Paysage des modèles open-weight et licences

Introduction

Déployer un modèle de langagegrand modèle de langageIAModèle entraîné à prédire le token suivant d'une séquence de texte. Toutes ses capacités apparentes — résumer, traduire, coder — découlent de cette unique tâche.Voir dans le glossaire en interne suppose d'abord de choisir quel modèle déployer. Le paysage s'est considérablement densifié en quelques années : Meta publie ses familles Llama, Mistral AI ses modèles éponymes, Alibaba pousse la série Qwen, Google diffuse Gemma, et DeepSeek s'est imposé comme acteur incontournable venu de Chine. Chacun de ces modèles est accompagné d'une licence différente, avec des implications juridiques que beaucoup d'équipes techniques découvrent trop tard — souvent au moment où le service juridique bloque une mise en production.

Ce chapitre vous donne les repères pour naviguer ce paysage sans naïveté : distinguer ce qui est réellement ouvert de ce qui ne l'est qu'en apparence, comprendre les licences qui comptent, et savoir lire une fiche modèle comme un professionnel qui doit justifier un choix technique devant sa direction et son service juridique.

Le terme « open source » est trompeur dans l'écosystème des LLMLLMIAGrand modèle de langage (Large Language Model) entraîné sur d'énormes corpus pour prédire et générer du texte.Voir dans le glossaire. La quasi-totalité des modèles dits « ouverts » sont en réalité des modèles open-weight : les poids (weights) sont téléchargeables, mais les données d'entraînementdonnéesIAEnsemble d'informations structurées ou non utilisées pour entraîner, évaluer ou alimenter un modèle. La qualité, la quantité et la représentativité des données sont les facteurs décisifs pour les performances en apprentissage automatique.Voir dans le glossaire, le code d'entraînement complet et parfois les conditions d'usage restent propriétaires ou restreints.

Open-weight versus open-source : une distinction qui a des conséquences légales

L'Open Source Initiative (OSImodèle OSIRéseauxDécoupage théorique des communications réseau en sept couches, de la transmission physique à l'application. Il sert surtout de référence commune pour situer un protocole ou diagnostiquer une panne.Voir dans le glossaire) a formalisé une définition de l'« IAintelligence artificielleIAEnsemble des techniques permettant à un programme d'accomplir une tâche qui demanderait de l'intelligence humaine. Le terme couvre aussi bien les systèmes à règles écrites que ceux qui apprennent de données.Voir dans le glossaire open source » qui exige l'accès aux données d'entraînement, au code source complet, et aux poids, sous une licence permettant l'usage, l'étude, la modification et le partage sans restriction. Sous ce prisme strict, très peu de modèles de langage grand public répondent réellement à la définition.

Ce que le marché appelle « modèle open source » est en pratique un modèle open-weight : l'éditeur publie les poids entraînés (les paramètres numériques du réseau de neuronesréseau de neuronesIAFonction mathématique composée de neurones artificiels organisés en couches, dont les coefficients sont ajustés pendant l'entraînement. Malgré son nom, il n'a presque rien de commun avec un cerveau.Voir dans le glossaire), parfois le code d'inférenceinférenceIAUtilisation d'un modèle déjà entraîné sur une donnée nouvelle. Peu coûteuse à l'unité mais répétée à chaque requête, elle constitue le coût récurrent d'exploitation.Voir dans le glossaire, mais garde secrets :

• le corpus d'entraînement exact et sa composition ;
• les scripts et l'infrastructure d'entraînement ;
• dans certains cas, les techniques de post-entraînement (RLHF, fine-tuningFine-tuningIAAjustement des poids d'un modèle pré-entraîné sur un jeu de données spécifique pour adapter son comportement à un domaine ou une tâche cible.Voir dans le glossaire propriétaire).

Cette distinction n'est pas un détail théorique. Elle a une conséquence directe : vous ne pouvez pas auditer ce sur quoi le modèle a été entraîné, ce qui pose des questions concrètes de conformité (données personnelles présentes dans le corpus, contenus protégés par le droit d'auteur, biaisbiaisIARégularité correctement apprise dans des données qui ne représentent pas la réalité visée, ou qui enregistrent des décisions passées avec leurs préjugés. Changer d'algorithme ne le corrige pas.Voir dans le glossaire non documentés) au moment où vous engagez la responsabilité de votre entreprise sur les sorties du modèle.

Un modèle peut être « gratuit à télécharger » sans être « libre d'usage ». Ce sont deux questions indépendantes : l'accessibilité technique (le poids est sur Hugging Face) et le régime juridique (ce que la licence autorise réellement).

Panorama des grandes familles de modèles

Llama (Meta)

La série Llama (Llama 3, puis les générations suivantes) a joué un rôle moteur dans la démocratisation des LLM open-weight. Elle est distribuée sous la Llama Community License, une licence propriétaire rédigée par Meta — et non une licence open source reconnue par l'OSI.

Points clés de cette licence :

• Usage commercial autorisé, y compris en production, pour la grande majorité des entreprises.
• Clause à seuil d'utilisateurs : au-delà de 700 millions d'utilisateurs actifs mensuels pour le service qui exploite le modèle, une licence spécifique doit être négociée directement avec Meta. Cette clause ne concerne en pratique qu'une poignée de très grandes plateformes, mais elle illustre que la licence n'est pas une licence permissive au sens strict.
• Obligation d'attribution : les produits dérivés doivent mentionner « Built with Llama » dans certaines conditions.
• Interdiction d'utiliser Llama pour améliorer un autre grand modèle de langage concurrent (clause anti-distillation vers des tiers).

Mistral (Mistral AI)

L'éditeur français Mistral AI publie plusieurs familles de modèles avec des régimes de licence différenciés selon la génération et la taille :

• Les modèles les plus ouverts (par exemple certaines versions de Mistral 7B ou Mixtral) sont diffusés sous licence Apache 2.0, une licence open source reconnue, permissive, sans clause de seuil ni obligation d'attribution contraignante.
• Les modèles les plus performants de la gamme propriétaire (accessibles via API) ne sont pas open-weight et relèvent d'un contrat commercial classique.

Mistral AI présente un intérêt particulier pour une entreprise française ou européenne : l'éditeur est soumis au droit français, ce qui simplifie l'analyse contractuelle et répond à une partie des préoccupations de souveraineté numérique traitées dans les chapitres suivants de cette formation.

Qwen (Alibaba)

La série Qwen, développée par Alibaba Cloud, couvre une gamme très large de tailles (du modèle léger de quelques milliards de paramètres à des versions dépassant plusieurs centaines de milliards). La plupart des versions récentes sont publiées sous licence Apache 2.0, ce qui en fait l'une des familles les plus permissives du marché sur le plan juridique — un paradoxe pour un éditeur souvent perçu comme fermé sur d'autres produits.

Au sein d'une même famille de modèles, la licence peut changer d'une génération à l'autre, voire d'une taille de modèle à l'autre. Ne présumez jamais qu'une licence constatée sur une version reste valable sur la suivante : relisez systématiquement le fichier LICENSE du dépôt exact que vous comptez déployer.

Gemma (Google)

Gemma est la famille de modèles ouverts de Google, dérivée des travaux ayant mené à Gemini. Elle est distribuée sous une licence propriétaire dédiée, la Gemma Terms of Use, qui autorise l'usage commercial mais impose des restrictions d'usage acceptable (Prohibited Use Policy) assez détaillées, portant notamment sur les usages à risque (santé, décisions juridiques automatisées, etc.). Cette politique d'usage acceptable doit être lue attentivement si votre cas d'usage touche à un secteur réglementé.

DeepSeek

DeepSeek a publié plusieurs générations de modèles (dont la série DeepSeek-V3 et les modèles de raisonnement de la série R1) sous licence MIT pour certains composants, ou sous licence dédiée pour d'autres, avec des conditions globalement permissives pour l'usage commercial. Le point d'attentionattentionIAMécanisme par lequel un modèle pondère l'importance de chaque token du contexte lorsqu'il en traite un autre, quelle que soit la distance qui les sépare.Voir dans le glossaire n'est pas ici purement juridique mais opérationnel et géopolitique : l'origine chinoise de l'éditeur invite à examiner les questions de conformité liées au RGPDRGPDConformitéRèglement européen sur la protection des données personnelles. Il s'applique dès qu'un système d'IA traite de telles données, et se cumule avec l'AI Act.Voir dans le glossaire (si les poids ont été entraînés ou affinés sur des données personnelles) et de continuité d'accès (mises à jour, disponibilité future des poids), sujets traités plus en détail dans le chapitre consacré à la souveraineté.

Tableau comparatif synthétique

Ce tableau est une photographie datée : les éditeurs révisent leurs licences à chaque nouvelle génération. Il ne remplace jamais la lecture du fichier de licence exact du dépôt que vous téléchargez.

Ne vous fiez jamais à la réputation générale d'un éditeur ou d'une famille de modèles pour statuer sur le régime juridique applicable. Un même éditeur peut faire coexister, au sein d'une seule famille, des variantes sous licence permissive et des variantes sous licence restrictive (souvent les versions les plus grandes ou les plus récentes). L'audit doit porter sur le dépôt précis, à la version précise, que vous prévoyez de déployer.

Implications juridiques pour une entreprise en France et dans l'Union européenne

Trois couches de droit s'appliquent simultanément à un déploiement de LLM local dans une entreprise française :

1. La licence du modèle elle-même, contrat de droit privé qui fixe ce que vous pouvez faire avec les poids (usage commercial, modification, redistribution, obligations d'attribution).
2. Le règlement européen sur l'intelligence artificielleAI ActConformitéRèglement européen sur l'intelligence artificielle, adopté en 2024. Il classe les systèmes en quatre niveaux de risque selon leur usage — jamais selon leur technologie.Voir dans le glossaire (AI Act), qui classe les usages par niveau de risque et impose des obligations de transparence et de documentation, indépendamment de la licence du modèle sous-jacent.
3. Le RGPD, qui s'applique dès que des données personnelles transitent par le système — que ce soit en entrée (prompts contenant des données de salariés ou de clients) ou, potentiellement, dans le corpus d'entraînement du modèle si celui-ci a mémorisé des informations personnelles.

Ces trois couches sont indépendantes. Un modèle sous licence Apache 2.0 (permissive sur le plan contractuel) ne vous exonère en rien des obligations de l'AI Act ou du RGPD. Inversement, un modèle bien documenté au regard du RGPD peut rester bloqué par une clause de licence restrictive.

Comment lire une fiche modèle (model card)

Avant de retenir un modèle candidat, une lecture méthodique de sa fiche modèle — généralement publiée sur Hugging Face ou sur le site de l'éditeur — permet d'éviter les mauvaises surprises. Quatre sections méritent une attention systématique.

1. La taille du modèle

Exprimée en nombre de paramètres (7B, 13B, 70B, 405B...), la taille conditionne directement les besoins en mémoire GPUGPUIAProcesseur graphique parallélisant massivement les calculs matriciels ; indispensable à l'entraînement et à l'inférence des modèles de deep learning.Voir dans le glossaire et la latence d'inférence. Une règle empirique utile pour l'inférence en précisionprécisionIAProportion des alertes émises par un modèle qui sont justifiées. Elle s'oppose au rappel : améliorer l'une dégrade l'autre.Voir dans le glossaire réduite (quantification 4 ou 8 bits, largement utilisée en déploiement local) est illustrée ci-dessous.

Ce graphique n'est qu'indicatif : les chapitres consacrés au dimensionnement matériel de cette formation détailleront le calcul exact, en tenant compte de la longueur de contextefenêtre de contexteIAQuantité de texte qu'un modèle peut prendre en compte simultanément : question, documents fournis et historique. Au-delà, les éléments les plus anciens sortent du champ.Voir dans le glossaire et du moteur d'inférence retenu (Ollama, vLLM).

2. La longueur de contexte

La longueur de contexte (context length), exprimée en tokenstokenIAFragment de texte manipulé par un modèle de langage, généralement plus court qu'un mot — trois à quatre caractères en français. La tarification et la limite de contexte se comptent en tokens.Voir dans le glossaire, définit la quantité de texte que le modèle peut traiter en une seule requête — promptpromptIAConsigne ou contexte fourni à un modèle de langage pour orienter sa réponse. La qualité du prompt conditionne souvent la qualité du résultat.Voir dans le glossaire système, historique de conversation et document fourni compris. Les fiches modèles récentes annoncent des fenêtres de 32 000, 128 000, voire plus de 1 million de tokens pour certaines variantes. Deux pièges classiques :

• La longueur de contexte annoncée est théorique. La qualité de restitution d'une information placée au milieu d'un contexte très long (le phénomène dit du « lost in the middle ») dégrade souvent les performances réelles avant d'atteindre la limite technique.
• Certains modèles nécessitent une configuration explicite (paramètre de scaling RoPE, par exemple) pour exploiter leur contexte maximal ; sans cette configuration, le moteur d'inférence peut tronquer silencieusement l'entrée.

3. Le tokenizer

Le tokenizer découpe le texte en unités (tokens) que le modèle traite. Deux modèles de taille comparable peuvent avoir des tokenizers très différents, avec un impact direct sur :

• le coût réel de calcul (un texte en français peut être découpé en davantage de tokens qu'un texte en anglais selon la qualité du tokenizer sur cette langue) ;
• la longueur de contexte effectivement disponible pour du contenu en français.

Pour un usage majoritairement francophone, testez le nombre de tokens produits par le tokenizer du modèle candidat sur un corpus représentatif de vos documents réels avant de fixer un budget de contexte. L'écart entre deux tokenizers peut dépasser 20 % sur du texte français, ce qui affecte directement vos coûts d'inférence et vos limites pratiques.

4. Les benchmarks

Les fiches modèles affichent systématiquement des scores sur des benchmarks standardisés (MMLU pour les connaissances générales, HumanEval ou équivalent pour le code, GSM8K pour le raisonnement mathématique, et des benchmarks plus récents orientés instructions ou agentsagentIASystème qui enchaîne des appels d'outils de façon autonome pour atteindre un objectif : il planifie, agit, observe, recommence. Sa fiabilité décroît exponentiellement avec le nombre d'étapes.Voir dans le glossaire). Ces scores doivent être lus avec prudence :

• Ils mesurent des capacités génériques, rarement représentatives d'une tâche métier précise.
• La contamination des benchmarks (présence de questions de test dans le corpus d'entraînement) reste un risque documenté sur plusieurs générations de modèles, ce qui peut gonfler artificiellement certains scores.
• Un score supérieur sur un benchmark généraliste ne garantit rien sur la qualité en français, sur un domaine spécialisé (juridique, médical, technique) ou sur le respect d'un format de sortie strict.

Ne sélectionnez jamais un modèle sur la seule base d'un classement de benchmarks publics. Constituez systématiquement un petit jeu d'évaluation interne, représentatif de vos propres cas d'usage, et comparez les modèles candidats sur ce jeu avant tout engagement de déploiement.

Méthode : la checklist avant de retenir un modèle candidat

1. Identifier le dépôt exact (éditeur, nom, version, taille) que vous comptez déployer — pas la famille en général.
2. Lire intégralement le fichier de licence de ce dépôt précis, sans se fier à la réputation de la famille.
3. Vérifier l'absence de clause non commerciale ou de seuil d'usage incompatible avec votre contexte.
4. Croiser la licence avec vos obligations AI Act et RGPD, qui s'appliquent indépendamment.
5. Lire la longueur de contexte réelle utile, pas seulement la valeur maximale annoncée.
6. Évaluer le tokenizer sur un échantillon de vos propres documents en français.
7. Construire un mini-jeu d'évaluation interne plutôt que de se fier aux seuls benchmarks publics.
8. Documenter la décision (licence retenue, version exacte, date de vérification) pour traçabilité future — les licences évoluent, et cette documentation facilitera un audit ultérieur.

Conclusion

Le choix d'un modèle open-weight n'est jamais purement technique : c'est une décision qui engage l'entreprise sur un plan contractuel et réglementaire, au même titre qu'un choix de fournisseur logiciel classique. La diversité actuelle du paysage — Llama, Mistral, Qwen, Gemma, DeepSeek, et les nombreuses variantes dérivées — offre un choix réel, mais impose une discipline de lecture systématique des licences et des fiches modèles. Le chapitre suivant s'appuiera sur cette base pour aborder le dimensionnement matériel nécessaire à l'exécution de ces modèles en conditions réelles de production.