Qwen et l'ascension des modèles ouverts venus de Chine

En quelques années, une famille de modèles née dans les laboratoires d'Alibaba est devenue l'une des références de l'intelligence artificielle ouverte. Qwen — contraction de « Tongyi Qianwen », que l'on peut traduire par « mille questions à la recherche de la vérité » — n'est plus une curiosité régionale. À l'été 2025, ses poids se comptent par centaines de millions de téléchargements, ses variantes dérivées par plus de cent mille, et la plupart des meilleurs modèles ouverts de la communauté reposent, d'une manière ou d'une autre, sur ses fondations. Cet article raconte cette ascension : d'où vient Qwen, ce qui distingue ses modèles, et pourquoi cette famille est devenue le socle d'un écosystème ouvert venu de Chine qui compte désormais dans le paysage mondial.

Nous procéderons méthodiquement. D'abord un retour sur la genèse de Qwen et sa trajectoire de versions, car elle éclaire une stratégie cohérente. Ensuite un examen des choix techniques qui expliquent la popularité de la famille : le catalogue de tailles, la licence permissive, le contexte long, le multilinguisme. Puis une lecture honnête des performances, benchmarks à l'appui, sans céder au triomphalisme. Enfin, un élargissement à l'écosystème complet des modèles ouverts chinois — DeepSeek, Zhipu, MiniMax et les autres — dont Qwen est aujourd'hui la figure de proue. L'objectif est de comprendre un phénomène, pas d'en faire l'apologie : les modèles ouverts, quels qu'en soient les auteurs, appartiennent d'abord à la communauté qui les utilise.

Genèse : d'un chatbot régional à une famille mondiale

L'histoire de Qwen commence au printemps 2023. Alibaba, le géant chinois du commerce en ligne et du cloud, présente en avril de cette année-là une version bêta de son assistant conversationnel sous le nom de Tongyi Qianwen. Le service est ouvert au public en septembre 2023, après avoir obtenu les autorisations réglementaires nécessaires sur son marché domestique. À ce stade, Qwen ressemble à beaucoup d'initiatives lancées dans le sillage de ChatGPT : un chatbot maison, adossé à un grand groupe technologique.

Ce qui distingue Qwen, c'est le choix de l'ouverture. Dès août 2023, Alibaba publie les poids de son premier modèle en accès libre : Qwen-7B, un modèle de langage de 7 milliards de paramètres, accompagné de sa variante conversationnelle Qwen-7B-Chat. La diffusion se fait sur les plateformes de référence de la communauté, Hugging Face et ModelScope. En décembre 2023, la gamme s'étoffe avec des modèles de 1,8 et de 72 milliards de paramètres, également téléchargeables. Là où d'autres acteurs gardaient jalousement leurs modèles derrière une API, Alibaba fait le pari inverse : mettre les poids entre les mains de la communauté.

Une trajectoire de versions rapide et lisible

La suite est une accélération. Chaque génération apporte à la fois une montée en gamme et un élargissement du catalogue :

• Qwen1.5 (début 2024) : une version de transition qui standardise l'intégration dans les outils de la communauté et étend la gamme de tailles disponibles ;
• Qwen2 (juin 2024) : refonte de l'architecture et amélioration nette des performances. Une partie des modèles est publiée en poids ouverts, les variantes les plus avancées restant proposées via le cloud d'Alibaba ;
• Qwen2.5 (septembre 2024) : la génération de la maturité, publiée en une seule salve massive. Sept tailles de modèles, de 0,5 à 72 milliards de paramètres, complétées par des spécialistes du code et des mathématiques ;
• Qwen3 (29 avril 2025) : nouvelle génération majeure, entièrement sous licence Apache 2.0, introduisant une architecture à mélange d'experts pour ses plus gros modèles et un mode de raisonnement intégré.

Cette cadence — quatre générations majeures en un peu plus de deux ans — traduit une discipline d'ingénierie. Il ne s'agit pas d'empiler des annonces, mais de livrer régulièrement des modèles utilisables, documentés et améliorés. Chaque version conserve les acquis de la précédente et corrige ses défauts. Pour un utilisateur, cette prévisibilité a une valeur concrète : on sait qu'une génération sera suivie d'une autre, que les outils construits autour de Qwen resteront pertinents, et que la trajectoire est lisible. C'est exactement ce qu'attend un écosystème pour se développer.

La force de Qwen ne tient pas à un modèle unique et spectaculaire, mais à une trajectoire régulière : livrer, documenter, ouvrir, recommencer.

Une stratégie de catalogue : un modèle pour chaque besoin

Si l'on devait résumer en une idée ce qui a fait le succès de Qwen, ce serait celle-ci : la famille ne propose pas un modèle, mais une gamme. Là où certains concurrents publient un ou deux modèles phares, Qwen2.5 est arrivé en septembre 2024 avec plus d'une centaine de modèles publiés simultanément. Cette abondance n'est pas de la dispersion ; c'est une réponse à la diversité réelle des besoins.

Sept tailles, du téléphone au serveur

Qwen2.5 se décline en sept tailles de modèles de base : 0,5, 1,5, 3, 7, 14, 32 et 72 milliards de paramètres. Chaque taille existe en version « base » (pour l'affinage) et en version « instruct » (prête à dialoguer). Cette granularité est précieuse. Un développeur qui veut faire tourner un modèle sur un téléphone ou un objet connecté se tournera vers la version 0,5 ou 1,5 milliard. Une petite structure qui dispose d'une carte graphique grand public trouvera son compte avec les modèles 7 ou 14 milliards. Une entreprise qui vise la meilleure qualité déploiera le modèle 72 milliards. Il n'y a pas à choisir un compromis unique : on prend la taille adaptée à la contrainte matérielle et au niveau d'exigence.

Cette logique de gamme répond à une réalité souvent ignorée dans les débats sur l'IA : la plupart des usages n'ont pas besoin du modèle le plus gros. Un modèle de 7 ou 14 milliards de paramètres, bien choisi, résout une large part des tâches courantes — résumé, extraction d'information, assistance à la rédaction, classification. Proposer toute la gamme, c'est laisser à l'utilisateur la liberté de dimensionner sa solution au plus juste, plutôt que de le forcer vers un modèle surdimensionné et coûteux à exécuter.

Des spécialistes du code et des mathématiques

Au-delà des modèles généralistes, Qwen2.5 comprend deux familles spécialisées qui méritent l'attention. Qwen2.5-Coder est dédié à la programmation : ses modèles ont poursuivi leur entraînement sur un corpus de code nettoyé et diversifié de plus de 5 500 milliards de tokens, avec un dosage soigneux entre code, texte général et mathématiques. Le résultat est probant : la variante de 32 milliards de paramètres s'est hissée au niveau des meilleurs modèles ouverts de code sur les épreuves de référence comme HumanEval, MBPP ou LiveCodeBench.

Qwen2.5-Math, de son côté, se concentre sur le raisonnement mathématique. Entraîné sur un corpus mathématique étendu de plus de mille milliards de tokens, il exploite des techniques de raisonnement par étapes et l'intégration d'outils de calcul symbolique. Ces modèles spécialisés illustrent une conviction : pour des domaines où la réponse est vérifiable, comme le code et les mathématiques, un modèle dédié et bien entraîné peut rivaliser avec des généralistes bien plus gros. C'est une forme d'efficacité par la spécialisation.

Les choix techniques qui font la différence

La popularité de Qwen ne s'explique pas seulement par la variété de son catalogue. Plusieurs décisions techniques, prises avec constance, ont rendu la famille particulièrement attractive pour la communauté. Examinons-les une à une.

Une architecture éprouvée et bien optimisée

Les modèles Qwen2.5 reposent sur une architecture de transformer décodeur classique, mais soigneusement optimisée. Le modèle 72 milliards de paramètres emploie l'attention à requêtes groupées (Grouped-Query Attention), une technique qui réduit l'empreinte du cache mémoire lors de la génération en partageant certaines représentations entre plusieurs têtes d'attention. On y trouve également les embeddings positionnels rotatifs (RoPE), les activations SwiGLU et la normalisation RMSNorm — un ensemble de briques devenues des standards de fait dans les modèles performants. Ce n'est pas une architecture spectaculaire ni tape-à-l'oeil, et c'est précisément la force du choix : Qwen mise sur des fondations solides et bien maîtrisées plutôt que sur des paris risqués, ce qui garantit stabilité et reproductibilité.

La génération Qwen3, publiée en avril 2025, franchit une étape supplémentaire en introduisant le mélange d'experts (Mixture-of-Experts) pour ses plus gros modèles. Le modèle phare, Qwen3-235B-A22B, compte 235 milliards de paramètres au total, mais n'en active que 22 milliards par token traité. Ce découplage entre capacité et coût de calcul, désormais bien connu, permet d'offrir la richesse d'un très grand modèle avec un coût d'inférence maîtrisé. Une variante plus légère, Qwen3-30B-A3B, applique la même logique à une échelle plus modeste : 30 milliards de paramètres au total, 3 milliards activés. La gamme reste complétée par des modèles denses, du 0,6 au 32 milliards, pour couvrir tous les cas d'usage.

Un contexte long et un multilinguisme réel

Deux caractéristiques comptent particulièrement pour les usages professionnels. La première est la longueur de contexte. Les modèles Qwen2.5 gèrent jusqu'à 128 000 tokens en entrée et peuvent générer jusqu'à 8 000 tokens en sortie. Concrètement, cela permet de traiter de longs documents, des bases de code entières ou des conversations étendues sans tronquer l'information. Pour de l'analyse documentaire ou de l'assistance au développement, ce contexte étendu est un critère décisif.

La seconde est le multilinguisme. Qwen2.5 prend en charge plus de 29 langues, dont le chinois, l'anglais, le français, l'espagnol, l'allemand, l'italien, le russe, le japonais, le coréen, l'arabe et bien d'autres. Cette couverture n'est pas anecdotique : beaucoup de modèles ouverts occidentaux ont longtemps privilégié l'anglais, laissant les autres langues au second plan. La solidité multilingue de Qwen en a fait un choix naturel pour les communautés hors du monde anglophone, y compris francophone, qui ont pu l'affiner pour leurs propres langues et domaines. C'est l'un des moteurs discrets de son adoption mondiale.

Une base d'entraînement massive

La qualité d'un modèle dépend étroitement de ses données d'entraînement. Sur ce point, Qwen a considérablement investi. Le corpus de pré-entraînement de Qwen2.5 est passé de 7 000 milliards de tokens pour la génération précédente à un maximum de 18 000 milliards de tokens. Cette augmentation, associée à un travail de filtrage et de diversification des données, explique en partie les gains de performance observés d'une version à l'autre. La génération Qwen3 a poussé encore plus loin, avec un entraînement multilingue couvrant un très large éventail de langues et de dialectes. Ce n'est pas la seule taille du corpus qui compte, mais sa qualité et sa diversité — et c'est un domaine où l'équipe Qwen a manifestement fourni un effort soutenu.

La licence : l'arme discrète de l'adoption

S'il fallait désigner un facteur souvent sous-estimé dans le succès de Qwen, ce serait la question de la licence. Un modèle ouvert n'a de valeur pratique pour une entreprise que si les conditions juridiques d'utilisation sont claires et permissives. Sur ce terrain, Qwen a fait des choix qui ont levé bien des freins.

La plupart des modèles Qwen2.5 sont distribués sous licence Apache 2.0, l'une des licences libres les plus permissives qui soient. Elle autorise l'usage commercial, la modification et l'intégration dans un produit sans redevance ni restriction majeure. Quelques modèles de la gamme, notamment certaines tailles, relèvent d'une licence propre à Qwen, mais l'orientation générale est clairement à l'ouverture. Avec la génération Qwen3, ce choix a été généralisé : l'ensemble des modèles ouverts est publié sous Apache 2.0.

Cette permissivité contraste avec les licences dites « communautaires » d'autres familles de modèles, qui imposent parfois des conditions particulières aux très grands acteurs ou restreignent certains usages. Pour une PME, une start-up ou un laboratoire de recherche, la clarté d'Apache 2.0 est un argument de poids : on sait exactement ce que l'on a le droit de faire, sans avoir à consulter un service juridique. Cette sécurité juridique est un accélérateur d'adoption au moins aussi puissant que la performance brute des modèles.

Une licence permissive ne se voit pas dans un benchmark, mais elle décide souvent si un modèle sera adopté en production ou laissé de côté.

Lire les performances sans se raconter d'histoires

Venons-en aux chiffres, avec la prudence qui s'impose. Un benchmark isolé ne dit jamais toute la vérité, et il faut se garder autant de l'enthousiasme excessif que du scepticisme de principe. Que montrent les résultats publics de Qwen ?

Le modèle 72 milliards face à des géants

Le résultat le plus commenté du rapport technique de Qwen2.5 concerne le modèle phare, Qwen2.5-72B-Instruct. Selon les auteurs, ce modèle de 72 milliards de paramètres offre des performances comparables à celles de Llama-3.1-405B-Instruct — un modèle environ cinq fois plus gros. Sur certaines épreuves, il obtient des résultats équivalents à ce concurrent tout en utilisant un cinquième de ses paramètres. Sur les mathématiques élémentaires (GSM8K), le modèle atteint autour de 96 % (95,8 % selon le rapport technique) ; sur les problèmes de mathématiques plus avancés (MATH), il atteint environ 83 % ; sur la génération de code (HumanEval), il obtient environ 86,6 %.

Ces chiffres méritent d'être remis en perspective. Ils ne signifient pas que Qwen2.5-72B « bat » un modèle cinq fois plus gros sur toutes les tâches — un modèle plus grand conserve des avantages sur certains usages, notamment sur les connaissances les plus pointues. Ce qu'ils établissent, en revanche, est plus intéressant : à performance comparable sur de nombreuses tâches, un modèle bien conçu de 72 milliards de paramètres peut rivaliser avec un modèle bien plus lourd. L'efficacité, ici, l'emporte sur la taille brute. Pour un praticien, la conséquence est directe : un modèle plus petit, moins coûteux à exécuter, peut suffire là où l'on aurait cru nécessaire de déployer un colosse.

La prudence méthodologique reste de mise

Un mot d'avertissement, car c'est le cœur d'une lecture honnête. Les scores de benchmarks sont sensibles à une foule de détails : le nombre d'essais, la température d'échantillonnage, le format exact du prompt, la version précise du modèle comparé. Deux évaluations d'un même modèle peuvent aboutir à des chiffres différents selon le protocole. Les résultats cités ici proviennent des rapports techniques officiels et de comparaisons publiées, mais la règle d'or vaut pour Qwen comme pour tout autre modèle : se méfier des classements marketing et vérifier la source.

Là où Qwen excelle indéniablement, c'est sur les tâches où la réponse est vérifiable — mathématiques, code, raisonnement structuré — et sur le multilinguisme, fruit d'un investissement délibéré dans des données variées. Comme tout modèle, il a aussi ses limites : sur certains usages conversationnels de niche, sur des questions culturellement spécifiques, ou sur des sujets soumis à des contraintes de modération propres à son marché d'origine, le comportement peut différer de celui des modèles occidentaux. La bonne démarche, encore une fois, consiste à tester sur ses propres cas d'usage plutôt qu'à se fier à un score global. Un benchmark oriente, il ne décide pas.

Un effet d'entraînement sur tout l'écosystème ouvert

Le trait le plus remarquable de Qwen n'est peut-être pas la qualité de ses modèles, mais l'ampleur de l'écosystème qu'ils ont fait naître. Publier des poids ouverts sous licence permissive, c'est semer : la communauté récolte, adapte et prolonge.

Un socle pour la communauté

Les chiffres parlent d'eux-mêmes. À l'été 2025, la famille Qwen a donné naissance, selon les décomptes de Hugging Face, à plus de cent mille modèles dérivés — des versions affinées pour une langue, un domaine ou une tâche particulière, créées par des équipes du monde entier. Cette prolifération fait de Qwen l'une des bases les plus utilisées pour construire des modèles spécialisés. Lorsque la génération Qwen3 est sortie fin avril 2025, elle a cumulé, selon les chiffres officiels relayés par Alibaba, plus de 12,5 millions de téléchargements sur Hugging Face, ModelScope et Ollama dans le mois qui a suivi son lancement, un rythme qui témoigne de l'appétit de la communauté.

Ce phénomène a une conséquence structurelle : de nombreux modèles ouverts figurant en tête des classements communautaires reposent, à un moment ou un autre, sur une base Qwen. Quand on entraîne un petit modèle de raisonnement performant, on part souvent d'un modèle Qwen que l'on affine. Quand on cherche un modèle multilingue solide à adapter, Qwen est un candidat naturel. La famille est devenue une sorte de matière première de l'IA ouverte — un point de départ commun sur lequel s'appuient d'innombrables travaux. C'est le cercle vertueux qu'espère toute stratégie d'ouverture : publier accélère l'ensemble du domaine, et les améliorations de la communauté profitent en retour à l'écosystème.

Qwen n'est pas seul : un paysage riche

Il serait réducteur de résumer l'IA ouverte chinoise à la seule famille Qwen. Celle-ci est la figure de proue d'un écosystème remarquablement diversifié, où plusieurs acteurs poussent l'ouverture avec des philosophies distinctes :

• DeepSeek : ce laboratoire de Hangzhou s'est fait connaître par ses modèles à mélange d'experts très efficaces. Fin 2024, il a publié DeepSeek-V3 en poids ouverts ; début 2025, il a diffusé DeepSeek-R1, un modèle de raisonnement, accompagné de ses dépôts de code pour une transparence complète. DeepSeek a marqué les esprits par son rapport performance-coût.
• Zhipu AI (rebaptisé Z.ai) : cet acteur, issu de l'université Tsinghua, développe la famille GLM. Fin juillet 2025, il a publié en open source GLM-4.5, un modèle à mélange d'experts de 355 milliards de paramètres, accompagné d'une variante plus légère, GLM-4.5-Air, de 106 milliards, orientés vers le raisonnement, la programmation et les tâches d'agents.
• MiniMax : cette jeune pousse de Shanghai a lancé en janvier 2025 sa famille MiniMax-01, comprenant un modèle de langage généraliste et une variante multimodale texte-image.
• Les laboratoires académiques : des institutions comme le laboratoire d'IA de Shanghai, avec la famille InternLM, ou 01.AI, avec ses modèles Yi, ont également contribué à enrichir l'offre ouverte, souvent avec une orientation recherche.

Ce foisonnement dessine un écosystème où l'émulation joue à plein. Chaque laboratoire publie, la communauté compare, et les meilleures idées se diffusent rapidement d'un acteur à l'autre. Les innovations d'efficacité de DeepSeek, l'orientation « agents » de Zhipu, la polyvalence de Qwen : autant d'approches qui, mises en commun sous des licences ouvertes, font progresser l'ensemble du domaine plus vite qu'aucun acteur isolé ne le pourrait. Pour la communauté mondiale de l'IA, cette abondance de modèles librement accessibles est une ressource précieuse.

Un modèle ouvert publié à Hangzhou ou à Shanghai devient, dès sa mise en ligne, un bien commun que peuvent utiliser des développeurs de Lyon comme de Bangalore.

Ce que Qwen change concrètement pour les praticiens

Sortons du panorama pour descendre sur le terrain. Qu'est-ce que l'existence de Qwen et de ses cousins change pour quelqu'un qui construit avec l'IA ? Plusieurs choses très concrètes.

Le choix de l'auto-hébergement redevient réaliste

Disposer de modèles ouverts performants et permissifs rouvre une option que beaucoup croyaient réservée aux géants : faire tourner son IA chez soi. Pour une organisation soucieuse de la confidentialité de ses données — un cabinet juridique, un établissement de santé, une administration —, l'auto-hébergement d'un modèle Qwen sur son propre serveur permet de ne jamais envoyer d'informations sensibles vers une API externe. La granularité de la gamme aide : on choisit la taille de modèle que le matériel disponible peut faire tourner. Un modèle de 7 ou 14 milliards de paramètres s'exécute sur une carte graphique accessible, et suffit à de nombreux usages professionnels.

L'affinage sur ses propres données devient abordable

La disponibilité des poids en version « base » ouvre la porte à l'affinage. Une entreprise peut prendre un modèle Qwen et l'adapter à son domaine, à son vocabulaire, à ses documents. Grâce aux techniques d'adaptation légère, cette personnalisation ne requiert plus des moyens démesurés. C'est précisément parce que Qwen est massivement utilisé comme base d'affinage que la communauté a produit tant d'outils, de tutoriels et de recettes autour de lui : plus un modèle est adopté, plus l'écosystème qui l'entoure se densifie, et plus il devient facile à prendre en main. Cet effet cumulatif est un atout majeur pour qui débute.

La bonne question : le plus petit modèle qui suffit

La leçon transversale de l'écosystème Qwen rejoint celle de toute l'IA ouverte : la question utile n'est pas « quel est le meilleur modèle ? » mais « quel est le plus petit modèle qui résout mon problème ? ». La gamme complète de Qwen, du minuscule 0,5 milliard au vaste modèle à mélange d'experts, est faite pour répondre à cette question avec finesse. Plutôt que de partir par défaut sur le modèle le plus gros — donc le plus coûteux à exécuter —, la bonne démarche consiste à tester le plus petit modèle capable de tenir la tâche, puis à monter en gamme seulement si nécessaire. C'est souvent là que se cache l'économie la plus substantielle, et Qwen offre justement toute la palette pour la trouver.

Ce que l'ascension de Qwen nous apprend

Au-delà de la famille elle-même, la trajectoire de Qwen éclaire une évolution de fond du paysage de l'intelligence artificielle. Trois enseignements se dégagent.

Le premier est que l'ouverture est une stratégie, pas une concession. En publiant ses poids sous licence permissive, Alibaba n'a pas renoncé à un avantage : l'entreprise a construit un écosystème qui la sert. Chaque modèle dérivé, chaque outil, chaque tutoriel bâti autour de Qwen renforce sa position et attire les talents. L'ouverture crée une dynamique communautaire qu'aucune campagne marketing ne pourrait acheter. Cette leçon, d'autres acteurs l'ont comprise, et c'est en partie ce qui explique la richesse de l'écosystème ouvert actuel.

Le deuxième enseignement est que l'efficacité prend le pas sur la taille brute. Qu'un modèle de 72 milliards de paramètres rivalise avec un modèle cinq fois plus gros, qu'un modèle à mélange d'experts offre la richesse de centaines de milliards de paramètres pour un coût d'inférence réduit : ces résultats confirment un déplacement du centre de gravité. Pendant des années, le progrès se résumait à une équation simple — plus de paramètres, plus de données, plus de calcul. L'écosystème Qwen illustre qu'à budget donné, l'architecture, la qualité des données et les recettes d'entraînement font désormais une différence de premier ordre. C'est une bonne nouvelle, car cela rouvre le jeu à des équipes qui n'ont pas les moyens des plus grands.

Le troisième enseignement, enfin, est que l'IA de qualité se mondialise. La géographie des grands modèles s'est longtemps résumée à une poignée de laboratoires occidentaux. L'ascension de Qwen et de l'écosystème ouvert chinois montre que l'excellence technique peut émerger d'horizons variés, et que la communauté mondiale bénéficie de cette diversité. Un développeur, où qu'il soit, dispose aujourd'hui d'un choix bien plus large de modèles ouverts de premier plan qu'il y a seulement deux ans. Cette diversité est saine : elle réduit la dépendance à un fournisseur unique et stimule l'innovation par l'émulation.

Une brique du bien commun de l'IA

Que retenir de cette plongée dans l'univers Qwen ? D'abord que le succès de cette famille est le fruit d'une stratégie cohérente et patiente : ouvrir tôt, publier régulièrement, proposer une gamme complète, choisir des licences permissives et investir dans les données. Aucune de ces décisions n'est spectaculaire prise isolément ; c'est leur constance qui a fait la différence.

Ensuite, que Qwen n'est pas un phénomène isolé mais la figure de proue d'un écosystème ouvert venu de Chine — DeepSeek, Zhipu, MiniMax et bien d'autres — qui compte désormais dans le paysage mondial de l'IA. Cet écosystème n'appartient à personne en particulier : dès qu'un modèle est publié en poids ouverts sous licence permissive, il devient une ressource pour l'ensemble de la communauté, un point de départ que chacun peut adapter à ses besoins.

Pour un praticien, la bonne posture n'est pas de choisir un camp géographique, mais de comprendre ce que ces modèles apportent et de savoir les évaluer sur ses propres cas d'usage. Qwen et ses cousins ont considérablement élargi la palette des modèles ouverts disponibles, et cette abondance est une chance : elle permet de dimensionner ses solutions au plus juste, de préserver la confidentialité de ses données en auto-hébergeant, et de construire sur des fondations solides sans dépendre d'un fournisseur unique. C'est, au fond, tout ce qu'on peut demander à une technologie ouverte : élargir les possibles et laisser à chacun la liberté de bâtir.

Sources

Cet article s'appuie sur des sources publiques et vérifiables :

• Wikipedia, « Qwen » — en.wikipedia.org/wiki/Qwen (chronologie des versions, licences, dates de publication).
• Qwen Team, « Qwen2.5 Technical Report » — arXiv 2412.15115 (architecture, benchmarks, corpus d'entraînement de 18 000 milliards de tokens).
• Qwen Team, « Qwen2.5: A Party of Foundation Models! » — qwenlm.github.io (gamme de tailles, contexte 128K, multilinguisme, licence Apache 2.0).
• Qwen Team, « Qwen2.5-Coder Technical Report » — arXiv 2409.12186 (modèles de code, corpus, benchmarks HumanEval et MBPP).
• Qwen Team, « Qwen3: Think Deeper, Act Faster » — qwenlm.github.io (génération Qwen3, mélange d'experts, mode de raisonnement, Apache 2.0).
• IntuitionLabs, « An Overview of Chinese Open-Source LLMs » — intuitionlabs.ai (panorama de l'écosystème ouvert chinois : DeepSeek, Zhipu, MiniMax, InternLM).
• The Decoder, « Zhipu AI's GLM-4.5 is yet another open-source Chinese LLM » — the-decoder.com (GLM-4.5, 355 milliards de paramètres, juillet 2025).