Poids ouverts

open weights

Un modèle à poids ouverts (open weights) est un modèle d’IA dont les paramètres entraînés sont publiés et téléchargeables, ce qui permet à chacun de l’exécuter, de l’étudier et de l’adapter sur ses propres machines.

Lecture : 3 minutes
Mis à jour le 8 octobre 2026
4 sources

En clair

Il existe deux façons d’accéder à un modèle. Dans la première, il reste chez son fabricant : vous lui envoyez vos questions par Internet et recevez les réponses, sans jamais voir le modèle. Dans la seconde, le fabricant publie le fichier qui contient le modèle, ses « poids ». Vous le téléchargez et le faites tourner où vous voulez, y compris sur une machine coupée du réseau.

Une image aide à situer le terme. Un modèle fermé, c’est un plat servi au restaurant. Un modèle à poids ouverts, c’est le même plat à emporter : vous le réchauffez chez vous et pouvez l’assaisonner à votre goût. Mais on ne vous donne pas forcément la recette ni la liste des ingrédients, c’est-à-dire les données et la méthode qui ont servi à le fabriquer.

C’est toute la différence avec un logiciel libre au sens strict. Et « ouvert » ne veut pas dire « sans conditions » : chaque modèle est accompagné d’une licence, qui peut autoriser tous les usages ou en restreindre certains, par exemple l’usage commercial. Il faut donc la lire attentivement avant tout déploiement dans l’entreprise.

Un exemple

Un hôpital veut résumer des comptes rendus médicaux, mais ne peut pas envoyer ces données à un prestataire extérieur. Il télécharge un modèle à poids ouverts, l’installe sur des serveurs situés dans ses murs et l’affine sur des comptes rendus anonymisés. Aucune donnée ne quitte l’établissement.

En contrepartie, l’hôpital prend tout à sa charge : les GPU, l’installation, la sécurité, les mises à jour et l’évaluation de la qualité. Il a vérifié au préalable que la licence du modèle autorisait cet usage.

Niveau technique

Comment ça marche

Publier les poids, c’est diffuser les fichiers contenant les paramètres entraînés du modèle, en général accompagnés du code nécessaire pour l’exécuter. Les licences varient. Mistral 7B, en 2023, est publié sous licence Apache 2.0, une licence de logiciel libre qui autorise l’usage commercial et la modification ¹. D’autres modèles sont diffusés sous des licences propres à leur éditeur, assorties de restrictions d’usage.

Poids ouverts ne signifie pas open source. La définition publiée par l’Open Source Initiative, en version 1.0, exige trois éléments : les paramètres, le code complet d’entraînement et d’exécution, et une information suffisamment détaillée sur les données d’entraînement pour qu’une personne compétente puisse construire un système équivalent ². Un modèle dont seuls les poids sont publiés ne remplit que la première condition.

Le droit s’en est saisi. Le règlement européen sur l’IA dispense d’une partie des obligations de documentation les modèles à usage général publiés sous licence libre et ouverte, dont les poids, l’architecture et les informations d’utilisation sont publics, sauf s’ils présentent un risque systémique ³. Aux États-Unis, l’agence NTIA a consacré en 2024 un rapport aux bénéfices et aux risques de la diffusion publique des poids ⁴. Une fois les poids diffusés, leur éditeur ne peut plus les retirer ni contrôler ce qui en est fait.

Ce que ça change pour une entreprise

Les poids ouverts apportent la maîtrise : les données restent dans l’entreprise, le modèle ne change pas sans prévenir, il peut être affiné librement, et il n’y a ni facturation au token ni dépendance à un seul fournisseur. C’est un choix fréquent dans les secteurs soumis à de fortes contraintes de confidentialité ou de souveraineté.

Cette maîtrise se paie. Il faut des GPU, achetés ou loués, et une équipe capable d’installer, de sécuriser et de surveiller le modèle. Le coût devient fixe au lieu d’être proportionnel à l’usage, ce qui n’est rentable qu’à partir d’un certain volume. La licence doit être examinée par un juriste. Et la responsabilité des garde-fous revient entièrement à l’entreprise qui déploie.

Idées reçues

« Poids ouverts et open source, c’est pareil. »
L’open source suppose aussi le code d’entraînement et une information détaillée sur les données. Avec les seuls poids, on peut utiliser le modèle, pas le reconstruire.
« Un modèle à poids ouverts est gratuit. »
Le téléchargement l’est souvent. Le matériel, l’électricité et les personnes nécessaires pour l’exploiter ne le sont pas.
« Ouvert veut dire transparent. »
Disposer des poids ne dit pas pourquoi le modèle répond ce qu’il répond. Des milliards de nombres ne se lisent pas comme du code.

Sources

Voir aussi

Paramètres poids du modèle
Les réglages internes d’un modèle : des milliards de nombres ajustés pendant l’entraînement. C’est dans ces nombres, et nulle part ailleurs, qu’est enregistré ce que le modèle a appris.
Le détail technique
Poids et biais d’un réseau de neurones, fixés par l’entraînement. Leur nombre mesure la taille du modèle et détermine la mémoire nécessaire pour l’exécuter.
Sources : Krizhevsky, Sutskever et Hinton, « ImageNet Classification with Deep Convolutional Neural Networks », NeurIPS, 2012 · Vaswani et al., « Attention Is All You Need », 2017 · Devlin et al., « BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding », 2018 · Brown et al., « Language Models are Few-Shot Learners », 2020 · Jacob et al., « Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference », 2017 · Ouyang et al., « Training language models to follow instructions with human feedback », 2022 · Carlini et al., « Extracting Training Data from Large Language Models », 2020
Lire l’article
Entraînement et mesure
Affinage fine-tuning
Reprendre un modèle déjà entraîné et le spécialiser avec ses propres exemples, pour un ton, un métier ou un format précis. Le modèle est modifié durablement, à la différence d’une simple consigne.
Le détail technique
Poursuite de l’entraînement d’un modèle pré-entraîné sur un jeu de données ciblé, en ajustant tout ou partie des poids, par exemple au moyen d’adaptateurs LoRA.
Sources : Howard et Ruder, « Universal Language Model Fine-tuning for Text Classification », 2018 · Devlin et al., « BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding », 2018 · Hu et al., « LoRA: Low-Rank Adaptation of Large Language Models », 2021 · Ouyang et al., « Training language models to follow instructions with human feedback », 2022 · OpenAI, « Model optimization », documentation officielle
Lire l’article
Inférence
Le moment où un modèle déjà entraîné est utilisé : on lui envoie une demande, il calcule une réponse. C’est l’usage quotidien, par opposition à l’entraînement, qui a lieu en amont.
Le détail technique
Exécution d’un modèle aux poids figés sur une nouvelle entrée. Pour un modèle de langage, la sortie est produite token par token ; le coût dépend du nombre de tokens lus et écrits.
Sources : Vaswani et al., « Attention Is All You Need », 2017 · Anthropic, « Pricing », documentation officielle de la plateforme Claude · Jacob et al., « Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference », 2017 · Pope et al., « Efficiently Scaling Transformer Inference », 2022
Lire l’article
AI Act règlement européen sur l’IA
Le règlement européen sur l’IA. Il classe les usages selon leur niveau de risque et impose des obligations en conséquence, jusqu’à l’interdiction de certaines pratiques.
Le détail technique
Règlement (UE) 2024/1689, en vigueur depuis le 1er août 2024 et appliqué par étapes. Le règlement (UE) 2026/1744 a reporté les obligations des systèmes à haut risque à décembre 2027 et août 2028.
Sources : Règlement (UE) 2024/1689 établissant des règles harmonisées concernant l’intelligence artificielle, EUR-Lex · Règlement (UE) 2026/1744 (« omnibus IA ») modifiant le règlement (UE) 2024/1689, EUR-Lex · Commission européenne, « AI Act », page officielle de présentation et calendrier d’application · Commission européenne, « The General-Purpose AI Code of Practice », 2025
Lire l’article

En clair

Un exemple

Comment ça marche

Ce que ça change pour une entreprise

Idées reçues

Sources

Voir aussi

Paramètres poids du modèle

Affinage fine-tuning

Inférence

AI Act règlement européen sur l’IA