LLM open source en 2026 : l'écart s'est resserré, le choix se joue ailleurs

Chaque semaine ou presque, une annonce chasse la précédente : un nouveau modèle d'IA « à poids ouverts » qui bat un concurrent, un modèle fermé qui reprend la tête d'un classement. Pour un dirigeant qui veut brancher de l'IA dans un produit ou un processus, ce flux continu brouille l'essentiel. La vraie nouvelle de 2026 n'est pas qu'un modèle a gagné trois points sur un benchmark.

Elle tient en deux constats. D'abord, l'écart de capacité entre les meilleurs modèles ouverts et les meilleurs modèles fermés s'est nettement resserré en 2025. Ensuite, la frontière entre « ouvert » et « fermé » n'est plus un camp figé : les mêmes laboratoires publient désormais des modèles ouverts et gardent leur modèle le plus capable propriétaire. Pour une équipe, la décision se déplace donc. Elle ne se joue plus seulement sur « quel modèle est le plus intelligent », mais sur la licence, le coût réel d'hébergement et la conformité.

« Open source » ou « poids ouverts » : deux choses différentes

Avant de comparer quoi que ce soit, un point de vocabulaire évite bien des malentendus. La plupart des modèles vendus comme « open source » n'en sont pas, au sens strict. En octobre 2024, l'Open Source Initiative, l'organisation qui définit historiquement ce qu'est un logiciel open source, a publié sa première définition officielle de l'IA open source. Elle exige la disponibilité des poids du modèle, mais aussi du code d'entraînement et d'une description des données assez complète pour qu'un tiers puisse recréer le système.

Sous ces critères, aucun des grands modèles « ouverts » du marché (Llama de Meta, Gemma de Google, Mistral, Qwen d'Alibaba) n'est pleinement conforme, faute de transparence totale sur les données d'entraînement. Ce sont en réalité des modèles à poids ouverts : on peut télécharger le modèle et le faire tourner, mais pas reconstituer sa recette. La nuance n'est pas cosmétique. Elle détermine ce que vous pouvez vraiment auditer, adapter et rejouer, et sous quelle licence.

Le paysage mi-2026 : qui publie quoi

Côté poids ouverts, l'offre n'a jamais été aussi fournie. En août 2025, OpenAI, l'éditeur de ChatGPT, a publié gpt-oss, deux modèles téléchargeables sous licence Apache 2.0 (l'une des plus permissives) : une version qui tient dans 80 Go de mémoire et approche son modèle o4-mini sur les tests de raisonnement, une autre qui tient dans 16 Go. En Europe, Mistral AI, le laboratoire français, a sorti Mistral Large 3 en décembre 2025, un grand modèle sous Apache 2.0. Google, de son côté, diffuse sa famille Gemma jusqu'à 27 milliards de paramètres, avec une fenêtre de contexte de 128 000 tokens, de quoi ingérer un long dossier d'un coup.

Mais l'accélération vient surtout des laboratoires chinois. DeepSeek a mis en aperçu DeepSeek V4 en avril 2026 sous licence MIT, avec une fenêtre de contexte d'un million de tokens. Zhipu AI a publié GLM-5.2 en juin 2026, également sous MIT. Alibaba maintient sa gamme Qwen sous Apache 2.0. Ce basculement se lit dans les chiffres d'usage : selon le rapport State of Open Source AI de Hugging Face, la principale plateforme d'hébergement de modèles, les modèles chinois pèsent désormais 41 % des téléchargements sur douze mois, devant les modèles américains.

Le même rapport rappelle un point souvent oublié : cet écosystème est très concentré. La moitié des modèles publiés comptent moins de 200 téléchargements, et les 200 familles les plus populaires captent près de la moitié de l'usage réel. En clair, derrière l'impression d'un catalogue infini, une poignée de noms (Llama, Qwen, DeepSeek, Gemma, Mistral, GLM) concentre l'essentiel. Pour une équipe, cela simplifie le choix : le champ des options sérieuses est plus étroit qu'il n'y paraît.

L'écart avec les modèles fermés s'est resserré

C'est le fait marquant de l'année. Le rapport AI Index 2026 de Stanford HAI, le centre de recherche sur l'intelligence artificielle de l'université de Stanford, constate que l'écart entre les modèles fermés de pointe et les meilleures alternatives à poids ouverts s'est nettement resserré en 2025. Sur l'arène de comparaison de référence, l'écart entre le meilleur modèle américain et le meilleur modèle chinois est tombé à 2,7 % en mars 2026, contre 17,5 à 31,6 points en mai 2023.

Sur l'indice indépendant Artificial Analysis, qui agrège plusieurs tests en un score unique, GLM-5.2 est mi-2026 le modèle à poids ouverts le mieux classé, devant DeepSeek V4 et d'autres, tandis que les modèles fermés (Claude d'Anthropic, Gemini de Google, GPT d'OpenAI) occupent toujours le haut du tableau. L'écart existe encore, mais il se compte désormais en quelques points, plus en fossé. Pour un décideur, cela veut dire qu'un modèle ouvert est aujourd'hui une option crédible pour beaucoup de cas d'usage, pas un lot de consolation.

La frontière open/fermé n'est plus un camp figé

Longtemps, on rangeait les éditeurs en deux camps : les tenants de l'ouverture et ceux du modèle fermé. 2026 a brouillé cette carte. Meta, qui avait bâti son image sur la lignée ouverte Llama, a lancé en avril 2026 Muse Spark, son premier modèle propriétaire à poids fermés, accessible via meta.ai et l'application Meta AI, d'abord en préversion d'API privée. Llama reste disponible, mais le modèle le plus récent, lui, est fermé.

Même mouvement chez Alibaba : la gamme Qwen était publiée à 100 % sous licence ouverte, jusqu'à Qwen3.7-Max, présenté en mai 2026 comme modèle phare fermé, accessible uniquement via son API. À l'inverse, d'autres poussent franchement les poids ouverts sous licence permissive : OpenAI avec gpt-oss, DeepSeek, Zhipu avec GLM, Mistral. L'ouverture n'est donc plus un engagement de marque irréversible, c'est une décision produit, prise modèle par modèle. Bâtir sur « un éditeur ouvert » ne garantit rien : ce qui compte, c'est la licence du modèle précis que vous utilisez.

Pour une équipe, le choix se joue sur la licence, le coût et la conformité

Puisque l'écart de capacité se réduit, l'arbitrage se déplace vers trois terrains bien plus concrets que le score brut. Le premier, c'est la licence, et toutes les licences « ouvertes » ne se valent pas. La licence de Llama impose par exemple qu'au-delà de 700 millions d'utilisateurs actifs mensuels, l'entreprise demande une autorisation commerciale distincte que Meta accorde ou refuse à sa seule discrétion, en plus d'une mention « Built with Llama » ; elle n'a jamais été reconnue comme open source par l'Open Source Initiative. Certaines licences de Mistral réservent aussi un régime particulier aux entreprises au-delà d'un certain revenu mensuel. À l'opposé, Apache 2.0 (gpt-oss, Qwen, Mistral Large 3) et MIT (DeepSeek, GLM) laissent un usage commercial large. Avant de bâtir un produit sur un modèle, on lit sa licence.

Le deuxième terrain, c'est le coût. Même quand l'écart de capacité s'efface, les modèles à poids ouverts restent structurellement moins chers en auto-hébergement ou via des fournisseurs d'inférence tiers, parce qu'on ne paie pas une API au token. À titre de repère, un modèle fermé de pointe comme Claude Opus 4.7 est facturé 5 dollars par million de tokens en entrée et 25 en sortie. La question n'est plus « quel modèle est le plus intelligent » mais « quel modèle offre le bon rapport capacité/coût pour ce cas d'usage ». C'est autant un sujet d'infrastructure que de modèle.

Le troisième terrain, c'est la conformité. En Europe, l'AI Act, le règlement européen sur l'intelligence artificielle, allège deux obligations documentaires pour les modèles réellement diffusés sous licence libre, tant qu'ils ne franchissent pas le seuil de risque systémique. Les obligations sur le respect du droit d'auteur et le résumé des données d'entraînement, elles, restent dues dans tous les cas. Cette incitation réglementaire, propre à l'Union européenne, joue en faveur des poids ouverts, d'autant qu'auto-héberger un modèle permet de garder les données chez soi, un argument fort côté RGPD.

Le score brut ne dit pas tout : l'angle sécurité

Reste un point que le classement ne montre pas. Une fois les poids d'un modèle publiés, ses garde-fous ne peuvent plus être corrigés à distance par son éditeur, contrairement à un modèle fermé accessible seulement via une API. Le fine-tuning, cette étape qui réadapte un modèle à un usage précis, peut même servir à retirer ces garde-fous : OpenAI l'a reconnu pour gpt-oss et a publié une évaluation du pire scénario avant diffusion.

Les évaluateurs indépendants ajoutent donc un axe de vigilance, au-delà du seul benchmark de capacité. Le NIST, l'agence fédérale américaine de normalisation, a mesuré via son centre CAISI que le modèle DeepSeek le plus robuste testé répondait à 94 % des requêtes malveillantes soumises avec une technique de contournement courante, contre 8 % pour les modèles de référence américains. En mai 2026, le même organisme situait DeepSeek V4 Pro à environ huit mois derrière la frontière des modèles américains sur ses tests. Un bon score de capacité ne dispense donc pas d'une diligence sur la robustesse avant tout déploiement en production.

Pour aller plus loin

• Automatisation et IA : intégrer des modèles et des agents dans vos outils, avec un cadrage sérieux.
• Cloud et DevOps : l'infrastructure et l'hébergement qui tiennent le coût d'un modèle en production.
• Développement avec OpenAI : intégrer gpt-oss ou les modèles fermés de l'éditeur.
• Développement avec Mistral : bâtir sur les modèles ouverts du laboratoire français.
• Développement avec Claude : brancher un modèle fermé de pointe derrière la même interface, pour un plan de repli.

Ce que ça change pour vos projets

Pour une équipe, ce paysage mouvant a un mérite : il enterre le réflexe « on prend le plus récent et le plus puissant pour tout ». Le bon modèle est celui qui suffit à l'usage, dont la licence autorise ce que vous voulez en faire, dont le coût d'hébergement tient à l'échelle visée, et dont la conformité colle à votre cadre réglementaire. Un modèle ouvert imbattable sur le papier peut être écarté pour une clause de licence, et un modèle fermé plus cher retenu parce qu'il déporte la charge de sécurité côté éditeur.

C'est exactement ce qu'une étape d'audit et d'étude de cadrage permet de trancher, usage par usage, avant d'écrire la première ligne de code : cartographier les besoins, confronter modèles ouverts et fermés sur la licence, le coût et la conformité, puis prévoir une architecture qui ne dépend pas d'un seul fournisseur, avec un plan de repli si l'accès à un modèle se ferme du jour au lendemain. La frontière open/fermé bougera encore ; une application capable de parler à plusieurs modèles derrière la même interface, elle, ne dépend d'aucun de ces revirements.

Sources

Actualités et chiffres recoupés sur leurs sources primaires (éditeurs, organismes de standards, instituts de référence), vérifiées accessibles au 8 juillet 2026 :

• Open Source AI Definition (Open Source Initiative)
• Introducing gpt-oss (OpenAI)
• gpt-oss model card (OpenAI)
• Introducing Mistral 3 (Mistral AI)
• DeepSeek V4 preview release (DeepSeek)
• GLM-5.2 (Zhipu AI)
• Qwen3.7-Max (Alibaba)
• Introducing Muse Spark (Meta)
• Llama 4 Community License (Meta)
• Introducing Claude Opus 4.7 (Anthropic)
• The 2026 AI Index Report (Stanford HAI)
• Intelligence Index, open-source models (Artificial Analysis)
• State of Open Source AI, Spring 2026 (Hugging Face)
• Guidelines for providers of general-purpose AI models (Commission européenne)
• CAISI evaluation of DeepSeek AI models (NIST)
• CAISI evaluation of DeepSeek V4 Pro (NIST)