Il n'y a pas un « meilleur » LLM open source. Il y a celui qui correspond à vos contraintes réelles : la licence sous laquelle vous avez le droit de l'utiliser, le matériel dont vous disposez pour le faire tourner, la qualité en français, et le degré de souveraineté que vous visez. Ce guide donne la méthode pour choisir et un comparatif des principales familles, à jour à la mi-2026. Une précision d'emblée : ce paysage bouge vite, un nouveau modèle sort presque chaque mois, donc raisonnez sur des critères durables plutôt que sur le classement du jour.
La plupart des modèles qu'on appelle « open source » sont en réalité des modèles à poids ouverts (open weights) : l'éditeur publie les poids du modèle, que vous pouvez télécharger, exécuter et affiner sur votre propre machine, mais pas forcément les données ni le code d'entraînement. Le vrai « open source » complet, avec données d'entraînement publiées, reste rare.
Pour une entreprise, cette nuance a deux conséquences pratiques, et ce sont les seules qui comptent vraiment : la licence (ce que vous avez juridiquement le droit de faire du modèle) et le fait de pouvoir faire tourner les poids en local (ce qui garde vos données chez vous). Le reste est du débat de vocabulaire.
La licence. C'est le premier filtre, et le plus négligé. Deux familles de licences sont vraiment permissives pour un usage commercial : Apache 2.0 (Mistral, Qwen, Granite) et MIT (DeepSeek, Phi). Vous en faites ce que vous voulez, y compris en production, sans redevance. À l'inverse, certaines licences dites ouvertes ne le sont pas au sens strict : la licence communautaire de Llama 4 impose un plafond d'utilisateurs et exclut explicitement les entreprises domiciliées dans l'Union européenne de ses modèles multimodaux, c'est-à-dire toute la gamme Llama 4, et la licence Gemma de Google a ses propres conditions d'usage. Ces modèles restent utilisables, mais lisez les termes avant de bâtir dessus.
La taille face à votre matériel. Un LLM se choisit d'abord par ce que votre serveur peut charger. Les modèles « frontière » open source rivalisent aujourd'hui avec les modèles propriétaires, mais les plus gros réclament plusieurs cartes à 80 Go de mémoire vidéo : ce n'est pas un serveur de PME. La bonne démarche est l'inverse du réflexe habituel : partez du modèle qui tient sur votre machine, quantifié en 4 bits si besoin, pas du plus gros score de benchmark.
La langue. Si vos usages sont en français, la qualité dans la langue prime sur un classement anglophone. Les modèles de Mistral, entraînés en France, sont solides en français ; ceux de Qwen couvrent un très large éventail de langues.
La souveraineté. C'est le point qui donne son sens à toute la démarche. Un modèle à poids ouverts que vous exécutez sur votre infrastructure ne fait sortir aucune donnée. Le même modèle appelé via l'API d'un tiers, vos requêtes partent chez ce tiers. L'open source n'est souverain que s'il tourne chez vous.
| famille | éditeur | licence | tailles | idéal pour |
|---|---|---|---|---|
| Mistral 3 / Ministral 3 | Mistral AI (FR) | Apache 2.0 | 3B à 14B, + Large 3 (MoE) | PME française : français natif, licence propre, du edge au serveur |
| Qwen 3.x | Alibaba | Apache 2.0 | de 0,6B à 235B (MoE) | polyvalence, large choix de tailles, multilingue |
| Llama 4 | Meta | Licence communautaire (UE exclue du multimodal) | modèles MoE, très long contexte | écosystème et outillage matures, à condition de lire la licence |
| Gemma 4 | Licence Gemma | du edge (E2B/E4B) à 31B | petit matériel, forte efficacité mémoire | |
| DeepSeek V4 / R1 | DeepSeek | MIT | distillées à MoE géant (V4 : contexte 1M) | raisonnement et code, bon rapport performance/coût |
| Phi-4 | Microsoft | MIT | ~14B | petit modèle rapide, CPU et edge |
| Granite 4.0 | IBM | Apache 2.0 | petit à moyen | conformité entreprise, empreinte mémoire réduite |
Les chiffres de version évoluent au fil des mois ; retenez surtout l'éditeur et la licence, qui sont stables et déterminants.
Une réserve, tirée de notre propre pratique : l'usage agentique. Dès que l'IA ne se contente plus de répondre mais appelle des outils (chercher dans vos documents, écrire un fichier, poser un rendez-vous), la fiabilité de ces appels devient le critère qui domine tous les autres. Sur ce terrain, nos essais avec Gungnir nous font déconseiller les modèles Mistral actuels : très corrects en dialogue et en rédaction, ils décrochent sur la gestion des outils. Si votre usage est agentique, testez ce point précis avant de trancher, quel que soit le modèle.
Un mot sur les modèles « frontière » open source, ceux qui rivalisent avec les meilleurs modèles propriétaires : ils existent bel et bien, mais ce sont des architectures à experts (mixture-of-experts) de plusieurs centaines de milliards de paramètres, qui demandent un matériel sérieux. Pour une PME, ils relèvent d'un serveur loué ponctuellement, pas de l'installation quotidienne.
Choisir le modèle, c'est la moitié du sujet. L'autre moitié, c'est où il tourne. Un excellent modèle open source appelé via une API distante ne vous rend pas souverain : vos données sortent quand même. Ce qui rend l'ensemble souverain, c'est de faire tourner le modèle sur votre propre infrastructure.
C'est précisément le rôle d'une plateforme agnostique au modèle comme Gungnir : vous y branchez le modèle open source de votre choix, vous en changez quand un meilleur sort, et l'application, l'historique et votre base de connaissance restent chez vous. Le modèle devient une pièce interchangeable, pas un point de dépendance. C'est la même logique que celle détaillée dans notre guide IA souveraine pour PME, et c'est ce qui distingue une vraie alternative à ChatGPT sans cloud d'un simple changement de fournisseur.
Un modèle à poids ouverts (open weights) publie les poids que vous pouvez télécharger, exécuter et affiner, mais rarement les données et le code d'entraînement. Le « vrai » open source complet, avec données publiées, reste rare. Pour une entreprise, ce qui compte en pratique n'est pas l'étiquette mais la licence (ce que vous avez le droit de faire) et la possibilité de faire tourner le modèle en local.
Cela dépend entièrement de la taille du modèle. Un petit modèle (autour de 3 à 14 milliards de paramètres), quantifié en 4 bits, tourne sur un serveur modeste, un petit GPU, parfois du CPU. Les modèles « frontière » de plusieurs centaines de milliards de paramètres demandent, eux, plusieurs cartes professionnelles à 80 Go de mémoire. La règle : choisir le modèle en fonction de la machine, pas l'inverse.
Plus en 2026. Les meilleurs modèles open source rivalisent avec les modèles propriétaires sur le raisonnement, le code et le multilingue. Pour un usage métier en entreprise (répondre à partir de vos documents, rédiger, résumer), un modèle open source de taille moyenne est largement suffisant, et il présente l'avantage décisif de pouvoir tourner chez vous.
Oui pour la plupart, mais lisez la licence. Les modèles sous Apache 2.0 (Mistral, Qwen, Granite) et MIT (DeepSeek, Phi) autorisent l'usage commercial sans condition particulière. La licence Gemma de Google l'autorise avec ses propres conditions. La licence communautaire de Llama 4, elle, exclut explicitement les entreprises domiciliées dans l'Union européenne de ses modèles multimodaux (toute la gamme l'est) ; les Llama 3 en version texte n'ont pas cette exclusion. Vérifiez toujours la licence avant de bâtir dessus.
Non, mais si vos usages sont en français, la qualité dans la langue compte plus qu'un bon score sur un classement anglophone. Les modèles de Mistral, entraînés en France, sont un point de départ solide. Un modèle très multilingue comme Qwen est aussi une bonne option. L'essentiel est de tester sur vos vrais cas d'usage, en français, avant de trancher.
