C’est quoi un modèle IA « à poids ouverts » ? La vraie différence, expliquée via DeepSeek et Kimi

Dans nos précédents articles, on a employé l’expression « poids ouverts » (open-weight) presque comme une évidence, en la présentant comme synonyme de « gratuit » et « open source ». Sauf que ces trois mots ne racontent pas exactement la même histoire, et la nuance a son importance si vous envisagez un jour d’utiliser, de modifier ou même simplement de faire confiance à l’un de ces modèles. Alors cette semaine, on prend dix minutes pour clarifier ce vocabulaire une bonne fois pour toutes, en s’appuyant sur des exemples bien concrets plutôt que sur des définitions abstraites.

🎚️ Trois catégories, pas deux

La plupart des gens pensent en binaire : soit un modèle d’IA est « fermé » (comme ChatGPT ou Claude), soit il est « ouvert » (comme DeepSeek ou Kimi). En réalité, il existe une troisième catégorie intermédiaire, largement plus fréquente qu’on ne le croit, qui explique pourquoi le terme « open source » est si souvent mal employé y compris, on l’admet volontiers, dans nos propres articles passés.

🔵 Lexique express Modèle propriétaire (closed-source) : le code, les données d’entraînement et les paramètres internes du modèle restent secrets. Vous n’accédez au modèle qu’à travers une interface ou une API contrôlée par l’entreprise, généralement payante. C’est le cas de ChatGPT, Claude ou Gemini. Modèle à poids ouverts (open-weight) : l’entreprise publie les « poids » du modèle, c’est-à-dire les millions de paramètres numériques ajustés pendant l’entraînement, l’équivalent des connexions neuronales apprises, que vous pouvez télécharger et faire tourner vous-même. En revanche, le code d’entraînement, la méthodologie complète et surtout les données utilisées pour entraîner le modèle restent le plus souvent non divulgués. Modèle open source (au sens strict) : en plus des poids, l’entreprise publie le code d’entraînement complet et des informations suffisantes sur les données utilisées pour permettre à quiconque de reconstruire et d’auditer le modèle depuis zéro, sous une licence reconnue par l’Open Source Initiative (OSI), l’organisme de référence qui définit ce terme depuis les années 1990.

Autrement dit : « poids ouverts » signifie qu’on vous donne le gâteau déjà cuit, prêt à déguster. « Open source », au sens strict, signifie qu’on vous donne aussi la recette complète, la liste précise des ingrédients, et la méthode pas à pas pour recuire ce même gâteau vous-même depuis le début. Ce n’est pas du tout la même promesse, même si les deux termes se ressemblent et sont trop souvent confondus dans le langage courant, y compris par des entreprises qui ont tout intérêt à entretenir la confusion pour se parer d’une image plus vertueuse.

🐋 Le cas DeepSeek V4 : un des rares modèles réellement proches de l’open source

DeepSeek publie ses modèles récents, y compris V4, sous licence MIT, l’une des licences les plus permissives et les plus anciennes du monde du logiciel libre, reconnue sans ambiguïté par l’Open Source Initiative. Cette licence autorise l’utilisation, la modification et même la redistribution commerciale du modèle sans quasiment aucune restriction. C’est un geste rare et notable dans le paysage actuel de l’IA, où la plupart des acteurs choisissent des licences bien plus contraignantes.

Nuance importante malgré tout : même sous une licence aussi ouverte, DeepSeek ne publie pas le détail complet de ses données d’entraînement ni l’intégralité de sa méthodologie de recherche. Le modèle reste donc, techniquement, plus proche d’un « open-weight à licence très permissive » que d’un « open source » au sens strict et complet défini par l’OSI, qui exige des informations suffisantes sur les données pour permettre une reconstruction indépendante du modèle.

🌙 Le cas Kimi K3 : poids ouverts, mais licence plus stricte

Contrairement à la génération précédente Kimi K2, publiée sous une licence MIT modifiée qui ajoutait simplement une obligation d’attribution au-delà d’un certain seuil d’usage, Kimi K3 est distribué sous une licence personnalisée, plus stricte, dont les conditions précises méritent d’être lues attentivement avant tout usage commercial à grande échelle. Comme pour DeepSeek, les données d’entraînement complètes ne sont pas publiées : seuls les poids du modèle le sont.

C’est là toute la subtilité : deux modèles peuvent tous les deux être qualifiés d’« open-weight », tout en offrant des libertés d’usage très différentes selon la licence précise qui les accompagne. Avant d’intégrer un modèle à poids ouverts dans un projet, surtout commercial, la lecture attentive de sa licence n’est donc jamais une perte de temps.

😬 Pourquoi presque aucun modèle n’est « vraiment » open source

Le cas le plus révélateur reste sans doute celui de Llama, la célèbre famille de modèles de Meta. L’entreprise qualifie elle-même Llama d’« open source » dans sa communication, mais l’Open Source Initiative et la Free Software Foundation contestent toutes deux cette appellation : la licence de Llama impose en effet à toute entreprise dépassant 700 millions d’utilisateurs actifs mensuels de demander une autorisation explicite à Meta, que l’entreprise reste libre de refuser. Cette restriction suffit, selon la définition stricte de l’open source, à exclure Llama de cette catégorie malgré le nom que lui donne son propre éditeur.

🔴 Ce qu’on appelle parfois « l’open-washing » : Ce phénomène, où une entreprise utilise le vocabulaire de l’ouverture et de la transparence à des fins essentiellement marketing, sans en respecter toutes les conditions strictes, porte un nom dans l’industrie : l’open-washing (un clin d’œil au greenwashing utilisé dans l’écologie). Cela ne signifie pas que ces modèles n’ont aucune valeur ou aucune utilité réelle, bien au contraire, mais simplement qu’il faut lire les conditions précises plutôt que de se fier uniquement à l’étiquette affichée.

📊 Comparatif rapide

Modèle	Poids publiés ?	Code d’entraînement publié ?	Licence	Catégorie réelle
ChatGPT / Claude / Gemini	Non	Non	Propriétaire	Fermé (closed-source)
DeepSeek V4	Oui	Non	MIT (très permissive)	Open-weight, proche de l’open source
Kimi K3	Oui	Non	Licence personnalisée stricte	Open-weight
Llama (Meta)	Oui	Non (inférence seulement)	Licence communautaire restrictive	Open-weight (malgré le nom marketing)

💡 Pourquoi cette distinction compte vraiment pour vous

• Si vous êtes développeur ou entrepreneur : un modèle open-weight sous licence permissive comme DeepSeek V4 vous permet d’héberger votre propre instance, de la personnaliser, et de l’intégrer commercialement sans payer de redevance mais vérifiez toujours les conditions précises avant de vous lancer.
• Si la transparence totale vous préoccupe : l’absence de publication des données d’entraînement complètes signifie qu’il reste difficile de vérifier entièrement d’où proviennent les connaissances du modèle, ou de reproduire son entraînement depuis zéro pour l’auditer en toute indépendance même pour les modèles les plus ouverts du marché.
• Pour lire l’actualité IA avec plus de recul : gardez ce triangle en tête : propriétaire, open-weight, open source ne désignent pas trois degrés d’une même échelle, mais trois promesses différentes, avec chacune ses propres compromis entre contrôle, transparence et facilité d’usage.

🟡 Mon avis sur la question Ce qui me semble le plus sain dans ce débat, ce n’est pas de réclamer que tout le monde publie tout, y compris des données d’entraînement massives et complexes à distribuer proprement, mais d’exiger simplement de la clarté sur ce qui est réellement publié et sous quelles conditions. Un modèle « open-weight sous licence MIT » comme DeepSeek V4 apporte déjà énormément de valeur au monde du développement indépendant, même sans cocher toutes les cases de la définition la plus stricte de l’open source. Le vrai problème n’est pas l’ouverture partielle en elle-même, mais le flou entretenu volontairement autour du mot « open source » à des fins d’image de marque.

La prochaine fois que vous lirez qu’un modèle d’IA est « open source », prenez le réflexe de vous demander : poids seulement, ou aussi le code et les données ? Et sous quelle licence exactement ? Cette simple habitude vous évitera bien des désillusions, notamment si vous envisagez d’intégrer l’un de ces modèles dans un projet commercial. DeepSeek V4 mérite aujourd’hui, à mon sens, d’être cité en exemple pour sa licence MIT réellement généreuse, tandis que Kimi K3, malgré ses chiffres impressionnants, illustre bien qu’« open-weight » ne garantit jamais, à lui seul, une liberté d’usage totale.