Open weights : le format qui sépare OpenAI, Google et les laboratoires chinois

Cela ressemble à de l'intendance. Ce n'est pas le cas. Un Skill est un fichier texte que vous enregistrez et réutilisez. Un Gem était une configuration hébergée sur les serveurs de Google. Ni l'un ni l'autre n'est un modèle que vous pouvez copier sur votre portable et faire tourner après que le fournisseur a perdu l'envie, changé ses prix ou fermé votre compte. Selon The Decoder, les Gems disparaissent en novembre pour les comptes personnels, en mars 2027 pour les clients Workspace entreprises et associations, et en juin 2027 pour les clients de l'éducation. Les Gems existants seront 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 racheter Hugging Face, la plateforme new-yorkaise de modèles et de jeux de données ouverts, pour 12,9 milliards de dollars. Rest of World a rapporté l'opération le 30 septembre dans le cadre de son enquête sur les alternatives chinoises à la plateforme, en rappelant que Pékin avait bloqué Hugging Face en 2023. ModelScope, lancé par Alibaba en 2022, héberge aujourd'hui plus de 170 000 modèles. MoArk, lancé par OSChina en 2023, en sert quelque 20 000. Xu Yong, directeur général d'OSChina, a déclaré à Rest of World que « tout le monde n'est pas en mesure d'utiliser un VPN en permanence » et que la Chine avait besoin d'un écosystème d'IA autonome pour les locuteurs du chinois.

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 en anglais qui tient dans un téléchargement de 164 Mo. Selon la propre note de l'entreprise, il obtient 5,21 % d'erreur moyenne sur les sept ensembles anglais du Open ASR Leaderboard. Ses poids sortent sous licence CC-BY-4.0, celle de Parakeet TDT 0.6B v3 de Nvidia, dont ils dérivent. Fermion affirme que tous les modèles ouverts mieux classés sur ce tableau sont au moins 5,8 fois plus gros, et qu'une heure d'audio devient du texte en vingt secondes environ 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, en trois tailles de 28M à 215M de paramètres, publié sous licence OpenMDW-1.1 pour un usage commercial, et préentraîné uniquement sur des données artificielles. L'entreprise dit qu'il occupe la première place sur quatre référentiels : 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 de variables.

Ce que les nouvelles sorties annoncent vraiment

Une partie des travaux ouverts les plus intéressants de la semaine n'est pas une sortie de modèle. L'AI Security Institute britannique et Meridian Labs ont publié Inspect, un cadre open source pour l'évaluation des modèles de frontière. Il propose des jeux de données, des agents, des outils et des évaluateurs 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'argumentaire de sécurité d'un fournisseur survit au contact d'un banc d'essai que vous avez écrit, c'est le genre d'outil qui vous laisse essayer.

Bespoke Labs a publié Nimble le 30 septembre, un modèle de 9B et la recette pour l'entraîner, construit sur Qwen3.5-9B. Il prend des décisions typées en une étape sans écrire d'abord son raisonnement, donc il est rapide. Le dépôt précise que l'équipe n'a pas distillé le Jev de TypeSafe. Le but, dit le README, est de montrer comment préparer les données, entraîner et servir un tel modèle. Son journal de mises à jour va du 18 septembre, date d'ajout d'une suite de référence publique, au 22 septembre, date à laquelle 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 les offres gratuites de Hugging Face et GitHub Actions, sans serveur, sans financement et sans démon. Les pseudo-gradients arrivent sous forme de pull requests Hugging Face et un cron GitHub Actions sans état les agrège. L'étape 2 est en cours : environ 145M de paramètres préentraînés de zéro sur FineWeb-Edu. L'étape 1, un modèle de 15M sur TinyStories, a dépassé son budget optimal selon Chinchilla. Selon le projet, plusieurs volontaires sur des machines différentes, Apple Silicon et processeur simple, ont entraîné la même étape externe et l'ont moyennée en une seule mise à jour.

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 processeur. L'auteur est direct sur la raison : des mises à jour de poids par token, une banque de mémoire écrite pendant la passe avant et un chemin de référence scalaire rendaient un cadre d'autograd plus encombrant qu'utile.

Toutes les sorties ouvertes ne sont pas des victoires au benchmark. CHOMPI Club a ouvert le matériel et le logiciel de son sampler portable le 30 septembre, en tant que sortie d'arrêt de production, avec schémas, nomenclature, fichiers PCB EAGLE et firmware, plus un synthétiseur wavetable bêta à 8 voix appelé WAVE. C'est un rappel que les poids ouverts, le matériel ouvert et l'open source sont trois choses différentes, et qu'une entreprise peut faire l'une sans faire les autres.

L'argument de sécurité joue dans les deux sens

La plus grosse histoire d'open weights de la semaine, pourtant, concerne un modèle qui n'a pas été publié du tout. The Register a rapporté le 30 septembre qu'OpenAI accusait des individus liés à Moonshot AI, en Chine, d'une attaque par distillation commencée le 1er juillet, où des requêtes massives ont servi à reproduire du raisonnement protégé. Le blog d'OpenAI dit avoir vu des pics les 24 et 25 juillet composés de 16 000 requêtes utilisant un motif d'extraction pertinent, venant de plus de 4 000 utilisateurs. L'entreprise dit aussi avoir identifié une activité liée chez plus de 15 000 utilisateurs et avoir totalement démantelé la campagne le 28 juillet. Elle qualifie la distillation adversariale de risque pour la sécurité et la sûreté nationale, car le raisonnement extrait peut entraîner un autre modèle sans les garde-fous d'origine.

La présentation de The Register était moins indulgente. Le média note qu'OpenAI s'est entraîné sur d'énormes volumes de contenus du web au milieu de batailles de droits d'auteur, tout en s'opposant à ce que ses sorties servent de la même façon. Il 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 en local 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 lui importe le plus.

Le déploiement de 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 une consigne correspondante. Les utilisateurs gagnent la portabilité des consignes. Ils n'ont pas celle du modèle. OpenAI enterre son équivalent, les Custom GPTs, selon The Decoder.

Pour qui cherche à décider quoi faire tourner, la vraie question n'est pas ouvert contre fermé. C'est ce qu'on peut encore faire de la chose quand l'entreprise change d'avis.