Open contre closed : lecture sereine de deux paris qui coexistent

Depuis deux ans, une opposition structure une bonne part des conversations sur l'intelligence artificielle : d'un côté les modèles à poids ouverts, que l'on télécharge et fait tourner chez soi ; de l'autre les modèles fermés, accessibles seulement via une interface ou une API. On présente souvent ces deux approches comme deux camps qui s'affrontent, avec un vainqueur à désigner. La réalité observée en 2025 et 2026 est plus intéressante, et plus apaisée : ce sont deux paris industriels distincts, chacun cohérent avec sa logique, chacun avec ses forces mesurables, et qui coexistent plutôt qu'ils ne s'excluent. Cet article propose une lecture posée de cette dualité. Il ne cherche pas à sacrer un modèle contre l'autre, mais à comprendre ce que chaque pari cherche à optimiser, où se situent les faits, et pourquoi la ligne qui les sépare est devenue plus poreuse qu'on ne le croit.

Le constat : deux définitions, et une frontière qui bouge

Reprenons d'abord les termes, car une part de la confusion vient d'un vocabulaire employé de façon approximative. Un modèle « à poids ouverts » (open weights) met à disposition les paramètres entraînés du réseau de neurones : n'importe qui peut les télécharger, les exécuter localement, les ajuster à ses besoins. Un modèle « fermé » garde ces paramètres pour lui et n'expose que le service, en général derrière une API payante ou une interface grand public. Cette distinction est technique et vérifiable. Elle ne préjuge ni de la qualité, ni de l'ouverture réelle du projet.

Il faut y ajouter une précision qui pèse dans toute l'analyse : « poids ouverts » n'est pas synonyme d'« open source ». En octobre 2024, l'Open Source Initiative (OSI), l'organisation qui fait autorité sur la définition du logiciel libre, a publié après deux ans de travaux sa définition de l'IA open source. Pour mériter ce qualificatif au sens strict, un système doit fournir bien plus que ses poids : le code d'entraînement, une information suffisante sur les données, et une licence permissive. Or la plupart des modèles présentés comme « ouverts » ne diffusent que les poids, sans le jeu de données ni toute la chaîne de fabrication. L'OSI a d'ailleurs indiqué que la licence communautaire des modèles Llama de Meta ne satisfait pas ses critères. On parle donc, dans la majorité des cas, de modèles à poids ouverts — un geste d'ouverture réel et considérable, mais distinct du logiciel libre canonique. Employer les deux termes comme équivalents brouille le débat ; les tenir séparés le clarifie.

Poids ouverts et open source ne se recouvrent pas : on peut télécharger un modèle entier sans pour autant disposer de sa recette complète. La nuance n'enlève rien au mérite de l'ouverture ; elle rend la conversation plus juste.

Une fois ces définitions posées, un fait saute aux yeux : la frontière entre les deux mondes s'est déplacée en 2025. Le signal le plus marquant est venu d'un acteur que l'on rangeait spontanément dans le camp fermé. Le 5 août 2025, OpenAI a publié gpt-oss-120b et gpt-oss-20b, deux modèles de raisonnement à poids ouverts sous licence Apache 2.0 — sa première diffusion de poids ouverts depuis 2019. Selon l'annonce, le modèle 120B atteint un niveau proche d'o4-mini sur les tests de raisonnement principaux tout en tenant sur un seul GPU de 80 Go, et le modèle 20B fonctionne sur des machines dotées de 16 Go de mémoire. Qu'une entreprise associée à l'approche fermée choisisse d'ouvrir une partie de sa gamme montre que l'opposition n'est pas un mur, mais un curseur que chaque acteur règle selon ses objectifs.

Ce que chaque pari cherche à optimiser

Derrière chaque approche, il y a une logique cohérente qu'il vaut la peine d'expliciter, sans caricature. Le pari des poids ouverts mise sur la diffusion, l'appropriation et l'indépendance. En donnant accès aux paramètres, un fournisseur invite une communauté à corriger, adapter, spécialiser son modèle. Il vise à faire de son architecture un standard de fait, à rassurer les organisations qui refusent de dépendre d'un tiers pour une brique critique, et à permettre des usages là où l'envoi de données vers un service distant pose problème — santé, défense, secteurs réglementés. Le calcul est celui de l'écosystème : celui qui pose les fondations récupère l'influence sur les usages.

Le pari des modèles fermés mise, lui, sur la maîtrise et l'intégration. En gardant les poids, un fournisseur contrôle la façon dont son modèle est servi : il peut le mettre à jour en continu, encadrer les usages, ajouter des garde-fous, et surtout capter directement la valeur de chaque requête. Ce contrôle facilite aussi une forme de responsabilité : un modèle que l'on ne peut pas télécharger reste, en principe, sous la main de celui qui l'a conçu. Là où l'ouverture rend un modèle irréversible — une fois les poids diffusés, on ne les rappelle pas —, la fermeture préserve une capacité d'ajustement dans le temps. Les deux approches répondent donc à des priorités différentes, et aucune n'est absurde.

Il serait réducteur de plaquer une valeur morale sur cette dichotomie. L'ouverture n'est pas « bien » et la fermeture « mal », ou l'inverse. Ce sont des arbitrages entre des objectifs — adoption contre contrôle, appropriation contre responsabilité, coût contre garanties de service — que des acteurs rationnels tranchent différemment selon leur position, leur modèle économique et le niveau de capacité visé. Garder cela en tête aide à lire la suite avec sérénité.

La lecture : deux avantages réels, sur des terrains différents

Voici une grille de lecture possible parmi d'autres. Plutôt que de chercher lequel des deux camps « gagne », on peut observer que chacun dispose d'un avantage mesurable, mais sur un terrain qui lui est propre. Les modèles ouverts progressent surtout sur le coût et l'adoption ; les modèles fermés conservent une avance sur les capacités les plus exigeantes. Ces deux constats ne se contredisent pas : ils décrivent des dimensions distinctes de la même industrie.

Le terrain des ouverts : coût et diffusion

Sur le plan économique, l'ouverture a démontré en 2025 une efficacité qui a surpris beaucoup d'observateurs. Le cas le plus discuté est celui de DeepSeek. Publié le 20 janvier 2025 sous licence MIT, le modèle de raisonnement DeepSeek-R1 repose sur une architecture à mélange d'experts de 671 milliards de paramètres au total, dont environ 37 milliards seulement sont activés à chaque passage. Ce modèle a été construit à partir de DeepSeek-V3, dont l'entreprise a rapporté, dans son rapport technique, un coût d'entraînement « officiel » de l'ordre de 5,576 millions de dollars, en précisant que ce chiffre ne couvrait que l'entraînement final et excluait les recherches, ablations et expérimentations antérieures ; DeepSeek n'a pas publié de coût officiel distinct pour l'étape d'apprentissage par renforcement propre à R1, qu'Epoch AI estime de son côté à environ un million de dollars supplémentaire. Ce montant total, à prendre avec la prudence qui s'impose puisqu'il ne comptabilise pas l'ensemble de la facture (recherche, essais, infrastructure), a néanmoins frappé les esprits : il suggérait qu'un modèle de raisonnement compétitif pouvait être produit pour une somme très inférieure aux ordres de grandeur alors associés aux systèmes de frontière.

L'adoption suit une trajectoire tout aussi parlante. Meta a communiqué une série de jalons pour les téléchargements de sa famille Llama : de l'ordre de 650 millions fin décembre 2024, le cap du milliard franchi vers la mi-mars 2025, puis 1,2 milliard atteint en avril 2025. Ces chiffres, publiés par l'entreprise, mesurent des téléchargements cumulés et non des utilisateurs actifs — la nuance mérite d'être rappelée — mais ils traduisent une diffusion massive. Des entreprises comme Spotify ou DoorDash ont intégré des modèles Llama en production. Le modèle ouvert prospère précisément là où le coût d'accès et la liberté d'adaptation comptent le plus.

• Coût maîtrisé : pas de facturation par requête pour un modèle hébergé soi-même ; la dépense devient une question d'infrastructure, prévisible et amortissable.
• Souveraineté des données : les traitements restent sur des serveurs choisis, un argument décisif pour les secteurs sensibles.
• Adaptabilité : ajustement fin sur un domaine précis, sans dépendre du calendrier d'un fournisseur.
• Pérennité : un modèle téléchargé ne disparaît pas si son éditeur change de cap ou de conditions.

L'Europe illustre bien ce pari. Mistral AI a bâti sa proposition sur des diffusions de poids ouverts sous licence Apache 2.0, en se présentant comme un contrepoids aux laboratoires domiciliés aux États-Unis et comme un choix cohérent avec l'environnement réglementaire européen. Fin 2025, l'entreprise a élargi sa gamme avec des modèles allant de variantes légères, pensées pour tourner en local, jusqu'à un modèle de plus grande taille à mélange d'experts, tous sous cette même licence permissive. Le pari de l'ouverture s'accompagne ici d'un pari de proximité géographique et réglementaire.

Le terrain des fermés : la pointe des capacités

Sur l'autre versant, les modèles fermés conservent une avance là où les tâches deviennent les plus difficiles. Les mesures indépendantes le confirment sans le dramatiser. L'observatoire Epoch AI, qui suit l'écart entre modèles ouverts et fermés, estime que les modèles à poids ouverts les plus performants ont accusé un retard moyen de l'ordre de trois mois sur les meilleurs modèles fermés entre janvier 2023 et octobre 2025, un écart remonté à environ quatre mois depuis le début de 2026 — un décalage réel, très inférieur à celui mesuré en 2023-2024, mais qui s'est légèrement réélargi ces derniers mois plutôt que de continuer à se resserrer. Sur nombre de tâches courantes en entreprise — génération de code, classification de texte, résumé, extraction de données structurées, suivi d'instructions —, les meilleurs modèles ouverts atteignent désormais un niveau comparable à celui de références fermées récentes. C'est sur les raisonnements les plus complexes et les longues chaînes d'actions autonomes que l'avance des modèles fermés reste la plus visible.

Une interprétation possible : les modèles ouverts rattrapent vite la « moyenne » des usages, tandis que les modèles fermés gardent la main sur la « pointe » des capacités. Deux mouvements simultanés, pas une course à somme nulle.

Cet écart de quelques mois n'est pas anodin, mais il faut le lire pour ce qu'il est : une avance temporelle, non un fossé permanent. À chaque nouvelle génération fermée qui repousse la frontière, une génération ouverte la rejoint peu après. La dynamique ressemble à une course de relais où les deux coureurs avancent, l'un ayant régulièrement une longueur d'avance sur l'autre, sans que l'écart se creuse durablement. Pour une organisation, la question n'est donc pas « ouvert ou fermé dans l'absolu », mais « ai-je besoin de la toute dernière pointe de capacité, ou un niveau atteint il y a quelques mois suffit-il à mon usage ? ». Selon la réponse, le meilleur choix change, et c'est très bien ainsi.

Il vaut la peine de préciser où se loge exactement cette avance des modèles fermés, car elle n'est pas uniforme. Les mesures suggèrent que le rattrapage des modèles ouverts est le plus net sur les tâches bien délimitées : produire du code, classer des messages, résumer un document, extraire des informations selon un format donné. Sur ces usages, plusieurs modèles ouverts récents atteignent un niveau comparable à des références fermées largement adoptées. L'avantage des modèles fermés se concentre au contraire sur deux zones : les raisonnements de plusieurs étapes qui exigent de planifier, revenir en arrière et vérifier, et les longues séquences d'actions autonomes où un agent enchaîne outils, recherches et décisions sur de nombreux tours. C'est précisément là que la maîtrise continue d'un modèle servi de bout en bout, avec ses réglages les plus récents, fait la différence. Cette localisation de l'écart est utile : elle indique à chaque utilisateur s'il se situe ou non dans la zone où la frontière fermée reste préférable.

Une observation complète cette lecture : le marché des modèles de tête ne fonctionne plus comme un classement unique où un système dominerait tous les autres. Les analyses de 2025 et 2026 décrivent plutôt une spécialisation croissante. Un acteur se distingue sur la génération de code, un autre sur le raisonnement scientifique, un troisième sur le traitement combiné de texte, d'images et de son. Aucun n'est en tête partout à la fois. Ce paysage de niches d'excellence conduit les entreprises averties à ne plus confier tous leurs traitements à un fournisseur unique, mais à composer selon la tâche. La question « ouvert ou fermé » se fond ainsi dans une interrogation plus large, « quel modèle pour quel usage », où la nature de la licence n'est qu'un critère parmi le coût, la latence, la confidentialité et la précision attendue.

Dimension	Modèles à poids ouverts	Modèles fermés
Accès aux paramètres	Téléchargeables, exécutables en local	Servis via API ou interface
Structure de coût	Infrastructure (prévisible, amortissable)	Facturation à l'usage (par requête)
Contrôle des données	Sur des serveurs choisis	Transitant par le fournisseur
Mise à jour	À la charge de l'utilisateur	Continue, côté fournisseur
Pointe de capacité	Retard moyen ~3-4 mois (Epoch AI)	Frontière la plus avancée
Exemples 2025	DeepSeek-R1, Llama, Mistral, gpt-oss	Gammes de tête d'OpenAI, Anthropic, Google

La mise en perspective : une frontière poreuse et des stratégies mixtes

La lecture « deux camps » atteint vite ses limites quand on regarde ce que font réellement les acteurs. Loin de se ranger d'un côté ou de l'autre, la plupart adoptent des stratégies mixtes, arbitrées gamme par gamme. Le geste d'OpenAI en août 2025 en est l'illustration la plus nette : une entreprise dont la valeur repose largement sur des modèles fermés a jugé utile d'ouvrir des modèles de taille intermédiaire, sans doute pour occuper le terrain de la communauté et rester présente dans les usages locaux. Symétriquement, des acteurs réputés « ouverts » gardent certaines de leurs capacités les plus avancées derrière un service, ou ménagent dans leurs licences des restrictions qui les éloignent de l'open source strict.

Cette porosité se retrouve chez presque tous les grands laboratoires. Un même acteur peut proposer une gamme ouverte pour l'adoption et la recherche, et une gamme fermée pour ses capacités de pointe et sa monétisation directe. La question n'est plus « es-tu ouvert ou fermé ? » mais « quelle partie de ta valeur choisis-tu d'ouvrir, et laquelle gardes-tu ? ». Formulée ainsi, l'opposition perd son caractère tranché et devient un continuum d'arbitrages.

Du côté des entreprises utilisatrices, la même logique de nuance s'impose. Les observateurs du marché décrivent une montée des « stratégies multi-modèles » : plutôt que de tout confier à un fournisseur unique, les organisations sophistiquées combinent plusieurs modèles selon la tâche. Un modèle ouvert hébergé en interne pour les traitements sensibles ou massifs, où le coût par requête pèserait lourd ; un modèle fermé de frontière pour les raisonnements les plus délicats ou les tâches ponctuelles à forte valeur. Cette combinaison n'est pas un pis-aller, c'est une réponse rationnelle à une réalité où chaque approche excelle sur un terrain différent.

Le marché se spécialise plutôt qu'il ne se polarise

Un autre phénomène nuance encore le tableau : la spécialisation. Les analyses du marché des modèles de frontière notent qu'aucun système ne domine désormais toutes les dimensions à la fois. La compétition se déplace des classements généralistes vers des créneaux à forte valeur — un acteur excelle sur le code, un autre sur le raisonnement scientifique, un troisième sur le multimodal. Cette différenciation traverse la ligne ouvert/fermé : elle ne l'efface pas, mais elle montre que l'axe de la concurrence n'est pas seulement « ouvrir ou fermer », c'est aussi « sur quoi être le meilleur ». Un modèle ouvert peut viser l'excellence sur un usage précis, un modèle fermé peut se concentrer sur une niche exigeante. La grille se complexifie, et cette complexité est plutôt une bonne nouvelle pour les utilisateurs, qui disposent de choix plus fins.

« La performance d'un modèle ouvert de raisonnement s'est rapprochée à quelques points de celle des meilleurs modèles fermés sur certains tests de mathématiques. » — Lecture synthétique des mesures publiées par Epoch AI en 2025.

Reste une dimension sur laquelle les deux paris s'appuient l'un sur l'autre : la recherche. Une part des progrès des modèles ouverts vient de techniques et d'idées publiées par des laboratoires qui, par ailleurs, exploitent des modèles fermés. Réciproquement, la pression exercée par des modèles ouverts performants pousse les acteurs fermés à améliorer leur offre et à ajuster leurs prix. Les deux mondes ne vivent pas en vase clos : ils s'observent, se citent, se répondent. Cette interdépendance est sans doute l'argument le plus fort contre l'idée d'un affrontement à somme nulle. Le progrès de l'un nourrit, en partie, le progrès de l'autre.

L'effet d'écosystème : là où l'ouverture change d'échelle

Pour saisir ce que le pari ouvert produit concrètement, il faut regarder ce qui se construit autour des modèles diffusés. C'est sur les plateformes de partage que l'écosystème prend sa mesure. Hugging Face, principal dépôt public de modèles, a franchi en 2025 la barre des treize millions d'utilisateurs, avec plus de deux millions de modèles publics et au-delà de cinq cent mille jeux de données publics, selon le bilan « State of Open Source on Hugging Face » publié par la plateforme. Ces chiffres décrivent une réalité que le pari ouvert rend possible : une multitude de versions ajustées, quantifiées, spécialisées, dérivées des modèles de base publiés par une poignée de laboratoires.

La dynamique est frappante quand on regarde qui alimente cette prolifération. Selon les décomptes de la plateforme, la famille de modèles ouverts Qwen a dépassé, début 2026, les 700 millions de téléchargements, et plus de 113 000 modèles dérivés ont été construits à partir de ses points de contrôle. Début août 2025, selon les mesures du projet ATOM (Nathan Lambert), les variantes issues de Qwen représentaient déjà plus de 40 % des nouveaux modèles de langage dérivés sur la plateforme, tandis que la part de Llama était retombée autour de 15 %. Ces mesures illustrent un mécanisme propre à l'ouverture : chaque modèle de base diffusé devient le socle d'une arborescence d'adaptations que ni son éditeur ni personne ne pilote de façon centralisée. C'est précisément ce foisonnement décentralisé que le pari des poids ouverts cherche à provoquer, et qu'un modèle fermé, par construction, ne peut pas engendrer de la même manière.

Il faut cependant lire ces chiffres avec la même prudence que les autres. La distribution des usages est très concentrée : d'après les analyses du dépôt, les deux cents modèles les plus téléchargés concentrent près de la moitié des téléchargements, tandis qu'environ la moitié des modèles publiés comptent moins de deux cents téléchargements chacun. Autrement dit, l'ouverture produit une longue traîne de dérivés dont beaucoup ne servent qu'à un usage restreint, voire expérimental. L'effet d'écosystème est réel, mais il ne se traduit pas mécaniquement par une adoption massive de chaque variante. Cette nuance évite de surinterpréter l'abondance : nombre de modèles n'est pas synonyme d'impact équivalent.

L'ouverture ne se mesure pas seulement au nombre de téléchargements du modèle d'origine, mais à la profondeur de l'arborescence qu'il fait naître. C'est un actif que la fermeture n'a pas d'équivalent pour produire.

Ce constat éclaire, en retour, un avantage spécifique du pari fermé. Un fournisseur qui garde ses poids peut proposer un service homogène, tenu à jour, avec un comportement stable dans le temps et un interlocuteur unique en cas de problème. Là où l'écosystème ouvert offre une profusion de variantes de qualité inégale, le modèle fermé offre une expérience calibrée. Pour une organisation qui privilégie la constance et la simplicité opérationnelle à la liberté d'adaptation, cet argument compte autant que le foisonnement compte pour une autre. Les deux paris ne s'adressent pas au même besoin, et c'est bien pour cela qu'ils coexistent.

La dimension réglementaire : ouvrir, mais avec des cadres

Un dernier plan mérite l'attention, souvent laissé de côté dans l'opposition ouvert/fermé : celui des règles. Le débat n'est pas seulement technique et économique, il est aussi institutionnel, et l'année 2025 a précisé les termes de cet aspect en Europe. Les obligations applicables aux fournisseurs de modèles d'IA à usage général, prévues par le règlement européen sur l'intelligence artificielle, sont entrées en application le 2 août 2025. Les modèles mis sur le marché après cette date doivent s'y conformer, tandis que ceux disponibles avant bénéficient d'un délai courant jusqu'au 2 août 2027 pour se mettre en règle.

Ce cadre traite spécifiquement la question de l'ouverture, d'une manière qui éclaire notre sujet. Les modèles diffusés sous une licence véritablement libre et ouverte peuvent bénéficier d'allègements sur certaines obligations de documentation. Mais cet allègement est conditionné : la licence doit accorder pleinement les droits d'accès, d'usage, de modification et de redistribution, les poids, l'architecture et les informations d'usage doivent être publiés, et le modèle ne doit pas être monétisé par des services accessoires facturés. Si l'une de ces conditions manque, la licence n'est pas considérée comme libre au sens du texte. Deux limites importantes s'ajoutent : l'exemption ne couvre pas l'obligation de respecter le droit d'auteur ni celle de publier un résumé des données d'entraînement, et elle ne s'applique pas aux modèles jugés porteurs d'un risque systémique.

On mesure ici pourquoi la distinction entre « poids ouverts » et « open source » n'est pas qu'une querelle de vocabulaire. Un modèle simplement diffusé avec ses poids, mais sous une licence restrictive ou dans un cadre commercial, ne remplira pas forcément les conditions d'allègement. La précision juridique rejoint la précision technique : l'ouverture ouvre des portes réglementaires, à condition d'être complète et désintéressée au sens du texte. Cette exigence explique en partie pourquoi certains acteurs assument des licences seulement « permissives » plutôt que pleinement libres, arbitrant entre les bénéfices de l'ouverture et la préservation de leurs intérêts.

Cette dimension réglementaire ne tranche pas le débat en faveur d'un camp. Elle montre plutôt que l'ouverture s'accompagne, elle aussi, de responsabilités et de cadres, et qu'elle n'est pas un espace sans règle. Symétriquement, les acteurs fermés font face à leurs propres obligations de transparence et de sûreté. Le paysage réglementaire tend ainsi à rapprocher les deux mondes autour d'exigences communes — documentation, respect du droit d'auteur, évaluation des risques — plutôt qu'à les opposer. C'est un signe de plus que la ligne de partage est moins une frontière étanche qu'un dégradé de choix, encadrés par des règles qui s'appliquent, à des degrés divers, aux deux approches.

Ce qu'on peut en retenir

Au terme de cette lecture, l'image d'un duel où il faudrait choisir son camp paraît peu fidèle à ce que l'on observe. Les modèles à poids ouverts et les modèles fermés répondent à des besoins distincts, avec des forces mesurables sur des terrains différents, et ils coexistent sereinement. Les premiers avancent surtout sur le coût, la souveraineté des données et l'adoption large ; les seconds gardent, pour un temps limité et sans cesse renouvelé, l'avantage sur les capacités les plus exigeantes. Ni l'un ni l'autre ne semble en passe de faire disparaître son vis-à-vis.

Quelques repères se dégagent, à énoncer sans prédiction péremptoire. D'abord, la distinction entre poids ouverts et open source mérite d'être maintenue : elle évite de confondre un accès aux paramètres avec une transparence complète. Ensuite, l'écart de capacité entre les deux approches s'est resserré à quelques mois, ce qui rend l'ouverture pertinente pour une part croissante d'usages, sans annuler l'intérêt de la frontière fermée pour les tâches de pointe. Enfin, la frontière elle-même est devenue poreuse : les mêmes acteurs jouent souvent sur les deux tableaux, et les entreprises utilisatrices adoptent volontiers des approches mixtes.

Il vaut aussi la peine de résister à deux tentations symétriques. La première consiste à idéaliser l'ouverture, comme si diffuser des poids suffisait à garantir transparence, qualité et vertu ; on a vu que l'ouverture recouvre des réalités très diverses, de la licence pleinement libre au dépôt de poids assorti de restrictions, et qu'elle s'accompagne elle aussi de cadres et d'obligations. La seconde tentation consiste à réduire les modèles fermés à une simple rétention de valeur ; leur pari repose sur des atouts concrets — service homogène, mise à jour continue, responsabilité identifiée, avance sur les tâches les plus exigeantes — qui répondent à des besoins réels. Tenir les deux à distance égale, sans procès d'intention ni idéalisation, est la posture qui rend compte le plus honnêtement de ce que montrent les faits.

Le plus sain, dans ce paysage, est peut-être de renoncer à la question « qui va gagner ». Elle suppose un vainqueur unique là où l'on observe une pluralité durable. Une formulation plus utile serait : « pour tel usage, tel coût, telle contrainte de données et tel niveau de capacité requis, quelle approche est la plus appropriée ? ». Posée ainsi, la question n'oppose plus deux idéologies ; elle guide une décision concrète, cas par cas. C'est probablement la lecture la plus apaisée, et la plus fidèle aux faits, de deux paris technologiques qui, pour l'heure, avancent côte à côte, chacun poussant l'autre à progresser.

Sources

• OpenAI — Introducing gpt-oss (modèles à poids ouverts, Apache 2.0, août 2025)
• DeepSeek — Annonce de DeepSeek-R1 (20 janvier 2025, licence MIT)
• Epoch AI — Écart de capacité entre modèles ouverts et fermés (indice ECI)
• Meta — Un milliard de téléchargements de Llama (mars 2025)
• TechCrunch — Llama à 1,2 milliard de téléchargements (avril 2025)
• Open Source Initiative — « Poids ouverts » n'est pas open source
• Mistral AI — Gamme de modèles à poids ouverts sous licence Apache 2.0
• Epoch AI — Analyse du coût et de l'entraînement de DeepSeek-R1
• DeepSeek-AI — DeepSeek-V3 Technical Report (coût d'entraînement officiel de 5,576 M$)
• Hugging Face — State of Open Source on Hugging Face: Spring 2026
• MIT Technology Review — What's next for Chinese open-source AI (données ATOM, Nathan Lambert)