Open-weights vs propriétaire

Définition

Un modèle open-weights publie ses paramètrès téléchargeables (Llama 4, Mistral Small 4, DeepSeek-V4.1-Flash, Qwen3.8), auto-hébergeable et modifiable ; un modèle propriétaire (Claude, GPT, Gemini) n'est accessible que par API. L'Open Source AI Définition 1.0 de l'OSI exige davantage : informations sur les données, code d'entraînement et paramètrès sous licence approuvée. Peu de modèles « open » la respectent, et les licences varient (Apache 2.0, MIT, licence Llama restrictive).

Analogie

Acheter la recette et cuisiner chez soi, ou commander au restaurant : liberté et charge d'un côté, simplicité de l'autre.

Exemple de code

# Grille de décision open-weights vs API propriétaire
donnees_sensibles:   open-weights sur votre infra (ou API avec ZDR + DPA)
volume_tres_eleve:   open-weights amorti sur GPU dédiés (vLLM)
qualite_frontiere:   API propriétaire (Fable, GPT-6 Astra, Gemini Pro)
equipe_sans_mlops:   API propriétaire
fine_tuning_maison:  open-weights (LoRA sur Qwen, Mistral, Llama)
licences_a_verifier:
  - Apache 2.0 : Mistral Small 4, Qwen3.8-27B
  - MIT        : DeepSeek-V4.1-Flash
  - Llama      : licence propre + politique d'usage

Cas d'usage

Arbitrage architecture en entretien : souveraineté, coût marginal, qualité, charge opérationnelle.

Anti-pattern

Dire « open source » pour un modèle sous licence d'usage restrictive.

Termes liés

En entretien

Explique-moi la différence entre open-weights et propriétaire.
Un modèle open-weights publie ses paramètres téléchargeables et auto-hébergeables comme Llama ou Mistral, alors qu'un modèle propriétaire comme Claude, GPT ou Gemini n'est accessible que par API. C'est un peu comme acheter la recette et cuisiner chez soi contre commander au restaurant.
Quand est-ce que tu choisirais l'open-weights plutôt qu'une API propriétaire ?
Pour des données très sensibles à héberger soi-même, un volume très élevé amorti sur des GPU dédiés, ou du fine-tuning maison. Pour de la qualité frontière ou une équipe sans MLOps, l'API propriétaire reste préférable.
Quel est le piège autour du mot « open source » pour ces modèles ?
Dire « open source » pour un modèle sous licence d'usage restrictive comme celle de Llama est un abus de langage. L'Open Source AI Definition de l'OSI exige bien plus — infos sur les données, code d'entraînement, licence approuvée — et peu de modèles la respectent vraiment.