Débutant 7 minConcepts

Open-weights ou open-source ? La différence qui compte

On dit « LLM open-source » à tort et à travers. Dans la quasi-totalité des cas, ces modèles sont open-weights, pas open-source : vous récupérez les poids du réseau, mais ni le code d'entraînement, ni les données. La nuance n'est pas qu'un débat de puristes — elle décide de ce que vous avez le droit de faire avec le modèle. Ce guide pose les définitions et donne une grille pour évaluer l'ouverture réelle d'un modèle avant de bâtir dessus.

Par Mohamed Meguedmi·Màj 2026-08-07·Testé sur Windows, macOS, Linux

#Le malentendu de départ

Quand on télécharge Llama, Mistral ou Qwen via Ollama, on entend partout le mot « open-source ». C'est presque toujours un abus de langage. Le terme exact est open-weights : ce que le laboratoire publie, ce sont les poids du modèle — les milliards de paramètres numériques appris pendant l'entraînement. Le reste (le code qui a servi à entraîner, le corpus de données, la recette exacte) reste le plus souvent fermé.

La confusion vient d'une analogie tentante mais fausse : on assimile les poids au « code source » du modèle. Or les poids ne sont pas du code lisible et modifiable comme le source d'un logiciel. Ce sont le résultat compilé d'un entraînement. Recevoir les poids, c'est un peu comme recevoir un binaire exécutable très puissant et reconfigurable — pas la chaîne complète qui permet de le reconstruire de zéro.

i
La phrase à retenir
Open-weights open-source, ce n'est pas la même chose. Presque tous les « LLM open-source » que vous croisez sont en réalité open-weights. Comprendre cette différence, c'est comprendre ce que vous pouvez et ne pouvez pas faire avec le modèle.

#Poids, code, données : les trois niveaux d'ouverture

Pour évaluer l'ouverture d'un modèle, il faut distinguer trois briques indépendantes. Un modèle peut ouvrir l'une, deux ou les trois. C'est la combinaison qui détermine son degré réel d'ouverture.

Les poids (weights)
Les paramètres numériques du réseau, distribués en fichiers (souvent au format GGUF ou safetensors). Avec eux, vous pouvez exécuter le modèle, le quantizer, le fine-tuner. C'est le niveau le plus fréquemment ouvert.
Le code d'entraînement
Les scripts, l'architecture détaillée, les hyperparamètres, la recette de pré-entraînement et d'alignement. Sans lui, vous ne pouvez pas reproduire le modèle — seulement l'utiliser tel quel.
Les données d'entraînement
Le corpus sur lequel le modèle a appris. Presque jamais publié, pour des raisons juridiques (droits d'auteur), concurrentielles et pratiques (téraoctets de texte).

Un vrai logiciel open-source livre l'équivalent des trois : vous pouvez lire, modifier et recompiler. Un LLM open-weights n'ouvre en général que la première brique. C'est utile, souvent suffisant pour l'auto-hébergement — mais ce n'est pas de l'open-source au sens strict.

→
Le test de reproductibilité
La question qui tranche : « Avec ce qui est publié, puis-je reconstruire le modèle de zéro ? » Si la réponse est non parce qu'il manque le code ou les données, alors ce n'est pas open-source, quel que soit le vocabulaire marketing employé.

#Ce qu'est vraiment open-weight, et ce que ça permet

Un modèle open-weights vous donne accès aux poids, généralement sous une licence qui autorise l'usage local, la modification et souvent l'usage commercial. Dans la pratique de l'auto-hébergement, c'est précisément ce dont vous avez besoin au quotidien.

Exécuter en local
Charger le modèle dans Ollama, LM Studio ou llama.cpp et le faire tourner sur votre machine, hors-ligne, sans envoyer vos données ailleurs.
Quantizer
Réduire l'empreinte mémoire (Q4_K_M, Q5_K_M, Q8_0…) pour faire tenir un gros modèle sur votre GPU. Un 14B en Q4 tient dans ~9 Go de VRAM.
Fine-tuner
Adapter le modèle à votre domaine avec vos propres exemples (LoRA, QLoRA). Vous partez des poids publiés comme base.
Redistribuer
Selon la licence, republier une version modifiée — c'est ce qui alimente les milliers de variantes communautaires sur Hugging Face.

Concrètement, quand vous lancez un modèle avec Ollama, vous exploitez des poids open-weights. Le daemon écoute sur http://localhost:11434 et sert un modèle dont vous ne connaissez ni le code d'entraînement ni les données — et pour un usage local, ça n'a aucune importance.

Terminal
# Télécharger et exécuter des poids open-weights en local
ollama run mistral

# Inspecter la licence embarquée dans le modèle
ollama show mistral --license
i
Vérifier la licence avant de bâtir dessus
La commande ollama show <modèle> --license affiche le texte de licence fourni avec les poids. Prenez l'habitude de la lire avant tout projet sérieux : c'est elle qui fixe vos droits réels, pas la réputation « ouverte » du modèle.

#Pourquoi Llama n'est pas open-source au sens strict

Llama de Meta est l'exemple type du modèle qu'on appelle « open-source » alors qu'il ne l'est pas. Meta publie les poids sous une licence maison, la Llama Community License, qui n'est ni l'Apache 2.0 ni la MIT. Deux points la disqualifient au regard de la définition classique de l'open-source.

Une clause de seuil commercial
La licence impose des conditions particulières au-delà d'un très grand nombre d'utilisateurs actifs mensuels. Une vraie licence open-source ne discrimine personne selon la taille ou l'usage (critère de non-discrimination).
Des restrictions d'usage
La politique d'usage acceptable interdit certains cas. L'open-source classique n'autorise pas de restreindre les domaines d'application (« pas de discrimination sur les finalités »).
Ni code ni données
Meta ne publie ni le code d'entraînement complet ni le corpus. Impossible de reproduire Llama à partir de ce qui est distribué.

L'Open Source Initiative, qui maintient la définition de référence de l'open-source, considère que ce type de licence ne remplit pas les critères. Llama est donc, rigoureusement, un modèle open-weights à licence permissive-mais-restreinte — pas un modèle open-source. Le même raisonnement vaut pour beaucoup de modèles à licence « communautaire » maison.

!
Le piège des licences maison
Une licence baptisée « community » ou « research » n'est pas open-source par défaut. Certaines interdisent l'usage commercial, d'autres l'entraînement de modèles concurrents. Ne présumez jamais des droits : lisez la licence propre au modèle que vous utilisez.

#Les modèles réellement open-source

La bonne nouvelle : il existe des modèles qui méritent l'étiquette. Deux familles se distinguent selon le degré d'ouverture.

#Poids sous licence OSI-approuvée

Beaucoup de modèles publient leurs poids sous Apache 2.0 ou MIT — des licences reconnues open-source, sans restriction d'usage ni de finalité. C'est le cas de plusieurs modèles Mistral (comme Mistral 7B) et de la famille Qwen sur ses versions sous Apache 2.0. Vous pouvez les utiliser commercialement, les modifier et les redistribuer librement. Attention toutefois : une licence Apache sur les poids ne signifie pas que les données ou le code d'entraînement sont publiés.

#Ouverture complète : poids + code + données

Un cran au-dessus, quelques projets publient tout : poids, code d'entraînement et données. Des initiatives comme OLMo (Allen Institute for AI) ou la famille Pythia (EleutherAI) visent explicitement la reproductibilité totale. Ce sont les seuls véritablement open-source au sens plein — mais ils sont rares, et pas toujours au niveau des meilleurs modèles open-weights sur la qualité brute.

→
Ouverture n'est pas qualité
Le modèle le plus ouvert n'est pas forcément le plus performant. Les meilleurs modèles pour l'usage local sont souvent open-weights (licence restreinte) plutôt que pleinement open-source. Choisissez selon votre besoin réel : performance, liberté juridique, ou reproductibilité.

#Une grille de lecture pour évaluer l'ouverture

Face à un nouveau modèle, posez-vous ces questions dans l'ordre. Elles font passer du slogan marketing à une évaluation concrète de ce que vous pourrez en faire.

  1. 01
    Les poids sont-ils publics ?
    Peut-on les télécharger sans accord commercial ni file d'attente ? Si oui, c'est au minimum open-weights. Si non (accès API uniquement), le modèle est fermé, quel que soit le discours.
  2. 02
    Sous quelle licence ?
    Apache 2.0 ou MIT = permissif et open-source côté poids. Licence « community/research » maison = lire attentivement les restrictions (seuil d'utilisateurs, usage commercial, entraînement de concurrents).
  3. 03
    L'usage commercial est-il autorisé ?
    Point décisif si vous bâtissez un produit. Certaines licences l'interdisent purement, d'autres le limitent au-delà d'un seuil.
  4. 04
    Le code d'entraînement est-il publié ?
    S'il l'est, vous pouvez comprendre et reproduire la recette. Rare hors des projets à visée académique.
  5. 05
    Les données sont-elles documentées ?
    Corpus publié ou au moins décrit ? C'est le dernier palier vers l'open-source complet, et le plus rarement franchi.

Un modèle qui répond « oui » aux deux premières questions couvre déjà l'immense majorité des besoins d'auto-hébergement. Les trois dernières questions comptent surtout pour la recherche, l'audit et les exigences de conformité les plus strictes.

Fermé
Poids inaccessibles, API uniquement. Exemples types : les modèles propriétaires cloud.
Open-weights restreint
Poids publics, licence maison avec restrictions. Exemple : Llama sous Community License.
Open-weights permissif
Poids publics sous Apache 2.0 / MIT. Exemples : Mistral 7B, plusieurs Qwen.
Open-source complet
Poids + code + données publiés et reproductibles. Exemples : OLMo, Pythia.

#Ce que ça change concrètement pour vous

La distinction n'est pas théorique. Selon votre situation, elle a des conséquences pratiques directes.

Vous auto-hébergez pour votre usage perso
La nuance vous concerne peu. Open-weights suffit largement : vous exécutez, vous quantizez, vos données restent chez vous. Choisissez sur la performance et la taille adaptée à votre GPU.
Vous bâtissez un produit commercial
La licence devient critique. Vérifiez que l'usage commercial est autorisé et qu'aucun seuil ne vous piège. Privilégiez Apache 2.0 / MIT pour dormir tranquille.
Vous devez auditer ou prouver la conformité
Vous avez besoin du code et idéalement des données. Seuls les modèles pleinement open-source (OLMo, Pythia) permettent une vraie traçabilité de bout en bout.
Vous voulez fine-tuner et redistribuer
Vérifiez que la licence autorise les œuvres dérivées et leur redistribution. La plupart des permissives le permettent ; certaines licences maison l'encadrent.
i
En résumé
Pour faire tourner un LLM chez soi, open-weights est presque toujours suffisant et c'est ce que vous utilisez déjà. Le mot « open-source » ne devient un vrai enjeu qu'au moment où la licence ou la reproductibilité conditionne votre projet — produit commercial, audit, recherche.

#Pour aller plus loin

Une fois la question de l'ouverture clarifiée, ces guides vous aident à passer à la pratique de l'auto-hébergement :

Ollama c'est quoi et comment ça marche
Le point de départ pour télécharger et exécuter des poids open-weights en local, avec les commandes de base (run, pull, list).
Choisir sa quantification (Q4, Q5, Q8, FP16)
Une fois vos poids récupérés, la quantification décide de leur empreinte mémoire sur votre carte.
Faire tourner un LLM en local sans GPU (CPU only)
Si vous n'avez pas de carte graphique dédiée, comment exploiter quand même des modèles open-weights sur CPU.
Ce guide vous a aidé ?

Un retour, une erreur, une précision ? Faites-nous signe, ça améliore le guide pour tout le monde.