Poids ouverts vs API fermées

« Ouvert » est un spectre, pas un interrupteur. Ce qui rend la scène IA locale possible n'est pas la philosophie — c'est l'existence de poids sous licence permissive, donnant aux moteurs, quantificateurs et interfaces de quoi viser. Connaissez les paliers avant de construire quoi que ce soit sur un modèle.

Le spectre

Les familles glissent entre paliers avec le temps — une livraison permissive pour une version, plafonnée pour la suivante — donc vérifiez par modèle, pas par marque. Les noms de paliers ici décrivent la licence, pas la qualité : les livraisons plafonnées Llama et Gemma surclassent régulièrement les permissives aux benchmarks.

Les poids ne sont pas les données ne sont pas le code

• Poids ouverts : vous recevez les paramètres et le tokenizer. Vous pouvez les exécuter, quantifier, fine-tuner et redistribuer (dans les limites de la licence).
• Open source, au sens strict : poids + données d'entraînement + code d'entraînement. Rare — OLMo est l'effort amiral ; presque tout le reste n'est qu'à poids ouverts.
• La différence pratique : les modèles à poids ouverts ne peuvent être ni reproduits ni audités à fond ; vous faites confiance à la description de l'éditeur. Pour faire tourner des modèles localement, les poids suffisent.
• Données et code d'entraînement, quand ils sont publiés, vivent dans des dépôts séparés (datasets, GitHub). Les poids seuls ne disent jamais comment le modèle a été fait.
• Sur la confiance, permissif ≠ audité : une licence Apache ne dit rien non plus de la provenance des données. Elle dit ce que vous pouvez faire, pas ce qui a été fait.

Pourquoi la scène locale roule sur les paliers permissifs

Chaque outil de ce guide — llama.cpp et ses quants GGUF, interfaces de bureau, serveurs locaux compatibles OpenAI — a grandi autour de poids téléchargeables, décollant avec la première génération 7B ouverte réellement utilisable en 2023. Les licences plafonnées permettent toujours l'usage local, raison pour laquelle les modèles de la famille Llama saturent l'écosystème malgré leur non-open-source au sens strict. Les familles permissives obtiennent l'outillage le plus profond simplement parce que personne n'a à lire les conditions d'abord.

Pièges à vérifier avant un usage commercial

• Plafonds d'utilisateurs : la licence communautaire Llama bascule vers un accord commercial séparé au-delà de 700M d'utilisateurs actifs mensuels. Sans objet en dessous, mais sachez que ça existe.
• Politiques d'usage acceptable : Llama et Gemma embarquent des politiques d'usage qui engagent les licenciés — des catégories d'usage restreint s'appliquent même sous les plafonds.
• Nommage et marque : les mentions comme « Built with Llama » et les exigences d'attribution Gemma sont des obligations de licence, pas des suggestions.
• Conditions régionales et d'entités : certaines licences excluent des juridictions ou des entités sanctionnées ; les contrôles ordinaires à l'export s'ajoutent par-dessus.
• Les miroirs quantifiés héritent de la licence de base : un GGUF communautaire d'un modèle Gemma porte les conditions Gemma. Lisez la licence du modèle de base, pas seulement celle du dépôt d'où vous avez téléchargé.

Vérifier une licence en 30 secondes

1. Ouvrez le fichier LICENSE du dépôt du modèle — pas le résumé du README, le texte réel de la licence.
2. Si le dépôt est un quant/variante, cliquez jusqu'au modèle de base dont il provient et lisez plutôt cette licence.
3. Cherchez dans le texte : « monthly active users », « revenue », « acceptable use », « attribution », « jurisdiction ».
4. Décidez seulement après l'étape 3 — la plupart des plafonds n'importent jamais pour les petits produits, mais vous devriez savoir qu'ils sont là.

Anatomie d'un nom de dépôt Hugging Face

Qwen/Qwen2.5-14B-Instruct
 │      │         │   └─ stade/variante : instruct, chat, base, coder, vl, ...
 │      │         └─ taille : nombre de paramètres
 │      └─ famille + version
 └─ organisation

community/Qwen2.5-14B-Instruct-GGUF
 └─ dépôt du quantificateur : mêmes poids, format reconditionné

nom de fichier : qwen2.5-14b-instruct-q4_k_m.gguf
                 famille      taille  stade  étiquette quant

Ordre de lecture : organisation / famille-version-taille-stade. Les dépôts originaux contiennent du safetensors ; les quantificateurs communautaires publient des GGUF et autres variantes — les poids sont ceux de l'éditeur, et la licence voyage avec eux (formats de modèles).

Juger les dépôts dans la nature :

• Les organisations officielles publient les originaux ; une poignée de quantificateurs communautaires connus republient des variantes GGUF/AWQ de tout ; les miroirs inconnus n'apportent aucune valeur et parfois des surprises.
• Les comptes de téléchargement et dates de mise à jour sont de bons indicateurs de santé — un quant poussiéreux d'un modèle vieux de deux générations est généralement une impasse.
• Quand deux dépôts revendiquent le même modèle, prenez celui lié depuis la page du modèle de base.

Position pratique

• Usage hobby et local : presque n'importe quelle licence à poids ouverts convient — vous exécutez le modèle, vous ne le redistribuez pas.
• Livrer un produit : les familles Apache/MIT font gagner du temps d'avocat ; les licences plafonnées vont habituellement bien sous les plafonds, mais lisez la politique d'usage une fois.
• API fermées : meilleure qualité frontière brute, zéro contrôle local, tarification au jeton. Un hybride courant : modèles locaux pour le volume, la confidentialité et la latence ; l'API pour les 5% difficiles.
• Redistribuer des poids diffère de les exécuter : livrer un GGUF dans votre produit est de la distribution — vérifiez les conditions d'abord.
• Certaines licences attachent des conditions aux sorties du modèle ou aux dérivés fine-tunés ; aucune (à ce jour) ne revendique vos prompts, mais lisez avant de vendre du contenu généré à grande échelle.

Poids locaux vs API, côte à côte

Quand le local gagne : exigences de confidentialité, usage hors ligne, énorme volume de jetons, UX sensible à la latence, reproductibilité (épingler les poids exacts). Quand l'API gagne : les 5% de tâches les plus difficiles, zéro installation, échelle élastique. La plupart des installations sérieuses finissent hybrides.

Comment choisir concrètement : choisir un modèle. Ce que chaque famille apporte : familles de modèles.

Voir aussi : familles de modèles · choisir un modèle · formats de modèles · moteurs