Open Weight vs Open Source pour les modèles d'IA 2026 : la vraie différence

« Open weight » décrit un modèle dont les paramètres entraînés — les poids numériques qui font fonctionner le modèle — sont publiés pour que tout le monde puisse les télécharger et les exécuter. C'est toute l'affirmation. Cela ne dit rien sur le code utilisé pour entraîner le modèle, le jeu de données sur lequel il a été entraîné, la recette d'entraînement exacte, ou si la licence associée respecte une quelconque norme externe d'ouverture.

En pratique, la plupart des versions open weight sont distribuées avec une licence personnalisée rédigée par l'éditeur plutôt qu'une licence open source standard. La Llama Community License de Meta et les Gemma Terms of Use de Google sont les deux exemples les plus courants dans les comparatifs de modèles de ce site : les deux permettent de télécharger et d'exécuter les poids, les deux autorisent l'usage commercial pour la plupart des organisations, et les deux ajoutent une condition qu'une licence open source standard n'aurait pas — Llama, un seuil d'échelle d'usage (un plafond d'utilisateurs actifs mensuels, au-delà duquel un accord séparé est requis), et Gemma, une politique d'usages interdits basée sur le comportement, ajoutée à ses propres conditions d'utilisation.

Rien de tout cela ne fait de « open weight » une étiquette mauvaise ou trompeuse — c'est une description exacte de ce qui est réellement publié. Le problème apparaît seulement quand « open weight » est raccourci en « open source » dans un langage informel, car les deux étiquettes répondent à des questions différentes : open weight répond à « puis-je télécharger et exécuter ce fichier ? », et open source (au sens strict ci-dessous) répond à « la licence elle-même respecte-t-elle une norme d'ouverture externe sans piège lié à l'échelle d'usage ou au champ d'application ? ».

Un modèle n'est « open source » au sens strict que si sa licence est approuvée par l'Open Source Initiative (OSI) — l'organisation qui maintient l'Open Source Definition. Cette définition interdit spécifiquement les licences qui discriminent selon le champ d'activité (par exemple « libre pour la recherche, pas pour un usage commercial ») ou selon des groupes de personnes, et elle interdit les restrictions liées à la taille de l'entreprise du licencié. Un plafond basé sur l'usage, comme un seuil d'utilisateurs actifs mensuels, ne passe pas ce test même si les poids eux-mêmes sont librement téléchargeables — c'est exactement pourquoi Llama et Gemma, décrits ci-dessus, ne sont pas considérés comme open source approuvé par l'OSI malgré leur large disponibilité au téléchargement.

Deux licences couvrent la grande majorité des versions de LLM locaux véritablement open source : l'Apache License 2.0 et la licence MIT, toutes deux approuvées par l'OSI, toutes deux autorisant l'usage commercial, la modification et la redistribution avec seulement une obligation standard de mention et d'attribution, et aucune des deux n'imposant de seuil d'usage ou de revenu. Quand la page de licence d'une famille de modèles indique l'une de ces deux licences pour le checkpoint précis que vous consultez, ce checkpoint est open source au sens strict décrit ici.

Une nuance à connaître : l'Open Source Initiative a aussi publié une Open Source AI Definition distincte, qui va plus loin qu'une licence de code permissive et demande une réelle transparence sur les données d'entraînement et le processus d'entraînement lui-même — pas seulement un texte de licence sur les poids. Presque aucun modèle de ce comparatif n'atteint cette barre plus exigeante ; OLMo, présenté ci-dessous, en est le plus proche parmi les familles listées ici. Cette distinction dépasse ce que cet article couvre en détail, mais elle vaut la peine d'être connue si un éditeur présente un modèle comme « open source AI » et que vous voulez vérifier sur quoi repose réellement cette affirmation.

L'ouverture limitée aux poids et les versions entièrement ouvertes ne sont pas la même chose, et l'écart entre les deux porte généralement sur les données et le code d'entraînement, pas sur le texte de licence. La plupart des modèles du tableau comparatif ci-dessous sont open source au sens de la licence — les poids sont sous Apache 2.0 ou MIT —, mais le jeu de données utilisé pour l'entraînement, le mélange exact des données et le pipeline d'entraînement lui-même restent propriétaires. OLMo, de l'Allen Institute for AI, est l'exemple le plus clair de cette liste d'un modèle qui va plus loin : il publie le code d'entraînement et une part substantielle des données d'entraînement en plus des poids, sous Apache 2.0. Ce niveau d'ouverture supplémentaire est réellement rare dans le paysage actuel des LLM locaux — considérez toute affirmation d'« ouverture totale » sur une famille de modèles comme non vérifiée tant que vous ne pouvez pas pointer vers le jeu de données et le code d'entraînement réellement publiés, pas juste un badge de licence sur la fiche du modèle.

Aucune de ces structures de licence n'est identique à une autre, et plusieurs familles distribuent des licences différentes selon les checkpoints — la licence est fixée par fichier de modèle, pas par marque. Utilisez ce tableau à titre d'orientation, puis vérifiez le fichier LICENSE du checkpoint précis avant un déploiement commercial.

Si vous exécutez un modèle localement pour votre usage personnel — discuter, obtenir de l'aide au code, écrire, expérimenter — la distinction entre open weight et open source ne change presque jamais ce que vous pouvez réellement faire. Chaque modèle du tableau comparatif ci-dessus autorise l'usage personnel et local sous sa licence actuelle. Téléchargez-le, exécutez-le via Ollama ou llama.cpp, affinez-le sur votre propre machine pour vos propres besoins : la différence pratique entre « open weight » et « open source » est alors proche de zéro.

La distinction commence à compter dès l'instant où vous construisez quelque chose pour d'autres personnes. Si vous livrez un produit commercial, proposez une API hébergée ou un SaaS basé sur le modèle, redistribuez les poids (y compris une version affinée), ou approchez un seuil d'échelle défini par une licence (comme le plafond d'utilisateurs actifs mensuels de Llama ou les checkpoints plafonnés en revenus de Mistral), la catégorie de licence vous indique quoi vérifier ensuite : une licence approuvée par l'OSI comme Apache 2.0 ou MIT n'a généralement pas ce genre de piège ; une licence open weight comme celle de Llama ou de Gemma, potentiellement oui.

Ceci n'est pas un avis juridique, et aucun des résumés de licence présentés ici ne remplace la lecture du texte de licence réel associé au checkpoint précis que vous prévoyez de déployer. Pour toute décision commerciale, vérifiez la licence actuelle et consultez un avocat avant la mise en production.