Les modèles ouverts, et d’où ils viennent

Pour une entreprise qui veut sa propre IA, la nouvelle la plus importante de la semaine écoulée n’était pas un nouveau chatbot. C’étaient trois événements survenus en quelques jours : un modèle ouvert de Reflection AI qui tient sur un seul serveur, de nouveaux poids pour le modèle ouvert de DeepSeek, et un ordre du gouvernement américain qui retire DeepSeek de ses agences civiles. Ensemble, ils disent quelque chose de simple. Les modèles ouverts sont désormais assez bons pour un travail sérieux, et la question s’est déplacée de la qualité vers l’origine.

Beam : moins de tokens, pas des tokens moins chers

Le 16 octobre, Reflection AI a publié Beam, son premier modèle à poids ouverts, sous licence Apache 2.0, qui autorise l’usage commercial et les modifications. Il compte 501 milliards de paramètres, dont 23 milliards sont actifs pour chaque token. En version 8 bits ou 4 bits, il tient sur un serveur doté de huit GPU, comme des H100, H200 ou GB300. La version complète nécessite « des dizaines de GPU », selon VentureBeat.

L’argument de Reflection n’est pas des tokens moins chers, mais moins de tokens. Pendant l’entraînement, l’entreprise a pénalisé le modèle pour chaque token superflu, et selon la lecture que fait VentureBeat de son graphique, Beam utilise environ 25'000 tokens par tentative sur un test de code où GLM-5.2 en a besoin d’environ 80'000. Ce n’est pas le modèle ouvert le plus puissant. Sur Terminal-Bench 2.1, VentureBeat rapporte environ 80 pour cent pour Beam, contre 90,6 pour cent pour DeepSeek V4.1 Flash et 85 pour cent pour Kimi K3. Reflection affirme que Beam « s’imposera par ses mérites et par rien d’autre ».

DeepSeek : plus fort, et sous licence MIT

Dans les mêmes jours, DeepSeek a publié des poids mis à jour pour V4.1 Flash, datés du 17 octobre dans leur nom. La fiche du modèle parle d’« une mise à jour mineure », avec des progrès en raisonnement, en code, en tâches agentiques et en vision, et recommande un contexte d’un million de tokens. La licence ne pourrait pas être plus ouverte : « Ce dépôt et les poids du modèle sont placés sous licence MIT. »

DeepSeek a aussi resserré son offre. En septembre, il a basculé toutes les requêtes destinées à son V4 Pro, plus grand, vers V4.1 Flash, « aux tarifs de V4.1-Flash », et a commencé à retirer progressivement V4 Pro. Selon le benchmark cité par VentureBeat, c’est le plus puissant des modèles ouverts mentionnés ici.

Washington trace une ligne

Le 19 octobre, CyberScoop a rapporté que le département américain de la Sécurité intérieure interdit aux agences fédérales civiles d’utiliser les produits DeepSeek, en vertu d’une loi de 2018 sur la chaîne d’approvisionnement. Les agences doivent retirer les versions dont elles disposent et ne peuvent pas en acheter de nouvelles. Les raisons tiennent aux données : DeepSeek stocke des données sur des serveurs en Chine, et son processus de requêtes et de réponses « peut entraîner le transfert de données sensibles » vers le gouvernement chinois. L’ordre ne vise que DeepSeek, même si d’autres modèles ouverts chinois comme Kimi et Qwen ont suscité des inquiétudes similaires.

L’article ne dit pas si l’interdiction couvre aussi les poids de DeepSeek lorsqu’une agence les exécute sur ses propres serveurs, d’où aucune donnée ne sort. C’est cette question ouverte que chaque entreprise devrait retenir. Faire tourner un modèle chez soi règle la question de savoir où vont les données. Cela ne dit pas d’où vient le modèle.

Ce que cela implique pour votre propre modèle

Des poids ouverts sur vos propres serveurs résolvent les problèmes les plus évidents : les données restent chez vous, et personne ne peut modifier ou retirer le modèle un mardi quelconque. Ils ne les résolvent pas tous. Un modèle est aussi un produit, avec une origine, une licence, des données d’entraînement et un comportement que personne en dehors du laboratoire ne peut examiner entièrement. Pour une banque, une autorité ou un fournisseur de la défense, la question n’est plus de savoir si un modèle ouvert est assez bon. C’est de savoir si son origine passera le prochain audit, le prochain questionnaire client, ou le prochain ordre comme celui-ci.

Concrètement, cela veut dire trois choses. Choisissez le modèle de base aussi délibérément que la licence : Apache 2.0 et MIT sont toutes deux permissives, mais aucune ne dit quoi que ce soit de la provenance. Gardez le modèle remplaçable, de sorte que les connaissances, les règles et les tests de l’entreprise vivent en dehors de lui et qu’un modèle meilleur ou plus sûr puisse prendre sa place en quelques semaines. Et testez chaque candidat sur votre propre travail avant sa mise en service, pas seulement sur des benchmarks publics.

Comment Eigna s’y prend

C’est ainsi qu’est construit Eigna, l’IA privée que nous mettons en place pour nos clients en tant que partenaire d’Eigna Labs. Il part d’un modèle ouvert, adapté au domaine du client et entraîné sur son propre travail, ses règles et sa langue, et fonctionne dans son propre cloud ou sur ses propres serveurs. Une nouvelle version n’est mise en service que si elle obtient de meilleurs résultats aux tests que la précédente, et l’on peut revenir en arrière en une seule étape. Le modèle ouvert sous-jacent, nous le choisissons avec chaque client, origine comprise, et ce choix peut changer quand un meilleur apparaît.