Dernière revue :
Qu'est-ce qu'un modèle IA open source ? Définition et bon réflexe vs mauvais réflexe
Un modèle open source IA est un modèle de fondation dont les poids et l'architecture sont librement téléchargeables et exploitables sous licence permissive (Apache 2.0, MIT). Il s'oppose au modèle propriétaire (Claude, GPT, Gemini) accessible uniquement via API. Le choix engage souveraineté, coût et flexibilité long terme.
Le paysage des modèles open source s'est transformé entre 2023 et 2026. Les modèles propriétaires (Claude d'Anthropic, GPT d'OpenAI, Gemini de Google) conservent une légère avance sur les benchmarks les plus difficiles, mais l'écart se resserre rapidement. Les modèles open source dominants en mai 2026 sont DeepSeek V4 Pro (MIT, Chine), Llama 4 Scout et Maverick (Meta custom license, 10M tokens de contexte), Qwen 3.5 (Apache 2.0, Alibaba, 201 langues), Mistral Large 3 (Apache 2.0, France), Mistral Medium 3.5 (licence MIT modifiée, France), et Gemma 4 (Apache 2.0, Google). L'architecture dominante des modèles phares est le MoE sparse : de 397 milliards (Qwen 3.5) à 1 600 milliards (DeepSeek V4 Pro) de paramètres totaux, dont seulement 17 à 49 milliards actifs par token. Mistral Medium 3.5 fait exception : c'est un modèle dense de 128 milliards de paramètres. Apache 2.0 et MIT sont les licences les plus permissives ; la Meta custom license impose une clause de seuil utilisateurs (700M MAU) et des restrictions UE ; la licence MIT modifiée de Mistral Medium 3.5 exclut les entreprises dont le chiffre d'affaires mensuel consolidé dépasse 20 millions de dollars.
Exemple concret
Un cabinet d'expertise comptable français de 180 salariés évalue en 2026 le déploiement d'un assistant IA interne sur documents sensibles (bilans clients, déclarations fiscales). Trois options. Option A : Claude Sonnet 5.5 via l'API Anthropic, 2 100 $/mois, données traitées sur l'infrastructure d'Anthropic (l'API ne propose pas de traitement localisé en Europe, seulement « global » ou « États-Unis »). Option B : Mistral Large 3 self-hosté sur cluster GPU loué chez Scaleway, 4 800 $/mois (4 GPUs H200 et stockage), données 100 % France. Option C : Mistral Medium 3.5 (modèle dense de 128 milliards de paramètres) sur un serveur de 8 GPU de classe H100 ou H200 installé dans le datacenter du cabinet, la configuration de référence publiée par Mistral. La licence MIT modifiée ne pose pas de problème : le cabinet est très loin du seuil de 20 M$ de chiffre d'affaires mensuel. Investissement matériel lourd, souveraineté complète. Le cabinet choisit l'option C pour la confidentialité fiscale, après avoir vérifié qu'il dispose des compétences pour exploiter ce serveur.
Questions fréquentes
Qu'est-ce qu'un modèle open source en IA ?
C'est un modèle de fondation dont les poids et l'architecture sont librement téléchargeables et exploitables sous licence permissive, comme Apache 2.0 ou MIT. Il s'oppose au modèle propriétaire (Claude, GPT, Gemini), accessible uniquement via une API. Le choix engage la souveraineté, le coût et la flexibilité à long terme.
Les modèles open source sont-ils aussi performants que les propriétaires ?
Les modèles propriétaires conservent une légère avance sur les benchmarks les plus difficiles, mais l'écart se resserre rapidement. Le paysage s'est transformé entre 2023 et 2026 : en mai 2026, les modèles ouverts dominants incluent DeepSeek V4 Pro, Llama 4, Qwen 3.5, Mistral Large 3 et Gemma 4.
Open source ou propriétaire : comment arbitrer ?
En évitant les deux erreurs symétriques, choisir le propriétaire par défaut ou l'open source par idéologie. L'arbitrage repose sur trois axes opérationnels (volume d'inférence attendu, sensibilité des données, criticité du service) et un axe stratégique (l'indépendance long terme vis-à-vis d'un fournisseur unique). La règle WYP : commencer en API propriétaire pour apprendre vite, puis basculer en open source self-hosté sur les cas critiques une fois le volume et les besoins stabilisés.
À partir de quand l'auto-hébergement devient-il rentable ?
Au-delà d'environ 50 millions de tokens par mois, le self-hosting d'un modèle ouvert devient rentable. En dessous, il coûte généralement plus cher qu'une API propriétaire, car il faut absorber des coûts cachés : équipe MLOps dédiée, GPU à amortir, mise à jour des modèles et monitoring.
Faut-il se méfier des licences dites open source ?
Oui, toutes ne sont pas également permissives. Apache 2.0 et MIT le sont largement, mais la licence Meta pour Llama 4 impose un seuil de 700 millions d'utilisateurs actifs mensuels et des restrictions dans l'UE, et la licence MIT modifiée de Mistral Medium 3.5 exclut les entreprises dont le chiffre d'affaires mensuel consolidé dépasse 20 millions de dollars. La licence se vérifie avant tout déploiement.
À voir aussi
Pour aller plus loin
Mistral Medium 3.5, fiche du modèle, Mistral AI (Hugging Face)
Sources
- Mistral Medium 3.5 128B, fiche du modèle, Mistral AI, Hugging Face (modèle dense de 128 milliards de paramètres, licence MIT modifiée : exclusion au-delà de 20 M$ de chiffre d'affaires mensuel, déploiement vLLM sur 8 GPU). https://huggingface.co/mistralai/Mistral-Medium-3.5-128B
- Mistral Medium 3.5, documentation officielle Mistral AI (sortie le 28 avril 2026, poids ouverts, licence MIT modifiée). https://docs.mistral.ai/models/mistral-medium-3-5-26-04
- Mistral Large 3, fiche du modèle, Mistral AI, Hugging Face (MoE, 675 milliards de paramètres dont 41 milliards actifs, Apache 2.0). https://huggingface.co/mistralai/Mistral-Large-3-675B-Instruct-2512
- DeepSeek-V4-Pro, fiche du modèle, DeepSeek-AI, Hugging Face (MoE, 1 600 milliards de paramètres dont 49 milliards actifs, licence MIT). https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro
- Qwen3.5-397B-A17B, fiche du modèle, Alibaba Qwen, Hugging Face (397 milliards de paramètres dont 17 milliards actifs, 201 langues, Apache 2.0). https://huggingface.co/Qwen/Qwen3.5-397B-A17B
- Gemma 4 31B, fiche du modèle, Google DeepMind, Hugging Face (Apache 2.0). https://huggingface.co/google/gemma-4-31B-it
- The Llama 4 herd, Meta AI, avril 2025 (Scout : contexte de 10 millions de tokens ; Maverick : 400 milliards de paramètres dont 17 milliards actifs). https://ai.meta.com/blog/llama-4-multimodal-intelligence/
- Llama 4 Community License et politique d'usage, Meta (seuil de 700 millions d'utilisateurs actifs mensuels, restriction UE sur les modèles multimodaux). https://github.com/meta-llama/llama-models/tree/main/models/llama4
- Data residency, documentation de la plateforme Claude, Anthropic (inference_geo : « global » ou « us »). https://platform.claude.com/docs/en/manage-claude/data-residency