L'IA open source rattrape son retard

En janvier 2025, un labo chinois que presque personne ne connaissait a sorti un modèle de raisonnement qui rivalise avec o1 d'OpenAI en maths et en code. Coût annoncé : environ $5,3 millions en calcul GPU pour l'entraînement final, mais ce chiffre ne couvre que les heures GPU. Pas la R&D, pas les expériences ratées ni l'investissement matériel de plus de 51 millions de dollars. Pour mettre les choses en perspective, les modèles de pointe des grands labos coûteraient des dizaines de millions, parfois plus.

DeepSeek R1 n'a pas juste fait de la figuration. Il l'a fait avec 2 048 GPU là où d'autres en utilisent 16 000+. Et ils ont tout publié en open source sous licence MIT.

La domination des modèles fermés qu'on prenait pour acquise ? Ce n'est plus une évidence.

Ce que DeepSeek R1 a réellement accompli

Soyons précis, parce que les benchmarks comptent ici.

DeepSeek R1 atteint 79,8 % sur l'AIME 2024 (American Invitational Mathematics Examination), au niveau des 79,2 % d'OpenAI o1. Il atteint aussi 97,3 % sur MATH-500. Ce ne sont pas des résultats sélectionnés sur des tests obscurs. Ce sont les benchmarks de référence utilisés par l'industrie pour mesurer la capacité de raisonnement.

Le modèle utilise l'apprentissage par renforcement pour développer des chaînes de raisonnement : il apprend à réfléchir étape par étape sans avoir besoin d'exemples de raisonnement écrits par des humains. DeepSeek a documenté toute l'approche. N'importe qui peut l'étudier, la reproduire, l'améliorer.

Ils ont aussi mis à disposition six versions distillées plus petites basées sur les architectures Llama et Qwen. La version 32B distillée (DeepSeek-R1-Distill-Qwen-32B) dépasse o1-mini d'OpenAI sur plusieurs évaluations. Un modèle de 32 milliards de paramètres qu'on peut déployer sur son propre matériel, plus performant qu'un produit commercial. Ça vaut la peine d'y réfléchir un instant.

Ce n'est pas que DeepSeek

Ce qui distingue ce moment des précédentes annonces "l'open source rattrape son retard", c'est que ça se passe sur plusieurs fronts en même temps.

Qwen d'Alibaba ne cesse d'accélérer. La famille Qwen 2.5 rivalisait déjà avec GPT-4o. Depuis Alibaba a sorti Qwen 3 (avril 2025) avec du raisonnement hybride sur architectures denses et MoE, puis Qwen 3.5 (février 2026) à 397B paramètres avec le support de 201 langues. Le tout sous licences permissives.

Mistral Small 3.1 est sorti en mars 2025. Un modèle de 24 milliards de paramètres qui tourne sur une seule RTX 4090 ou un Mac avec 32 Go de RAM. 150 tokens par seconde, 128K de contexte et maintenant la compréhension d'images. Licence Apache 2.0. Il y a deux ans, il fallait un cluster pour ce niveau de performance. Maintenant ça tourne sur un ordinateur portable.

DeepSeek V3 continue d'évoluer. V3-0324 a intégré les améliorations de raisonnement de R1. V3.2 (décembre 2025) a poussé encore plus loin. La vitesse d'itération est remarquable.

Pourquoi ça compte au-delà des benchmarks

Je pourrais continuer à aligner des chiffres mais la vraie histoire ne concerne pas les chiffres. C'est ce que ces modèles rendent possible.

L'auto-hébergement devient viable

Quand les meilleurs modèles ouverts étaient clairement en dessous de GPT-4, l'argument de l'auto-hébergement tenait difficilement. "Oui c'est privé et moins cher mais l'écart de qualité est trop grand." Cet argument s'effondre.

DeepSeek R1 gère le raisonnement, Qwen 3 couvre les capacités générales et Mistral Small assure l'inférence efficace. Ces modèles sont suffisamment bons pour que le compromis qualité soit marginal dans beaucoup de cas d'usage réels. En échange, vous obtenez un contrôle total des données, pas de facturation au token à grande échelle et aucune dépendance à la disponibilité ou aux changements de politique d'un fournisseur.

Pour les secteurs réglementés (santé, finance, juridique), la possibilité de déployer un modèle de qualité frontière entièrement dans votre infrastructure est un tournant. Vous ne pouvez pas envoyer des dossiers patients à un endpoint d'API. Mais vous pouvez faire de l'inférence sur vos propres serveurs.

L'équation des coûts s'est inversée

DeepSeek annonce 5,3 millions de dollars en calcul GPU pour le modèle de base de R1. Calculez ce que coûte l'utilisation d'une API de raisonnement commerciale à grande échelle. Pour beaucoup d'entreprises, l'auto-hébergement d'un modèle ouvert s'amortit en quelques mois.

Ce n'est pas théorique. J'ai aidé des clients à calculer le point de rentabilité. Si vous faites plus de quelques milliers d'appels API par jour, les maths penchent en faveur des modèles ouverts auto-hébergés. Ajoutez les bénéfices de latence de l'inférence locale (pas d'aller-retour réseau) et ça devient encore plus convaincant.

Le vivier de talents s'élargit

Quand les modèles sont ouverts, des chercheurs et ingénieurs partout dans le monde peuvent les étudier, les améliorer, les affiner pour des tâches spécifiques. La technique d'entraînement par RL de DeepSeek est déjà reprise par d'autres labos. Les versions distillées de leurs modèles tournent sur du matériel grand public. Des développeurs individuels peuvent expérimenter avec de l'IA capable de raisonnement.

C'est comme ça que Linux a conquis le marché des serveurs. Pas grâce à une seule entreprise mais grâce à des milliers de contributeurs qui apportent des améliorations qui se cumulent avec le temps.

Ce que j'évalue dans les modèles ouverts

Tous les modèles d'IA open source ne se valent pas. Voici ce que je regarde :

La licence d'abord. MIT et Apache 2.0 signifient que vous pouvez utiliser le modèle commercialement sans restriction. Certains modèles "ouverts" ont des clauses non-commerciales ou des licences custom qui limitent l'utilisation réelle. DeepSeek R1 est sous MIT. Mistral Small 3.1 et Qwen2.5-VL sous Apache 2.0. Ceux-là sont véritablement ouverts.

Ensuite la reproductibilité. DeepSeek a partagé sa méthodologie d'entraînement. C'est inhabituel et précieux : la communauté peut vérifier les résultats, identifier les faiblesses, construire des améliorations. Les modèles publiés sans détails d'entraînement sont plus difficiles à évaluer.

Les besoins matériels comptent aussi. Un modèle à 671 milliards de paramètres peut avoir d'excellents résultats mais s'il faut huit A100 pour l'exécuter, il n'est "ouvert" que pour les entreprises avec des budgets GPU sérieux. Les modèles distillés (DeepSeek-R1-Distill à 32B, Mistral Small à 24B), c'est là que se trouve la valeur concrète.

Et le fine-tuning : pouvez-vous adapter le modèle à votre domaine ? Les poids ouverts sont un minimum. Le code d'entraînement ouvert et une documentation claire font la différence entre une démo téléchargeable et un outil de production.

La marche à suivre

Si vous dirigez une entreprise et que vous vous demandez quoi faire de tout ça :

N'attendez pas "le meilleur" modèle. Il n'y en aura pas. Le paysage change toutes les quelques semaines. Choisissez un modèle assez bon pour votre cas d'usage, déployez-le et améliorez au fil du temps. Qwen 3 et Mistral Small sont de bons choix généralistes.

Commencez par un cas d'usage précis. "On veut utiliser l'IA open source" n'est pas une stratégie. "On veut automatiser notre résumé de documents internes sans envoyer les données à l'extérieur" en est une. Un périmètre restreint mène à des résultats plus rapides.

Planifiez votre infrastructure. Déployer des modèles en local nécessite du calcul GPU. Si vous n'en avez pas en interne, il existe des fournisseurs d'inférence dédiés qui hébergent des modèles ouverts pour une fraction du prix des API. Le juste milieu entre "tout auto-hébergé" et "tout envoyer à OpenAI" est plus large que ce que pensent la plupart des gens.

Restez attentifs. Llama 4 de Meta est sorti en avril 2025 avec les modèles multimodaux Scout (109B) et Maverick (400B). Qwen 3 a apporté le raisonnement hybride aux poids ouverts. La cadence ne ralentit pas. Ce qui est à la pointe aujourd'hui sera la base dans six mois.

Si vous cherchez à intégrer des LLM open source dans vos workflows, c'est le moment. Les modèles sont performants, l'outillage mûrit et l'avantage en coût est réel. Le plancher monte vite : l'IA open source a franchi le seuil entre "expérience intéressante" et "option de production crédible". Reste à savoir si vous construisez sur des fondations ouvertes ou si vous restez verrouillés dans des API fermées.

Et maintenant ?

La tortue rattrape le lièvre

Pour comprendre les bases des agents IA : c'est par ici. Et pour héberger ces modèles vous-même, consultez le guide pratique.