Magazine LLM Opensource · 20 October 2026

Meilleurs LLM open source en 2026 : ce que valait le classement TECHSY, et ce qu’il faut vraiment regarder depuis Muse Spark Open et Mistral Large 4

Le 5 juillet 2026, un site jusqu’alors inconnu, TECHSY, publie un classement des meilleurs LLM open source. Qwen 3 235B-A22B y détrône DeepSeek R1 et Llama 4 Scout complète le podium. Problème : aucun score de benchmark n’est fourni pour ces trois modèles, et la méthodologie reste floue. Trois mois et demi plus tard, le paysage a radicalement changé : Alibaba a dévoilé Qwen3.8-Max (2,4 trillions de paramètres), Moonshot AI a lancé Kimi K3, DeepSeek a publié V4 Pro, Z.ai a sorti GLM-5.3, Tencent a ouvert Hy4, Mistral a frappé fort avec Large 4 « Le Chonk », Reflection AI a débarqué avec Beam, et Meta a publié le 15 octobre Muse Spark Open, 816 milliards de paramètres à poids ouverts. Entre engouement légitime et prudence nécessaire, ce décryptage actualisé vous aide à y voir clair — et à ne plus confondre un tableau de scores avec une évaluation.

Le classement qui bouscule la hiérarchie : TECHSY entre en scène

Le 5 juillet 2026, le blog techsy.io publie en français et en anglais un article intitulé « Meilleurs LLM open source 2026 ». Son auteur, TECHSY, n’a aucun antécédent documenté dans l’évaluation de modèles de langage. Pas de page « À propos », pas de références à des travaux antérieurs. Pourtant, le classement qu’il propose fait rapidement le tour des réseaux : Qwen 3 235B-A22B y est sacré numéro un, devant DeepSeek R1 et Llama 4 Scout. DeepSeek V3, Mistral Large 3, Gemma 3 27B et Phi-4 Reasoning complètent la liste, mais sans scores détaillés pour les trois premiers.

Ce qui attire l’attention, c’est l’absence de toute vérification indépendante. L’article ne cite aucune source primaire (papier de recherche, repository GitHub, évaluation tierce). Il se contente d’afficher un tableau « aperçu des benchmarks » pour cinq modèles plus anciens : Llama 3.3 70B, Qwen 2.5 72B, DeepSeek-V3, Mistral Small 3.1 et Gemma 3 27B. Les scores MMLU et HumanEval sont donnés, mais sans préciser les conditions de test (few-shot ou zero-shot, prompts, température). Rien non plus sur la pondération qui a permis de classer les modèles.

Malgré cette opacité, le classement TECHSY a le mérite de poser une question centrale : qui sont vraiment les meilleurs LLM open source en octobre 2026 ? Et surtout, sur quels critères peut-on les départager ? Car depuis le 5 juillet, l’écosystème a connu des bouleversements majeurs qu’aucun classement statique ne peut ignorer. Les classements généralistes publiés en octobre 2026 — comme ceux de Digitiz, du Petit Digital ou d’IA Insights — continuent d’ailleurs de mélanger allègrement modèles propriétaires et open-weight, ce qui n’aide pas à y voir clair.

Top 3 : les nouveaux maîtres du jeu… sans notes ?

Le podium de TECHSY est intrigant. En première position, Qwen 3 235B-A22B – un modèle Mixture of Experts (MoE) de la famille Qwen, avec 235 milliards de paramètres dont 22 milliards activés par token. En deuxième, DeepSeek R1, le modèle de raisonnement de DeepSeek, réputé pour ses performances en mathématiques et en code. En troisième, Llama 4 Scout, vanté pour son contexte de 10 millions de tokens.

Mais voilà : aucun de ces trois modèles ne voit ses scores MMLU ou HumanEval publiés dans l’article. Le tableau de référence ne concerne que des modèles plus anciens (publiés entre septembre 2024 et mars 2025). Comment TECHSY a-t-il déterminé que Qwen 3 surpasse DeepSeek R1 ? Mystère. L’article affirme que « les trois premiers modèles open source atteignent les performances de GPT-4 sur le code et les mathématiques », mais sans fournir de chiffres de comparaison.

Cette absence de données chiffrées pour le top 3 contraste avec la précision apparente des scores des modèles secondaires : Llama 3.3 70B obtiendrait 86,0 en MMLU et 88,4 en HumanEval ; DeepSeek-V3 87,1 en MMLU et 82,6 en HumanEval. Mais d’où viennent ces chiffres ? Sont-ils reproduits par TECHSY ou simplement compilés à partir de publications officielles ? Rien ne permet de le savoir. Et le problème n’est pas anecdotique : en 2026, les benchmarks eux-mêmes sont contestés. Les modèles de frontière saturent l’AIME 2025 (plusieurs scores parfaits de 100 %), ce qui pousse les évaluateurs sérieux vers des tests agentiques plus difficiles — Terminal-Bench, CyberGym, Tau2-Bench, DeepSWE — dont nous parlons plus bas.

La méthode TECHSY : un classement sans filet

Si l’on gratte un peu, la méthodologie de TECHSY soulève plusieurs questions.

Absence de protocole. Aucune information sur les réglages des benchmarks : le MMLU a-t-il été évalué en 5-shot ou en zero-shot ? Quelle température ? Quels prompts système ? Ces détails peuvent faire varier les scores de plusieurs points. Sans eux, les chiffres sont difficilement reproductibles.

Pas de pondération explicite. Le classement général mêle-t-il MMLU et HumanEval ? Avec quels coefficients ? Pourquoi Qwen 3 235B-A22B est-il premier alors que ses scores ne sont pas donnés ? On peut supposer que TECHSY a utilisé d’autres critères (contexte, coût, licence), mais rien n’est dit.

Définition floue de l’open source. L’article utilise le terme « open source » sans le définir. Il liste les licences (Llama Community License, Qwen License, MIT, Apache 2.0, Gemma Terms of Use), mais aucun des modèles cités ne satisfait pleinement la définition de l’Open Source Initiative (OSI) : les données d’entraînement ne sont jamais disponibles, et certains poids ne sont que partiellement ouverts. Le terme « open-weight » serait plus juste, mais TECHSY ne fait pas la distinction. C’est d’autant plus dommageable que l’année 2026 a montré à quel point cette distinction est opérationnelle : un modèle dont les poids sont « promis » n’est pas un modèle dont les poids sont téléchargeables.

Fiabilité des scores. Les valeurs rapportées (MMLU 86,0 pour Llama 3.3, 87,1 pour DeepSeek-V3) sont-elles exactes ? Sans source primaire, impossible de le vérifier. D’autres classements, comme le Open LLM Leaderboard de Hugging Face, utilisent des protocoles standardisés et reproductibles. TECHSY ne s’y réfère pas. À sa décharge, la tâche est devenue plus difficile : entre les variantes de quantification, les fenêtres de contexte annoncées et les conditions de serving, un même modèle peut afficher des résultats très différents d’un rapport à l’autre.

Le paysage a bougé : Qwen3.8-Max, Kimi K3, DeepSeek V4 Pro, GLM-5.3, Mistral Large 4, Muse Spark Open

Le principal défaut du classement TECHSY, au-delà de sa méthodologie, est d’être déjà obsolète un mois après sa publication. Voici ce qui s’est réellement passé depuis — et ce qui, à la mi-octobre 2026, constitue l’état de l’art open-weight.

Qwen3.8-Max : le géant d’Alibaba (poids toujours attendus)

Alibaba a présenté Qwen3.8-Max, son plus grand modèle open source à ce jour, avec 2,4 trillions de paramètres et un contexte de 1 million de tokens. Le modèle est passé en disponibilité générale sur Alibaba Cloud Model Studio le 3 août 2026, selon l’annonce officielle de Qwen. Les poids étaient promis pour Hugging Face et ModelScope « la semaine prochaine », ce qui les situerait autour du 10 août — mais au 3 août, ils n’étaient pas téléchargeables, comme le note APIDog. Le modèle est taillé pour les agents autonomes capables de travailler « en totale autonomie pendant plusieurs jours », une capacité jusqu’ici presque exclusive aux modèles propriétaires, comme le souligne Generation-nt. Une version plus petite, Qwen3.8-27B, est également annoncée. À la mi-octobre, les poids du Max restent toujours introuvables sur les dépôts publics, ce qui alimente les critiques sur un « open source » qui n’en serait pas vraiment. C’est le premier réflexe à avoir devant une annonce : vérifier la présence effective du dépôt, pas la promesse de dépôt.

Kimi K3 : le rival de Moonshot AI, poids livrés

Kimi K3 a été lancé le 16 juillet 2026 par Moonshot AI. Selon Unite.AI, il s’agit d’un modèle de 2,8 trillions de paramètres avec vision native et contexte de 1 million de tokens. Contrairement à Qwen3.8-Max, les poids ont été livrés : ils sont apparus sur Hugging Face le 27 juillet sous forme de version MXFP4 de 594 Go. Selon Journal du Geek, cette IA chinoise « rivalise avec certains des meilleurs modèles américains ». Le modèle est aussi au centre d’une polémique : des officiels américains l’accusent d’avoir « pillé le modèle d’Anthropic détenu par Google », rapporte CNews le 23 juillet. Une affaire qui a rebondi en septembre 2026, Anthropic accusant cette fois Moonshot d’avoir routé secrètement des requêtes Kimi vers Claude et de s’en servir pour de la distillation. La frontière entre open source et propriétaire est décidément poreuse — et la question de la provenance des données d’entraînement n’est pas qu’un débat de puristes.

DeepSeek V4 Pro : le fleuron sort de preview

Côté DeepSeek, la famille s’est étoffée. DeepSeek V4 est sorti le 24 avril 2026 et égale les modèles propriétaires sur 95 % des benchmarks. Surtout, DeepSeek V4 Coder est classé meilleur générateur de code devant GPT-5 et Claude 5, sous licence MIT. Et le 12 août 2026, DeepSeek a publié la version de production de son modèle phare, DeepSeek V4 Pro, mettant fin à une période de preview de près de quatre mois. Le build, désigné V4 Pro 0813, est apparu le 12 août, selon Unite.AI. Selon Techbooky, DeepSeek V4-Pro est proposé à un prix nettement inférieur à Kimi K3 sur OpenRouter, tout en offrant la même fenêtre de contexte d’un million de tokens. Le 27 juin, DeepSeek a aussi ouvert le code de DSpark, un système d’inférence qui améliore le throughput de 51 à 400 % selon les configurations, avec une dégradation de qualité inférieure à 0,3 % en BLEU, et des checkpoints pré-entraînés pour Qwen3 et Gemma 4. Une avancée majeure pour le déploiement en production, compatible avec vLLM et SGLang.

GLM-5.3 : Z.ai domine le codage agentique par le seul post-entraînement

Le 14 août 2026, Z.ai a sorti GLM-5.3, un modèle MoE de 753 milliards de paramètres (743B selon The Agent Report) qui réutilise la base de GLM-5.2 sans aucun nouveau paramètre. Le post-entraînement seul a suffi à faire passer Terminal-Bench 3.0 de 4,6 % à 28,3 %, selon DataNorth. Le modèle s’impose en tête du benchmark cybersécurité CyberGym avec 84,5 %, devançant Claude Sonnet 5 et GPT-5.6 Sol, selon Ayi NEDJIMI Consultants. Il atteint aussi 66,9 sur DeepSWE. Les poids sont différés, mais le modèle est accessible via le Coding Plan de Z.ai. C’est un signal fort sur la place que l’IA chinoise veut prendre en cybersécurité, comme le note Services Mobiles. Selon Journal du Web, GLM-5.3 est proposé au prix de la version précédente, ce qui le rend particulièrement compétitif face à Kimi K3. La leçon méthodologique est importante : un modèle peut progresser massivement sans grossir, ce qu’aucun classement fondé sur le seul nombre de paramètres ne capte.

Mistral Large 4 « Le Chonk » : le retour de l’Europe

Le 6 octobre 2026, Mistral AI a dévoilé Mistral Large 4 (ML4), surnommé « Le Chonk », son nouveau modèle phare multimodal et agentique, avec plus de 1 000 milliards de paramètres dont 49 milliards activés par réponse, selon Korben et Le Monde Informatique. Entièrement entraîné en Europe, il est présenté par Wired comme « la meilleure offre à poids ouverts hors de Chine », et par Euronews comme le pari de l’UE dans la course États-Unis-Chine. CNET souligne qu’il est taillé pour la cyberdéfense, l’industrie, la finance et les usages multimodaux ; ZDNET insiste sur le contrôle qu’il offre aux entreprises en matière de sécurité. Point crucial pour un article sur l’open source : l’aperçu public a été ouvert le 6 octobre, mais les poids ne sont prévus que le 27 octobre 2026, selon NeoTeo. Au moment où nous écrivons, Mistral Large 4 est donc un modèle annoncé, pas encore un modèle téléchargeable — exactement le type de nuance que le classement TECHSY aurait dû expliciter.

Reflection Beam : 501 milliards de paramètres, moins de calcul à l’inférence

Autre entrée fracassante, le 5-6 octobre 2026 : Reflection AI, soutenue par Nvidia, a dévoilé Beam, son premier modèle à poids ouverts, avec 501 milliards de paramètres, selon SiliconANGLE et The Next Web. Son argument n’est pas le score brut mais l’efficacité : Help Net Security rapporte que Beam revendique 3 à 4 fois moins de calcul à l’inférence que ses rivaux, tout en reconnaissant qu’il est devancé sur les tests de code par les meilleurs modèles ouverts. Les poids sont annoncés pour la fin du mois d’octobre. « La seule façon de posséder l’intelligence, c’est par définition qu’elle soit ouverte », résume son CEO — une profession de foi qui reste, elle aussi, à confirmer par la livraison effective des fichiers.

Muse Spark Open : Meta frappe le plus fort, le 15 octobre 2026

C’est l’actualité la plus récente, et elle change la donne. Le 15 octobre 2026, Meta a publié Muse Spark Open, présenté par AI at Meta comme « le modèle à poids ouverts américain le plus capable à ce jour ». Les chiffres, cohérents entre Blockchain.news, IA Expertos et iReadCustomer : 816 milliards de paramètres totaux, 42 milliards actifs (architecture MoE), fenêtre de contexte de 1 million de tokens, conçu pour le code et le travail agentique, et exécutable localement sur les Mac Studio équipés d’Apple M5 Ultra. La publication s’accompagne d’un guide pratique sur Hugging Face et d’un déploiement documenté sur SageMaker JumpStart.

Mais — et c’est là que la rigueur paie — le même jour, The Agent Report titre sur « la vague open-weight qui se heurte désormais à un mur de mémoire » : 816B, 560B et 120B sortis le même jour, pour des besoins en VRAM qui dépassent largement ce qu’une machine de bureau peut absorber en BF16. Muse Spark Open n’échappe pas à la règle : 42 milliards de paramètres actifs, c’est excellent pour le coût par token, mais les 816 milliards doivent bien tenir quelque part. En NVFP4 ou en quantification 4 bits, l’équation devient jouable sur du matériel haut de gamme ; en BF16, elle ne l’est pas. C’est précisément le genre de contrainte qu’un classement comme celui de TECHSY ignore, et qui détermine pourtant si un modèle est réellement utilisable dans votre stack.

À noter aussi, pour la chronologie : Meta avait fermé la porte à l’open source le 8 avril 2026 avec Muse Spark (propriétaire, API seulement), comme le souligne Goodtech.info. La publication de Muse Spark Open, accompagnée d’un manifeste open-weight de 6 500 mots de Mark Zuckerberg relayé par Ettayeb, constitue donc un revirement notable. Google DeepMind a de son côté publié le 23 juillet Gemma 4, qui forme avec Gemini 3.6 Flash et 3.5 Flash-Lite « une pile à trois niveaux pour agents IA », selon APIMart.

Hy4 : Tencent entre dans la danse

Le 8 septembre 2026, Tencent a publié en open source Hy4 preview, son dernier modèle de langage, avec 770 milliards de paramètres dont 49 milliards actifs et un contexte de 1 million de tokens, selon Gadget Pilipinas et Techgenyz. Conçu autour du codage, de la productivité bureautique et de la recherche scientifique, Hy4 est accessible via API. C’est le troisième acteur chinois majeur (après Alibaba et Moonshot AI) à franchir le cap du trillion de paramètres ou presque. Son arrivée confirme que la bataille de l’open source se joue désormais à Pékin autant qu’à San Francisco.

Ox Alpha : le modèle furtif qui a fait parler de lui

Entre le 20 et le 27 août 2026, un modèle de raisonnement anonyme baptisé Ox Alpha a tourné sur OpenRouter, accessible gratuitement. Son fournisseur n’a pas révélé son identité, selon IT Social. Spécialisé dans le code et les agents autonomes, il a impressionné les développeurs, mais son origine est restée inconnue — certains suspectaient un laboratoire chinois. L’épisode illustre une tendance de fond : l’évaluation à l’aveugle sur des plateformes de serving brouille la traçabilité des modèles, et rend plus que jamais nécessaire la vérification des poids et des licences.

Ce que les classements ne mesurent pas : la sécurité, la mémoire, l’usage réel

Trois dimensions ont été complètement absentes du débat ouvert par TECHSY, et elles comptent désormais plus que le MMLU.

La sécurité. Le 1er septembre 2026, l’OWASP GenAI Security Project a publié la version 2026 de son Top 10 des risques des applications LLM, avec un changement de méthode radical : fini les avis d’experts, place aux 7 714 incidents réels documentés. Pour les modèles open-weight, cela signifie que l’empoisonnement de données, la supply chain Hugging Face et les fuites de contexte ne sont plus des hypothèses théoriques mais des catégories statistiquement observées. Un classement qui ne mentionne ni la licence, ni la provenance des poids, ni la surface d’attaque d’un modèle n’aide pas à décider.

La mémoire. La vague du 15-16 octobre 2026 (Muse Spark Open 816B, un modèle 560B, un 120B) se heurte à un mur physique : la VRAM. Les poids seuls d’un 816B en 4 bits dépassent ce qu’une carte grand public peut porter, et les 42 milliards actifs ne réduisent pas cette empreinte — ils réduisent le coût de calcul par token. C’est une distinction que les tableaux de scores ne font jamais apparaître.

L’usage réel. Les benchmarks qui comptent en 2026 sont agentiques : Terminal-Bench 3.0, CyberGym, Tau2-Bench, DeepSWE, BFCL v4. Ils mesurent ce qu’un modèle fait, pas ce qu’il récite. C’est aussi ce que montre l’essor des decision models à poids ouverts, ces petits modèles spécialisés qui remplacent le chatbot généraliste dans les pipelines. Et c’est ce que confirment les retours de terrain sur les agent harnesses : la performance d’un agent dépend autant de la couche d’orchestration que du modèle.

Verdict : que retenir du classement TECHSY, et comment évaluer un LLM open source en octobre 2026

Le classement TECHSY n’est pas faux par ses conclusions — Qwen 3 235B-A22B, DeepSeek R1 et Llama 4 Scout étaient bel et bien des références à l’été 2026. Il est faible par sa méthode : pas de protocole, pas de pondération, pas de sources primaires, pas de distinction open-weight/open source, et une obsolescence immédiate. Trois mois et demi plus tard, le podium est de toute façon caduc : Qwen3.8-Max (2,4T, poids toujours attendus), Kimi K3 (2,8T, poids livrés), DeepSeek V4 Pro (production depuis le 12 août), GLM-5.3 (753B, tête de CyberGym), Hy4 (770B), Mistral Large 4 (1T, poids prévus le 27 octobre), Reflection Beam (501B, efficacité d’inférence) et Muse Spark Open (816B, 42B actifs, 1M de contexte, publié le 15 octobre) ont redistribué les cartes.

Pour évaluer un modèle en cette fin 2026, la checklist praticienne tient en six points : les poids sont-ils réellement téléchargeables (pas « promis ») ; quelle licence exacte, et autorise-t-elle l’usage commercial ; quelle empreinte mémoire en BF16, FP8 et 4 bits ; quels benchmarks agentiques sont publiés, avec quel protocole ; quelle provenance des données et des poids, à l’heure où les accusations de distillation pleuvent ; quel coût total en serving, pas seulement en API. Tant qu’un classement ne répond pas à ces six questions, il reste un tableau de scores — pas une évaluation.

Sources

• Annonce officielle Qwen3.8 — Alibaba, août 2026
• APIDog — Qwen 3.8 vs Kimi K3
• Generation-nt — agents autonomes Qwen3.8-Max
• Unite.AI — meilleurs LLM open source — Kimi K3, DeepSeek V4 Pro
• Journal du Geek — Kimi K3
• CNews — polémique Kimi K3, 23 juillet 2026
• Techbooky — tarifs DeepSeek V4-Pro sur OpenRouter
• The Agent Report — GLM-5.3 ; « 816B, 560B, 120B en un jour », 16 octobre 2026
• DataNorth — Terminal-Bench 3.0 de GLM-5.3
• Ayi NEDJIMI Consultants — CyberGym 84,5 %
• Services Mobiles — cybersécurité GLM-5.3
• Journal du Web — prix GLM-5.3
• Korben, Le Monde Informatique, Wired, Euronews, CNET, ZDNET, NeoTeo — Mistral Large 4 « Le Chonk », 6-7 octobre 2026
• SiliconANGLE, The Next Web, Help Net Security — Reflection Beam, 5-6 octobre 2026
• AI at Meta — Introducing Muse Spark Open, Blockchain.news, IA Expertos, iReadCustomer, Hugging Face — 15-16 octobre 2026
• Goodtech.info — Muse Spark propriétaire, 8 avril 2026 ; Ettayeb — manifeste open-weight
• APIMart — Gemma 4, 23 juillet 2026
• Gadget Pilipinas, Techgenyz — Hy4 de Tencent, 8 septembre 2026
• IT Social — Ox Alpha sur OpenRouter, août 2026
• OWASP GenAI Security Project — Top 10 2026, Clean Issue — guide OWASP LLM 2026 — 1er septembre 2026
• Digitiz, Le Petit Digital, IA Insights — classements généralistes, octobre 2026
• Numerama — Qu’est-ce qu’un LLM ?, Wikipédia — Grand modèle de langage, Wikipedia — Large language model — définitions et repères

Article recherché et rédigé automatiquement · Magazine Electrosens