Brief IA : LLM : les modèles ouverts réduiraient leur retard de 70 à 90 %

LLM : les modèles ouverts réduiraient leur retard de 70 à 90 %

Brief IA
Tom Levy·6 min

Les modèles ouverts auraient résorbé 70 à 90 % de leur retard dans les évaluations standards. Sous 1 million de tokens mensuels, les API propriétaires seraient plus économiques en coût complet. Des obligations légales ou contractuelles peuvent exclure le traitement des données par une API tierce.

En bref
1Les modèles ouverts auraient résorbé 70 à 90 % de leur retard dans les évaluations standards.
2Sous 1 million de tokens mensuels, les API propriétaires seraient plus économiques en coût complet.
3Des obligations légales ou contractuelles peuvent exclure le traitement des données par une API tierce.
Pourquoi c'est important : le choix dépend aussi des données autorisées, des volumes et du contrôle nécessaire sur le modèle.

Les modèles de langage à poids ouverts auraient résorbé 70 à 90 % de leur retard sur les offres propriétaires de pointe dans les évaluations standards. Ce rapprochement ne signifie pas que les offres sont interchangeables : confidentialité, volumes traités, adaptation et moyens d'exploitation restent déterminants pour choisir un déploiement.

Les données imposent parfois un hébergement interne

Une obligation légale ou contractuelle de conserver les données dans un environnement donné exclut les services qui ne respectent pas cette contrainte. Un hébergement autonome de modèle ouvert ou un cloud privé peuvent alors constituer les options de déploiement, avant même la comparaison des performances et des prix.

Les dossiers de santé et les notes cliniques, notamment concernés par HIPAA aux États-Unis, font partie des catégories à examiner. Il en va aussi des informations financières personnelles, des transactions, des comptes et des secrets commerciaux couverts par un accord de confidentialité. Les administrations et la défense peuvent imposer des exigences de souveraineté ou de classification.

Pour des données personnelles européennes, les conditions de traitement proposées par un prestataire peuvent ne pas répondre aux exigences juridiques du RGPD. L'entreprise française Mistral propose notamment Mistral Small 4, présenté comme adapté à des déploiements respectant ce règlement. À l'inverse, des contenus commerciaux courants, des informations publiques ou des jeux anonymisés peuvent être admissibles chez un fournisseur tiers.

Le volume modifie le coût complet

Sous 1 million de tokens mensuels, les API propriétaires seraient moins coûteuses une fois intégrées les dépenses d'infrastructure et d'ingénierie. L'auto-hébergement suppose notamment des GPU, du travail d'exploitation et des mesures de sécurité supplémentaires. Les API seraient également favorables aux expérimentations rapides ; entre 1 et 10 millions de tokens mensuels, elles conserveraient une simplicité opérationnelle, mais leur facture pèserait davantage.

Together AI, Groq ou Replicate donnent accès à des modèles ouverts hébergés sans demander au client d'en exploiter l'infrastructure. Pour Qwen 3 ou DeepSeek V3, les prix moyens se situeraient entre 0,20 $ et 0,60 $ par million de tokens, contre 1,25 $ à 3,00 $ par million de tokens entrants pour les offres propriétaires intermédiaires telles que GPT-4o, Claude Sonnet ou Gemini Flash. L'écart annoncé serait de 4 à 10 fois. Plus largement, les tarifs propriétaires iraient de 0,05 $ à 30 $ par million de tokens entrants, avec des sorties facturées deux à quatre fois plus cher.

Au-delà de 10 millions de tokens mensuels, un modèle ouvert sur GPU dédiés deviendrait économiquement plus intéressant. Pour 200 000+ requêtes mensuelles, l'économie estimée de l'auto-hébergement d'entreprise atteindrait 70 à 90 % face à des API propriétaires équivalentes. Le seuil de rentabilité se situerait autour de 500 000 à 2 millions de tokens quotidiens selon les offres comparées.

Les tarifs des API auraient déjà reculé d'environ 80 % depuis début 2023, sous l'effet des gains d'efficacité et de la concurrence ouverte. Les modèles propriétaires les plus avancés conserveraient toutefois un supplément de prix de 2 à 5 fois face à des modèles ouverts équivalents hébergés. Pour évaluer l'auto-hébergement, la comparaison pertinente porte aussi sur ces services ouverts gérés : Llama 4 ne constitue pas un substitut direct à Claude Opus ou GPT-5 Pro.

La lettre du soirGratuit · 19 h

Vous codez avec l’IA ?

Outils, agents et nouveautés dev IA décryptés, chaque soir en 5 min. Gratuit.

Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.

Choisissez votre rythme

Gratuit · Pas de spam · Désabonnement en 1 clic

Les tâches distinguent encore les capacités

Les meilleurs modèles ouverts pourraient égaler, voire dépasser leurs concurrents propriétaires en programmation, en extraction structurée et en mathématiques. Pour environ 80 % des applications en science des données, un modèle ouvert bien choisi fournirait des résultats fonctionnellement indiscernables de ceux d'une API propriétaire : classification, résumé, extraction, génération augmentée par recherche documentaire interne ou aide au développement. Les 20 % restants comprendraient notamment le raisonnement long nuancé, les enchaînements complexes d'agents et les applications aux exigences de fiabilité élevées, pour lesquels les modèles propriétaires de pointe conserveraient un avantage mesurable.

Les systèmes de classe Claude Opus conserveraient une avance pour les raisonnements complexes à plusieurs étapes, notamment dans GPQA Diamond. Des différences subsisteraient aussi dans la constance du respect des consignes à grande échelle et pour les langues disposant de peu de ressources. Ces distinctions justifient une évaluation sur les tâches effectivement destinées à la production plutôt qu'un choix fondé uniquement sur un classement général.

Parmi les offres ouvertes, Llama 4 de Meta est présenté comme la famille la plus influente ; Scout possède un contexte de 10 millions de tokens, présenté comme une première pour un modèle ouvert. DeepSeek V3 et ses successeurs seraient compétitifs face à la classe GPT-4o en programmation et en raisonnement ; R1, conçu pour les mathématiques et la logique, serait particulièrement adapté aux inférences complexes. Qwen 3.5 d'Alibaba figurerait en tête de plusieurs classements ouverts, sa variante 235B-A22B à mélange d'experts rivalisant avec les meilleurs propriétaires sur la plupart des évaluations standards. Ses capacités multilingues, notamment en chinois et en arabe, ainsi que les performances rapportées à leur taille des variantes Mistral Small, constituent d'autres éléments de comparaison.

Dans l'offre propriétaire de 2026 figurent GPT-5 d'OpenAI, Claude d'Anthropic et Gemini de Google. Claude propose un contexte de 200K tokens, adapté à l'analyse documentaire longue. L'environnement GPT-5 comprend des kits de développement, des intégrations, des formats de réponse structurés et Assistants API. Gemini bénéficie pour sa part de liens étroits avec Google Cloud et Vertex AI.

Licences et adaptation des modèles

Les offres ouvertes comme propriétaires sont déjà exploitées en production, mais elles ne donnent pas le même contrôle. Pour un modèle de langage, l'étiquette « open source » renvoie généralement à des poids accessibles publiquement, sans garantir l'accès aux données, au code ou à la méthode d'entraînement. Certaines licences ainsi désignées ne correspondent pas à la définition de l'Open Source Initiative. Une API propriétaire ne fournit pas les poids ; son opérateur prend en charge infrastructure, actualisations et augmentation de capacité.

Les autorisations commerciales diffèrent également. La Meta Community License de Llama autorise l'usage commercial, mais comporte des restrictions. DeepSeek utilise MIT, présentée comme la licence la plus permissive parmi les grandes familles ouvertes. Qwen 3.5, Mistral 7B et Mistral Small sont proposés sous Apache 2.0.

L'entraînement supplémentaire sur des données spécialisées pourrait apporter des résultats qu'une simple formulation d'instructions générales n'atteint pas, qu'il s'agisse de vocabulaire clinique, d'instruments financiers, de contrats ou de jargon interne. Les modèles ouverts permettent des essais successifs sur des données propriétaires et la possession des poids obtenus. Le modèle adapté peut ensuite fonctionner sans dépendance continue à une API ni paiement à l'usage de celle-ci. Ce degré de personnalisation, les moyens d'exploitation et les obligations de conformité peuvent peser davantage que les scores généraux.

Certains fournisseurs propriétaires autorisent aussi cet entraînement supplémentaire, sans proposer le même contrôle approfondi.

Suivez Brief IA

L'actu IA du jour, aussi dans votre fil.

Commentaires