Llama 3 : Meta relance l'IA ouverte de haut niveau

Meta vient de publier Llama 3 et rouvre grand la porte des modèles de langage en accès ouvert. L'annonce de ce 18 avril 2024, intitulée « Introducing Meta Llama 3: The most capable openly available LLM to date », présente deux modèles téléchargeables de 8 et 70 milliards de paramètres, entraînés sur plus de 15 000 milliards de tokens. Ce n'est pas une simple mise à jour de Llama 2 : c'est une montée en gamme qui met, entre les mains de quiconque veut les télécharger, des modèles capables de rivaliser avec les meilleurs systèmes de leur catégorie. Cet article raconte ce moment précis, le paysage technique qui l'a rendu possible, l'impact immédiat sur les usages, et les perspectives qu'il paraît ouvrir pour l'accès libre aux modèles de langage.

Il faut mesurer le chemin parcouru. Un peu plus d'un an avant Llama 3, le premier LLaMA n'était accessible qu'aux chercheurs, sur demande, sous une licence non commerciale. Avec Llama 3, Meta livre des modèles à la fois plus performants, assortis d'une licence autorisant l'usage commercial sous conditions, et immédiatement disponibles sur les principales plateformes du marché. Le laboratoire y ajoute une intégration produit d'envergure : son assistant Meta AI, désormais propulsé par Llama 3, est déployé dans Facebook, Instagram, WhatsApp et Messenger. En une journée, un modèle de recherche devient à la fois un bien partagé pour la communauté technique et le moteur d'un assistant grand public.

Un mot de méthode avant d'entrer dans le récit. Les dates, tailles, chiffres et citations présentés ici proviennent du billet officiel de Meta AI, de sa communication produit, de la documentation technique publiée avec les modèles, et de la presse technologique spécialisée. Lorsqu'une donnée n'est pas confirmée par une source solide, elle est présentée comme telle. C'est la règle de ce média : on privilégie ce qui se vérifie.

Ce que c'était : deux modèles ouverts de haut niveau

Le 18 avril 2024, Meta AI dévoile les deux premiers modèles de la famille Llama 3 : une version de 8 milliards de paramètres et une version de 70 milliards. Chacune est proposée dans deux déclinaisons — un modèle pré-entraîné brut et un modèle affiné pour suivre des instructions, adapté aux usages conversationnels. Les paramètres sont les valeurs numériques qu'un modèle ajuste durant son apprentissage ; leur nombre donne une première idée de sa capacité et du coût de son fonctionnement. Avec 8 et 70 milliards, Meta cible deux points d'équilibre : un modèle léger, exécutable sur une infrastructure modeste, et un modèle plus ambitieux visant le haut de sa catégorie.

Meta ne cache pas son intention. Dès l'annonce, le laboratoire revendique le sommet de la performance pour des modèles en accès ouvert de cette taille.

Nous pensons que ce sont les meilleurs modèles open source de leur catégorie, point.
— Meta AI, « Introducing Meta Llama 3 », 18 avril 2024

La formule est directe, presque provocante, mais elle s'appuie sur des mesures. Sur les batteries d'évaluation standard qui jaugent le raisonnement, la connaissance générale, la compréhension et la génération de code, les deux modèles Llama 3 établissaient, au moment de leur sortie, un nouveau niveau de référence pour leur échelle. Il faut toutefois lire ces annonces avec la prudence d'usage : un score supérieur sur une série de tests mesure des tâches précises et ne garantit pas une supériorité en toute circonstance. La tendance, elle, était nette et reproductible.

Un entraînement massif sur des données publiques

Le cœur de la progression tient dans le volume et la qualité des données d'entraînement. Selon Meta, Llama 3 a été pré-entraîné sur plus de 15 000 milliards de tokens — les tokens étant les fragments de mots que le modèle apprend à prédire — collectés à partir de sources publiquement disponibles. À titre de repère, ce corpus est sept fois plus vaste que celui de Llama 2, et il contient quatre fois plus de code informatique. Plus de 5 % de ces données sont de langue autre que l'anglais, couvrant plus de trente langues, ce qui prépare le terrain d'un usage multilingue élargi.

Ce parti pris s'inscrit dans la continuité de la lignée Llama : privilégier un entraînement long et copieux sur des modèles de taille raisonnable, plutôt que de gonfler à l'excès le nombre de paramètres. La qualité des données pèse ici autant que leur quantité. Meta indique avoir développé des filtres pour écarter les contenus de faible valeur et sélectionner les meilleurs échantillons, un travail de préparation dont l'importance est souvent sous-estimée mais qui conditionne directement les capacités finales du modèle.

Ce soin apporté à la préparation des données n'est pas un détail d'ingénierie parmi d'autres. Meta décrit une chaîne de filtrage élaborée, combinant des heuristiques, des classifieurs de qualité et des vérifications automatiques pour repérer et écarter les passages de faible valeur, les doublons ou les contenus mal formés. Le laboratoire explique même avoir utilisé des modèles antérieurs de la famille pour aider à évaluer la qualité des données destinées à entraîner la génération suivante — une forme de boucle vertueuse, où chaque itération contribue à améliorer la matière première de la suivante. Cette rigueur en amont explique une part des gains observés : à architecture comparable, un modèle nourri de données mieux sélectionnées apprend plus efficacement.

Le volume de code mérite une mention particulière. En quadruplant la proportion de code informatique dans le corpus par rapport à Llama 2, Meta visait explicitement à renforcer les capacités de raisonnement et de programmation. Ce choix n'est pas fortuit : l'exposition à du code structuré, avec sa logique stricte et ses enchaînements rigoureux, semble aider les modèles à mieux raisonner, y compris sur des tâches qui ne relèvent pas directement de la programmation. Pour les développeurs qui intègrent ces modèles dans leurs outils, cette montée en compétence sur le code était l'une des améliorations les plus tangibles.

Sous le capot : un tokenizer plus efficace et une attention optimisée

Deux choix d'ingénierie méritent l'attention, car ils expliquent une partie des gains. Le premier concerne le tokenizer, l'outil qui découpe le texte en unités traitables par le modèle. Llama 3 adopte un vocabulaire de 128 000 tokens, bien plus large que celui de la génération précédente. Un vocabulaire plus riche encode le langage de manière plus compacte : le modèle représente une même phrase avec moins de tokens, ce qui améliore à la fois l'efficacité de calcul et la qualité de la représentation. C'est une optimisation discrète, mais dont les effets se cumulent sur l'ensemble des traitements.

Le second choix concerne l'architecture d'attention. Pour améliorer l'efficacité de l'inférence — c'est-à-dire la rapidité et l'économie de ressources lors de l'utilisation du modèle —, Meta a adopté une technique nommée attention à requêtes groupées, ou GQA selon son sigle anglais, sur les deux tailles, y compris le modèle 8B. Cette méthode réduit la mémoire nécessaire pour traiter une requête sans sacrifier la qualité, un compromis précieux pour qui déploie le modèle à grande échelle. Ces deux briques restent fidèles à l'ossature Transformer, l'architecture commune à cette génération de modèles, mais elles la peaufinent avec soin.

Enfin, les modèles Llama 3 ont été entraînés sur des séquences de 8 192 tokens, définissant ainsi une fenêtre de contexte de 8 000 tokens. La fenêtre de contexte désigne la quantité de texte que le modèle peut prendre en compte simultanément — sa mémoire de travail, en quelque sorte. Cette valeur, correcte pour un modèle de cette catégorie, reste modeste au regard des besoins de certains usages exigeants, comme l'analyse de longs documents. Meta indique d'ailleurs que ce n'est là qu'un premier jalon : le laboratoire annonce vouloir, dans les mois à venir, doter la famille Llama 3 de fenêtres de contexte élargies et de nouvelles capacités. Il faudra attendre ces prochaines livraisons pour mesurer l'ampleur de cette extension.

Un assistant grand public propulsé par le modèle

La journée du 18 avril 2024 ne se limite pas à une publication technique. Le même jour, Meta annonce que son assistant conversationnel, Meta AI, est désormais propulsé par Llama 3. Cet assistant devient accessible directement dans les barres de recherche de Facebook, Instagram, WhatsApp et Messenger, ainsi que sur un site dédié. Le dirigeant de Meta, Mark Zuckerberg, en fait la présentation en des termes qui résument l'ambition d'accessibilité.

L'assistant IA le plus intelligent que vous puissiez utiliser librement.
— Mark Zuckerberg, à propos de Meta AI propulsé par Llama 3, avril 2024

Cette double sortie — un modèle ouvert d'un côté, un assistant intégré de l'autre — illustre la stratégie de Meta. Le même socle technique nourrit à la fois un produit destiné au très grand public et une brique librement diffusée que la communauté peut télécharger, étudier et adapter. Les deux dynamiques se renforcent : l'usage massif de l'assistant alimente l'amélioration du modèle, tandis que la diffusion ouverte élargit l'écosystème qui gravite autour de la famille Llama.

Le contexte : une course à l'ouverture déjà lancée

Llama 3 n'est pas apparu dans le vide. Il répond à un paysage qui s'était densifié en l'espace d'un an, et où l'accès ouvert aux modèles était devenu un enjeu stratégique majeur. Pour saisir la portée de l'annonce d'avril 2024, il faut retracer ce qui l'avait précédée.

De LLaMA à Llama 2 : l'ouverture s'installe

Tout commence, ou presque, le 24 février 2023, quand Meta publie le premier LLaMA, une collection de modèles réservés à la recherche. La diffusion élargie de ses poids, puis l'explosion de projets dérivés comme Alpaca et Vicuna, avaient révélé un appétit considérable de la communauté pour des modèles téléchargeables et adaptables. Meta en tire la leçon et franchit une étape décisive le 18 juillet 2023, avec Llama 2, publié en partenariat avec Microsoft. Décliné en trois tailles — 7, 13 et 70 milliards de paramètres —, Llama 2 est cette fois assorti d'une licence autorisant l'usage commercial, sous certaines conditions. L'écosystème, jusque-là surtout académique, gagne une dimension industrielle : les entreprises peuvent enfin bâtir des produits sur ces modèles, et non plus seulement les étudier.

Llama 2 rencontra un vif succès et devint une base de référence pour des milliers de projets. Mais l'écart avec les meilleurs modèles fermés du moment restait sensible, en particulier sur le raisonnement et la génération de code. La communauté attendait un modèle ouvert qui comble une partie de ce fossé. C'est précisément le besoin auquel Llama 3 répondra.

Une concurrence stimulante sur les poids ouverts

Entre-temps, Meta n'était plus seul sur ce terrain. L'année 2023 et le début de 2024 avaient vu émerger d'autres acteurs déterminés à publier des modèles en accès ouvert de qualité. En Europe, la jeune entreprise Mistral AI, fondée en 2023 par d'anciens membres de l'équipe LLaMA, s'était fait remarquer avec son modèle Mistral 7B, salué pour son efficacité et ses performances élevées au regard de sa taille compacte. Ce modèle démontrait qu'un acteur récent pouvait rivaliser avec les références établies.

Du côté de Google, l'arrivée de la famille Gemma, en février 2024, avait marqué un tournant. Le géant de la recherche, longtemps discret sur le partage de ses modèles, publiait deux versions ouvertes de 2 et 7 milliards de paramètres, assorties d'une licence permettant un usage commercial. La démarche signalait que l'accès ouvert n'était plus l'apanage d'un seul acteur, mais devenait un axe de compétition à part entière. Voici les principaux jalons de ce paysage, tel qu'il se présentait à la veille de Llama 3 :

• LLaMA (Meta, février 2023) — la première collection ouverte de modèles performants, réservée à la recherche, qui amorce le mouvement.
• Llama 2 (Meta, juillet 2023) — l'ouverture s'étend à l'usage commercial, ouvrant la voie à une adoption industrielle.
• Mistral 7B (Mistral AI, 2023) — un acteur européen prouve qu'un modèle compact peut rivaliser avec de plus gros systèmes.
• Gemma (Google, février 2024) — un géant historique de la recherche rejoint le terrain des poids ouverts.

Dans ce paysage en effervescence, Llama 3 arrivait à point nommé. La question n'était plus de savoir si l'accès ouvert avait un avenir — la démonstration était faite — mais jusqu'où il pouvait se hisser en matière de performance. En publiant des modèles qui visaient le sommet de leur catégorie, Meta apportait une réponse ambitieuse, et confirmait son rôle de moteur dans cette dynamique collective.

Une nuance de vocabulaire qui compte

Un point de terminologie mérite d'être posé dès maintenant, car il traverse toute cette histoire. Les modèles Llama sont souvent qualifiés d'« open source », y compris par Meta. Or leur licence, si elle autorise un usage très large, impose des conditions — restrictions sur les très grands déploiements, obligations de mention, limites d'usage — qui la distinguent des licences « libres » au sens strict retenu par les tenants du logiciel ouvert. Plusieurs voix ont fait observer, à juste titre, que l'expression rigoureuse était plutôt « poids ouverts » : des modèles librement téléchargeables et adaptables, mais assortis de règles d'utilisation. Nous emploierons cette formulation plus exacte, qui rend mieux compte de la réalité de ces modèles sans en diminuer l'apport.

Ce que ça a changé : le haut de gamme ouvert à tous

L'apport de Llama 3 tient en une idée simple : porter les modèles en accès ouvert au niveau des meilleurs systèmes de leur catégorie, et le faire sans coût de licence pour la grande majorité des usages. Cette combinaison — performance élevée et accès sans barrière financière à l'entrée — a eu des conséquences concrètes et immédiates.

Une accessibilité repensée

Le modèle 8B, en particulier, changeait la donne pour les équipes aux moyens limités. Assez compact pour tourner sur un seul processeur graphique de bonne facture, voire sur du matériel grand public bien équipé après optimisation, il mettait un modèle de haut niveau à la portée de développeurs indépendants, de petites structures et d'établissements de recherche. Là où l'accès aux meilleurs modèles passait le plus souvent par un service distant facturé à l'usage, Llama 3 offrait une alternative : télécharger le modèle, l'exécuter sur sa propre infrastructure, et bâtir dessus sans dépendre d'un fournisseur unique.

Cette accessibilité matérielle avait des vertus pratiques précieuses. Un modèle exécuté localement offre une maîtrise des données — les informations traitées ne quittent pas l'infrastructure de leur propriétaire —, une indépendance vis-à-vis d'un prestataire, et la possibilité de fonctionner sans connexion permanente à un service extérieur. Pour les entreprises soucieuses de la confidentialité de leurs informations, pour les administrations attachées à leur souveraineté technologique, pour les chercheurs désireux d'inspecter le fonctionnement interne d'un système, ces propriétés ouvrent des perspectives que les seuls services fermés ne peuvent couvrir.

Une disponibilité immédiate sur toutes les plateformes

Meta avait tiré les enseignements des lancements précédents en matière de distribution. Dès l'annonce, Llama 3 était rendu disponible sur un large éventail de plateformes : les places publiques de partage de modèles, les principaux fournisseurs de cloud, et divers services d'inférence. Selon Meta, les modèles étaient accessibles via AWS, Databricks, Google Cloud, Hugging Face, Kaggle, IBM WatsonX, Microsoft Azure, NVIDIA NIM et Snowflake, avec un support matériel de plusieurs fabricants de puces. Cette ubiquité réduisait considérablement la friction : quel que soit son environnement de travail, un développeur pouvait accéder au modèle sans reconstruire toute son infrastructure.

Cette stratégie de diffusion large illustre une conviction que Meta a maintes fois exprimée, et qui sous-tend l'ensemble de sa démarche d'ouverture.

Nous croyons de longue date que l'ouverture conduit à de meilleurs produits, plus sûrs, à une innovation plus rapide et à un marché globalement plus sain.
— Meta AI, « Introducing Meta Llama 3 », 18 avril 2024

Au-delà de l'argument commercial, cette position traduit un pari de fond : en diffusant largement ses modèles, Meta mise sur l'effet d'entraînement d'une communauté mondiale qui améliore, teste, corrige et étend le travail initial. C'est un calcul stratégique autant qu'une philosophie, et Llama 3 en fut l'une des expressions les plus abouties.

Un socle solide pour construire

Concrètement, que pouvait-on faire de Llama 3 ? La réponse tient dans la richesse des usages que la communauté a rapidement développés. Le modèle affiné pour suivre des instructions servait de base à des assistants conversationnels spécialisés. Le modèle brut pouvait être réentraîné sur des données métier pour l'adapter à un domaine précis — juridique, médical, technique. Sa maîtrise renforcée du code en faisait un compagnon de programmation apprécié. Et sa compacité, pour la version 8B, autorisait des déploiements à faible latence, au plus près des utilisateurs.

Voici, en synthèse, ce que Llama 3 apportait de nouveau par rapport à la génération précédente :

• Un bond de performance — des modèles visant le sommet de leur catégorie, comblant une partie de l'écart avec les meilleurs systèmes fermés.
• Un entraînement bien plus copieux — plus de 15 000 milliards de tokens, sept fois le corpus de Llama 2, avec quatre fois plus de code.
• Un tokenizer plus efficace — un vocabulaire de 128 000 tokens qui encode le langage de façon plus compacte.
• Une inférence optimisée — l'attention à requêtes groupées sur les deux tailles, pour un déploiement plus économe.
• Une disponibilité universelle — présent dès le premier jour sur l'ensemble des grandes plateformes du marché.

Ce dernier point mérite qu'on s'y arrête, car il révèle une maturité nouvelle. Livrer un bon modèle ne suffit pas ; encore faut-il qu'il soit facile à obtenir et à mettre en œuvre. En orchestrant une disponibilité immédiate et large, Meta transformait une publication technique en un outil réellement utilisable, prêt à être intégré dans les chaînes de production existantes. Pour qui met des modèles en service au quotidien, cette différence est loin d'être anecdotique : elle sépare une curiosité de laboratoire d'une brique d'ingénierie fiable.

Une adoption rapide et un écosystème réactif

La réponse de la communauté ne se fit pas attendre. Dans les jours qui suivirent la publication, les modèles Llama 3 furent téléchargés massivement et déclinés en une profusion de variantes. Les outils d'exécution locale, qui permettent de faire tourner un modèle sur sa propre machine, intégrèrent rapidement le support de Llama 3, rendant son essai accessible à un large public de développeurs et d'amateurs éclairés. Les formats de compression, qui réduisent la taille des modèles pour les faire fonctionner sur du matériel plus modeste au prix d'une légère perte de précision, apparurent en quelques heures. Cette réactivité illustrait la maturité de l'écosystème qui s'était formé autour de la lignée Llama depuis 2023.

Au-delà de l'exécution brute, la communauté se mit à spécialiser les modèles. Des versions affinées virent le jour pour des langues sous-représentées, pour des domaines professionnels précis, ou pour des tâches particulières comme la synthèse de documents ou l'assistance à la rédaction. Ce foisonnement de dérivés est l'un des bénéfices propres aux modèles en accès ouvert : une fois la base disponible, une multitude d'acteurs peuvent l'adapter à des besoins que le laboratoire initial n'aurait ni le temps ni la vocation de couvrir. La valeur du modèle se démultiplie alors bien au-delà de sa forme d'origine.

Pour les équipes qui mettent des systèmes en production, cet effet de communauté a une conséquence pratique importante : la documentation, les retours d'expérience et les correctifs circulent vite. Un problème rencontré par un utilisateur est souvent déjà documenté, voire résolu, par un autre. Cette intelligence collective réduit le risque et accélère la mise en œuvre — un avantage discret, mais décisif quand il s'agit de déployer un modèle de façon fiable et durable.

Les perspectives : une lignée qui pourrait redéfinir l'accès ouvert

Au moment où ces lignes sont écrites, le 18 avril 2024 a tout d'un point de bascule possible dans l'histoire des modèles en accès ouvert. Non que Llama 3 soit le premier modèle librement diffusé — la lignée existe déjà —, mais parce qu'il porte l'ouverture à un niveau de performance susceptible de forcer l'ensemble du secteur à se réajuster. Ce que Llama 3 amorce, les prochaines versions pourraient bien l'amplifier ; mais gardons-nous de préjuger de leur forme, car elles n'existent pas encore.

Ce que Meta laisse entrevoir

Dans son billet d'annonce, Meta ne présente Llama 3 que comme un début. Le laboratoire précise que les deux modèles 8B et 70B ouvrent la voie, et que d'autres livraisons suivront « dans les mois à venir ». Il évoque explicitement plusieurs chantiers : des modèles de plus grande taille, encore en cours d'entraînement au moment de l'annonce et dont les premières mesures internes seraient prometteuses ; des fenêtres de contexte plus étendues, afin de dépasser la limite actuelle de 8 000 tokens ; des capacités multilingues renforcées ; et une orientation multimodale, c'est-à-dire l'aptitude à traiter d'autres formes de contenu que le texte. Ce sont là des intentions annoncées, non des produits disponibles : il conviendra de les évaluer lorsqu'ils verront le jour.

Meta indique en particulier qu'un modèle nettement plus volumineux, dépassant les 400 milliards de paramètres selon les chiffres communiqués par le laboratoire, est encore en phase d'entraînement. Le laboratoire se garde d'en publier les caractéristiques définitives, se bornant à laisser entendre qu'il pourrait rivaliser avec les tout meilleurs systèmes fermés sur les capacités de pointe. Si cette promesse se confirmait, la barrière symbolique entre modèles ouverts et modèles fermés, longtemps jugée infranchissable au sommet, s'en trouverait fortement entamée. Mais tant que ce modèle n'est pas rendu public, cette perspective demeure une hypothèse à surveiller plutôt qu'un fait acquis.

Un effet d'entraînement possible sur tout le secteur

La portée de Llama 3 ne se mesurera pas seulement à sa descendance directe. En établissant qu'un modèle librement diffusé peut viser le tout premier plan, cette lignée valide une manière de faire et paraît de nature à stimuler l'ensemble de l'écosystème. La concurrence sur les poids ouverts, déjà vive, pourrait s'intensifier encore. Rien n'interdit d'imaginer que Mistral continue de publier des modèles compétitifs et contribue à ancrer une offre européenne, que Google poursuive sa famille Gemma, ou que d'autres laboratoires, en Asie comme en Occident, diffusent des modèles ouverts de plus en plus performants. Une telle émulation, loin d'être un jeu à somme nulle, bénéficierait à tous : chaque avancée publiée deviendrait un point de départ pour la suivante.

Cette diversité, si elle se confirme, serait une bonne nouvelle pour les usages. Disposer de plusieurs familles de modèles ouverts, aux partis pris distincts, offrirait un choix réel : selon la taille souhaitée, la langue visée, le budget de calcul disponible ou les contraintes de confidentialité, on pourrait retenir le modèle le plus adapté. Pour qui met des systèmes en production, une telle latitude serait un atout majeur. Elle réduirait la dépendance à un fournisseur unique et permettrait d'ajuster finement le compromis entre performance, coût et maîtrise.

La question de l'« ouvert », toujours ouverte

Il serait incomplet de célébrer cet héritage sans rappeler le débat qui l'accompagne. Les licences des modèles Llama, on l'a dit, autorisent un usage très large tout en imposant des conditions qui les distinguent des licences « libres » au sens strict. La clause la plus commentée concerne les très grands déploiements : les entreprises dépassant un seuil élevé d'utilisateurs actifs mensuels doivent solliciter une autorisation spécifique auprès de Meta. Cette restriction, sans effet pour l'immense majorité des utilisateurs, marque néanmoins une limite à l'ouverture revendiquée.

Ce débat n'enlève rien à l'apport de la lignée Llama ; il en précise la portée. L'expression « poids ouverts » s'est imposée précisément pour désigner cette catégorie intermédiaire — des modèles librement téléchargeables et adaptables, mais assortis de règles d'utilisation. Loin d'être une querelle sémantique, cette clarification participe à installer un cadre de confiance et à formuler des attentes justes. Savoir exactement ce qu'une licence autorise et interdit relève de l'hygiène de base pour qui déploie un modèle dans un cadre professionnel.

Une leçon d'ingénierie et de stratégie

Le cas Llama 3 pourrait bien être étudié comme un exemple de la manière dont une exécution soignée peut faire basculer un rapport de force. La réussite ne tient pas à une percée théorique isolée : l'architecture Transformer, les techniques d'attention optimisée et les méthodes d'entraînement existaient pour l'essentiel. Elle tient à une combinaison judicieuse — un entraînement massif sur des données publiques soigneusement filtrées, un tokenizer plus efficace, une inférence optimisée, une licence pragmatique et une distribution immédiate sur toutes les plateformes. Chaque élément, pris isolément, était connu ; leur assemblage rigoureux produit un résultat qui redéfinit les attentes.

Cette leçon dépasse le seul domaine des modèles de langage. Elle rappelle qu'une avancée ne se mesure pas uniquement à sa prouesse brute, mais à sa capacité à se rendre appropriable par d'autres. En mettant entre les mains d'une communauté mondiale des modèles de haut niveau, faciles à obtenir et à adapter, Meta invente moins une technologie qu'elle n'organise les conditions d'une adoption massive. La suite qui s'annonce, et l'émulation qu'elle pourrait nourrir, naîtront de cette impulsion.

Un jalon de l'IA en accès ouvert

Au lendemain de ce jour d'avril, la portée de Llama 3 se lit déjà dans une réalité en train de devenir banale pour une partie du secteur : on peut télécharger un modèle de langage de haut niveau, l'exécuter sur sa propre infrastructure, l'adapter à ses besoins, et bâtir dessus sans coût de licence pour la plupart des usages. Cette liberté d'usage, encore émergente, pourrait structurer un pan entier de l'innovation en intelligence artificielle.

Llama 3 démontre que l'accès ouvert et la performance de pointe peuvent marcher ensemble, et non s'opposer. En offrant à la communauté une base solide — des modèles 8B et 70B compétents, bien documentés, immédiatement disponibles —, Meta fournit un socle sur lequel d'innombrables applications de qualité pourront se construire. Les livraisons annoncées pour les mois à venir, si elles tiennent leurs promesses, confirmeraient et amplifieraient cette dynamique, tout en poussant l'ensemble du secteur vers plus d'ouverture.

Reste que l'histoire est loin d'être écrite. Les modèles ouverts continuent de progresser, les licences de se préciser, les questions de gouvernance de se poser avec sérieux. Le 18 avril 2024 ne referme aucun chapitre : il en consolide un, celui d'une intelligence artificielle de haut niveau qui se partage et se construit à plusieurs mains. Ce que ce jour paraît prouver, c'est qu'un laboratoire peut viser le sommet de la performance tout en diffusant largement son travail — et que ce choix, loin d'affaiblir sa position, pourrait nourrir l'un des écosystèmes les plus vivants de la discipline.

Sources

• Meta AI — « Introducing Meta Llama 3: The most capable openly available LLM to date » (annonce officielle, 18 avril 2024)
• Meta — « Meet Your New Assistant: Meta AI, Built With Llama 3 » (18 avril 2024)
• Meta — Llama 3 Model Card (fiche technique : tailles, tokens, contexte, tokenizer, GQA)
• TechCrunch — « Meta releases Llama 3, claims it's among the best open models available » (18 avril 2024)
• Wikipedia — Llama (language model)