Meilleur LLM open-source pour la traduction multilingue

Trouver un LLM traduction open source performant sans dépendre d'une API propriétaire est devenu un enjeu concret pour les équipes qui traitent des volumes de contenus multilingues (contrats, support client, documentation technique). Contrairement à une API cloud facturée au token, un modèle open-weights hébergé localement offre un contrôle total sur les données traduites et un coût fixe indépendant du volume. Cet article passe en revue les modèles généralistes du catalogue les plus adaptés à la traduction, la configuration matérielle nécessaire, et la place des modèles spécialisés comme Aya 32B ou Madlad-400 dans ce paysage.

Pourquoi choisir un modèle open-weights pour la traduction

La traduction de documents sensibles (juridique, RH, médical) pose un problème de confidentialité dès lors que le texte transite par une API tierce. Un modèle exécuté en local via llama.cpp, vLLM ou Ollama élimine ce transit réseau : les fichiers restent sur l'infrastructure de l'entreprise. C'est le raisonnement détaillé dans notre guide sur la traduction de documents avec un LLM local et dans celui consacré au support client multilingue.

Le second avantage tient à la licence. La plupart des modèles multilingues récents du catalogue sont publiés sous Apache 2.0 ou MIT, ce qui autorise un usage commercial sans redevance — un point à vérifier systématiquement avant un déploiement en production.

Modèles généralistes multilingues à privilégier

Les grands modèles mixture-of-experts publiés en 2025-2026 couvrent en général plusieurs dizaines de langues nativement, grâce à des corpus d'entraînement massivement multilingues. Parmi les options du catalogue :

• Qwen 3.5 397B-A17B — 397B paramètres, licence Apache 2.0, VRAM Q4 estimée à ~240 GB, contexte 262 000 tokens. Alibaba entraîne sa famille Qwen sur un corpus fortement multilingue incluant de nombreuses paires de langues asiatiques et européennes (fiche modèle, Alibaba sur Hugging Face).
• Mistral Large 3 675B — 675B paramètres, Apache 2.0, VRAM Q4 ~405 GB, contexte 256 000 tokens. Mistral AI met l'accent sur les langues européennes dès la conception de ses modèles (fiche modèle, Mistral AI sur Hugging Face).
• GLM 5.3 Flash 320B-A18B — 320B paramètres, licence MIT, VRAM Q4 ~186 GB, contexte 128 000 tokens, une option plus légère à déployer que les modèles au-dessus de 400B (fiche modèle, Zhipu AI sur Hugging Face).
• DeepSeek V3.2 — 685B paramètres, licence MIT, VRAM Q4 ~410 GB, contexte 128 000 tokens (fiche modèle, DeepSeek sur Hugging Face).
• Mistral Small 4 — 119B paramètres, Apache 2.0, VRAM Q4 ~72 GB, contexte 256 000 tokens : la meilleure option de ce comparatif pour une machine mono-GPU 80 GB ou un Mac unifié (fiche modèle).

Pour du texte long (contrats, manuels techniques), privilégier un contexte élevé compte autant que la taille du modèle : au-delà de 100 000 tokens, le document entier tient dans une seule requête sans découpage manuel, ce qui préserve la cohérence terminologique.

Les modèles spécialisés traduction : Aya 32B et Madlad-400

En dehors des modèles généralistes du catalogue, deux familles sont spécifiquement conçues pour la traduction multilingue et reviennent souvent dans les comparatifs : Aya 32B (famille Aya Expanse de Cohere, orientée couverture de plus de 20 langues) et Madlad-400 (entraîné sur un corpus couvrant plus de 400 langues). Ces modèles ne figurent pas dans le catalogue principal de quelllm.fr et leurs spécifications exactes (VRAM par quantification, tokens/sec) sont à confirmer au cas par cas selon la variante testée.

Pour situer Aya 32B face à des généralistes comparables, voir notre comparaison Aya Expanse 32B vs Qwen 2.5 32B ainsi que la version plus légère Aya Expanse 8B vs Llama 3 8B. En pratique, un modèle spécialisé comme Aya excelle sur les langues peu dotées en données d'entraînement, tandis qu'un généraliste de grande taille comme Qwen 3.5 ou Mistral Large 3 reste plus polyvalent pour du contenu mixte (traduction + reformulation + résumé dans le même pipeline).

Configuration matérielle et quantification

Le choix de la quantification détermine directement la VRAM nécessaire :

• Q4 : c'est le niveau de référence utilisé pour les chiffres de ce catalogue — environ 0,58 à 0,6 Go par milliard de paramètres pour les architectures MoE récentes.
• Q8 : environ le double de la VRAM Q4 (estimé), avec une perte de qualité de traduction généralement négligeable.
• FP16 : environ quatre fois la VRAM Q4 (estimé), réservé aux déploiements disposant de plusieurs GPU haut de gamme.

Pour un poste de travail avec un seul GPU 24 GB ou 32 GB, seuls les modèles compacts comme Mistral Small 4 en quantification Q4 restent accessibles ; les modèles au-delà de 200B nécessitent un cluster ou une machine Mac à mémoire unifiée élevée. Notre guide multilingue européen et notre sélection de modèles francophones détaillent les arbitrages VRAM/qualité pour des configurations plus modestes.

Le débit en tokens/sec varie fortement selon le GPU, la longueur du contexte et la charge concurrente ; sans mesure sur le matériel cible, ce chiffre reste à confirmer plutôt qu'estimé a priori.

Cas d'usage concrets

• Support client multilingue : un modèle comme GLM 5.3 Flash, plus léger à héberger, permet de traiter des tickets dans plusieurs langues avec une latence maîtrisée — détails dans le guide support client multilingue.
• Traduction de documents longs : Mistral Large 3 ou DeepSeek V3.2, avec leur contexte étendu, évitent le découpage de contrats ou de manuels — voir le guide traduction de documents.
• Évaluation qualité : avant un déploiement, comparer les scores multilingues des modèles candidats sur l'Open LLM Leaderboard et vérifier la documentation du modèle sur Hugging Face Hub.

FAQ

Q : Quel est le meilleur LLM open source pour la traduction en volume ?

Pour un volume important avec du matériel disponible, Qwen 3.5 397B-A17B ou Mistral Large 3 675B offrent une bonne couverture multilingue en licence Apache 2.0. Pour une infrastructure plus modeste, Mistral Small 4 (119B, VRAM Q4 ~72 GB) reste l'option la plus accessible du catalogue.

Q : Aya 32B est-il meilleur que les modèles généralistes du catalogue ?

Sur des langues peu représentées dans les corpus généralistes, Aya 32B peut surperformer. Sur des paires de langues courantes (anglais-français, anglais-chinois), les généralistes comme Qwen 3.5 ou GLM 5.3 Flash sont souvent compétitifs, avec un contexte plus long. Voir la comparaison Aya Expanse 32B vs Qwen 2.5 32B.

Q : Madlad-400 est-il adapté à un déploiement en entreprise ?

Madlad-400 vise une très large couverture linguistique (plus de 400 langues), utile pour des cas de niche. Ses spécifications précises de VRAM par quantification sont à confirmer selon la variante utilisée ; il ne figure pas dans le catalogue principal de ce comparatif.

Q : Faut-il un GPU dédié pour faire tourner un LLM de traduction localement ?

Cela dépend de la taille du modèle choisi. Un modèle compact comme Mistral Small 4 en Q4 tient sur un GPU 24-32 GB ou un Mac à mémoire unifiée suffisante. Les modèles au-delà de 300B nécessitent plusieurs GPU ou une machine à forte mémoire unifiée.

Q : Quelle licence choisir pour un usage commercial ?

Privilégier Apache 2.0 ou MIT, qui n'imposent pas de redevance ni de restriction d'usage commercial — c'est le cas de Qwen 3.5, Mistral Large 3, GLM 5.3 Flash et DeepSeek V3.2 dans ce comparatif. Vérifier systématiquement la licence exacte sur la fiche du modèle avant déploiement.

Q : Comment mesurer la qualité de traduction avant de choisir un modèle ?

Tester sur un échantillon représentatif du domaine (contrats, tickets support, documentation) plutôt que de se fier uniquement aux benchmarks génériques comme MMLU. Consulter aussi l'Open LLM Leaderboard pour une première indication de niveau général avant test métier.

Conclusion

Choisir un LLM traduction open source dépend avant tout du volume à traiter et du matériel disponible : les modèles généralistes comme Qwen 3.5, Mistral Large 3 ou GLM 5.3 Flash couvrent la majorité des cas d'usage en licence permissive, tandis que des modèles spécialisés comme Aya 32B ou Madlad-400 restent pertinents pour des langues peu dotées. Pour affiner ce choix selon votre configuration matérielle, utilisez le configurateur ou explorez l'ensemble du catalogue.