IA open source et open weight : licences, hébergement et contrôle

Dans le débat sur l’IA open source, les modèles open weight offrent aux entreprises la possibilité d’exécuter et d’adapter un modèle sous leur propre contrôle, dans les limites de sa licence. Avec la sortie de Muse Spark Open le 15 octobre 2026, Meta ajoute un nouvel exemple américain : des poids téléchargeables ouvrent un choix de déploiement, sans garantir des économies ni des droits commerciaux sans restriction.

Commencez par une API, sauf si un besoin précis de contrôle ou une charge de travail mesurée justifie d’exploiter vous-même le modèle. Une API est une interface que votre logiciel appelle pour demander un service ; ce service peut tout à fait exécuter un modèle open weight. Vous pouvez donc évaluer le modèle chez un hébergeur avant de décider si en maîtriser le déploiement vaut le travail nécessaire.

Qu’est-ce qu’un modèle open weight ?

Un modèle open weight donne accès aux paramètres numériques appris qui lui permettent de produire des réponses. Ces paramètres sont les poids. Avec un logiciel compatible et une capacité matérielle suffisante, vous pouvez les charger et lancer l’inférence, c’est-à-dire générer une réponse à partir d’une entrée. Les données et le code d’entraînement d’origine peuvent rester indisponibles. La définition de Stanford HAI établit explicitement cette distinction.

Imaginez que vous achetiez une plante déjà développée chez un pépiniériste. Vous pouvez l’installer dans votre serre et vous en occuper. Vous n’avez pas pour autant reçu l’ensemble de ses registres de culture ni la méthode qui a permis de la faire pousser. Le modèle téléchargeable est le résultat de l’entraînement ; reproduire cet entraînement est un tout autre projet.

Pour une équipe d’exploitation, le gain immédiat est de pouvoir choisir où un modèle donné s’exécute. Selon la licence, vous pouvez aussi le modifier, l’ajuster par fine-tuning sur des exemples de votre activité ou distribuer un dérivé. Le fine-tuning consiste à poursuivre l’entraînement du modèle pour modifier son comportement ; ce n’est pas la même chose que joindre des documents à un prompt.

Prenons un assistant interne chargé de traiter les documents fournisseurs. Avec des poids accessibles, votre entreprise pourrait conserver le service d’inférence dans sa propre infrastructure et garder une version précise du modèle. Mais les poids ne fournissent ni la gestion des droits sur les documents, ni le moteur de recherche, ni l’interface, ni le workflow de traitement des erreurs. Ces composants restent à développer ou à acheter.

Poids ouverts ou fermés : qu’est-ce qui change ?

La différence tient à la possibilité d’obtenir les poids et de les exploiter soi-même. Avec un service à poids fermés, vous utilisez l’interface du fournisseur selon ses conditions ; vous ne pouvez pas emporter ce checkpoint sur un autre serveur. Avec une version open weight, un déploiement compatible peut fonctionner ailleurs, sous réserve de respecter la licence.

Il faut donc séparer deux questions souvent confondues : qui détient les poids, et qui exploite votre point d’accès ? Une API hébergée est un mode d’accès. Elle ne dit pas si le modèle sous-jacent est ouvert ou fermé.

Passer une application d’un hébergeur à un autre demande aussi du travail. Formats de prompt, outils pris en charge, entrées multimédias, analyse des sorties et réglages du service peuvent différer. L’accès aux poids offre une solution de rechange au fournisseur d’origine ; il ne rend pas tous les points d’accès interchangeables.

IA open source ou open weight : quelle différence ?

Un lien de téléchargement donne accès aux poids ; il ne prouve pas que l’ensemble du système d’IA est open source. Une licence logicielle connue appliquée à un checkpoint apporte des indications utiles sur les droits accordés. La transparence de l’entraînement est une question distincte.

L’Open Source AI Definition de l’Open Source Initiative exige la liberté d’utiliser, d’étudier, de modifier et de partager, ainsi que les éléments nécessaires aux modifications : les paramètres, le code utilisé pour entraîner et exécuter le système, et des informations suffisamment détaillées sur les données d’entraînement.

La nuance compte : cette définition n’exige pas simplement que chaque donnée d’entraînement d’origine soit téléchargeable publiquement. Elle précise les informations à fournir sur les données, y compris celles qui ne peuvent pas être partagées, et les endroits où trouver les jeux de données accessibles. Affirmer qu’« open source signifie que tous les jeux de données sont publics » simplifie excessivement la définition.

Dans un processus d’achat, vérifiez séparément les points suivants :

• Disponibilité : pouvez-vous obtenir le checkpoint exact, autrement dit la version enregistrée du modèle que vous comptez déployer ?
• Droits : sa licence autorise-t-elle votre usage interne, votre produit destiné aux clients, la redistribution ou votre activité d’hébergement de modèles ?
• Transparence : quels éléments de code, quelles informations sur les données et quels artefacts d’entraînement peut-on examiner ou utiliser pour reproduire le modèle ?
• Exploitation : l’infrastructure choisie peut-elle fournir des résultats et des temps de réponse acceptables ?

Une entreprise qui déploie un outil de classement des factures peut surtout avoir besoin de droits commerciaux et d’un environnement d’exécution privé. Une équipe de recherche qui veut reproduire l’entraînement a besoin de bien davantage. Le mot « ouvert » ne permet à aucune des deux de déduire que ses exigences sont remplies.

Modèles d’IA open weight : ce que les licences autorisent

Les droits s’attachent à une version précise, pas à Meta, OpenAI, DeepSeek, Qwen, Mistral ou NVIDIA dans leur ensemble. Les exemples suivants expliquent les différences qu’une entreprise doit savoir reconnaître. Il ne s’agit pas d’un classement.

Vérification effectuée le 16 octobre 2026 : fiches des éditeurs, annonces de sortie et textes des licences cités ici. Le tableau compare ces documents ; il ne repose pas sur des essais des modèles. Pour Mistral Small 4, la fiche de l’éditeur indique Apache 2.0 ; les conditions sont tirées du texte original de la licence Apache.

Meta Muse Spark Open : les droits commerciaux dépendent de l’activité

Meta a lancé Muse Spark Open le 15 octobre 2026, ajoutant un modèle développé aux États-Unis dont les poids sont téléchargeables. Meta le présente comme un modèle multimodal destiné au code et aux tâches agentiques, c’est-à-dire aux workflows dans lesquels un modèle utilise des outils au fil de plusieurs étapes. L’annonce de lancement propose à la fois des poids téléchargeables et une liste d’hébergeurs proposant une API.

La Muse Model License autorise l’utilisation, la modification, le fine-tuning, la distillation, les dérivés, la distribution et la vente, sous réserve de ses conditions. Les copies concernées doivent conserver la mention de copyright, la licence et la politique d’utilisation (« Usage Policy »). Il faut respecter cette politique et afficher clairement la mention « Built with Muse Spark Open » dans l’interface ou dans la documentation, le site web ou les paramètres qui l’accompagnent.

La définition des dérivés inclut les modèles d’IA améliorés à partir des sorties du logiciel. C’est un point à prendre en compte si vous prévoyez d’entraîner un autre modèle à partir d’exemples générés.

L’obligation de conclure un accord distinct vise les activités de Model as a Service : lorsque le chiffre d’affaires brut cumulé du titulaire de la licence et de ses sociétés affiliées dépasse 20 millions USD sur toute période de 12 mois consécutifs, il faut en informer Meta et conclure un accord écrit distinct avant de proposer le modèle ou ses dérivés dans le cadre de cette activité. La section 3 exclut l’usage interne, la recherche, les autres activités commerciales et les fonctionnalités d’un produit qui ne relève pas du Model as a Service.

Un assistant de support privé et une entreprise qui vend un accès au modèle ne relèvent donc pas de la même catégorie. Tous deux restent soumis aux autres conditions de la licence. Notre guide de déploiement de Muse Spark Open détaille les questions de matériel et d’hébergement.

OpenAI gpt-oss : une licence permissive ne dispense pas d’un environnement compatible

Les modèles de raisonnement OpenAI gpt-oss-20b et gpt-oss-120b sont téléchargeables sous licence Apache 2.0. La fiche de l’éditeur décrit le fine-tuning et le réglage de l’effort de raisonnement, qui détermine la quantité de raisonnement effectuée par le modèle avant sa réponse.

Le fichier de licence autorise la réutilisation commerciale, la modification et la redistribution. Toute distribution doit inclure une copie de la licence, des mentions identifiant les fichiers modifiés et les attributions et autres mentions applicables, y compris le contenu de NOTICE lorsqu’il est fourni. Apache accorde aussi des droits définis sur les brevets des contributeurs ; ce n’est pas une garantie générale contre toute revendication de brevet.

La contrainte d’exploitation est concrète : OpenAI indique que ces modèles doivent utiliser son format de réponse Harmony. Un environnement d’exécution ou un template de conversation compatible prend en charge cette structure. Charger les poids dans n’importe quelle interface de chat ne suffit pas à garantir un comportement correct.

Pour une équipe de développement, c’est une dépendance d’intégration qui se gère. Pour un acheteur, cela signifie que la proposition de déploiement doit nommer l’environnement d’exécution et le checkpoint, au lieu de simplement promettre « OpenAI en environnement privé ».

DeepSeek : la licence MIT ne fournit pas un service managé

DeepSeek-V4-Pro est un exemple de modèle téléchargeable sous licence MIT. La fiche de l’éditeur présente la série V4 comme une préversion, renvoie vers les checkpoints Pro et Flash et fournit des instructions de déploiement local. Ce sont les éléments précis examinés ici ; rien ne permet d’en conclure que toutes les versions de DeepSeek sont identiques.

La fiche applique explicitement la licence MIT au dépôt et aux poids du modèle. Le texte autorise l’utilisation, la copie, la modification, la distribution, la sous-licence et la vente, à condition d’inclure la mention de copyright et l’autorisation dans les copies ou les parties substantielles. Il n’accorde aucune garantie.

Pour un service interne de traitement documentaire, ces droits lèvent un obstacle de licence à l’exploitation et à la modification de ce checkpoint. Ils ne fournissent ni engagement sur le temps de réponse, ni équipe de gestion des incidents, ni assurance qu’un point d’accès hébergé sous un autre nom utilise la même version. Inscrivez ces exigences dans le cahier des charges du service ou du déploiement.

Qwen : une même gamme, des licences différentes

Les modèles Qwen3.8-27B et Qwen3.8-2.4T-A95B d’Alibaba diffèrent par leur licence et par les types d’entrées acceptés. La fiche de Qwen3.8-27B décrit une version multimodale, et son fichier de licence indique Apache 2.0.

La Qwen3.8-Max License, qui s’applique au plus grand checkpoint, autorise l’hébergement, le déploiement, le fine-tuning, les dérivés et la distribution sous conditions. Il faut conserver la mention de copyright et d’autorisation. Un produit commercial qui utilise ce modèle doit en afficher clairement le nom dans son interface lorsqu’il dépasse 100 millions d’utilisateurs actifs mensuels ou 20 millions USD de chiffre d’affaires mensuel.

Une autre condition s’applique lorsque le titulaire de la licence ou ses sociétés affiliées exercent une activité de Model as a Service ou d’AI Work Assistant et que leur chiffre d’affaires cumulé dépasse 50 millions USD sur toute période de 12 mois consécutifs : une licence distincte doit être obtenue avant tout usage commercial. L’exception pour usage interne exige que le modèle, ses sorties et ses capacités sous-jacentes ne soient pas mis à la disposition de tiers.

Les définitions sont déterminantes. La catégorie AI Work Assistant vise les produits autonomes principalement destinés au code ou à la bureautique, avec des exclusions pour les outils à fonction unique, les assistants d’autres domaines et les fonctionnalités de produits dont l’objet principal est différent. Classez le produit réel à la lumière du texte intégral.

Il faut aussi repérer une différence de capacités : la fiche du grand checkpoint précise qu’il ne traite que du texte et impose le mode de raisonnement, tandis que la version hébergée Qwen3.8-Max dispose de fonctions supplémentaires, dont la vision. Un essai sur un service hébergé ne prouve pas que le modèle téléchargé offre les mêmes fonctions.

Mistral : partez d’un checkpoint réellement disponible

Mistral Small 4 est un checkpoint multimodal disponible dont la fiche indique la licence Apache 2.0. La fiche de Mistral-Small-4-119B-2603 décrit des entrées texte et image, une sortie texte, des modes instruction et raisonnement, ainsi qu’une personnalisation par fine-tuning.

Le texte d’Apache 2.0 autorise la modification commerciale et la redistribution, sous réserve de fournir la licence, de signaler les changements et de conserver les attributions requises. Il n’impose pas de publier toutes les modifications et n’accorde pas un droit d’usage sans restriction sur les marques de l’éditeur.

N’étendez pas cette conclusion à d’autres modèles sur la seule base de la marque. L’annonce de Large 4 par Mistral décrit une préversion publique et indique que les poids seront publiés d’ici la fin du mois. À la date de vérification de cet article, cette annonce reste un engagement futur ; elle ne prouve ni la disponibilité d’un checkpoint ni les conditions de sa licence de téléchargement.

Une équipe qui prépare un déploiement privé immédiat a besoin d’une version qu’elle peut obtenir dès maintenant. La page consacrée à Mistral Large 4 traite séparément de cette préversion.

NVIDIA Nemotron : lisez la licence désignée par la fiche actuelle

Le checkpoint de NVIDIA Nemotron 3 Ultra examiné ici utilise OpenMDW 1.1. La fiche du modèle de NVIDIA décrit un modèle de raisonnement, de conversation et d’usage agentique, prêt pour des usages commerciaux et non commerciaux. Les anciennes pages de licence de Nemotron ne remplacent pas le lien vers les conditions applicables indiqué sur cette fiche.

La licence OpenMDW 1.1 accorde des droits étendus sur les éléments du modèle fournis. Leur distribution doit inclure l’accord et les mentions de copyright et d’origine applicables. La licence n’impose aucune restriction ni obligation concernant l’utilisation, la modification ou le partage des sorties générées.

Elle comporte aussi des clauses de résiliation pour certains contentieux relatifs aux brevets ou au droit d’auteur, exclut les garanties et laisse à l’utilisateur le soin de s’assurer des autres droits applicables. Des droits étendus ne constituent pas une promesse d’indemnisation.

NVIDIA décrit des données d’entraînement et des méthodes publiées, tandis que la même fiche mentionne aussi des jeux de données privés. Cela illustre pourquoi « open weight » décrit un accès minimal, sans signifier que tous les éditeurs publient exactement les mêmes éléments complémentaires. Si la reproductibilité compte, examinez les artefacts nommément désignés au lieu de traiter cette étiquette comme une note de transparence.

Le mode d’hébergement change les arbitrages pour l’entreprise

Définissez le périmètre du déploiement avant d’acheter du matériel. Un même modèle téléchargeable peut être exploité selon des organisations très différentes. La question utile est de savoir quelles responsabilités vous voulez assumer.

API hébergée : confier l’exploitation à un prestataire

Une API hébergée est le point de départ le plus rapide pour vérifier la qualité sur une tâche. Vous envoyez une requête à un service qui charge et exploite le modèle. Meta cite Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter et Together AI parmi les plateformes de lancement de Muse Spark Open ; cette liste ne signifie pas qu’elles proposent toutes les mêmes fonctions ou conditions contractuelles.

Pour un fondateur qui a levé des fonds et prototype un assistant de support, l’hébergement évite de s’engager sur une capacité avant d’avoir validé le workflow. Comparez les types d’entrées précis, la révision du modèle, les outils pris en charge, les conditions de conservation des données et la région du point d’accès que vous utiliserez.

La limite concerne la maîtrise des données. Même si les poids sont ouverts, utiliser le point d’accès d’un tiers revient à lui envoyer des prompts. Le contrat et la configuration du service déterminent ce qui s’y passe. Le nom d’un modèle ouvert ne transforme pas un appel hébergé en traitement local.

Vos GPU : maîtriser le déploiement et en assumer l’exploitation

L’auto-hébergement permet de décider comment le service d’inférence est exploité. Vous pouvez utiliser vos propres machines ou louer de la capacité GPU dans un compte cloud. Les GPU sont les processeurs qui exécutent les calculs du modèle. L’environnement d’exécution, ou runtime, est le logiciel qui charge le checkpoint et traite les requêtes ; les instructions de déploiement de l’éditeur doivent guider le choix de cet environnement et du format.

Pour le directeur technique d’une entreprise de taille intermédiaire qui doit garder les documents fournisseurs dans un environnement maîtrisé, cet avantage peut être décisif. Le périmètre doit toutefois inclure la recherche de documents, les journaux de requêtes, la supervision, les sauvegardes et tous les outils appelés par le modèle. Un modèle privé qui transmet le contenu des documents à un service de recherche externe ne satisfait pas cette exigence.

Les responsabilités vous reviennent aussi : contrôle des accès, correctifs, planification de la capacité, tests de déploiement, gestion des incidents et reprise du service. Désignez un responsable avant d’introduire cette dépendance. Réserver des GPU ne suffit pas à organiser une exploitation en production.

Exécuter un LLM open weight sur un appareil local

Le déploiement local est utile lorsque la machine d’une seule personne peut absorber la charge et que l’isolement prime sur la capacité à servir plusieurs utilisateurs. LLM signifie « grand modèle de langage ». Un développeur indépendant peut utiliser un modèle local pour classer des fichiers ou travailler sur un dépôt de code tout en gardant la maîtrise de l’environnement d’exécution.

La fiche gpt-oss d’OpenAI documente des possibilités d’exécution locale, tandis que celle de Mistral Small 4 répertorie des environnements locaux et serveur. Il faut vérifier la compatibilité du checkpoint et du format précis. La présence d’un modèle dans un catalogue ne prouve pas qu’il tiendra sur votre appareil.

Un poste de travail personnel a aussi des limites ordinaires de disponibilité : il peut se mettre en veille, redémarrer ou être occupé par une autre tâche. Gardez cette distinction à l’esprit avant de transformer une expérimentation individuelle réussie en service partagé. Notre guide des meilleurs LLM locaux traite du choix en fonction du matériel.

LLM open weight : les limites matérielles à prendre en compte

Le premier critère matériel est la mémoire disponible ; le suivant est le débit réellement utilisable. OpenAI indique que gpt-oss-20b peut fonctionner avec 16 Go de mémoire grâce à la quantification MXFP4 fournie, qui représente les poids avec une précision réduite. Il s’agit d’une configuration annoncée par l’éditeur, pas d’une promesse valable pour n’importe quel ordinateur ou volume de requêtes.

À l’autre extrémité, la fiche de Muse Spark Open indique 700 Go de mémoire GPU en NVFP4 et 2 To en BF16, deux formats de poids de précision numérique différente. L’affirmation distincte concernant l’exécution sur ordinateur de bureau se rapporte à deux Mac Studios Apple M5 Ultra utilisant MLX, selon l’annonce. « Fonctionne en local » recouvre des catégories de matériel très différentes.

Les fichiers de poids ne représentent pas toute la charge en cours d’exécution. L’historique d’entrée, les calculs intermédiaires et les requêtes simultanées consomment eux aussi des ressources. Mesurez le temps de réponse et le débit de requêtes réussies avec vos longueurs réelles de prompt. Ni le nombre de paramètres ni la fenêtre de contexte maximale ne disent combien de clients votre service pourra prendre en charge de façon acceptable.

Ce qui change pour les développeurs, les équipes d’exploitation et les acheteurs

L’intérêt pour l’entreprise est le plus net lorsque le contrôle répond à un problème identifié et qu’une équipe peut exploiter le service. Le volume peut renforcer cet intérêt, mais il ne suffit pas à trancher.

Pour les développeurs, le bénéfice est de pouvoir choisir et examiner le déploiement. Vous pouvez conserver un artefact donné, modifier les réglages du service ou effectuer un fine-tuning si la licence l’autorise. Le travail consiste à faire fonctionner correctement l’application autour de ce modèle : formater les requêtes, interpréter les appels d’outils et gérer les échecs. Commencez par un workflow délimité, par exemple l’extraction d’identifiants fournisseurs, avec des exemples explicites de sorties acceptables et inacceptables.

Pour les équipes d’exploitation, le bénéfice est la maîtrise du périmètre de traitement et du calendrier des changements. En contrepartie, il faut documenter les flux de données et maintenir le système en état de marche. Un responsable du support doit exiger une procédure claire de relais humain en cas de pièce jointe illisible, de classement incertain ou d’indisponibilité de l’inférence. Posséder le modèle ne supprime pas le besoin d’escalade vers une personne.

Pour les acheteurs, le bénéfice est une solution de déploiement alternative crédible. Exigez que la proposition précise la révision du modèle, la licence, l’infrastructure, les responsabilités de support et la procédure de migration. La mention « propulsé par des modèles ouverts » ne suffit pas si vous ne pouvez pas obtenir la configuration ou déplacer l’application sans reconstruire les composants qui l’entourent.

Quand le volume justifie l’auto-hébergement

L’auto-hébergement devient économiquement plausible lorsque du travail utile occupe réellement la capacité. Une file prévisible de documents à traiter peut souvent utiliser les ressources autrement qu’un assistant client qui doit répondre immédiatement à des pics irréguliers.

Comparez le service dans son ensemble : calcul, stockage, supervision, temps d’ingénierie, capacité inutilisée, nouvelles tentatives, solutions de repli et éventuel accord de licence applicable. Comparez ensuite les résultats acceptés à la latence exigée par votre workflow. Une réponse générée à moindre coût ne fait pas économiser d’argent si elle demande davantage de vérifications ou répète une tâche échouée.

Un fondateur dont la demande reste incertaine devrait d’abord apprendre avec un service hébergé avant de s’engager sur du matériel. Un directeur technique disposant d’une charge soutenue et d’une expertise d’infrastructure en interne a davantage de raisons de mesurer l’intérêt d’un déploiement privé. Aucun des deux n’a besoin d’un seuil universel de volume de tokens inventé à partir de la configuration d’un tiers.

La distinction d’exploitation est là : un fournisseur d’API prend en charge une grande partie du travail de capacité et de gestion du service ; l’auto-hébergement vous donne davantage de contrôle en vous transférant les responsabilités correspondantes.

Quelles promesses exagère-t-on autour des modèles open weight ?

L’exagération consiste à promettre que l’accès aux poids apporte automatiquement liberté, confidentialité et économies à la fois. Chacun de ces bénéfices dépend de conditions propres.

« Ouvert signifie sans restriction. » Les licences spécifiques de Muse et Qwen montrent les limites de cette affirmation. Un téléchargement peut autoriser de nombreux usages tout en imposant des conditions sur l’affichage de la marque, les dérivés ou certaines activités. Même une licence permissive comporte des conditions à préserver lors de la distribution d’un modèle.

« Ouvert signifie privé. » La confidentialité dépend des flux de données du système déployé. Examinez l’hébergeur de l’inférence, le service de recherche documentaire, les outils, les journaux et les administrateurs. Exécuter le modèle sur votre propre serveur ne traite qu’une partie de cette cartographie.

« Ouvert signifie que le produit API est téléchargeable. » La fiche de Qwen distingue explicitement son grand checkpoint limité au texte des fonctions supplémentaires de la version hébergée. Les applications ajoutent aussi de l’orchestration, des outils et des interfaces autour du modèle. Récupérer les poids ne reproduit pas tout ce comportement.

« Ouvert signifie qu’il n’y a plus de travail récurrent. » Il faut toujours dimensionner le matériel, suivre l’évolution des logiciels et attribuer la responsabilité des incidents. Une équipe peut gagner en autonomie tout en dépensant davantage au total. Choisissez l’autonomie lorsqu’elle résout une contrainte de l’entreprise ; ne revendiquez des économies qu’après les avoir mesurées.

« Des poids ouverts annoncés sont déjà disponibles. » Le calendrier de sortie de Mistral Large 4 fournit un contre-exemple concret. Planifiez l’évaluation autour d’un artefact réel et de ses conditions publiées, pas d’un téléchargement attendu.

Par quoi commencer dès lundi ?

Évaluez un workflow avant de modifier votre infrastructure. Agissez dès maintenant si le périmètre des données, un besoin de personnalisation ou la dépendance à un service unique pose déjà problème. Attendez avant d’acheter du matériel si la qualité du modèle sur la tâche ou la charge reste incertaine. Une équipe satisfaite de son API actuelle et de ses conditions n’a aucune raison automatique de migrer.

1. 1

   Formuler le besoin

   Choisissez une tâche concrète et expliquez pourquoi l’organisation actuelle ne suffit pas : les documents doivent rester dans un environnement défini, une révision du modèle doit rester disponible ou une file de traitement stable mérite une évaluation. Définissez les sorties acceptables et les conditions de relais humain.

2. 2

   Identifier le modèle et les droits accordés

   Conservez l’identifiant du checkpoint, sa révision, sa fiche et sa licence. Précisez s’il servira en interne, alimentera une fonctionnalité d’un produit, sera redistribué ou permettra de vendre un accès au modèle. Clarifiez les conditions applicables avant de construire votre solution autour de lui.

3. 3

   Évaluer dans un cadre autorisé

   Utilisez un hébergeur si vos exigences sur les données le permettent ; sinon, menez l’évaluation dans l’environnement imposé. Comparez des tâches représentatives avec le service actuel. Consignez les erreurs, le temps de réponse, l’effort de vérification et les fonctions du point d’accès dont dépend l’application.

4. 4

   Attribuer les responsabilités avant la mise en production

   Désignez les responsables de la capacité, des accès, de la supervision, des mises à jour et des incidents. Exigez une procédure de retour arrière et un déploiement reproductible. N’achetez du matériel qu’une fois le modèle, la charge et le plan d’exploitation validés.

Consultez le guide des meilleurs LLM open source pour choisir un modèle une fois ces exigences clarifiées. Ici, la décision porte sur le contrôle dont vous avez besoin et les responsabilités que vous êtes prêt à assumer.

Questions fréquentes

Qu’est-ce qu’un modèle open weight ?

C’est un modèle entraîné dont les poids peuvent être obtenus et exécutés avec des logiciels et du matériel adaptés. Ses données et son code d’entraînement peuvent rester indisponibles. La licence détermine les usages, modifications et distributions autorisés.

Quel est le meilleur modèle open weight ?

Il n’y a pas de réponse valable indépendamment de la tâche. Définissez d’abord l’usage autorisé, les entrées nécessaires, le matériel ou l’hébergeur et les sorties acceptables. Utilisez le guide de sélection lié dans cet article pour établir une présélection, puis évaluez votre workflow. Cette page compare les conditions d’accès et les responsabilités, sans classer les performances.

Quelle différence entre un modèle à poids ouverts et un modèle à poids fermés ?

Les poids ouverts peuvent être obtenus pour un déploiement compatible, dans le respect de leur licence. Les poids fermés restent chez le fournisseur. Les deux types de modèles peuvent être accessibles par API ; utiliser une API ne dit pas si le modèle sous-jacent est téléchargeable.

Les modèles open weight sont-ils gratuits ?

Une licence peut accorder un droit d’usage sans redevance, mais l’exploitation du modèle mobilise toujours du matériel et du temps de travail. Un hébergeur peut facturer l’inférence, et une licence spécifique peut imposer un accord distinct pour certaines activités. Vérifiez à la fois les conditions du modèle et celles du service que vous utiliserez.

Les modèles open weight risquent-ils d’être interdits ?

Une annonce de lancement ne permet pas de préjuger des autorisations légales futures. Au moment du déploiement, évaluez le modèle précis, l’usage prévu et les territoires concernés au regard des règles applicables. Ne décidez pas d’une migration sur la prédiction que tous les modèles open weight seront soit interdits, soit définitivement exempts de restrictions.

Comment les modèles open weight génèrent-ils des revenus ?

Des poids téléchargeables peuvent coexister avec de l’hébergement payant, du support, de la personnalisation et des accords de licence commerciale. Le téléchargement des poids et le service qui l’entoure sont des offres distinctes. Muse et Qwen illustrent aussi les obligations conditionnelles de licence séparée pour certaines activités.

Quel retard ont les modèles open weight ?

Cette étiquette ne permet pas de déduire un écart de performances. Comparez des versions précises sur votre tâche, en tenant compte de la configuration d’exécution et des fonctions disponibles au point d’accès. Un benchmark agrégé ne détermine ni votre taux d’erreur, ni votre débit, ni votre charge de vérification.

Les modèles open weight sont-ils sûrs ?

La disponibilité des poids ne garantit pas un comportement sûr de l’application. Évaluez les échecs dans le workflow prévu, limitez les droits des outils, protégez les entrées sensibles et définissez les modalités de relais humain. La fiche de Meta demande elle-même des tests de sécurité propres à l’application et des protections supplémentaires pour les agents qui réalisent des actions à conséquences importantes.

Pour prendre des décisions concrètes sur l’adoption de l’IA, abonnez-vous à la newsletter.