Semaine des poids ouverts : Cloudflare Clef, Amazon, Google et DeepSeek bougent sur le marché des modèles ouverts
Cloudflare a publié jeudi deux modèles de décision à poids ouverts. La société affirme qu'ils dépassent Jev de TypeSafe en précision, tout en reconnaissant qu'ils coûtent près de six fois plus cher par million de tokens. Ce lancement clôt une semaine où Amazon, Google et Huawei ont tous avancé sur des outils de modèles ouverts ou à bas coût.

Cloudflare a annoncé jeudi 1er octobre la famille Clef de modèles de décision, hébergée sur sa plateforme Workers AI et publiée en poids ouverts sur Hugging Face sous licence Apache 2.0. The Register rapportait le même jour que Clef et Clef-flash répondent à trois types de questions bornées : oui/non, choix multiple et classements.
Cloudflare se place ainsi directement face à Jev de TypeSafe, le modèle de décision sorti deux semaines plus tôt et devenu un phénomène technique. Selon The Register, Clef repose sur un socle LLM : des versions spécialement post-entraînées et figées de Qwen3.8-27B (27 000 000 000 de paramètres) pour Clef et de Qwen3.5-9B (9 000 000 000 de paramètres) pour Clef-flash. Chacune effectue une passe de préremplissage uniquement, puis note les choix en parallèle.
Cloudflare a communiqué elle-même ses scores sur le Jev Decision Index, et The Register note qu'ils n'ont pas encore été reproduits sur le classement officiel. Cloudflare affirme aussi que Clef a battu Jev dans trois des quatre domaines des benchmarks de TypeSafe, ne perdant que sur l'observabilité des traces d'agents.
Le prix, la partie gênante
Clef coûte 0,24 dollar par million de tokens, près de six fois les 0,042 dollar par million de Jev, rapporte The Register. Cloudflare met en avant le traitement des images et de la vidéo en plus du texte, et une fenêtre de contexte de 64 000 tokens. Jev gère lui aussi jusqu'à 64 000 tokens sur une requête, mais son état ajouté à la question individuelle la plus longue est limité à 32 000.
Le billet de benchmark de Cloudflare décrit un test de renseignement sur les menaces où Clef a récupéré, rendu et classé un site web en 2,2 secondes, contre 4,7 secondes pour gpt-oss-120b, le LLM généraliste le plus rapide de l'entreprise, dans le même flux de travail. La société indique que Clef a classé le domaine avec 95 % de probabilité qu'il s'agisse d'un site de mode, 85 % de commerce en ligne et moins de 1 % d'hameçonnage. Elle précise aussi qu'elle ouvre les poids pour que les clients puissent les exécuter en local.
Deux autres lancements de modèles de décision sont tombés dans la même fenêtre de 48 heures. La passerelle AI Gateway de Vercel liste Laya, un « modèle d'évaluation System One » de Convai Innovations, avec une API hébergée gratuite, un contexte de 8 000 tokens et une date de fin du tarif promotionnel au 31 octobre 2026. TechCrunch rapportait qu'Amazon a publié son propre clone de Jev alors que les modèles de décision déferlaient sur le web.
Gemini 4 Argon, la porte à demi fermée
La semaine de Google prend le sens inverse. L'entreprise a déployé Gemini 4 Argon le 30 septembre, que TechCrunch a qualifié de modèle le plus puissant à ce jour. The Guardian rapportait le 1er octobre que Google a restreint l'accès au modèle pour des raisons de sécurité, et l'analyse de benchmarks de The Decoder indiquait qu'Argon réduit l'écart avec OpenAI et Anthropic sans prendre clairement la tête.
Anthropic, de son côté, débat des données d'entraînement plutôt que des poids. The Guardian rapportait le 2 octobre qu'Anthropic plaide pour un modèle d'opt-out sur les contenus australiens, alors que l'ABC alertait sur une « cannibalisation » de l'information.
La tension de fond dans le débat sur les poids ouverts tient à une distinction : publier des poids et publier une évaluation sont deux choses différentes. Le framework Inspect du UK AI Security Institute, une pile d'évaluation open source construite avec Meridian Labs, embarque plus de 200 évaluations prêtes à l'emploi et prend en charge plus de 20 fournisseurs de modèles, selon sa documentation. Il existe précisément parce que les vendeurs notent encore leurs propres copies.
Les travaux indépendants continuent d'arriver au même rythme. Un article soumis à arXiv le 29 septembre par Loay Mualem et six coauteurs présente GoldiMask, une méthode de fine-tuning pour les modèles de diffusion discrète de langage. Elle sélectionne les tokens de contexte en maximisant approximativement un objectif sous-modulaire et pondère les cibles restantes. Les auteurs rapportent la meilleure précision moyenne dans la plupart des configurations évaluées, sur trois backbones et trois jeux de données d'entraînement, avec des gains en raisonnement et en génération de code.
Le contexte comme fichier, et une exécution bénévole à 15 000 000 de paramètres
Un second article, soumis le même jour par Rulin Shao et douze coauteurs, décrit les Context Language Models : des modèles qui traitent leur contexte comme un fichier qu'ils peuvent mettre à jour eux-mêmes. Les auteurs rapportent une précision supérieure de 11,4 % avec 21,5 % de FLOPs en moins sur BrowseComp-Plus, des scores supérieurs de 5 % avec 59 % de FLOPs en moins sur une tâche EdgeBench de 12 heures, et une amélioration de 47,6 % sur Qwen3.5-9B lorsqu'il est entraîné avec leur méthode d'apprentissage par renforcement en ligne. Le code est sur GitHub sous CC BY-NC 4.0.
Du côté des petits modèles, un projet bénévole nommé Coop pré-entraîne un modèle d'environ 145 000 000 de paramètres sur FineWeb-Edu avec du matériel grand public donné. Les pseudo-gradients sont soumis sous forme de pull requests Hugging Face et agrégés par une tâche cron GitHub Actions sans état. L'étape 1, une exécution à 15 000 000 de paramètres sur TinyStories, s'est achevée au-delà de son budget optimal selon Chinchilla.
La politique du matériel bouge aussi. Tom's Hardware rapportait le 1er octobre que DeepSeek et Huawei ont publié des outils de programmation Ascend open source, dont des bibliothèques de calcul et de communication et la prise en charge d'Ascend pour TileLang, afin de réduire la dépendance à l'écosystème de Nvidia. La réponse de Nvidia au risque des agents, une Agent Safety Platform ouverte capable de mettre des agents en quarantaine en quelques millisecondes, a également été annoncée le 1er octobre.
Toutes les affirmations de la semaine ne résistent pas au contact d'un benchmark. La chronique de The Register du 30 septembre notait qu'OpenAI, qui s'est entraîné sur de grands volumes de données web pendant des années de batailles sur le droit d'auteur, qualifie désormais la distillation de son propre raisonnement de risque pour la sécurité nationale. OpenAI affirme qu'une campagne commencée le 1er juillet a culminé à 16 000 requêtes provenant de plus de 4 000 utilisateurs les 24 et 25 juillet et a été entièrement stoppée le 28 juillet. Un noyau de comptes est lié à des personnes associées à Moonshot AI. CNBC rapportait que l'entreprise affirme que son chiffrement, ses bases de données et les conversations d'utilisateurs stockées n'ont pas été compromis.
Le seul chiffre qui contredit l'enthousiasme pour les poids ouverts est celui de 0,24 dollar par million de tokens. Des poids ouverts ne signifient pas une inférence bon marché, et la propre comparaison de Cloudflare avec Jev le montre clairement.
Sources
17- 01Cloudflare tries to outplay Jev with open-weight Clef modelsEN
- 02Introducing Clef: our open-source decision models, and new RL fine-tuning platformEN
- 03Free hosted API for Laya, the open-weight decision modelEN
- 04Amazon releases its own Jev clone as decision models flood the webEN
- 05Google releases Gemini 4 Argon, called its most powerful model yetEN
- 06Google rolls out new Gemini AI model but restricts access over safety concernsEN
- 07Google Gemini 4 Argon closes the gap with OpenAI and Anthropic but doesn't take a clear leadEN
- 08Anthropic pushes for opt-out model for Australian content as ABC warns of 'cannibalisation' of newsEN
- 09Inspect: An open-source framework for large language model evaluationsEN
- 10Fine-Tuning Diffusion Language Models with Context Selection and Target WeightingEN
- 11Context Language ModelsEN
- 12Context Language Models (CLMs) official repositoryEN
- 13Coop: A small language model pretrained by volunteersEN
- 14DeepSeek and Huawei release open-source Ascend AI programming tools to reduce reliance on Nvidia ecosystemEN
- 15Nvidia launches Open Agent Safety Platform to physically restrain rogue AI agentsEN
- 16Irony alert: OpenAI whines that Chinese model stole its special IP that it stole from everybody elseEN
- 17AI race heats up as OpenAI flags alleged model-copying campaignEN
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.