Ce que « poids ouverts » veut vraiment dire, et ce que les modèles cachent encore

« Poids ouverts » est aujourd'hui une formule marketing autant qu'un terme technique. La version simple : les paramètres entraînés d'un modèle sont publiés sous forme de fichiers que l'on peut télécharger, exécuter et affiner. C'est tout. Cela ne dit rien des données dont le modèle a appris, du code qui l'a entraîné, ni de la licence qui l'accompagne.

La distinction compte parce que le terme est utilisé dans des batailles politiques, des décisions d'achat public et, de plus en plus, des arguments de sécurité nationale. Il vaut donc la peine de séparer ce qu'une publication à poids ouverts vous donne de ce qu'elle retient.

Le test des quatre libertés

L'Open Source Initiative, qui tient la définition utilisée par la majeure partie du secteur du logiciel, a exposé sa position dans un billet publié le 19 septembre. Les modèles d'IA, note-t-elle, ont trois composantes principales : les données d'entraînement, les poids ou paramètres, et le code de préparation des données et d'entraînement. Ce à quoi vous avez accès décide si un modèle est fermé, à poids ouverts, ou Open Source AI.

Les poids ouverts vous donnent une des trois. Vous pouvez exécuter le modèle en local et ne payer que l'électricité et le matériel, ou le confier à un hébergeur tiers. Vous pouvez l'affiner sur vos propres données. C'est plus de liberté qu'un système entièrement fermé, où vous utilisez l'infrastructure du fournisseur et payez ses tarifs.

Les modèles à poids ouverts limitent votre capacité à modifier le modèle, et vous ne pouvez pas l'étudier entièrement.

L'argument de l'OSI est que cela ne suffit pas à satisfaire les quatre libertés du logiciel : utiliser, étudier, modifier et partager sans demander la permission au titulaire des droits. Sans le code d'entraînement et soit le jeu de données, soit un compte rendu détaillé de sa construction, vous ne pouvez pas examiner pourquoi un modèle produit telle sortie. L'organisation cite Olmo d'Ai2 comme contre-exemple, un grand modèle de langage publié avec l'intégralité de son jeu de données d'entraînement et ses points de contrôle. Des chercheurs ont ainsi pu injecter de nouvelles informations dans les données d'entraînement et observer comment le modèle les mémorisait ou les oubliait.

Ce type d'expérience est la différence pratique entre les deux étiquettes. C'est aussi, selon la lecture de l'OSI, la différence entre pouvoir vérifier un modèle et devoir croire quelqu'un sur parole.

L'écart, et comment il est mesuré

Mozilla a publié la version 1.1 de son rapport State of Open Source AI le 15 septembre, avec des données arrêtées au 1er septembre, selon Tom's Hardware. Le constat principal : le meilleur modèle ouvert accusait trois points de retard sur le leader fermé sur l'Artificial Analysis Intelligence Index, à 60 % du prix, et se trouvait deux points derrière Claude Fable 5 pour 30 % du coût.

L'ajustement de Mozilla sur les données d'horizon de tâches de METR situe l'écart ouvert-fermé à environ 4,4 mois, en ligne avec l'estimation de quatre mois d'Epoch AI. METR, une organisation de recherche à but non lucratif, note les modèles selon la durée des tâches, mesurée en temps de travail humain, qu'ils accomplissent une fois sur deux. Selon l'estimation de Mozilla, les modèles fermés traitent des tâches qui prennent 8 à 12 heures à des experts humains ; les modèles ouverts y parviennent environ quatre mois plus tard. Mozilla calcule que la capacité ouverte double tous les 3,9 mois, contre 5,5 mois pour la fermée.

Le rapport n'est pas un document neutre, et Tom's Hardware le dit. Mozilla est l'organisation à but non lucratif derrière Firefox et un défenseur des modèles ouverts. TIME a rapporté le 14 juillet que le directeur technique de Mozilla, Raffi Krikorian, qualifiait le rapport en partie de plaidoyer. Il s'appuie sur une enquête Mozilla/SlashData auprès d'environ 1 400 développeurs, plus des données de trafic OpenRouter et des indices de référence tiers, et recense 16 publications notables, dont aucune ne fournit la recette des données qu'exige la définition de l'OSI.

D'autres réserves méritent d'être gardées en vue. Le chiffre de quatre mois et la comparaison de prix de 30 % par token sont mesurés d'API à API sur des points d'accès hébergés, au prix catalogue. Le propre graphique matériel de Mozilla raconte une histoire plus crue : le meilleur modèle ouvert qui tient sur un seul serveur obtient 52,6, et le meilleur qui tient sur un seul GPU obtient 40, soit des baisses de 10 et 23 points par rapport au sommet. Le point de contrôle MXFP4 natif de Kimi K3 occupe environ 1,56 To répartis sur 96 fragments, et la configuration de service de Mozilla liste 64 accélérateurs ou plus, tandis que vLLM demande au moins huit GPU GB300 avec plusieurs nœuds pour le trafic de production. Le rapport décrit cela comme ouvert mais non exécutable par la plupart de ceux qui le détiennent.

Ce que le marché fait réellement

L'adoption et les revenus pointent dans des directions différentes. Sur OpenRouter, une place de marché qui achemine le trafic des développeurs vers des centaines de modèles, Mozilla a compté huit des dix premiers modèles en volume de tokens en août comme à poids ouverts, dont sept construits en Chine. Pourtant, les fournisseurs fermés ont capté 96 % des revenus de la couche modèle sur OpenRouter entre mai et septembre 2025, selon la Linux Foundation.

« Nous voyons la décision de payer pour des [modèles] fermés comme propre à une charge de travail plutôt qu'à une organisation », a déclaré Krikorian à Ars Technica dans un courriel.

Le paysage des benchmarks bouge assez vite pour compliquer toute comparaison statique. Les données de Mozilla s'arrêtent au 1er septembre. Depuis, Artificial Analysis est passé à l'indice v4.3 avec un ensemble d'évaluation différent ; le tableau en direct affiche Claude Fable 5.1 à 53 sur son réglage d'effort le plus élevé, avec Kimi K3 à 44. Tom's Hardware précise que ces chiffres ne sont pas comparables aux valeurs v4.1.1 tracées par Mozilla. Le tableau Terminal-Bench 2.1 de vals.ai, mis à jour le 11 septembre, est mené par GPT-6 Astra à 87,27 % avec Fable 5.1 à 85,02 %. La légende du propre graphique de Mozilla indique : « l'écart se réinitialise à chaque cycle de publication ».

Un autre fil traverse la discussion sur Kimi K3. Le modèle porte une allégation détaillée dans l'avis conjoint NSA/CISA/FBI AA26-251A du 8 septembre, que le rapport de Mozilla énonce comme « affirmée, et non démontrée » : que Moonshot a extrait des données de Claude Fable 5 pour entraîner K3 par distillation, la pratique consistant à entraîner un modèle sur les sorties d'un autre. Le 17 juillet, Artificial Analysis plaçait K3 à 57 contre 60 pour Fable 5 ; au 1er septembre, Mozilla le situait deux points derrière.

Pourquoi l'étiquette est disputée

L'OSI et Mozilla plaident tous deux pour plus d'ouverture, sous des angles différents. L'OSI veut réserver le terme « open source » aux publications qui portent les trois composantes, au motif que les questions de confiance et de vérification deviennent plus difficiles à mesure que l'IA se répand dans la vie quotidienne. Mozilla veut que les capacités mesurées des modèles ouverts soient prises au sérieux, tout en concédant que les principaux ne sont pas exécutables par la plupart des gens qui peuvent les télécharger.

Pour quiconque lit une fiche de modèle, la conclusion pratique est étroite et vérifiable. Vérifiez si les poids sont téléchargeables, quelle licence les régit, si le code d'entraînement ou la documentation des données sont inclus, et de quel matériel la chose a réellement besoin. La formule en tête de page ne répondra à aucune de ces questions.