DeepSeek, Qwen et la vague des poids ouverts

Intermédiaire

Pendant longtemps, l'histoire de la « bonne IA » était celle d'une poignée de modèles de frontière fermés, que vous ne pouviez louer que via une API. Ce n'est plus toute l'histoire. Une vague de modèles à poids ouverts — beaucoup provenant de laboratoires chinois comme DeepSeek et Qwen d'Alibaba, aux côtés de Llama de Meta et de Mistral de France — est devenue assez bonne, assez peu coûteuse et assez petite pour que télécharger et exécuter votre propre modèle performant devienne une véritable option. Cette page est la carte durable de ce paysage : pourquoi c'est arrivé, ce que « poids ouverts » signifie réellement, les compromis honnêtes face aux modèles de frontière fermés, et comment utiliser concrètement ces modèles aujourd'hui.

What you'll learn

Comprendre POURQUOI les modèles à poids ouverts sont devenus compétitifs — la capacité par coût et le raisonnement ouvert
Cerner ce que « poids ouverts » signifie vraiment — vs open source et vs données ouvertes
Reconnaître les archétypes : chat généraliste, raisonnement, codage, et modèles petits/efficaces
Peser les vrais compromis face à la frontière fermée — l'écart de capacité sur les tâches les plus difficiles, et le fait d'assumer votre propre infrastructure et sécurité
Connaître les deux façons de les utiliser concrètement : une API hébergée, ou l'auto-hébergement via Ollama

Pourquoi les modèles à poids ouverts sont soudain devenus compétitifs

Trois choses ont changé à peu près en même temps, et ensemble elles ont comblé la majeure partie de l'écart quotidien.

La capacité par coût s'est effondrée. De meilleures recettes d'entraînement, une meilleure curation des données et les architectures mixture-of-experts (MoE) (où seule une fraction des paramètres d'un grand modèle s'active par token) ont permis aux laboratoires de livrer des modèles qui dépassent largement leur coût. Pour une grande part des tâches réelles — rédaction, résumé, extraction, classification, codage courant — un bon modèle ouvert est désormais « assez bon », à une fraction du coût d'une API de frontière.
Les modèles de raisonnement ouverts sont arrivés. La lignée de raisonnement de DeepSeek a été un tournant : elle a montré que la capacité à « réfléchir étape par étape avant de répondre » — auparavant le rempart de quelques modèles fermés — pouvait être entraînée et publiée avec des poids ouverts. Une fois qu'un laboratoire l'a prouvé, le reste de l'écosystème ouvert a suivi.
Les petits modèles sont devenus réellement utilisables. Les modèles de moins de 10 milliards, voire de moins d'1 milliard de paramètres, sont devenus cohérents et utiles, ce qui signifie que vous pouvez exécuter quelque chose de performant sur un ordinateur portable ou un serveur bon marché. Cela change l'économie de la confidentialité, de la latence et de l'échelle.

L'effet net : l'écart avec la frontière fermée n'a pas disparu, mais pour la plupart des travaux il a cessé d'être le facteur décisif. Les facteurs décisifs sont devenus le coût, le contrôle et l'endroit où résident vos données.

Ce que « poids ouverts » signifie réellement

C'est le point le plus confus de tout ce domaine. « Ouvert » travaille dur de trois manières différentes, et ce ne sont pas la même chose.

Terme	Ce que vous obtenez réellement	Ce que vous n'obtenez généralement PAS
Poids ouverts	Le fichier du modèle entraîné (les poids). Vous pouvez le télécharger, l'exécuter, l'affiner et l'auto-héberger.	Les données d'entraînement, et parfois le code d'entraînement complet. L'usage peut être régi par une licence personnalisée.
Open source (strict)	Les poids plus le code d'entraînement/d'inférence sous une licence de style OSI, avec la liberté d'utiliser, de modifier et de redistribuer.	Souvent, toujours pas les données d'entraînement.
Données ouvertes	Les jeux de données réels sur lesquels le modèle a été entraîné, publiés ouvertement.	Rare pour les modèles à l'échelle de la frontière ; la plupart des modèles « ouverts » sont à poids ouverts, pas à données ouvertes.

L'enseignement pratique : la plupart des modèles que les gens appellent « open source » sont en réalité à poids ouverts. Vous pouvez les exécuter et les adapter, mais vous ne pouvez généralement pas les reproduire à partir de zéro, et vous devez lire la licence. Les licences varient :

Certains sont livrés sous des licences permissives (Apache 2.0, MIT) qui sont propres pour un usage commercial — les modèles Qwen et Mistral, par exemple, ont historiquement utilisé Apache 2.0, et DeepSeek a utilisé MIT pour ses versions majeures.
Certains sont livrés sous des licences communautaires personnalisées avec des conditions — la licence Llama de Meta, par exemple, a historiquement inclus une clause restreignant l'usage libre pour les toutes plus grandes entreprises (par nombre d'utilisateurs actifs mensuels).

Vérifiez toujours la carte de modèle spécifique pour connaître sa licence avant de construire dessus. Point neutre mais important : le fait qu'un modèle soit à poids ouverts vous indique que vous pouvez l'héberger vous-même ; cela ne vous indique pas les conditions juridiques, et cela ne fait pas disparaître les questions de licence ou de résidence des données — cela les transfère vers vous.

Les quatre archétypes

Les familles à poids ouverts arrivent presque toujours sous forme d'un éventail de variantes, pas d'un seul modèle. Apprenez les quatre archétypes et vous pourrez lire d'un coup d'œil la gamme de n'importe quel laboratoire.

Archétypes des modèles à poids ouverts

Appuyez sur Entrée ou Espace pour retourner la carte. Utilisez les flèches gauche et droite pour naviguer entre les cartes.Terme affiché.

1 / 4

Une seule famille — Qwen est l'exemple le plus clair — vous donne généralement toute l'échelle : de minuscules modèles pour l'edge et les ordinateurs portables, des modèles de taille moyenne pour les serveurs, un grand modèle phare pour les tâches les plus difficiles, plus des variantes spécialisées en codage et en raisonnement. Vous choisissez le barreau qui correspond à votre matériel et à votre tâche, pas « le modèle ».

Les compromis honnêtes face à la frontière fermée

Les modèles à poids ouverts ne sont pas une amélioration pure et simple. C'est un marché différent. Voici le compromis, présenté de façon neutre.

Dimension	Poids ouverts (auto-hébergé ou hébergement bon marché)	Frontière fermée (API hébergée)
Capacité sur les tâches les plus difficiles	Solide et se rapprochant vite, mais la frontière fermée mène généralement encore sur le raisonnement le plus difficile, l'agentique à long horizon et les tâches de niche	Généralement le plafond sur les tâches les plus ardues
Coût à l'échelle	Peut être considérablement moins cher, surtout en auto-hébergement ou via des hébergeurs économiques	Prix premium par token ; prévisible mais s'accumule
Confidentialité / résidence des données	Vous pouvez garder les données entièrement au sein de votre environnement	Les données quittent votre réseau vers le fournisseur
Contrôle et personnalisation	Total : affiner, quantifier, figer une version, exécuter hors ligne	Limité à ce que l'API expose ; les versions peuvent changer sous vos pieds
Qui assume la sécurité et les opérations	Vous — les garde-fous, le filtrage des abus, la disponibilité, la mise à l'échelle et les correctifs sont votre travail	Le fournisseur gère l'infrastructure et livre une sécurité de base

Cette dernière ligne est celle que les gens sous-estiment. Quand vous auto-hébergez un modèle à poids ouverts, vous héritez aussi des responsabilités qu'un laboratoire de frontière absorbe normalement pour vous : la sécurité du contenu et l'atténuation des abus, le maintien du déploiement à jour, la capacité et la disponibilité, et l'évaluation vous-même de chaque nouvelle version de modèle. « Poids ouverts » vous achète du contrôle, et le contrôle est un coût autant qu'un avantage. Pour une intuition des coûts côté API de ce compromis, voir L'économie des tokens.

Comment utiliser concrètement un modèle ouvert

Il existe exactement deux chemins, et la plupart des équipes utilisent les deux à différentes étapes.

API hébergée — de nombreux fournisseurs (y compris les laboratoires eux-mêmes et des hébergeurs d'inférence tiers) servent les modèles à poids ouverts derrière une API, souvent compatible OpenAI. Vous obtenez l'économie des modèles ouverts sans aucun travail d'infrastructure. Idéal quand vous voulez un faible coût sans gérer de serveurs, mais notez que vos données quittent tout de même votre réseau.
Auto-hébergement — téléchargez les poids et exécutez-les dans votre environnement. Confidentialité et contrôle maximaux, et la seule option quand les données ne peuvent vraiment pas quitter votre réseau. La rampe d'accès la plus facile est Ollama, qui récupère et exécute les modèles ouverts avec une seule commande.

Essayer un modèle en local en quatre étapes

Guided walkthrough1 of 4

Téléchargez-le depuis ollama.com/download (macOS/Windows) ou utilisez le script d'installation Linux. Cela vous donne la commande ollama et un service d'arrière-plan local. Guide complet sur la page Exécuter des modèles en local.

Télécharger et exécuter un modèle ouvert en local avec Ollama

ollama run qwen3

Cette seule commande télécharge un modèle Qwen à poids ouverts et démarre un chat local — pas de clé API, aucune donnée ne quitte votre machine. Remplacez qwen3 par une autre famille (par exemple un tag Llama, Mistral ou DeepSeek) pour les comparer sur votre propre tâche. Choisir le bon modèle pour un travail donné est une compétence à part entière : voir Choisir un modèle.

Choisir entre ouvert et fermé, en pratique

Ne choisissez pas au classement. Choisissez par contrainte :

Les données ne peuvent pas quitter votre réseau → le poids ouvert auto-hébergé est la réponse, point final.
Volume élevé, sensible au coût, qualité « assez bonne » → le poids ouvert (hébergé ou auto-hébergé) l'emporte généralement sur le coût.
Vous avez besoin du tout meilleur sur les tâches les plus difficiles → la frontière fermée tend encore à mener — utilisez-la là où ça compte et acheminez le trafic plus facile vers des modèles ouverts moins chers.
Vous voulez affiner, quantifier, figer une version ou exécuter hors ligne → seuls les poids ouverts vous donnent ce contrôle.

Le geste le plus durable est de faire tourner une petite évaluation sur vos propres données réelles avec un candidat ouvert et un candidat fermé. Les benchmarks décrivent la tâche de quelqu'un d'autre ; votre évaluation décrit la vôtre.

Vérifiez vos connaissances

0/3

Que garantit le fait d'obtenir des « poids ouverts » ?
Vous devez traiter des données qui, légalement, ne peuvent pas quitter votre réseau. Quel chemin convient ?
Quelle nouvelle responsabilité assumez-vous lorsque vous auto-hébergez un modèle à poids ouverts ?

Key takeaways

Les modèles à poids ouverts ont comblé la majeure partie de l'écart quotidien grâce à la capacité par coût, aux modèles de raisonnement ouverts et à des petits modèles réellement utilisables
« Poids ouverts » = des poids téléchargeables que vous pouvez exécuter et affiner — PAS nécessairement du code open source, des données d'entraînement ouvertes ou une licence permissive ; lisez toujours la carte de modèle
Lisez n'importe quelle gamme par archétype : chat généraliste, raisonnement, codage et petit/efficace — la plupart des familles livrent toute l'échelle de tailles
Le compromis est réel : l'ouvert achète du coût, de la confidentialité et du contrôle, mais la frontière fermée mène généralement encore sur les tâches les plus difficiles et vous héritez de la sécurité et de l'infrastructure
Deux façons de les utiliser : une API hébergée (souvent compatible OpenAI), ou l'auto-hébergement via Ollama en une seule commande — puis évaluez sur VOS données, pas sur un classement

Pourquoi les modèles à poids ouverts sont soudain devenus compétitifs​

Ce que « poids ouverts » signifie réellement​

Les quatre archétypes​

Les compromis honnêtes face à la frontière fermée​

Comment utiliser concrètement un modèle ouvert​

Essayer un modèle en local en quatre étapes​