Choisir un modèle IA open source en 2026 est devenu un vrai casse-tête : un nouveau modèle phare sort toutes les quatre à six semaines, et les classements se contredisent. Dernier arrivé : DeepSeek-V4.1-Flash, dont les poids ont été publiés le 10 septembre selon l’un des comparatifs que nous avons consultés. Voici un guide pour s’y retrouver, par usage plutôt que par palmarès.

• GLM-5.3 (Z.ai) : le modèle ouvert le plus performant que l’on peut réellement télécharger et exécuter, selon l’un des comparatifs de référence.
• DeepSeek V4 : le meilleur rapport qualité-prix, sous licence MIT.
• Kimi K3 (Moonshot AI) : le plus gros modèle ouvert jamais publié, mais inaccessible à l’auto-hébergement pour presque tout le monde.
• Qwen3.8-27B et Gemma 4 : les plus adaptés à une machine locale, sous licence Apache 2.0.
• Les classements divergent : le meilleur modèle dépend de votre usage, de votre licence et de votre matériel.

Open source ou open weight : la nuance qui compte

Presque tous les modèles ci-dessous sont « open weight » (poids ouverts) et non réellement « open source ». Vous pouvez télécharger les paramètres, les faire tourner sur votre matériel et, souvent, les utiliser commercialement. Mais les données d’entraînement ne sont généralement pas publiées. La définition de l’Open Source Initiative exige trois éléments : informations détaillées sur les données, code d’entraînement complet et paramètres, sous licence ouverte. Les modèles qui remplissent ces critères, comme OLMo, ne sont pas ceux qui dominent les classements.

Pourquoi c’est important : la licence détermine ce que vous avez le droit de faire, souvent plus que les scores de benchmark.

Les modèles ouverts à connaître en octobre 2026

GLM-5.3 (Z.ai) : le plus performant que l’on peut exécuter

Modèle de 753 milliards de paramètres (40 milliards actifs) avec 1 million de tokens de contexte. Il améliore nettement son prédécesseur GLM-5.2 sur le code agentique, avec un score de 66,9 sur DeepSWE v1.1 contre 46,2. Attention à la licence : elle est personnalisée, et les hébergeurs dépassant 10 milliards de dollars de revenus doivent passer une revue de sécurité chez Z.ai. Sa version allégée, GLM-5.3-Flash (320 milliards / 18 milliards actifs), reste sous licence MIT.

DeepSeek V4 : le meilleur rapport qualité-prix

La famille comprend V4 Pro (1,6 billion de paramètres, 49 milliards actifs) et V4 Flash (284 milliards, 13 milliards actifs), toutes deux sous licence MIT avec 1 million de tokens de contexte. Le V4.1-Flash (552 milliards, 8 à 16 milliards actifs) revendique 90,6 sur Terminal-Bench 2.1, mais ces chiffres sont publiés par DeepSeek avec son propre protocole : à confirmer par des tests indépendants.

Kimi K3 (Moonshot AI) : le géant

2,8 billions de paramètres (104 milliards actifs), poids publiés le 27 juillet 2026, licence personnalisée avec obligations pour les grandes entreprises et les fournisseurs de services d’IA. Excellent sur les tâches d’agents, mais sa taille le met hors de portée de l’auto-hébergement pour presque toutes les organisations.

MiMo-V2.6-Pro (Xiaomi) : l’outsider efficace

Licence MIT, 1,02 billion de paramètres (42 milliards actifs). Sur l’indice d’intelligence d’Artificial Analysis (v4.3.2, fin septembre), il arrive en tête des modèles ouverts avec 46, devant GLM-5.3 (45) et Kimi K3 (44). L’écosystème d’outils autour de lui est cependant moins mature.

Qwen3.8-27B (Alibaba) : le modèle local de référence

Un modèle dense de 27 milliards de paramètres, sous licence Apache 2.0, avec 262 000 tokens de contexte, qui tient sur un seul GPU haut de gamme. Il atteint 61,7 % sur SWE-bench Pro, un score qui dépassait il y a peu celui de modèles bien plus gros.

Gemma 4 (Google) et gpt-oss-120b (OpenAI)

Gemma 4, désormais sous licence Apache 2.0, couvre toutes les tailles, du téléphone à la station de travail. gpt-oss-120b (117 milliards, 5,1 milliards actifs) est un raisonneur sous Apache 2.0, utile quand l’origine américaine du modèle compte dans un appel d’offres.

Et les modèles français ?

Mistral Small 4 (119 milliards, 6,5 milliards actifs) est cité parmi les modèles qui offrent une qualité proche des meilleurs sur des configurations à deux GPU. Mistral Large 3 (675 milliards, Apache 2.0) existe aussi, mais date d’avant la dernière vague de modèles de pointe.

Quel modèle ouvert pour quel usage ?

Votre besoin	Modèle à tester	Pourquoi
Meilleure performance exécutable	GLM-5.3	Très bon en code agentique, 1 M de contexte
Meilleur rapport qualité-prix	DeepSeek V4 Flash / V4.1-Flash	Licence MIT, coût d’inférence faible
Licence la plus simple	Qwen3.8-27B, Gemma 4	Apache 2.0, sans seuil de revenus
Un seul GPU (24 Go)	Gemma 4 26B-A4B, Qwen3.6/3.8	Conçus pour cette classe de matériel
Plus grande taille ouverte	Kimi K3	2,8 T de paramètres, via API plutôt qu’en local
Provenance occidentale	gpt-oss-120b, Mistral	Apache 2.0

Les pièges des benchmarks

Les comparatifs se contredisent, et ce n’est pas une anomalie :

• Vérifié contre Pro. SWE-bench Verified et SWE-bench Pro sont deux tests différents : comparer leurs scores côte à côte est trompeur.
• Scores annoncés par l’éditeur. Beaucoup de chiffres viennent des éditeurs eux-mêmes, avec leur propre protocole.
• Outils activés ou non. Un même modèle peut afficher des scores très différents selon qu’il peut chercher sur le web ou exécuter du code.

Conseil pratique : utilisez les benchmarks comme filtre, puis testez 2 ou 3 modèles sur vos propres tâches avant de choisir.

Peut-on vraiment les héberger soi-même ?

Pour les plus gros modèles, « téléchargeable » ne veut pas dire « exécutable ». Quelques repères :

• Il faut compter environ 2 Go de mémoire par milliard de paramètres en pleine précision, et environ 0,5 Go en quantification 4 bits, plus le cache de contexte.
• Un GPU de 24 Go gère les modèles de 27 à 32 milliards de paramètres.
• Pour les modèles « mixture of experts », tous les paramètres doivent tenir en mémoire, même si seule une partie est active à chaque token. Les paramètres actifs déterminent la vitesse, les paramètres totaux déterminent la mémoire nécessaire.
• Pour tester rapidement, Ollama suffit. Pour la production, vLLM ou SGLang sont les standards.

Côté coût, l’API est presque toujours moins chère que l’achat de matériel pour les modèles de pointe. L’auto-hébergement gagne sur la confidentialité (aucun prompt envoyé à un tiers), l’usage hors ligne, le réglage fin et les très gros volumes. Calculez toujours sur votre volume de tokens réel.

Faut-il choisir un modèle ouvert pour son entreprise ?

Oui, dans ces cas :

• Vous traitez des données sensibles et voulez qu’elles ne quittent pas votre infrastructure.
• Vous voulez éviter la dépendance à un seul fournisseur.
• Vous avez besoin de personnaliser le modèle (réglage fin).

Mais vérifiez avant de vous engager : la licence (seuils de revenus, obligations d’affichage), l’origine du modèle et les exigences de sécurité de votre secteur, et la maturité des outils autour du modèle. Les modèles ouverts accusent en moyenne quelques mois de retard sur les meilleurs modèles fermés (environ quatre mois selon Epoch AI, mise à jour de mai 2026).

Questions fréquentes

Quel est le meilleur LLM open source en 2026 ?

Cela dépend du critère. Un comparatif place Kimi K3 en tête sur le code agentique, un autre désigne GLM-5.3 comme le meilleur modèle exécutable, et l’indice d’Artificial Analysis classe MiMo-V2.6-Pro premier. Choisissez selon votre usage et votre licence.

Quel LLM open source pour coder ?

GLM-5.3 pour le code agentique de longue durée, DeepSeek V4 pour le rapport qualité-prix, et Qwen3.8-27B si vous voulez rester sur une seule machine.

Peut-on utiliser ces modèles gratuitement ?

Les poids sont gratuits à télécharger. Ce qui coûte, c’est la puissance de calcul. Les applications officielles de plusieurs modèles proposent aussi des offres gratuites limitées.

Open source ou open weight : quelle différence ?

Un modèle open weight publie ses paramètres. Un modèle réellement open source publie aussi ses données d’entraînement et son code. Presque tous les modèles de cette liste sont open weight.

Quel LLM local pour un ordinateur de bureau ?

Un modèle de 27 à 31 milliards de paramètres quantifié en 4 bits (Qwen3.8-27B, Gemma 4 31B) demande environ 16 à 20 Go de mémoire vidéo. Gemma 4 12B convient à une machine plus modeste.

Conclusion

L’IA ouverte n’a jamais été aussi proche des modèles propriétaires, mais le choix est plus subtil qu’un classement. Retenez trois réflexes : lisez la licence, testez sur vos tâches, et comparez le coût API et le coût d’hébergement avant d’investir dans du matériel.

Restez à la pointe de l’intelligence artificielle avec IZEMX !

L’intelligence artificielle évolue chaque jour. Nouveaux modèles IA, innovations technologiques, automatisation et tendances digitales : ne manquez aucune avancée qui pourrait transformer votre entreprise.

Retrouvez toute l’actualité de l’intelligence artificielle sur le blog IZEMX : analyses, comparatifs, conseils pratiques et décryptages des dernières innovations.

👉 Explorez le blog IZEMX et gardez une longueur d’avance sur l’IA !