Poids ouverts (open weights)

En une phrase

Un modèle à poids ouverts est un modèle dont le fichier de paramètres est publié en téléchargement : tu peux le faire tourner sur ta propre machine, le modifier ou le compresser, mais ça ne veut pas dire qu’on t’a donné la recette pour le refaire, ni le droit d’en faire tout ce que tu veux.

L’analogie

Un restaurant te vend son plat signature sous vide. Tu peux le réchauffer chez toi, le servir à tes invités, y ajouter tes épices, même le découper en portions. Mais tu n’as ni la recette, ni la liste des fournisseurs, et l’étiquette précise parfois ce que tu n’as pas le droit d’en faire : pas de revente, pas de service en restaurant au-delà d’une certaine taille.

Le logiciel libre, lui, te donne la recette complète. Poids ouverts et open source ne sont donc pas deux noms pour la même chose, et tout se joue dans l’écart entre les deux.

Comment ça marche

Ce qu’on publie, et ce qu’on garde

Un modèle, c’est plus que ses poids. La note d’analyse de la CNIL sur l’open source en IA (juin 2024) reprend une grille proposée en 2023 par Liesenfeld et ses coauteurs, qui détaille tout ce qu’un laboratoire peut publier : le code d’entraînement, les données, les poids avant et après l’étape d’alignement (voir RLHF), les données de cette étape, l’article scientifique, la fiche descriptive du modèle, la licence.

Un modèle « à poids ouverts » ne coche qu’une case de façon certaine : les poids. Pour la CNIL, l’ouverture en IA désigne d’ailleurs « généralement » la publication du modèle et de ses paramètres, plutôt que celle du code source. Tout le reste est au choix de l’éditeur, et il le garde souvent pour lui : les données d’entraînement surtout, pour des raisons de droit d’auteur, de concurrence ou de vie privée.

Ce que les poids permettent

Avoir le fichier change beaucoup de choses.

• Le faire tourner chez toi ou sur ton serveur, sans envoyer tes données à personne (voir Inférence).
• Le compresser pour qu’il tienne sur ta machine, avec la quantification et le format GGUF.
• Le spécialiser par fine-tuning, ou t’en servir comme professeur pour une distillation.
• L’étudier : inspecter ses activations, l’auditer, le comparer.

Et deux choses qu’ils ne permettent pas. Réentraîner le modèle à l’identique, d’abord, puisque les poids sont le résultat de l’entraînement, pas sa recette. Le retirer de la circulation, ensuite : une fois copié, un fichier ne se rappelle pas.

Open source, au sens strict

Le mot « open source » a un gardien : l’Open Source Initiative (OSI), l’organisation qui tient la définition des logiciels open source. Le 28 octobre 2024, elle publie l’Open Source AI Definition 1.0. Un système d’IA y est open source s’il garantit quatre libertés — l’utiliser pour tout usage sans demander la permission, l’étudier, le modifier, le partager — et s’il fournit trois choses :

• les paramètres, c’est-à-dire les poids ;
• le code complet qui a servi à l’entraîner et à le faire tourner ;
• une information sur les données assez détaillée pour qu’une personne compétente puisse construire un système équivalent.

Les données elles-mêmes ne sont pas exigées, seulement leur description : un compromis que l’OSI justifie par le droit d’auteur et la vie privée, et que certains jugent trop laxiste. Même avec cette souplesse, des modèles aussi connus que Llama 2, Grok ou Phi-2 ont été jugés non conformes pendant la phase de validation. Tout système open source au sens de l’OSI publie ses poids ; l’inverse est faux.

Une échelle de licences

Entre « tout est permis » et « regarde mais ne touche pas », les licences s’étagent.

• Apache 2.0 ou MIT : usage commercial, modification et redistribution autorisés. C’est le cas de Mistral 7B, de Mixtral, de gpt-oss d’OpenAI ou de DeepSeek-R1.
• Les licences communautaires de Meta pour Llama : usage commercial permis, avec des conditions. Au-delà de 700 millions d’utilisateurs mensuels, il faut une licence que Meta accorde « à sa seule discrétion » ; tout modèle entraîné avec Llama ou ses sorties et redistribué doit porter un nom commençant par « Llama » ; et pour les modèles multimodaux de Llama 3.2, les droits ne sont pas accordés aux personnes et entreprises établies dans l’Union européenne.
• Les licences de recherche : les poids se téléchargent, mais tout usage commercial demande une licence payante. Mistral Large 2 est sorti ainsi en juillet 2024, sous la Mistral Research License.
• Les licences « responsables » (RAIL, pour Responsible AI License), comme celle de BLOOM : usage libre, sauf une liste d’usages interdits.

Lire la licence avant de télécharger n’est pas une formalité : c’est elle, et non le mot « ouvert » sur la page d’accueil, qui dit ce que tu as le droit de faire.

Dans la vraie vie

• Lucie-7B, publié en 2025 par la communauté OpenLLM-France autour de LINAGORA, est l’un des rares modèles à tout publier : poids, points d’étape de l’entraînement, code et données. Ses 3 000 milliards de tokens comptent presque autant de français (32,4 %) que d’anglais (33,2 %), et il a été entraîné sur Jean Zay, le supercalculateur public français, sous licence Apache 2.0.
• Mistral AI illustre les allers-retours du secteur : Apache 2.0 pour ses premiers modèles, licence de recherche pour Mistral Large 2 en 2024, puis retour annoncé à Apache 2.0 pour ses modèles généralistes à partir de Mistral Small 3, en janvier 2025.
• La CNIL a publié fin 2025 un outil de traçabilité des modèles diffusés en source ouverte sur Hugging Face, mis à jour en août 2026 : il remonte la généalogie d’un modèle, parce qu’un modèle affiné ou distillé peut hériter des données personnelles que son ancêtre a mémorisées.
• Les garde-fous ne voyagent pas. En 2023, Xiangyu Qi et ses coauteurs ont défait les protections de GPT-3.5 Turbo avec un fine-tuning sur 10 exemples, pour moins de 0,20 dollar. Avec des poids téléchargés, rien n’empêche techniquement la même opération.

Idées reçues

• « Llama est open source. » Meta l’a présenté ainsi en juillet 2024 ; l’OSI dit le contraire depuis juillet 2023. La licence Llama traite différemment les utilisateurs selon leur taille, restreint certains usages et, pour Llama 3.2 multimodal, exclut les résidents de l’Union européenne : l’exact opposé de « pour tout usage, sans demander la permission ». Le terme juste est « à poids ouverts ».
• « Sous licence Apache 2.0, un modèle est open source. » La licence ne couvre que ce qui est publié. Si le code d’entraînement et l’information sur les données manquent, la définition de l’OSI n’est pas remplie : Mixtral, pourtant sous Apache 2.0, figure parmi les modèles jugés non conformes lors de la phase de validation de la définition.
• « Un modèle ouvert, c’est gratuit. » Les poids sont gratuits, pas la machine qui les fait tourner : un modèle de 70 milliards de paramètres demande environ 140 Go de mémoire en 16 bits, rien que pour se charger. Et l’inverse ne tient pas davantage : un assistant gratuit peut être entièrement fermé. FranceTerme distingue d’ailleurs le « logiciel libre », qui « n’est pas nécessairement gratuit », du « logiciel gratuit », dont l’auteur garde tous ses droits.

Pour aller plus loin

• Les pratiques open source en intelligence artificielle — note d’analyse de la CNIL, juin 2024 (FR) : ce que recouvre l’« ouverture », et ce qu’elle cache parfois.
• La CNIL publie un outil pour la traçabilité des modèles d’IA publiés en source ouverte — CNIL, décembre 2025 (FR) : la généalogie des modèles, et pourquoi elle compte pour le RGPD.
• The Open Source AI Definition 1.0 — Open Source Initiative, octobre 2024 (EN) : les quatre libertés et les trois composants.
• « Meta’s LLaMa 2 license is not Open Source » — Stefano Maffulli, OSI, 2023 (EN) : pourquoi la licence Llama ne passe pas.
• « The Lucie-7B LLM and the Lucie Training Dataset » — Gouvert et al., OpenLLM-France, 2025 (EN) : un modèle français publié en entier.
• « Fine-tuning Aligned Language Models Compromises Safety » — Qi et al., 2023 (EN) : dix exemples pour défaire un alignement.

Voir aussi

Voir aussi

• FondamentauxPoids (paramètres)Les milliards de nombres qui stockent tout ce qu'un modèle a appris pendant son entraînement.
• FondamentauxInférenceLe moment où le modèle tourne pour de vrai : la boucle qui écrit le texte, un token à la fois, par opposition à l'entraînement où il apprend.
• OptimisationQuantificationRéduire la précision des poids d'un modèle pour le rendre plus léger, plus rapide et utilisable sur du matériel grand public.
• OptimisationGGUFLe format de fichier standard pour faire tourner des LLM en local : modèle, métadonnées et quantification dans un seul fichier.
• EntraînementFine-tuning (réglage fin)Poursuivre l'entraînement d'un modèle déjà entraîné sur tes propres données pour lui apprendre un style, un domaine ou une tâche.
• EntraînementDistillationEntraîner un petit modèle à imiter les réponses d'un grand, pour garder l'essentiel de ses capacités à une fraction de sa taille.
• EntraînementDonnées d'entraînementLes textes sur lesquels on a réglé les poids d'un modèle : d'où ils viennent, ce qu'on en jette, et pourquoi ils décident de ce qu'il saura dire.
• ArchitectureMélange d'experts (MoE)Une architecture où chaque token ne passe que par quelques sous-réseaux choisis parmi beaucoup : le modèle grossit sans que chaque mot coûte plus cher à calculer.
• FondamentauxÉvaluation (benchmarks)Comment on note un modèle de langage : des jeux de questions, des duels arbitrés par des humains ou par un autre modèle, et tout ce qui peut faire mentir un score.
• FondamentauxModèle de raisonnement (reasoning model)Un LLM entraîné à écrire un long brouillon avant de répondre : ce qu'il gagne sur les problèmes difficiles, ce qu'il coûte, et pourquoi son brouillon n'est pas une fenêtre sur sa pensée.
• ÉcosystèmePetits modèles de langage (SLM)Les modèles compacts de moins de 4 milliards de paramètres conçus pour s'exécuter localement sur des smartphones, des ordinateurs portables et des puces NPU.