CroissantLLM et Lucie : les modèles 100% français en local

#Pourquoi un modèle 100% français ?

La plupart des LLM open-weights performants en 2026 viennent de Chine (Qwen, DeepSeek, GLM) ou des États-Unis (Llama, Gemma, Phi). Ils parlent souvent très bien le français — Llama 4 et Qwen3 sont d'ailleurs excellents — mais ils ont été entraînés majoritairement sur du contenu anglais et chinois, avec des biais culturels qui transparaissent : références implicites, tournures américaines mal calquées, vision politique, gestion du formel/informel approximative.

Un modèle entraîné en France répond à trois besoins distincts : qualité native sur du français soutenu, contenu culturel proche (droit, administration, littérature, médias), et souveraineté juridique au sens où les poids, les datasets et les développeurs relèvent du droit européen. Pour un cabinet d'avocats, une administration ou un projet de recherche public, c'est souvent décisif.

#Panorama des LLM français en 2026

Cinq familles dominent aujourd'hui le paysage français auto-hébergeable. Elles ne jouent pas dans la même catégorie de taille, de qualité, ni de licence.

Mistral (Mistral AI, Paris)

Le champion. Mistral 7B, Small, Magistral, Codestral. Apache 2.0 sur les modèles ouverts, contexte 128k, qualité FR au niveau des meilleurs modèles cloud.

CroissantLLM (Centrale Supélec / Illuin)

1.3B bilingue FR-EN véritablement open-source : poids, datasets, code. Pensé recherche et embarqué.

Lucie (LINAGORA / OpenLLM-France)

7B Apache 2.0, projet associatif, entraîné sur les supercalculateurs publics français (Jean Zay). Premier vrai modèle français de cette taille.

Pleias (Paris)

Famille 1B à 3B entraînée exclusivement sur des données ouvertes (Common Corpus). Conformité radicale, parfait pour le secteur public.

Croco / CroissantCool / dérivés

Fine-tunes communautaires sur instruction française. Souvent à partir de Mistral ou CroissantLLM, hébergés sur Hugging Face.

À côté, certains modèles non français se distinguent en FR : Llama 4 (Meta), Qwen3 (Alibaba), Gemma 3 (Google). On les remet en perspective plus bas dans les benchmarks.

#CroissantLLM : 1.3B bilingue, intégralement ouvert

CroissantLLM est né d'une collaboration entre CentraleSupélec, Illuin Technology, Inria et l'INRIA Paris. C'est un modèle de 1.3 milliard de paramètres entraîné sur environ 3 trillions de tokens à parts égales français et anglais. Petit, certes, mais sa singularité tient à sa transparence totale : poids, datasets, recettes d'entraînement, scripts d'évaluation, tout est publié.

Taille

1.3B paramètres, ~800 Mo en Q4. Tourne sur CPU, smartphone récent, Raspberry Pi 5.

Langues

Bilingue FR-EN équilibré (1:1 dans l'entraînement).

Licence

MIT, usage commercial autorisé sans restriction.

Variantes

CroissantLLMBase (pré-entraîné), CroissantLLMChat (instruction-tuné), CroissantCool (RLHF communautaire).

Usage

Embarqué, edge, recherche, fine-tune local. Pas un assistant généraliste à mettre face à GPT-5.

ollama run croissantllm/CroissantLLMChat-v0.1-GGUF:Q4_K_M

>>> Explique-moi la différence entre une SARL et une SAS en 4 lignes.

#Lucie : le pari open-source français

Lucie est le projet phare de LINAGORA, en partenariat avec OpenLLM-France et plusieurs labos publics. Présenté début 2025, c'est un modèle de 7 milliards de paramètres entraîné sur le supercalculateur Jean Zay du CNRS-IDRIS, sur un corpus mêlant français, anglais, allemand, espagnol, italien et code, avec une forte pondération francophone.

Taille

7B paramètres, ~4.5 Go en Q4_K_M, ~5.5 Go en Q5_K_M.

VRAM

5 Go minimum en Q4. Tourne sur RTX 3060 12 Go sans transpirer, ou Mac M-series 16 Go unifié.

Licence

Apache 2.0, donc commerciale et redistribuable.

Contexte

32k tokens en version chat (Lucie-7B-Instruct).

Souveraineté

Poids hébergés sur HuggingFace, mais code et données accessibles. Possibilité de miroir auto-hébergé pour les administrations.

Ce qui frappe à l'usage : Lucie tient un français très propre, sans le "calque anglais" qu'on devine encore chez Llama 4 sur les tournures littéraires. Elle est en revanche un cran en dessous de Mistral 7B sur le code et le raisonnement mathématique.

ollama pull OpenLLM-France/Lucie-7B-Instruct-gguf:Q4_K_M
ollama run OpenLLM-France/Lucie-7B-Instruct-gguf:Q4_K_M

#Pleias : la conformité radicale par les données

Pleias prend un parti rare : n'entraîner ses modèles que sur du Common Corpus — un dataset public, traçable, sans contenu sous copyright. Résultat, des modèles 1B et 3B qu'une administration peut adopter sans frémir sur les questions de propriété intellectuelle, mais qui restent modestes en capacités face aux grands modèles entraînés sur tout le web.

Tailles

Pleias-1B et Pleias-3B (versions Pico, Nano). RAG-friendly.

Spécialité

Bons en tâches RAG, classification, extraction structurée. Faibles en chat libre.

Argument

Aucun entraînement sur données protégées par le droit d'auteur. Audit de la chaîne d'approvisionnement possible.

Cas d'usage type

Synthèse de documents publics, traitement de demandes administratives, classification de courriers.

Pleias n'est pas un assistant conversationnel, c'est un outil d'extraction et de structuration. Pour un acteur public soumis à l'AI Act et à une chaîne de redevabilité stricte, c'est probablement le seul modèle français qui répond à toutes les exigences sans concession.

#Mistral : la référence française

Inutile d'allonger : Mistral reste le leader français open-weights. Mistral 7B Instruct (Apache 2.0) reste un excellent choix par défaut pour démarrer en FR. Mistral Small 24B est probablement le meilleur modèle FR auto-hébergeable en 2026 sur du matériel d'enthousiaste. Mistral Magistral apporte le raisonnement (chaîne de pensée) en français, sujet d'un guide dédié sur le site.

Mistral 7B Instruct v0.3

4.5 Go en Q4, Apache 2.0. Le "hello world" du LLM français.

Mistral Small 24B

~14 Go en Q4. RTX 4090 ou MacBook Pro M3/M4 64 Go. Sans doute le meilleur compromis FR/qualité.

Mistral Magistral 24B

Raisonnement chaîne de pensée en français.

Codestral

Spécialisé code, licence non commerciale pour la version récente.

#Tests qualité FR vs Llama 4 et Qwen3

Voici une grille de lecture qualitative, sur les usages typiques d'un utilisateur francophone (rédaction soutenue, synthèse de PDF, questions juridiques générales, code). Tests menés à température 0.3, contexte 8k, Q4_K_M, prompts identiques.

Mistral Small 24B (FR)

Excellent en rédaction, registre soutenu maîtrisé, fautes d'accord rares. Très bon code. Référence FR.

Llama 4 Scout 17B (US)

Excellent multilingue, FR au-dessus des attentes. Quelques calques anglais en littéraire. Très bon code.

Qwen3 30B-A3B (CN)

Très bon FR formel, parfois maladroit en familier. Code au niveau de Mistral. Raisonnement supérieur.

Lucie 7B (FR)

Français propre, registre administratif et soutenu fluide. Code moyen. Bon pour rédaction et synthèse.

Mistral 7B Instruct (FR)

Niveau honnête, en dessous de Lucie pour la rédaction soutenue mais meilleur en code et raisonnement.

Gemma 3 12B (US)

FR correct, parfois trop scolaire. Bon RAG.

CroissantLLM 1.3B (FR)

Niveau d'un assistant léger ; ne joue pas dans la même catégorie. Excellent pour sa taille.

#Souveraineté et AI Act

L'AI Act européen entré en application en 2024-2026 impose plusieurs obligations aux fournisseurs et déployeurs de modèles d'IA générale : documentation technique, résumé des données d'entraînement, marquage des contenus générés, évaluation des risques systémiques pour les très gros modèles. Les modèles entraînés et publiés dans l'UE simplifient l'audit, mais l'AI Act ne dit pas qu'il faut un modèle français — il dit qu'il faut pouvoir documenter et expliquer le système.

Argument hébergement local

Quel que soit le modèle, le faire tourner en local règle 90 % des questions RGPD. Ce point compte plus que la nationalité du modèle.

Argument transparence

Pour un audit AI Act, un modèle dont les datasets sont publics (Pleias, CroissantLLM, Lucie) est plus facile à défendre qu'un modèle dont l'entraînement est opaque.

Argument écosystème

Soutenir Mistral, LINAGORA, Pleias, c'est consolider une filière européenne. Argument politique, mais réel pour les marchés publics.

Argument juridique

Le poids des modèles publié sous Apache 2.0 par une entité européenne réduit l'incertitude sur les transferts de données vers les US.

#Lequel choisir, selon votre cas

1. 01
   Vous débutez et voulez tester un modèle FR

   Lancez ollama run mistral. Mistral 7B Instruct, 4.5 Go, tourne partout, qualité excellente pour démarrer.
2. 02
   Vous avez 12 Go de VRAM (RTX 3060/4070)

   Lucie-7B-Instruct en Q5_K_M pour le français pur, ou Mistral 7B + RAG pour usage généraliste. Vous pouvez aussi tenter Mistral Small 24B en Q3.
3. 03
   Vous avez 24 Go (RTX 4090/3090, Mac 32+ Go)

   Mistral Small 24B en Q4_K_M est probablement le meilleur LLM FR auto-hébergeable, point. Ajoutez Lucie 7B pour des usages "pur français" rapides.
4. 04
   Vous êtes une administration ou un acteur public

   Pleias 1B/3B pour RAG documentaire (zéro risque copyright), Lucie 7B pour assistance générale, Mistral Small 24B si vous avez besoin de qualité. Évitez les modèles à licence floue.
5. 05
   Vous êtes en embarqué / edge / Raspberry Pi

   CroissantLLM 1.3B Q4. C'est le modèle FR le plus petit qui reste utilisable. Voir le guide LLM sur Raspberry Pi pour les détails.

#Pour aller plus loin

Trois pistes connexes selon votre prochaine étape : pour pousser sur le raisonnement en français, le guide dédié à Mistral Magistral détaille la chaîne de pensée FR ; pour bâtir un RAG sur vos PDF avec un de ces modèles, le guide RAG local avec Ollama sans coder couvre la stack complète ; pour cadrer la conformité côté entreprise, le guide LLM local et RGPD reprend les obligations AI Act point par point.