Poids ouverts ne veut pas dire open source : la bataille autour d'une étiquette
Les modèles de langage à poids ouverts sortent plus vite que les règles qui les décrivent. L'Open Source Initiative affirme que les poids seuls n'exposent qu'« une fraction des informations nécessaires à une redevabilité complète », et ses critiques estiment que l'étiquette est étirée.

Télécharger un fichier de modèle depuis Hugging Face prend quelques secondes. Savoir ce qu'il contient demande une assignation à comparaître. Cet écart résume tout le débat.
Steven J. Vaughan-Nichols, de The Register, a posé la distinction sans détour le 15 septembre. Une publication peut être à poids ouverts sans être open source. La différence détermine si l'on peut seulement exécuter un réseau de neurones terminé ou réellement inspecter, reproduire, modifier et redistribuer le système qui l'a produit. Les poids sont les paramètres numériques appris pendant l'entraînement. Avec l'architecture et le code d'inférence, ils font fonctionner un grand modèle de langage. On peut héberger soi-même un modèle à poids ouverts, l'affiner sur des documents internes et garder ses requêtes hors d'une API propriétaire. Dans la plupart des publications, on ne voit pas la recette des données qui le sous-tend.
Ce n'est pas un détail technique pour ceux qui écrivent les licences.
L'OSI trace une ligne, puis se fait critiquer
L'Open Source Initiative, qui veille sur la définition de l'open source, énonce clairement que les « poids ouverts désignent les poids et biais finaux d'un réseau de neurones entraîné ». Elle ajoute que les publier n'expose qu'« une fraction des informations nécessaires à une redevabilité complète ». Sa propre définition de l'IA open source, l'OSAID 1.0, devait combler cet écart. Elle exige que les paramètres du modèle, poids compris, soient disponibles selon des termes approuvés par l'OSI, mais elle n'impose pas de mécanisme juridique précis. Elle a été publiée en octobre 2024 et présentée à l'époque comme un document destiné à évoluer.
Les critiques disent que le défaut central n'a jamais été corrigé. Luca Antiga, directeur technique de Lightning AI et contributeur reconnu de PyTorch, a soutenu que le traitement des poids par l'OSAID laisse « un trou béant qui rendra les licences moins efficaces pour déterminer si les systèmes d'IA sous licence OSI peuvent être adoptés dans des contextes réels ». Bruce Perens, auteur de la définition originale de l'open source, a dénoncé l'OSAID en 2024 puis déclaré : « Ce n'est pas de l'open source ! Il est regrettable que l'Open Source Initiative elle-même participe désormais à l'openwashing. » Bradley Kuhn, de la Software Freedom Conservancy, et Richard Fontana, conseiller commercial principal chez Red Hat, ont réclamé l'abrogation de l'OSAID. L'OSI, selon eux, « a agi trop vite en imposant à la communauté un compromis politique trop ambitieux ». Cette fracture, ajoutent-ils, « a sérieusement entamé la réputation, l'autorité et l'influence de l'OSI ».
James Landay, directeur du Stanford Institute for Human-Centered AI, a donné à The Register la version concrète de la critique : « Les poids ouverts sont un progrès. On peut télécharger le modèle, l'exécuter sur sa propre machine, le garder hors du pipeline de données de quelqu'un d'autre. Mais on ne voit toujours pas comment la chose a été construite, sur quoi elle a été entraînée, ni pourquoi elle se comporte comme elle se comporte. Ce n'est pas un modèle ouvert. C'est une distribution ouverte. »
« Les poids ouverts répondent à “Puis-je exécuter ceci ?” L'open source répond à “Puis-je lui faire confiance, l'améliorer et construire la suite dessus ?” », a déclaré Landay.
Sans données d'entraînement ni documentation détaillée, les observateurs extérieurs ne peuvent pas déterminer quelles sources ont été utilisées. Ils ne peuvent pas dire quel matériel protégé par le droit d'auteur ou privé a pu être inclus, ni comment les données ont été sélectionnées ou retirées. Ils ne voient pas quelles langues et quelles communautés étaient sous-représentées, si des données de benchmark ont fui dans l'entraînement, ni quelles méthodes d'alignement et de sécurité ont façonné le modèle après le pré-entraînement.
Une licence qui tente de couper la poire en deux
C'est dans ce vide qu'est arrivée la licence Open Model, Data, and Weights de la Linux Foundation, soumise à l'OSI par Mike Dolan. OpenMDW existe depuis 2025 et cite des contributeurs d'Amazon, Meta, IBM, Microsoft et Nvidia, ce qui lui donne du poids industriel. Son approche consiste à définir des termes séparés pour l'architecture d'un modèle, ses données d'entraînement et ses poids. Tout ce que fournit un concédant de licence entre ainsi dans un seul accord. L'open source classique tourne autour du code source. Les LLM combinent du code, une architecture et des poids numériques issus de jeux de données qui peuvent être propriétaires, protégés par le droit d'auteur ou simplement non divulgués.
La soumission s'est heurtée à des objections sur la liste de diffusion de l'OSI consacrée à la revue des licences. Stefano Maffulli, ancien directeur exécutif de l'OSI, dirigeait l'organisation au moment où l'OSAID était formulée. Il a déclaré : « J'ai de plus en plus l'impression que la revue d'OpenMDW est entachée d'un biais idéologique : comme nous n'aimons pas les grands groupes technologiques et que l'IA est désormais un grand groupe technologique, alors nous n'aimons pas l'IA ; donc nous ferons tout pour la bloquer. »
Pendant ce temps, les modèles continuent de sortir. Le rapport State of Open Source AI de Mozilla, version 1.1, publié le 15 septembre avec des données arrêtées au 1er septembre, recense 16 publications notables. Aucune ne livre la recette des données qu'exige l'OSAID. Mozilla défend les modèles ouverts. Son directeur technique, Raffi Krikorian, a déclaré à TIME le 14 juillet que le rapport relevait en partie du plaidoyer, selon Tom's Hardware.
L'écart de capacité se referme, pas celui des coûts
Les chiffres de Mozilla sont la mesure la plus concrète de l'état actuel des poids ouverts. Le meilleur modèle ouvert accusait un retard de trois points sur le leader fermé à l'Artificial Analysis Intelligence Index, pour 60 % du prix. Il se situait deux points derrière Claude Fable 5, pour 30 % du prix. L'ajustement de Mozilla sur les données de METR concernant l'horizon des tâches situe l'écart ouvert-fermé à environ 4,4 mois, en ligne avec l'estimation de quatre mois d'Epoch AI. Ces données notent les modèles selon la durée, en temps de travail humain, des tâches qu'ils accomplissent une fois sur deux. La capacité ouverte double tous les 3,9 mois selon le calcul de Mozilla, contre 5,5 mois pour les modèles fermés.
Le tableau Terminal-Bench 2.1 de vals.ai fait passer chaque modèle par le même banc d'essai. GLM-5.2 de Z.ai y obtient un score à un point de Claude Opus 4.7 et à environ quatre points derrière Opus 4.8, pour moins d'un cinquième du coût par test. Sur OpenRouter, Mozilla compte huit des dix modèles les plus utilisés en volume de tokens en août comme étant à poids ouverts, dont sept construits en Chine. Les fournisseurs fermés ont néanmoins capté 96 % des revenus de la couche modèle sur OpenRouter entre mai et septembre 2025, selon la Linux Foundation. Krikorian a écrit à Ars Technica dans un courriel : « Nous voyons le choix de payer pour des modèles fermés comme lié à la charge de travail plutôt qu'à l'organisation. »
Ces chiffres viennent avec des réserves que le rapport énonce lui-même. L'écart de quatre mois et le prix de 30 % par token sont mesurés d'API à API sur des points d'accès hébergés et au prix catalogue. Le propre graphique matériel de Mozilla place le meilleur modèle ouvert tenant sur un serveur à 52,6 et le meilleur tenant sur un seul GPU à 40. Soit des chutes de 10 et 23 points par rapport au sommet, un écart plus large que quatre mois. Le point de contrôle natif MXFP4 de Kimi K3 pèse environ 1,56 To répartis sur 96 fragments. La configuration de service de Mozilla liste 64 accélérateurs ou plus, tandis que vLLM en réclame au moins huit GPU GB300, avec plusieurs nœuds pour le trafic de production. Le rapport qualifie cela d'ouvert mais non exécutable par la plupart de ceux qui le détiennent. Inkling-Small de Thinking Machines, sous Apache 2.0, est une exception : sa version NVFP4 tient sur un seul B300 avec un plancher de 180 Go.
Les données s'arrêtent au 1er septembre, et les classements ont bougé depuis. Artificial Analysis exploite désormais l'indice v4.3 avec un jeu d'évaluation différent. Son tableau en direct place Claude Fable 5.1 à 53 au réglage d'effort maximal et Kimi K3 à 44, des chiffres non comparables aux valeurs v4.1.1 que Mozilla a tracées. La légende du propre graphique de Mozilla indique : « l'écart est remis à zéro à chaque cycle de publication ».
Une allégation non résolue pèse aussi sur K3. Un avis conjoint du 8 septembre de la NSA, de la CISA et du FBI (AA26-251A) affirme que Moonshot a extrait des données de Claude Fable 5 pour entraîner K3 par distillation. La distillation consiste à entraîner un modèle sur les sorties d'un autre modèle. Le rapport de Mozilla présente l'affirmation comme « avancée, et non démontrée ». Le 17 juillet, Artificial Analysis plaçait K3 à 57 contre 60 pour Fable 5 ; au 1er septembre, Mozilla le situait à deux points. Les paramètres de Llama 3.1 70B, avec ses 70 000 000 000 de poids, ne changent rien à ce constat.
À quoi sert réellement l'étiquette
Rien de tout cela ne tranche les batailles sur le droit d'auteur. Un article d'A. Feder Cooper, Mark A. Lemley et de coauteurs a testé 200 livres face à 14 modèles à poids ouverts, dans plus de 3 000 expériences. Il a d'abord été soumis à arXiv en mai 2025 et révisé jusqu'en juillet 2026. La plupart des LLM ne mémorisent pas la plupart des livres, en tout ou partie, ont constaté les auteurs. Mais Llama 3.1 70B mémorise entièrement certains titres, dont Harry Potter à l'école des sorciers. Le livre entier peut être extrait presque mot pour mot à partir de ses premiers mots. La conclusion de l'article est que la mémorisation varie selon le modèle et selon le livre. Les résultats ont des implications importantes pour les affaires de droit d'auteur, « mais pas qui favorisent sans ambiguïté l'un ou l'autre camp ».
Voilà le milieu inconfortable dans lequel se tient l'étiquette. Les poids ouverts disent qu'un modèle peut être exécuté et affiné. Ils ne disent pas ce qu'il a avalé. La formulation de Landay, citée par The Register, en est la version la plus nette : les poids ouverts répondent à la question de savoir si l'on peut exécuter la chose, l'open source répond à celle de savoir si l'on peut lui faire confiance, l'améliorer et construire dessus. Aujourd'hui, pour presque chaque publication sur le Hub, la première réponse est oui et la seconde reste une question.
Sources
3- 01Open weights are not open source: Why AI's favorite label is under disputeEN
- 02China's open-weight AI models are now just 4 months behind frontier US offerings, Mozilla report claimsEN
- 03Extracting memorized pieces of books from open-weight language modelsEN
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.