Les modèles d'IA ouverts en 2026 : DeepSeek, Qwen et Kimi expliqués

Que signifie « modèle d'IA ouvert » ?

« Ouvert » recouvre une famille de descriptions, et non une garantie. Une version à poids ouverts partage les paramètres finaux entraînés d'un modèle, que d'autres peuvent ensuite affiner, adapter ou déployer lorsque la licence le permet. ^[4] Un système d'IA open source est une affirmation plus forte. La définition de l'Open Source Initiative exige trois éléments placés sous des conditions approuvées par l'OSI : des informations sur les données suffisamment détaillées pour qu'une personne compétente puisse construire un système substantiellement équivalent, le code source complet utilisé pour entraîner et exécuter le système, et les paramètres du modèle. ^[1]

Cette distinction pèse sur des choix concrets. Les poids peuvent être disponibles alors que les données d'entraînement et le code d'entraînement ne le sont pas. La note explicative de l'Open Source Initiative sur les poids ouverts indique qu'ils diffèrent de l'IA open source parce qu'ils ne comprennent ni le code d'entraînement ni le jeu de données d'entraînement, ni des précisions complètes sur ce jeu de données lorsqu'il ne peut pas être légalement partagé ; sans ces éléments, le processus d'entraînement est difficile à reproduire ou à auditer. ^[4] Un modèle peut donc être déployable localement sans être entièrement reproductible, ou avoir des poids disponibles sous des conditions qui restreignent certains usages.

Avant de choisir une version, posez-vous quatre questions : les poids exacts peuvent-ils être obtenus ? Quelle licence s'applique ? Quels environnement d'exécution et matériel peuvent charger le format retenu ? Quels éléments de preuve existent pour la tâche qui compte ? « Open source » n'est ni une note de performance, ni une garantie de confidentialité, ni la promesse que le modèle tiendra sur un ordinateur portable.

Les sections ci-dessous emploient « à poids ouverts » lorsque les éléments disponibles portent sur les poids et réservent « IA open source » au sens plus fort, à l'échelle du système. Cela évite de transformer une distinction technique utile en raccourci marketing.

Qu'est-ce qui est confirmé au sujet de DeepSeek V4 ?

Le Transparency Center de DeepSeek répertorie DeepSeek-V4 avec une date de publication au 24 avril 2026 et renvoie vers une fiche de modèle et un rapport technique. ^[2] Son journal officiel des modifications indique que l'API prenait en charge V4-Pro et V4-Flash à partir du 24 avril 2026. L'entrée du 10 septembre 2026 indique que V4 Flash a été retiré et que son nom d'API est temporairement redirigé vers V4.1 Flash, et la dernière entrée au 11 novembre 2026, datée du 17 octobre 2026, fait passer ce modèle à V4.1-Flash-1017. ^[6] Ces indications établissent l'existence de versions d'une famille de modèles et l'évolution de l'API ; elles ne signifient pas que chaque variante de V4 a des poids, une licence, un prix ou des exigences de déploiement local identiques.

L'annonce de DeepSeek du 24 avril 2026 qualifiait V4 Preview d'« open-sourced » (rendu open source), renvoyait vers ses poids ouverts sur Hugging Face et décrivait V4-Pro comme comptant 1.6T de paramètres au total dont 49B de paramètres actifs, et V4-Flash comme comptant 284B de paramètres au total dont 13B de paramètres actifs. ^[7] « Open-sourced » est la formulation de l'entreprise elle-même ; la question de savoir si une version donnée de V4 satisfait à la définition de l'OSI dépend de ce que son dépôt et sa licence fournissent réellement. Ces ordres de grandeur sont importants : un modèle peut avoir moins de paramètres actifs par token que de paramètres au total tout en exigeant une infrastructure et des fichiers de modèle considérables. N'en déduisez pas qu'un modèle proposé par API peut être exécuté confortablement sur un ordinateur personnel.

Pour un développeur, il faut distinguer le nom du modèle dans l'API d'un checkpoint téléchargé. La documentation de DeepSeek explique les noms d'API et le routage de compatibilité ; le Transparency Center est l'endroit approprié pour confirmer une version majeure et trouver sa fiche. ^[2][6] Pour un déploiement local, appuyez-vous sur la fiche de modèle précise, la source des poids, la licence et l'environnement d'exécution pris en charge plutôt que de deviner à partir d'un nom d'API.

Pour un lecteur non spécialiste, il est utile de comprendre DeepSeek comme une famille : il peut exister, sous des noms apparentés, des options de grande taille, hébergées ou destinées à un usage local. Le choix pratique porte sur la version exacte et le mode de mise à disposition, et non sur la fidélité à une marque.

En quoi Qwen3.8 et Kimi K3.1 Pro diffèrent-ils ?

Qwen3.8-27B est un modèle vision-langage dont la fiche officielle mentionne 27B de paramètres pour le modèle de langage et une licence Apache 2.0 ; le récapitulatif des fichiers du dépôt établi par Hugging Face affiche une taille de modèle de 28B de paramètres. La fiche indique que le dépôt contient les poids et les fichiers de configuration du modèle post-entraîné au format Transformers, et la page Hugging Face renvoie vers des versions quantifiées pour llama.cpp, Ollama, LM Studio ou toute application compatible. ^[3] Ces versions quantifiées se trouvent dans des dépôts distincts ; vérifiez donc qui a publié chacune d'elles. Cela n'en fait un candidat plausible au rang de modèle local que lorsque la quantification choisie, le contexte et le matériel conviennent.

Kimi K3.1 Pro se situe à une autre échelle et dans une autre position en matière de licence. La fiche de son éditeur le présente comme un modèle multimodal à poids ouverts de type mixture-of-experts, mentionne 2.8T de paramètres au total et 104B de paramètres activés, et cite une licence propre à Kimi. ^[5] Il peut être techniquement accessible sans être pour autant le bon choix local pour un matériel ordinaire, ni être placé sous une licence comparable à celle d'un modèle sous licence Apache.

Ces deux versions montrent pourquoi le nombre de paramètres ne suffit pas à répondre à la question « lequel est le meilleur ». L'échelle de 27B de Qwen peut être plus facile à tester en local avec une quantification appropriée. L'échelle bien plus grande de Kimi peut viser une infrastructure disposant de beaucoup plus de mémoire et de capacité de déploiement. La bonne comparaison porte sur la tâche, la qualité des résultats, la latence, le coût, la licence et le matériel — et non sur l'affirmation qu'une famille l'emporte dans tous les benchmarks.

Les deux fiches sont des informations fournies par les éditeurs. Les résultats de benchmarks revendiqués et les descriptions de capacités doivent être considérés comme des points de départ pour l'évaluation, et non comme un substitut à des tests portant sur des prompts, des langues et des cas d'échec représentatifs. Pour un usage lourd de conséquences, conservez une étape de relecture humaine et un processus indépendant de vérification des sources.

Quel modèle ouvert convient à quel usage ?

Pour apprendre le déploiement local, choisissez le plus petit modèle pris en charge capable de traiter la langue et la tâche souhaitées, puis testez-le. Une quantification compatible Qwen de taille raisonnable peut constituer une première expérience plus pratique qu'une version bien plus volumineuse. Hugging Face documente les voies d'accès par applications locales pour GGUF, MLX et d'autres formats, notamment LM Studio, Ollama, llama.cpp et MLX LM. ^[8]

Pour un flux de travail hébergé, une API peut alléger la charge que représentent le téléchargement des poids, le choix d'un environnement d'exécution et l'entretien du matériel. C'est un choix de service, et non un choix de confidentialité locale. La documentation de l'API de DeepSeek fait apparaître des changements de noms de modèles et des versions d'API ; les utilisateurs devraient vérifier les conditions de service, les tarifs et le traitement des données en vigueur avant d'envoyer des contenus sensibles. ^[6]

Pour une équipe de recherche ou d'infrastructure, les très grandes versions à poids ouverts peuvent permettre un auto-hébergement maîtrisé, une évaluation spécialisée ou une adaptation. Elles ajoutent aussi du travail opérationnel : obtenir les poids, gérer la capacité d'inférence, appliquer les mises à jour de sécurité, respecter les licences et surveiller la qualité des résultats. La taille de Kimi K3.1 Pro illustre le fait que la disponibilité des poids n'élimine pas ces coûts. ^[5]

Pour un travail multimodal, vérifiez la fiche de modèle exacte plutôt que de supposer que chaque modèle accepte des images, de la vidéo ou des documents. Qwen décrit Qwen3.8-27B comme un modèle vision-langage, tandis que la fiche de Kimi décrit des modalités texte et image. ^[3][5] Cela ne dit rien, en soi, de la précision sur une image ou un document particuliers, surtout dans un domaine sensible.

Pour un travail sensible en matière de confidentialité, l'exécution locale peut réduire le partage des prompts avec un fournisseur hébergé, mais elle n'est pas synonyme de confidentialité automatique. Les téléchargements de modèles, les mises à jour, les journaux locaux, les sauvegardes, les plug-ins et les serveurs exposés au réseau restent des risques distincts. Consultez le guide du site consacré à l'IA locale pour l'ensemble des compromis en matière de matériel et de confidentialité.

Comment évaluer un modèle à poids ouverts ?

Lisez d'abord la fiche de modèle. Confirmez l'éditeur, la révision du modèle, la licence, la tâche visée, l'architecture, les modalités, les limites connues et les formats de déploiement pris en charge. La fiche n'est pas une certification d'exactitude, mais c'est la source la plus directe sur ce que l'éditeur déclare avoir publié. ^[2][3][5]

Choisissez ensuite un jeu de tests réaliste. Utilisez un petit ensemble de prompts représentatifs comportant des faits attendus connus, des cas limites difficiles et la langue visée. Comparez les résultats du point de vue de l'exactitude, de l'exhaustivité, de la cohérence et d'un excès de confiance nuisible. Ne jugez pas un modèle uniquement sur une première réponse soignée ou sur un seul benchmark public.

Consignez l'environnement exact : révision du modèle, quantification, limite de contexte, environnement d'exécution, matériel, formulation des prompts et accès aux outils. Deux utilisateurs peuvent obtenir des résultats différents avec un modèle portant le même nom lorsque ces variables diffèrent. Cette trace permet aussi de reproduire une configuration utile ou d'enquêter sur une mauvaise réponse.

Vérifiez la licence avant tout déploiement dépassant l'expérimentation personnelle. La définition de l'OSI explique que l'IA open source implique davantage que des poids, et la note explicative de l'OSI sur les poids ouverts indique que les poids seuls ne suffisent pas à ce qui est nécessaire pour utiliser, étudier, modifier et partager pleinement un système. ^[1][4] L'usage commercial, la redistribution, l'affinage, l'utilisation dans un service hébergé et l'attribution peuvent être régis par des conditions différentes.

Enfin, appliquez la limite relative aux résultats. Un modèle ouvert peut rédiger des ébauches, traduire, classer ou aider à explorer des informations. Il ne devrait pas être l'autorité finale pour des décisions juridiques, financières, médicales, de sûreté ou de sécurité sans éléments indépendants et à jour ni jugement professionnel approprié.

Comment exécuter un modèle ouvert en local sans confusion ?

Choisissez l'environnement d'exécution avant de télécharger un fichier de modèle. Hugging Face répertorie les applications locales et les formats compatibles : par exemple, LM Studio prend en charge les modèles GGUF et MLX, Ollama prend en charge GGUF, et MLX LM prend en charge les modèles MLX de génération de texte. ^[8] Un fichier de modèle au mauvais format n'est pas un téléchargement utile.

Partez d'une page officielle de l'éditeur ou d'un hébergeur de modèles reconnu, puis choisissez un format adapté à l'ordinateur. La page Hugging Face de Qwen3.8-27B renvoie vers des versions quantifiées, tandis que la version de base à 27B n'est pas en elle-même l'affirmation que chaque appareil peut charger chaque version. ^[3] Gardez une marge de mémoire pour le système d'exploitation et le contexte au lieu de considérer la taille du modèle sur le disque comme le besoin total.

Limitez le premier serveur au même ordinateur, en local, et testez-le avec des données sans risque. N'exposez pas le point d'accès d'un modèle local à l'Internet public simplement pour l'utiliser depuis un autre appareil. Si un service réseau devient nécessaire par la suite, utilisez une authentification, appliquez les correctifs à l'environnement d'exécution et sachez qui peut lui envoyer des prompts.

Utilisez la gestion de versions pour les configurations et conservez une trace de la licence du modèle. Un modèle local peut être techniquement facile à exécuter mais juridiquement inadapté à un service envisagé, ou l'inverse. Une expérience ordonnée est plus sûre et plus utile que le téléchargement répété d'énormes fichiers aux origines incertaines.

Lorsqu'un modèle ne répond pas bien, modifiez une variable à la fois : un contexte plus réduit, une autre quantification, un autre environnement d'exécution ou un modèle mieux adapté à la tâche. Un nombre de paramètres plus élevé n'est pas le seul remède.

Que faut-il surveiller du côté des modèles ouverts en 2026 ?

Surveillez attentivement l'identité des versions. Les pages officielles de DeepSeek distinguent V4, V4-Pro, V4-Flash et les changements d'API liés à V4.1-Flash. ^[2][6] Un gros titre qui parle de « DeepSeek V4 » peut désigner un modèle exact ou une voie de mise à disposition différents de ceux qu'un lecteur compte utiliser.

Surveillez les licences et les détails de déploiement d'aussi près que les capacités. La page publique de Qwen3.8-27B mentionne Apache 2.0, tandis que Kimi K3.1 Pro mentionne une licence propre à Kimi. ^[3][5] Ces mentions doivent être lues dans les dépôts eux-mêmes, car un modèle de base, une quantification communautaire et un dérivé peuvent avoir des documentations différentes.

Surveillez les éléments de preuve qui correspondent à la tâche. Un benchmark de programmation ne tranche pas la question de la compréhension de documents, une affirmation sur le contexte long ne tranche pas celle de l'exactitude factuelle, et la prise en charge des images par un modèle ne tranche pas celle de sa fiabilité sur les images. Les versions ouvertes facilitent les tests et l'adaptation, mais elles ne suppriment pas la nécessité d'évaluer.

Surveillez les changements opérationnels autant que les notes de version. Les API hébergées peuvent renommer, rediriger ou retirer des points d'accès, comme l'illustre le journal des modifications de V4 chez DeepSeek. ^[6] Une équipe qui dépend d'une API devrait tester tout remplacement avant une utilisation en production et conserver un processus de repli. Une équipe qui s'auto-héberge doit, elle, prévoir l'intégrité des téléchargements, les mises à niveau de l'environnement d'exécution, le stockage et la capacité. Aucune des deux voies n'est durablement exempte de maintenance. Prévoyez un retour en arrière, un budget pour la surveillance, et documentez qui est responsable de chaque tâche opérationnelle avant le lancement.

Tenez un dossier de preuves contenant la révision de la fiche de modèle, le texte de licence consulté, la version de l'environnement d'exécution, les prompts d'évaluation et les modes de défaillance observés. C'est un travail modeste pour un projet personnel et indispensable pour un usage en organisation. Il transforme une affirmation séduisante sur une version ouverte en décision reproductible. Il aide aussi à distinguer une limite du modèle d'une erreur de quantification, de conception des prompts ou de configuration locale.

Le choix durable n'est pas DeepSeek contre Qwen contre Kimi dans l'abstrait. C'est le modèle exact le plus petit, le plus clairement licencié et dont les capacités sont vérifiables, qui répond à la tâche dans un cadre de déploiement que l'utilisateur est en mesure d'entretenir.