Le lundi 27 janvier 2025, à la clôture de Wall Street, l'action Nvidia a perdu près de 17 % en une séance. 589 milliards de dollars de capitalisation effacés : jamais une entreprise n'avait perdu autant en un jour sur le marché américain. Depuis le week-end, l'application d'une société chinoise, DeepSeek, est passée devant ChatGPT en tête des téléchargements gratuits de l'App Store aux États-Unis.

La cause désignée est un dépôt public. Une semaine plus tôt, le 20 janvier, DeepSeek, entreprise de Hangzhou financée par le fonds spéculatif High-Flyer et dirigée par Liang Wenfeng, a mis en ligne les poids de son modèle de raisonnement R1. À côté des fichiers, un texte de moins de deux cents mots : la licence MIT. Elle autorise quiconque à utiliser, modifier, distribuer et vendre, sans rien demander.

Un fichier de nombres, pas une recette

Un modèle de langage, une fois entraîné, se résume à une immense liste de nombres : les poids. R1 est construit sur DeepSeek-V3, qui en compte 671 milliards, dont 37 milliards seulement servent pour chaque fragment de texte traité. Publier les poids, c'est livrer le plat cuisiné. On peut le servir et l'assaisonner autrement, sans savoir ce qu'il y avait dans le panier ni comment on l'a cuit.

Le 22 janvier, le papier arrive sur arXiv. Il annonce des performances « comparables à OpenAI-o1-1217 » en raisonnement, et son tableau nuance : 79,8 % contre 79,2 % à l'examen de mathématiques AIME 2024, 97,3 % contre 96,4 % sur MATH-500, mais 71,5 % contre 75,7 % sur GPQA Diamond, un questionnaire de sciences conçu pour résister à une recherche Google. Comparable, donc, pas supérieur partout. Six petits modèles, de 1,5 à 70 milliards de paramètres, l'autre nom de ces poids, sont distillés de R1 sur des bases Qwen et Llama : le grand sert de professeur aux petits.

Ce que couvrent vraiment les 5,6 millions

Le chiffre le plus repris en janvier vient du rapport technique de DeepSeek-V3, mis en ligne le 27 décembre 2024 : 2,788 millions d'heures de calcul sur des puces Nvidia H800, sur une grappe de 2 048 processeurs graphiques. Au tarif de location supposé de 2 dollars l'heure, cela fait 5,576 millions de dollars. Les auteurs ajoutent aussitôt une précision :

Notez que les coûts mentionnés ci-dessus ne couvrent que l'entraînement officiel de DeepSeek-V3, à l'exclusion des coûts liés aux recherches et aux expériences d'ablation antérieures sur les architectures, les algorithmes ou les données.

Autrement dit : la dernière ligne droite, à un tarif hypothétique, sans les salaires, les essais abandonnés ni l'achat des machines. Comparer ce chiffre au budget d'un laboratoire américain, c'est comparer le plein d'essence du dernier trajet au prix de la voiture. En septembre 2025, dans un article de Nature, DeepSeek a précisé l'addition de R1 : 294 000 dollars pour la phase de raisonnement, sur 512 puces H800, en plus du modèle de base. La frayeur des actionnaires de Nvidia venait d'un modèle entraîné sur des puces Nvidia.

* * *

Llama 4, sorti un samedi

Meta publie Llama 4 le samedi 5 avril 2025. Deux modèles téléchargeables, Scout et Maverick, bâtis en « mélange d'experts » : des sous-réseaux spécialisés (16 pour Scout, 128 pour Maverick) entre lesquels un aiguilleur répartit chaque fragment de texte. Maverick totalise 400 milliards de paramètres, dont 17 milliards actifs à chaque étape. Un troisième, Behemoth, est annoncé mais pas publié.

Dans son annonce, Meta revendique un score supérieur à GPT-4o sur LMArena, un classement où des internautes votent à l'aveugle entre deux réponses anonymes. En petits caractères : la version classée s'appelle « Llama-4-Maverick-03-26-Experimental », une variante « optimisée pour la conversation », différente des poids que chacun peut télécharger. LMArena proteste : l'interprétation de ses règles par Meta « ne correspondait pas à ce que nous attendons des fournisseurs de modèles ». La plateforme évalue alors la version publique. Le vendredi suivant, celle-ci se classe derrière GPT-4o, Claude 3.5 Sonnet et Gemini 1.5 Pro, trois modèles sortis des mois plus tôt.

Le classement mesurait ce qui plaît. Meta y avait envoyé la version entraînée à plaire, et publié l'autre.

Ouvert, sauf pour l'Europe

Meta présente Llama comme « open source ». Sa licence dit autre chose. Toute entreprise qui dépassait 700 millions d'utilisateurs actifs mensuels à la date de sortie doit demander une licence à Meta, qui l'accorde à sa seule discrétion. Tout produit dérivé doit afficher « Built with Llama », et tout modèle diffusé entraîné à partir de Llama doit porter un nom qui commence par « Llama ». La politique d'usage ajoute une clause : pour les modèles multimodaux de Llama 4, les droits de la licence ne sont pas accordés aux personnes domiciliées dans l'Union européenne ni aux entreprises qui y ont leur établissement principal. Or Scout et Maverick lisent le texte et l'image. Seuls les utilisateurs finaux d'un produit qui les intègre échappent à la restriction.

Cinq mois plus tôt, le 28 octobre 2024 à Raleigh, l'Open Source Initiative avait publié la version 1.0 de sa définition de l'IA open source. Elle exige trois choses, sous des conditions approuvées par l'OSI : les paramètres, le code complet qui a servi à entraîner et à faire tourner le système, et une information sur les données d'entraînement assez détaillée pour qu'une personne compétente puisse construire un système substantiellement équivalent. Lors de la phase de validation, Pythia, OLMo et T5 passaient ; Llama 2, Grok, Phi-2 et Mixtral échouaient. Meta a répondu : « nous sommes en désaccord avec leur nouvelle définition ».

R1 lui-même ne coche pas toutes les cases, malgré sa licence MIT. Le 28 janvier 2025, Hugging Face lance Open-R1 pour reconstruire ce que DeepSeek n'a pas publié : les jeux de données et le code d'entraînement. Le terme exact existe : poids ouverts.

* * *

Quatre noms, quatre licences

Mistral AI, installée à Paris, publie Mistral Small 3, 24 milliards de paramètres, le 30 janvier 2025 sous licence Apache 2.0, sans clause géographique. Alibaba sort fin avril la famille Qwen3, huit modèles de 0,6 à 235 milliards de paramètres, également sous Apache 2.0. Microsoft a déposé Phi-4 sur Hugging Face le 8 janvier sous licence MIT. Google, avec Gemma 3 le 12 mars, garde ses propres conditions d'utilisation, assorties d'une liste d'usages interdits : ce n'est pas une licence open source.

Le signe le plus net vient d'OpenAI. Le 5 août 2025, la société publie gpt-oss, ses premiers poids ouverts de modèle de langage depuis GPT-2 en 2019, sous Apache 2.0. Le plus gros, gpt-oss-120b, compte 117 milliards de paramètres, dont 5,1 milliards actifs, et tient sur un seul processeur graphique de 80 Go. Le petit, gpt-oss-20b, fonctionne dans 16 Go de mémoire. Six ans d'attente.

Rattraper, en chiffres

Le rapport AI Index 2025 de l'université Stanford donne une mesure datée du rattrapage. Début janvier 2024, sur Chatbot Arena, la plateforme devenue LMArena, le meilleur modèle fermé devançait le meilleur modèle à poids ouverts de 8,04 %. En février 2025, l'écart n'était plus que de 1,70 % : 1 385 points contre 1 362. Vingt-trois points, mesurés sur le classement même que Meta allait contourner deux mois plus tard. Ce score ne dit rien de ce qui est resté fermé : les données d'entraînement, le code qui les transforme en poids et, pour les entreprises européennes, les droits sur les modèles multimodaux de Meta.

Le 27 janvier, la crainte était que des modèles moins chers à entraîner réduisent la demande de puces. Le 9 juillet 2025, Nvidia devenait la première entreprise cotée à franchir 4 000 milliards de dollars de capitalisation. Les poids circulaient, et il fallait toujours des puces pour les faire tourner. Ce qui s'est ouvert en 2025 tient dans un fichier de nombres et une licence de moins de deux cents mots. La recette, elle, est restée en cuisine.