Le modèle des blocs latents est utilisé pour classer simultanément les lignes et les colonnes d'une matrice afin de révéler une structure en blocs. Les algorithmes utilisés pour l'estimation prennent souvent beaucoup de temps. Cependant, des travaux récents montrent que les rapports de log-vraisemblance sont équivalents sous les modèles complet et observé (avec des étiquettes inconnues) et que la distribution postérieure des groupes converge à mesure que la taille des données augmente vers une masse de Dirac située au niveau de la configuration réelle des groupes. Sur la base de ces observations, l'algorithme Largest Gaps est proposé dans cet article pour effectuer le regroupement en utilisant uniquement les marginales de la matrice, lorsque le nombre de blocs est très petit par rapport à la taille de la matrice entière dans le cas de données binaires. En outre, une méthode de sélection de modèle est incorporée avec une preuve de sa consistance. Ainsi, cet article montre que l'étude de configurations simplistes (peu de blocs par rapport à la taille de la matrice ou des blocs très contrastés) avec des algorithmes complexes est inutile puisque les marginales donnent déjà de très bonnes estimations des paramètres et de la classification.