EN
en direct
tag

#open-weights

NVIDIA ouvre quatre modèles Cosmos 3 pour simuler des mondes interactifs et des scènes de conduite multi-capteurs

Le 5 novembre 2026, NVIDIA a ajouté quatre checkpoints open-weight à sa famille Cosmos 3, capables de générer en continu des scènes de conduite caméra-LiDAR synchronisées et de prédire la vidéo à partir d’actions robotiques. Les équipes robotique et conduite autonome ont désormais un point de départ ouvert pour simuler, puis adapter sur leur propre capteur.

Thinking Machines Lab publie Inkling 2 Small, un MoE de 594 milliards de paramètres dont 17 milliards actifs

Le 5 novembre 2026, Thinking Machines Lab a présenté Inkling 2 Small, un modèle à mélange d’experts de 594 milliards de paramètres totaux et 17 milliards actifs, avec entrée d’images et effort variable, d’abord disponible en poids fermés sur Tinker. Pour les équipes qui évaluent un modèle « flash » open-weight pour le code agentique, le vrai sujet n’est pas le total de paramètres mais la fenêtre entre l’accès fermé d’aujourd’hui et les poids Apache 2.0 promis la semaine prochaine.

Baidu ouvre les poids bruts d’ERNIE-5.5-Flash-Base, un MoE de 280 milliards de paramètres

Le 5 novembre 2026, Baidu dépose sur Hugging Face le checkpoint de pré-entraînement brut d’ERNIE-5.5-Flash-Base, un modèle MoE texte de 280 milliards de paramètres dont 14 milliards seulement s’activent par token. C’est une base à fine-tuner, pas un chatbot — et la licence reste à lire avant tout usage commercial.

Kimi K3.1 Pro comble l’écart avec les modèles fermés par le post-entraînement, pas par les paramètres

Le 23 octobre 2026, Moonshot AI publie Kimi K3.1 Pro, un modèle open-weight de classe 3T issu du post-entraînement massif de K3 : il dépasse GPT-6 Astra sur Terminal-Bench 4.0 et divise son taux d’hallucination par près de trois, sans ajouter un seul paramètre. Les poids complets seront libérés le 4 novembre — une fenêtre à planifier pour qui veut auto-héberger.

DeepSeek ouvre les poids de V4.1 Flash 1017, un modèle 763B qui code à partir d’un simple souhait

Le 17 octobre 2026, DeepSeek publie et ouvre les poids de V4.1 Flash 1017 sous licence MIT : 763 milliards de paramètres en MoE, un contexte d’un million de jetons et un post-entraînement par RL auto-feedback qui améliore le codage et l’usage des agents. Les utilisateurs de l’API deepseek-flash en profitent sans changer une ligne de code ni payer plus.

Mistral ouvre Large 4, un modèle à 1 050 milliards de paramètres dont les poids arrivent fin octobre

Le 6 octobre 2026, Mistral AI publie en aperçu public Mistral Large 4, dit « Le Chonk » : un modèle multimodal MoE d’environ 1 050 milliards de paramètres, 49 milliards actifs par jeton, dont les poids ouverts sont promis pour le 27 octobre. Testez-le sur vos propres tâches dès maintenant, mais suspendez tout jugement sur les benchmarks tant que les poids et la licence ne sont pas publiés.

Reflection AI ouvre Beam, un modèle 501B qui rivalise avec les poids ouverts chinois

Le 5 octobre 2026, Reflection AI a présenté Beam, un modèle open source de 501 milliards de paramètres entraîné en huit semaines sur du matériel NVIDIA loué à SpaceX, et qui approche les performances de modèles de 2 000 milliards de paramètres. Pour les équipes qui évaluent des modèles open weights, Beam change le calcul coût-performances, mais ses poids n’arrivent qu’à la fin du mois et restent derrière les modèles fermés de pointe.

Qwen3.8-Max publie ses poids, mais pas sous licence Apache 2.0

Le 12 août 2026, Alibaba a mis en ligne les poids de Qwen3.8-Max, un modèle MoE de 2,4 billions de paramètres, sous une licence maison à seuils de revenus plutôt que sous Apache 2.0. Avant de déployer, lisez les clauses : le checkpoint est textuel et la revente au-delà d’un seuil devient payante.

MiniCPM5-2B place un modèle ouvert de 2,5 milliards de paramètres au-dessus des modèles 4B

OpenBMB a publié MiniCPM5-2B, un modèle dense de 2,5 milliards de paramètres sous licence Apache-2.0, qui atteint 53,9 de moyenne et devance tous les modèles ouverts 4B de son comparatif, en publiant intégralement ses données d’entraînement UltraData. Si vous déployez de l’IA locale ou embarquée, ce modèle change le calcul coût-capacité.

Muse Spark 1.3 économise 20 % d’appels d’outils et prépare des poids ouverts

Le 2 septembre 2026, Meta publie Muse Spark 1.3, quatrième mouture en cinq mois, optimisée pour les tâches agentiques et le code : 20 % d’appels d’outils en moins, 25 % de tokens en moins, et un meilleur calibrage des actions irréversibles. C’est un changement de cap : la valeur d’un agent se mesure désormais à son coût, pas au seul score de benchmark.

Tencent publie Hy4 preview, un modèle ouvert de 770 milliards de paramètres orienté code et finance

Le 28 août 2026, Tencent a déposé Hy4 preview sur Hugging Face : un modèle mixture-of-experts de 770 milliards de paramètres, dont 49 milliards seulement s’activent par requête, taillé pour l’ingénierie logicielle, la recherche et la finance. Ce n’est pas la taille qui compte, c’est le signal qu’un poids ouvert sert désormais de canal de distribution.

GLM-5.3 double sa capacité d’exploitation par le seul post-entraînement

Le 14 août 2026, Z.ai publie GLM-5.3, un modèle à poids ouverts dont la capacité cyber a doublé par le seul post-entraînement, sans changer de modèle de base. Les poids sortent dans deux semaines — anticipez ce que cela change pour vos équipes offensives et défensives.

Gemma 3 sort en open weights sous licence Apache 2.0 — Google abandonne le semi-ouvert et met la pression sur Llama 4

Google DeepMind a publié le 5 août 2026 Gemma 3, un modèle de 27 milliards de paramètres en open weights sous licence Apache 2.0, avec une fenêtre de contexte d’un million de tokens et une version 7B qui surpasse Llama 4 8B sur MMLU-Pro. Si vous hésitez entre Llama et Gemma pour votre prochain déploiement, le choix vient de se simplifier.

Tapez au moins deux caractères.

↑ ↓ naviguer ↵ ouvrir esc fermer