Quels sont les meilleurs LLM open source et comment choisir ?

Open source ou open weight : la distinction essentielle

Beaucoup de modèles dits open source ne publient que les poids entraînés, pas les données ni le code d'entraînement. Le terme exact est open weight : on peut les télécharger, les exécuter et les affiner, mais pas les reproduire entièrement. Une ouverture réellement conforme OSI, avec données et code ouverts, est plus rare.

En pratique, la licence prime. Elle détermine si vous pouvez utiliser un modèle commercialement, le redistribuer et exploiter ses sorties. Les poids ouverts sont la clé de la souveraineté des données et de l'usage local, quelle que soit l'ouverture du reste du modèle.

Les principales familles de modèles ouverts

L'aperçu ci-dessous situe des familles connues. Les capacités et versions évoluent vite : vérifiez toujours la génération et la licence actuelles chez le fournisseur.

• Llama (Meta) : vaste écosystème, open weight sous licence communautaire propre avec conditions d'usage, pas de l'open source classique.
• Mistral / Mixtral (Mistral AI, France) : plusieurs modèles sous Apache 2.0, fournisseur européen, certains en architecture Mixture-of-Experts.
• Qwen (Alibaba) : large gamme de tailles, nombreuses variantes sous Apache 2.0, couverture multilingue généralement solide.
• DeepSeek : poids en partie sous licence MIT, avec des variantes orientées raisonnement.
• Gemma (Google) : modèles compacts et efficaces, open weight sous licence Gemma propre.
• Phi (Microsoft) : petits modèles sous licence MIT, souvent performants pour leur taille.
• OLMo (Allen Institute for AI) : entièrement ouvert, données d'entraînement comprises, sous Apache 2.0, une référence d'ouverture réelle.
• Apertus (ETH Zurich, EPFL, CSCS) : le modèle suisse entièrement ouvert et multilingue, détaillé plus bas.
• Autres : Falcon (TII), Command (Cohere), GLM (Zhipu) et un flux constant de nouveaux modèles élargissent le champ.

Bien lire les licences

Le terme open source est employé de façon inconstante. Avant tout usage en production, vérifiez toujours le texte de licence précis, surtout pour un usage commercial.

• Licences OSI permissives (Apache 2.0, MIT) : usage commercial large, redistribution et adaptation généralement autorisés.
• Licences communautaires/open weight propres (ex. Llama, Gemma) : usage autorisé mais assorti de conditions et de restrictions.
• Licences réservées à la recherche : aucun usage commercial autorisé.
• Toujours clarifier : usage commercial, redistribution, droits sur les sorties, attribution et marques.
• Des poids ouverts ne signifient pas des données d'entraînement ouvertes : à évaluer séparément.

Comment choisir le bon modèle

Plutôt que de chercher le prétendu meilleur modèle, partez de l'usage. Ces critères aident à un choix solide et neutre.

• Usage : chat, code, extraction, résumé ou RAG imposent des exigences différentes.
• Qualité linguistique : testez l'allemand, le français, l'italien et, au besoin, le suisse-allemand avec vos exemples.
• Taille du modèle et matériel : les grands modèles exigent plus de VRAM ; la quantification réduit le besoin.
• Licence et conditions commerciales : conviennent-elles à votre modèle économique ?
• Exploitation : local/sur site pour la souveraineté, ou hébergement géré pour moins de charge.
• Adaptabilité : possibilité de fine-tuning, de prompting et d'intégration d'outils.
• Gouvernance et maintenance : rythme des mises à jour, sécurité, documentation et support communautaire.

Exécuter en local : matériel, outils et protection des données

Un atout majeur des poids ouverts est l'exécution locale. Les petits modèles quantifiés tournent déjà sur un bon portable ; les grands exigent un GPU ou un serveur.

• Outils : Ollama, llama.cpp, LM Studio, vLLM et les bibliothèques Hugging Face simplifient téléchargement et exécution.
• La quantification (par ex. 4 bits, format GGUF) réduit la mémoire avec une perte de qualité généralement faible.
• Souveraineté des données : en local, les données ne quittent jamais votre infrastructure, un argument fort pour protéger les informations sensibles.
• Conformité : l'hébergement sur site ou en Suisse facilite le respect de la revDSG, sans transfert inutile à l'étranger.

La perspective suisse et européenne

Apertus est un modèle de langue entièrement ouvert et multilingue issu de Suisse, développé par l'ETH Zurich, l'EPFL et le centre de calcul CSCS, entraîné sur le supercalculateur Alps. Il incarne la souveraineté numérique et la transparence : poids, données d'entraînement et méthodologie sont divulgués.

• EU AI Act : les modèles GPAI open source sous licence libre bénéficient d'allégements, sauf en cas de risque systémique ; des obligations subsistent, comme un résumé des données d'entraînement et le respect du droit d'auteur. Le texte a une portée extraterritoriale.
• revDSG et PFPDT : les poids ouverts aident à conserver les données personnelles en Suisse et à documenter les traitements de façon transparente.
• Indépendance vis-à-vis des fournisseurs : les modèles ouverts réduisent le risque de verrouillage et renforcent le contrôle sur la feuille de route et les coûts.