Nous présentons un algorithme d'inférence variationnelle pour les modèles à blocs stochastiques et à blocs latents pour les graphes creux, qui tire parti de la rareté des arêtes pour passer à l'échelle sur un très grand nombre de noeuds. Cet algorithme est implémenté sous la forme d'un module python, appelé sparsebm, qui peut traiter des graphes comportant des millions de noeuds. Abstract. We present a variational inference algorithm for the Stochastic Block Model and the Latent Block Model for sparse graphs, which leverages on the sparsity of edges to scale up to a very large number of nodes. This algorithm is implemented as a python package, called sparsebm, which can handle graphs with millions of nodes.