Open weights, mode d'emploi : le format qui divise OpenAI, Google et les laboratoires chinois
Les open weights, cette pratique qui consiste à publier les paramètres entraînés d'un modèle pour que chacun puisse le télécharger et l'exécuter, sont passés cette semaine du bricolage d'amateurs au centre de l'industrie de l'IA. Le dernier point de friction date du 30 septembre : Google a annoncé l'abandon de Gems au profit de Skills, rejoignant OpenAI et Anthropic dans un mouvement qui laisse aux utilisateurs des fichiers de prompts tout faits au lieu de leur confier la mécanique qui se trouve dessous.

Cela ressemble à du rangement. Ce n'est pas le cas. Un Skill est un fichier texte que l'on enregistre et que l'on réutilise. Un Gem était une configuration hébergée sur les serveurs de Google. Ni l'un ni l'autre n'est un modèle que l'on peut copier sur son portable et faire tourner après que le fournisseur s'est désintéressé du produit, a changé son prix ou a fermé le compte. Selon The Decoder, les Gems disparaissent en novembre pour les comptes personnels, en mars 2027 pour les clients Enterprise et Workspace à but non lucratif, et en juin 2027 pour les clients du secteur éducatif, les Gems existants étant convertis automatiquement. Novembre marque aussi la fin d'Opal, l'expérience de mini-applications IA de Google lancée à l'été 2025.
La distinction compte davantage qu'il y a un an, parce que les open weights ne sont plus un marché de niche.
En septembre, Nvidia a annoncé le rachat de Hugging Face, la plateforme new-yorkaise de modèles et de jeux de données ouverts, pour 12 900 000 000 de dollars. Rest of World a relaté l'opération le 30 septembre dans une enquête sur les alternatives chinoises à cette plateforme, en rappelant que Pékin avait bloqué Hugging Face en 2023. ModelScope, lancé par Alibaba en 2022, héberge désormais plus de 170 000 modèles. MoArk, lancé par OSChina en 2023, en compte environ 20 000. Xu Yong, directeur général d'OSChina, a déclaré à Rest of World que « tout le monde n'a pas un VPN en permanence » et que la Chine avait besoin d'un écosystème d'IA autonome pour les sinophones.
La même semaine a produit une série de sorties qui auraient autrefois exigé un laboratoire d'entreprise et un centre de données. Fermion Research a publié Phonon-2 le 30 septembre, un modèle de reconnaissance vocale pour l'anglais qui tient dans un téléchargement de 164 Mo et obtient 5,21 % de taux d'erreur moyen sur les mots pour les sept jeux de données anglais du Open ASR Leaderboard, selon le compte rendu de l'entreprise. Ses poids sont diffusés sous licence CC-BY-4.0, celle du Parakeet TDT 0.6B v3 de Nvidia, dont ils dérivent. Fermion affirme que tous les modèles ouverts mieux classés sur ce leaderboard sont au moins 5,8 fois plus gros, et qu'une heure d'audio devient du texte en une vingtaine de secondes sur un MacBook Air.
Nvidia, qui ne voulait pas se laisser distancer sur son propre terrain, a publié Kumo Tabular sur Hugging Face. C'est un modèle de fondation ouvert pour la prédiction tabulaire, décliné en trois tailles de 28 000 000 à 215 000 000 de paramètres, diffusé sous licence OpenMDW-1.1 pour un usage commercial et préentraîné uniquement sur des données artificielles. L'entreprise indique qu'il arrive en tête sur quatre benchmarks : TabArena, BeyondArena, TALENT et ScoringBench. L'argument : un modèle préentraîné peut lire un tableau étiqueté comme contexte et prédire de nouvelles lignes en une seule passe avant, sans entraînement ni ingénierie des variables.
Ce que les nouvelles sorties promettent vraiment
Le travail ouvert le plus intéressant de la semaine n'est pas une publication de modèle. Le UK AI Security Institute et Meridian Labs ont publié Inspect, un cadre open source pour l'évaluation des modèles de frontière, avec des jeux de données, des agents, des outils et des scoreurs composables, plus de 200 évaluations prêtes à l'emploi, et un système de bac à sable qui exécute du code de modèle non fiable dans Docker, Kubernetes, Modal, Proxmox ou Vagrant. Il permet de lancer des agents externes, dont Claude Code, Codex CLI et Gemini CLI. Si vous voulez vérifier si l'affirmation de sécurité d'un fournisseur résiste à un banc de test que vous avez écrit vous-même, c'est le genre d'outil qui vous donne les moyens d'essayer.
Bespoke Labs a publié Nimble le 30 septembre, un modèle de 9 000 000 000 de paramètres et la recette pour l'entraîner, construit sur Qwen3.5-9B. Il prend des décisions typées en une seule étape sans écrire d'abord son raisonnement, d'où sa rapidité, et le dépôt précise explicitement que l'équipe n'a pas distillé le Jev de TypeSafe. L'objectif, indique le README, est de montrer comment constituer les données, entraîner et servir un tel modèle. Son journal de mises à jour part du 18 septembre, date d'ajout d'une suite de benchmarks publique, et passe par le 22 septembre, où une température a été ajustée pour que les probabilités du modèle collent mieux à la fréquence réelle des bonnes réponses.
Un projet distinct, Coop, pousse l'idée plus loin. Hébergé sur github.com/commonsense-ai/coop, il préentraîne un petit modèle de langue sur du matériel grand public donné et sur les offres gratuites de Hugging Face et de GitHub Actions, sans serveur, sans financement et sans démon. Les pseudo-gradients arrivent sous forme de pull requests Hugging Face et une tâche cron GitHub Actions sans état les agrège. L'étape 2 est en cours : environ 145 000 000 de paramètres préentraînés de zéro sur FineWeb-Edu. L'étape 1, un modèle de 15 000 000 de paramètres sur TinyStories, a dépassé son budget optimal selon Chinchilla. Plusieurs bénévoles sur des machines différentes, Apple Silicon et CPU classique, ont entraîné la même étape externe et leurs résultats ont été moyennés en une seule mise à jour, selon le projet.
Et PSSA, un modèle de langue non-transformer écrit de zéro en Rust sans PyTorch, TensorFlow ni aucune bibliothèque d'apprentissage automatique en dessous, affirme qu'à paramètres égaux et sur le même corpus il apprend plus vite qu'un transformer et génère du texte environ douze fois plus rapidement sur le même CPU. L'auteur explique sans détour pourquoi : les mises à jour de poids par token, une banque de mémoire écrite pendant la passe avant et un chemin de référence scalaire ont rendu un cadre d'autograd plus encombrant qu'utile.
Toutes les sorties ouvertes ne sont pas des victoires sur un benchmark. CHOMPI Club a ouvert le matériel et le logiciel de son sampler portable le 30 septembre, en tant que version d'arrêt de commercialisation, avec les schémas, la nomenclature, les fichiers PCB EAGLE et le firmware, plus un synthétiseur à tables d'ondes 8 voix en bêta appelé WAVE. Cela rappelle que les open weights, le matériel ouvert et l'open source sont trois choses différentes, et qu'une entreprise peut pratiquer l'une sans les autres.
L'argument de sécurité joue dans les deux sens
La plus grosse histoire d'open weights de la semaine concerne pourtant un modèle qui n'a pas été publié du tout. The Register a rapporté le 30 septembre qu'OpenAI accusait des personnes liées au chinois Moonshot AI d'une attaque par distillation commencée le 1er juillet, où des requêtes en masse ont servi à reproduire un raisonnement protégé. Le blog d'OpenAI dit avoir observé des pics les 24 et 25 juillet, avec 16 000 requêtes reprenant un schéma d'extraction pertinent émises par plus de 4 000 utilisateurs, avoir identifié une activité liée chez plus de 15 000 utilisateurs, et avoir totalement déjoué la campagne le 28 juillet. L'entreprise qualifie la distillation adverse de risque pour la sécurité et la sûreté nationale, car un raisonnement extrait peut entraîner un autre modèle sans les garde-fous d'origine.
La lecture du Register était moins indulgente : le journal rappelle qu'OpenAI s'est entraîné sur d'énormes volumes de contenus trouvés sur internet au milieu de batailles de droits d'auteur, tout en s'opposant à ce que ses propres sorties servent de la même manière. Le média note aussi que Claude Opus 5.5 d'Anthropic, sorti une semaine plus tôt, embarque une défense contre la distillation appelée preserved thinking.
Voilà la tension en un paragraphe. Les open weights permettent à quiconque d'inspecter un modèle, de l'exécuter localement et de construire dessus sans autorisation. Ils permettent aussi à quiconque de retirer les garde-fous et de remballer la capacité. Les deux sont vrais, et l'industrie n'a pas tranché lequel compte le plus à ses yeux.
Le déploiement des Skills par Google est la moitié la plus discrète du même débat. Skills est un format ouvert venu d'Anthropic, et Gemini peut générer des Skills à partir de conversations précédentes, en enchaîner plusieurs et les exécuter automatiquement quand il détecte un prompt correspondant. Les utilisateurs gagnent la portabilité des instructions. Ils n'ont pas celle du modèle. OpenAI enterre son équivalent, les Custom GPTs, selon The Decoder.
Pour qui cherche à savoir quoi faire tourner, la vraie question n'est pas ouvert contre fermé. C'est ce qu'il vous restera de la chose quand l'entreprise changera d'avis.
Sources
12- 01Google drops Gems for Skills, joining OpenAI and Anthropic in the shift to agent-ready prompt formatsEN
- 02The open-source AI platforms vying to become China's Hugging FaceEN
- 03Phonon-2: most accurate open speech recognition model in a 164 MB downloadEN
- 04Nvidia Kumo Tabular: Open Foundation Model for Tabular PredictionEN
- 05Inspect: An open-source framework for large language model evaluationsEN
- 06Nimble: Data, Model, Recipe for an Open Jev (From Bespoke Labs)EN
- 07Coop: A small language model pretrained by volunteersEN
- 08PSSA: A non-transformer language model written from scratch in RustEN
- 09CHOMPI portable sampler instrument is now open-source (hardware and software)EN
- 10Irony alert: OpenAI whines that Chinese model stole its special IP that it stole from everybody elseEN
- 11Jevstiller: Open-source tool distills Jev so you can run it locallyEN
- 12Jevstiller: Distill a repeated Jev classification task into a local modelEN
Tous les chiffres et citations de ce texte proviennent des sources citées ci-dessous.
Les contenus ont été préparés par l'équipe de rédaction, assistée par l'IA.
Commentaires
0- Aucun commentaire — soyez le premier.