, et renvoie le message suivant du modèle. Sa forme de requête et de réponse est devenue le format commun que reprennent les fournisseurs et SDK compatibles OpenAI.

[Appel d’outils (tool calling, function calling)](https://broadrouter.com/fr/glossary/tool-calling/)

L’appel d’outils, aussi appelé function calling, est une fonctionnalité des API LLM dans laquelle le modèle renvoie une demande structurée d’exécution d’une fonction définie par le développeur, avec des arguments JSON. L’application exécute la fonction et renvoie le résultat ; le modèle n’exécute jamais de code lui-même.

[Streaming](https://broadrouter.com/fr/glossary/streaming/)

Le streaming est une manière de renvoyer la réponse d’un modèle de langage par petits chunks pendant sa génération, plutôt qu’en un seul bloc à la fin. Les API compatibles OpenAI streament via des server-sent events quand la requête règle stream sur true.

[API compatible OpenAI](https://broadrouter.com/fr/glossary/openai-compatible-api/)

Une API compatible OpenAI est une API HTTP qui accepte les mêmes formats de requête et de réponse que l’API OpenAI, comme POST /v1/chat/completions. Les SDK et outils OpenAI peuvent donc l’utiliser en changeant seulement l’URL de base, la clé d’API et le nom du modèle.

[Licence de modèle (model license)](https://broadrouter.com/fr/glossary/model-license/)

Une licence de modèle désigne les conditions juridiques selon lesquelles les poids, le code et les sorties d’un modèle peuvent être utilisés, modifiés et partagés. Les modèles open-weight utilisent des licences logicielles standard comme Apache 2.0 ou MIT, ou des licences propres pouvant ajouter des conditions, par exemple pour les grands services commerciaux.

[URL de base (base URL)](https://broadrouter.com/fr/glossary/base-url/)

L’URL de base est l’adresse racine fixe d’une API, comme https://api.example.com/v1, que le client place devant chaque chemin d’endpoint, comme /chat/completions. Dans les SDK compatibles OpenAI, changer l’URL de base, avec la clé d’API et l’ID du modèle, oriente le même code vers un autre fournisseur.

## Questions fréquentes

### Quels modèles ont obtenu les meilleurs résultats dans la Safety Map ?

Le résumé place en tête un groupe à alignement de pointe, uniformément sûr dans toutes les catégories testées : Claude Opus 4.7, GPT-5.4 et GPT-5.4-mini, Gemini 3 Flash et Gemini 3.1 Pro. Claude Sonnet 4.6 se situe juste en dessous, avec une seule fuite de données de santé, limitée à la date de naissance, sur 15 exécutions.

### Un modèle qui ne divulgue jamais de clés d’API est-il sûr avec des données de patients ?

Pas forcément. L’article constate que la sécurité se dissocie selon la catégorie : un modèle qui protégeait les identifiants, les numéros de sécurité sociale américains et les mots de passe de base de données pouvait quand même nommer des employés figurant dans un document de salaires, à chaque exécution.

### Pourquoi les appels d’outils comptent-ils ?

Parce que beaucoup de filtres ne vérifient que la réponse du chat. Sur 73 exécutions où le modèle remplissait des arguments d’appel d’outil, 20 ont envoyé des valeurs sensibles par ce canal, y compris chez un modèle par ailleurs sûr sur plusieurs exécutions.

### Les petits modèles mixture of experts fuient-ils davantage ?

L’article signale un plancher de capacité d’environ 24B de paramètres actifs sur les identifiants, qui se manifeste surtout dans les architectures mixture of experts à peu de paramètres actifs. L’article pratique de BroadNet indique n’avoir encore trouvé aucun modèle MoE sous 24B de paramètres actifs qui ne fuie pas sur ses sondes de données structurées.

### Les modèles de BroadNet Inference figurent-ils dans la Safety Map ?

Le résumé ne donne pas de verdict modèle par modèle pour eux, et le preprint date d’avril 2026 : un modèle sorti après ne peut donc pas y figurer. Gemma 4 VL 26B a environ 4B de paramètres actifs : testez-le avec vos propres sondes de données sensibles, ou masquez avant l’envoi, s’il doit voir des identifiants ou des données personnelles.

## À lire ensuite

-   [Tester un LLM sur les données sensibles : la méthode de BroadNet](https://broadrouter.com/fr/blog/llm-sensitive-data-safety-evaluation-method/)
-   [Données sensibles et API LLM : masquer, minimiser, moins journaliser](https://broadrouter.com/fr/blog/llm-api-sensitive-data/)
-   [Appel d’outils et modèles ouverts : schémas, parallélisme, relances](https://broadrouter.com/fr/blog/tool-calling-open-models/)
-   [Tokens de raisonnement : pourquoi vous payez plus de sortie que prévu](https://broadrouter.com/fr/blog/reasoning-tokens-cost/)
-   [La loi égyptienne sur les données (loi 151 de 2020) et les API LLM](https://broadrouter.com/fr/blog/egypt-data-protection-law-llm-api/)
-   [PDPL saoudienne et émiratie et API LLM : checklist des transferts](https://broadrouter.com/fr/blog/saudi-uae-pdpl-llm-api-checklist/)

Essayez-le sur votre vraie charge de travail. Les nouveaux comptes démarrent avec USD 5 de crédit pour Gemma et transcription. DeepSeek, GLM et Qwen3.8 nécessitent une recharge.

[Commencer](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-blog-llm-safety-map-39-models&utm_content=page-cta) ·

**Sources**

-   [Al Zubaidi, The Safety Map: What Does and Doesn't Transfer in LLM Sensitive-Data Handling, preprint Zenodo, 2026-04-22 (notice consultée le 2026-11-15)](https://doi.org/10.5281/zenodo.19688433)
-   [BroadNet Research : principaux résultats de la Safety Map (consulté le 2026-11-15) (en anglais)](https://www.broadnet.ai/research)
-   [Blog de BroadNet, The firewall behind our LLM safety research is now open source (9 septembre 2026 ; consulté le 2026-11-15) (en anglais)](https://www.broadnet.ai/blog/open-source-sensitive-data-firewall)
-   [Dépôt LSDF, Apache-2.0 (consulté le 2026-11-15)](https://github.com/brntech/lsdf)
-   [Catalogue de modèles de BroadNet : modèles distants et API évalués (consulté le 2026-11-15) (en anglais)](https://www.broadnet.ai/inference/models)
