Le Vide Post-Llama : Ce que Meta a laissé derrière lui
Avant le virage vers Muse Spark, Meta était la voix la plus forte en faveur de l’IA à poids ouverts. Llama 2 et Llama 3 alimentaient aussi bien des projets de hobby le week-end que des déploiements d’entreprise chez les sociétés du Fortune 500. Les modèles n’étaient pas entièrement open-source (la licence Llama comportait des clauses restrictives concernant l’échelle d’utilisation), mais ils étaient téléchargeables, ajustables et auto-hébergeables — la norme de facto pour quiconque voulait contrôler sa pile IA.
Puis Llama 4 est arrivé en avril 2025 avec un bruit sourd. Les benchmarks indépendants montraient que Maverick obtenait un score de 18 à l’Artificial Analysis Intelligence Index — en dessous de modèles avec la moitié du budget de calcul. Behemoth a été indéfiniment retardé et a rejoint le statut de vaporware. La communauté est devenue hostile. Des allégations de manipulation de benchmarks ont fait surface.
Plutôt que d’itérer, Meta a brûlé les ponts. En avril 2026, les Meta Superintelligence Labs d’Alexandr Wang ont lancé Muse Spark en tant que modèle cloud-only et à poids fermés. Pas de poids téléchargeables. Pas d’ajustement. Pas d’auto-hébergement. Andrew Ng a qualifié cela de “perte significative pour la communauté des développeurs”. Il n’avait pas tort — mais il a peut-être sous-estimé la rapidité avec laquelle la communauté allait passer à autre chose.
Les Cinq Modèles qui Animent Désormais l’IA Open-Source
En juin 2026, cinq modèles dominent la conversation sur les LLM à poids ouverts. Aucun d’entre eux ne provient d’entreprises américaines.
DeepSeek V4 Pro — Le Cheval de Bataille
Paramètres : 1,6 billion au total / 49 milliards actifs (MoE)
Contexte : 1 million de tokens
Licence : MIT
Tarification : 1,74 $ / 3,48 $ par million de tokens (entrée/sortie)
DeepSeek V4 Pro est l’héritier direct du trône de Llama en esprit : échelle massive, licence MIT permissive et fenêtre de contexte d’1M de tokens qui en fait le choix privilégié pour l’analyse de codebase entière et le traitement de longs documents. Sa variante Flash fonctionne sur seulement 2 GPU H100 à 0,14 $ par million de tokens d’entrée, ce qui la rend viable pour un auto-hébergement économique.
Qwen 3.7 Max — Le Roi de l’Appel d’Outils
SWE-Bench Verified : 80,4 % (à égalité avec DeepSeek V4 Pro à 80,6 %)
MCPMark : 37,0 — le meilleur score d’appel d’outils de tous les modèles ouverts
Licence : Apache 2.0
Le Qwen 3.7 Max d’Alibaba a fait ses débuts à la 4e place du classement WebDev Arena, devant Claude Opus 4.6, à moitié prix. Sa caractéristique phare est la fiabilité des appels d’outils : lors des tests, Qwen 3.6 Plus a produit des appels d’outils correctement formatés du premier coup dans 94 % des cas. Pour les frameworks d’agents IA — y compris Hermes Agent — cela se traduit par moins de boucles de tentatives et une exécution autonome plus fiable.
Kimi K2.6 — L’Architecte d’Essaims
Paramètres : ~1 billion au total / 32 milliards actifs (MoE)
SWE-Bench Pro : 58,6 %
Licence : Apache 2.0
Le Kimi K2.6 de Moonshot AI a introduit une capacité véritablement novatrice : l’orchestration native d’essaims. Il peut générer en interne jusqu’à 300 sous-agents, gérant la décomposition des tâches, la délégation et la synthèse des résultats en un seul appel API sur jusqu’à 4 000 étapes. Pour le refactoring complexe de fichiers multiples, il est actuellement inégalé parmi les modèles à poids ouverts.
MiniMax M3 — Le Nouveau Venu (1er juin 2026)
Contexte : 1 million de tokens
SWE-Bench Pro : 59 %
Architecture : Attention Éparse MiniMax (MSA)
Tarification Promo : 0,30 $ / 1,20 $ par million de tokens
Sorti il y a seulement huit jours, MiniMax M3 est le premier modèle à poids ouverts à combiner trois capacités de pointe en un seul ensemble : codage de premier ordre, fenêtre de contexte d’1M de tokens et multimodalité native. Son architecture MSA partitionne le cache KV en blocs, réduisant le calcul par token pour les longs contextes à environ 1/20e du coût de la génération précédente. Au prix promo, c’est absurdement bon marché.
GLM 5.1 — Le Cheval Sombre
Paramètres : 744 milliards au total / ~80 milliards actifs
SWE-Bench Pro : 58,4 %
Licence : MIT
Le GLM 5.1 de Zhipu AI est le modèle sous licence MIT le plus performant pour le codage agentique à long terme. Il égalise le score SWE-Bench Pro de Kimi K2.6 tout en étant plus facile à auto-héberger, ce qui en fait le premier choix pour les entreprises ayant besoin de performances de pointe avec une licence permissive et sans ambiguïté juridique.
Le Tableau de Bord : Comment ils se Comparent
| Modèle | Paramètres Totaux | Paramètres Actifs | Contexte | SWE-Bench Pro | Licence | Entrée $/1M |
|---|---|---|---|---|---|---|
| DeepSeek V4 Pro | 1,6T | 49B | 1M | ~52% | MIT | 1,74 $ |
| Qwen 3.7 Max | Non divulgué | Non divulgué | 128K | 80,4%* | Apache 2.0 | 0,80 $ |
| Kimi K2.6 | ~1T | ~32B | 256K | 58,6% | Apache 2.0 | 0,60 $ |
| MiniMax M3 | Non divulgué | Non divulgué | 1M | 59% | Poids ouverts | 0,30 $ |
| GLM 5.1 | 744B | ~80B | 128K | 58,4% | MIT | 0,70 $ |
*SWE-Bench Verified (standard), pas Pro
Ce que ce Changement Signifie pour les Développeurs
Les implications de ce bouleversement du paysage sont profondes :
1. Le centre de gravité des LLM open-source s’est déplacé vers la Chine. DeepSeek (Hangzhou), Alibaba/Qwen (Hangzhou), Moonshot/Kimi (Pékin), MiniMax (Shanghai) et Zhipu/GLM (Pékin) possèdent désormais collectivement la frontière des poids ouverts. Aucune entreprise américaine ne propose de modèle compétitif à poids ouverts en juin 2026.
2. Les licences se sont considérablement améliorées. La licence Llama de Meta a toujours été un compromis — utilisation commerciale avec un plafond de 700 millions d’utilisateurs. La nouvelle garde publie sous licence MIT (DeepSeek, GLM) ou Apache 2.0 (Qwen, Kimi). Pour les entreprises et les startups, cela élimine l’incertitude juridique.
3. Les prix sont en chute libre. Quand Llama était le seul jeu en ville, les fournisseurs d’API pouvaient facturer un supplément. Maintenant, avec cinq modèles de pointe en compétition, les prix d’entrée ont chuté jusqu’à 0,14 $ par million de tokens (DeepSeek V4 Flash). Les jours de tarification propriétaire à 15 $/M-token sont comptés.
4. La spécialisation remplace la généralité. Plutôt qu’un modèle pour tous les gouverner, on assiste à une spécialisation : Qwen pour l’appel d’outils, Kimi pour l’orchestration d’essaims, DeepSeek pour les longs contextes, GLM pour le codage sous licence MIT. Les développeurs peuvent désormais choisir l’outil adapté à chaque tâche.
5. L’erreur stratégique de Meta est désormais visible. En abandonnant Llama, Meta n’a pas seulement perdu la bonne volonté des développeurs — il a remis le mouvement de l’IA open-source à des concurrents chinois qui fixent désormais l’agenda. Le milliard de téléchargements de Llama que Meta célébrait autrefois migre vers des modèles que Meta ne contrôle pas, n’influence pas et dont il ne profite pas.
Qu’en est-il de l’Écosystème Llama ?
La communauté n’a pas abandonné Llama du jour au lendemain. Les moteurs d’inférence comme llama.cpp restent une infrastructure essentielle, et des milliers de variantes affinées de Llama servent encore du trafic de production. Mais l’écriture est sur le mur : sans mises à jour de pointe de la part de Meta, les modèles Llama accuseront de plus en plus de retard.
Pour les développeurs qui utilisent encore Llama, la voie pragmatique est claire : commencez dès maintenant à évaluer des alternatives. Migrez les charges de travail non critiques vers DeepSeek ou Qwen. Évaluez Kimi K2.6 pour les cas d’utilisation multi-agents. Surveillez MiniMax M3 — si le prix promo tient, il pourrait devenir le champion économique.
L’ère Llama a été extraordinaire tant qu’elle a duré. Mais en IA, les ères ne durent pas longtemps. Le flambeau open-source a été passé — et il brûle plus fort que jamais.