Magazine LLM Opensource · 25 July 2026

Open Source LLM : la guerre US-Chine fait rage – qui domine vraiment en 2026 ?

Kimi K3, le plus grand modèle open source jamais créé, vient de débarquer. DeepSeek enchaîne les versions, Meta riposte avec Llama 4, et l’Europe tente de trouver sa place. Entre records de paramètres, batailles de licences et enjeux géopolitiques, le paysage des LLM open source n’a jamais été aussi tendu. Mais derrière les annonces, qui tient vraiment la corde ? Plongée dans une compétition où la transparence est souvent le premier angle mort.

Kimi K3, DeepSeek V4, Llama 4 : le grand déballage des poids lourds de 2026

L’année 2026 restera comme celle où la Chine a frappé un grand coup. Le 15 juillet, Moonshot AI a dévoilé Kimi K3, présenté par VentureBeat comme « le plus grand modèle open source jamais créé », rivalisant avec les meilleurs systèmes américains. Les spécifications précises ? Mystère. Aucune source officielle ne livre le nombre exact de paramètres, la fenêtre de contexte ou l’architecture (MoE ou dense). On sait seulement qu’il est massif et qu’il embarque des capacités multimodales avancées – vision, audio, texte.

De l’autre côté du Pacifique, Meta a sorti Llama 4 en plusieurs variantes : Scout (long contexte), Maverick et Behemoth. Techsy.io classe Llama 4 Scout comme numéro 3 pour le long contexte, avec une fenêtre de 10 millions de tokens – un record qui dépasse de loin les 128K de GPT-4. Mais là encore, les détails techniques (paramètres, architecture) restent flous. La licence, elle, est clairement restrictive : KXDevelopers la qualifie de « Restrictive License », non conforme à l’open source stricte.

Côté chinois, DeepSeek n’est pas en reste. Après DeepSeek-V3 (671B, licence MIT) et DeepSeek R1 (spécialisé en raisonnement mathématique), la version V3.2 est présentée comme « fully open source », incluant poids, code d’entraînement et recettes de données. Qwen 3 d’Alibaba, en version 235B-A22B (architecture MoE avec 235 milliards de paramètres dont 22 activés par token), est classé numéro 1 par Techsy.io pour le raisonnement et le codage. GLM-5 de Zhipu AI est mentionné dans un lien de fluxenet.fr, mais sans aucune donnée technique.

Côté européen, Mistral Large 3 (Apache 2.0) et Mistral Small 3.1 (Apache 2.0 aussi) continuent de se positionner sur la conformité réglementaire, avec un score Arena de 1413 selon Pinggy.io.

Le tableau des modèles 2026 reste donc largement opaque. Les laboratoires communiquent peu sur les architectures précises, et les benchmarks indépendants manquent. Une chose est sûre : la course à la taille est relancée, mais l’efficacité – le rapport performance/coût – devient le vrai champ de bataille.

Benchmarks sous tension : qui mène vraiment la danse ?

Si les modèles 2026 brillent par leur absence de scores standardisés, les générations précédentes offrent une base de comparaison solide. Techsy.io a publié en juillet 2026 un tableau comparatif pour cinq LLM open source de la vague 2024-2025 :

Source : techsy.io, juillet 2026. Scores non vérifiés indépendamment.

Ce tableau montre que DeepSeek-V3 domine en MMLU (connaissances générales) avec 87.1, tandis que Llama 3.3 70B et Mistral Small 3.1 excellent en HumanEval (codage) avec 88.4. Qwen 2.5 72B talonne. Mais ces modèles sont déjà dépassés par les nouvelles versions.

Techsy.io affirme que Qwen 3 235B-A22B, DeepSeek R1 et Llama 4 Scout atteignent des performances équivalentes à GPT-4 en code et en mathématiques, sans fournir de scores précis. Le leaderboard de llm-stats.com (juillet 2026) liste des scores numériques (91.2%, 93.5%, etc.) pour des modèles de MoonshotAI, DeepSeek, Qwen, Tencent, Nvidia, mais les données sont tronquées et impossibles à interpréter proprement.

Le vrai problème ? L’absence de benchmark standardisé pour les modèles 2026. Chaque laboratoire publie ses propres métriques, souvent sur des jeux de données choisis. Les classements comme celui de Techsy.io ou BenchLM.io sont utiles, mais ils reposent sur des sources uniques, sans recoupement indépendant. En attendant un leaderboard commun (Open LLM Leaderboard 2.0 ?), la comparaison reste un exercice périlleux.

Open weight contre open source : la guerre des licences fait rage

La bataille ne se joue pas que sur les performances : elle est aussi juridique. Meta a choisi une voie restrictive avec Llama 4, sous licence « Restrictive License » – ce qui signifie que le modèle n’est pas open source au sens de l’OSI. Les développeurs ne peuvent pas l’utiliser librement pour des applications commerciales sans accepter des clauses limitant la concurrence. À l’inverse, DeepSeek V3.2 est présenté comme « fully open source » : poids, code d’entraînement, recettes de données, tout est fourni. Mistral Large 3 et Mistral Small 3.1 sont sous Apache 2.0, licence permissive qui autorise usage commercial, modification et redistribution sans restriction.

Qwen 3 d’Alibaba est en « open weights » – les poids sont disponibles, mais pas nécessairement le code d’entraînement ni les données. La licence exacte n’est pas précisée dans les sources. Kimi K3 n’a pas encore communiqué sa licence.

Les conséquences sont concrètes. Un développeur qui souhaite fine-tuner un modèle pour un usage commercial préférera Apache 2.0 ou MIT. La reproductibilité scientifique exige le code d’entraînement, que seul DeepSeek V3.2 promet. L’écosystème de variantes fine-tunées (sur Hugging Face) est « inégalé » pour Llama selon KXDevelopers, mais cela tient surtout à l’antériorité de la famille Llama. Mistral et Qwen rattrapent leur retard.

Un témoignage de développeur sur le forum Hacker News (juillet 2026, cité par fluxenet.fr) résume le dilemme : « Llama 4 est excellent, mais sa licence me force à repenser mon business model. DeepSeek V3.2 est moins performant sur certains benchmarks, mais je peux le modifier et le revendre sans crainte. » La guerre des licences est peut-être plus décisive que la guerre des scores.

L’efficacité chinoise : mythe ou réalité économique ?

Les modèles chinois sont souvent présentés comme plus économes en ressources. DeepSeek V3.2 est décrit par KXDevelopers comme nécessitant « une fraction du coût de calcul » des modèles américains équivalents. Mais quels sont les chiffres ? Aucune donnée publique vérifiée n’existe pour 2026. Les sources mentionnent l’utilisation de GPU Ascend (Huawei) en remplacement des H100/Nvidia, mais sans préciser les coûts.

En 2023, les investissements américains dans l’IA s’élevaient à 62,5 milliards de dollars contre 7 milliards pour la Chine (source : Parlement européen, document EPRS_ATA(2024)760392). Le rapport Stanford AI Index 2024 indique que les États-Unis ont produit 61 modèles d’IA innovants en 2023, contre 15 pour la Chine. L’écart financier est immense, mais la Chine semble compenser par une optimisation extrême des architectures MoE et une frugalité logicielle.

Pinggy.io souligne que les modèles chinois (DeepSeek, Kimi) atteignent des performances élevées avec moins de GPU, grâce à des techniques d’entraînement plus efficaces et à l’utilisation de matériel local (Ascend). Mais sans prix API ni coût d’entraînement publiés, difficile de trancher. Les fournisseurs chinois (Alibaba Cloud, Baidu) proposent des API à des tarifs souvent inférieurs à ceux d’OpenAI, mais les comparatifs précis manquent.

La véritable efficacité chinoise est peut-être ailleurs : dans la rapidité d’itération. Moonshot AI a sorti Kimi K3 quelques mois après Kimi K2 Thinking, et DeepSeek enchaîne les versions V3, R1, V3.2. Les laboratoires américains, freinés par des processus de validation plus lourds et des contraintes réglementaires, peinent à suivre ce rythme.

Multimodalité et agents : la prochaine frontière

Les LLM open source de 2026 ne se contentent plus de texte. Qwen 3 intègre des capacités de vision (analyse d’images, vidéo) et d’audio. DeepSeek R1 est spécialisé dans le raisonnement mathématique profond, avec des performances qui égaleraient GPT-4 selon Techsy.io. Llama 4 Scout pousse le long contexte à 10 millions de tokens, ouvrant la voie à des applications agentiques capables de traiter des bases de code entières ou des documents juridiques.

Kimi K3 est décrit par VentureBeat comme multimodal (texte, image, audio), avec une fenêtre de contexte « extrêmement large » – sans chiffre précis. Ces capacités rapprochent les modèles open source des géants propriétaires comme GPT-5 ou Claude 4, mais avec un avantage : la possibilité de fine-tuner localement pour des usages spécialisés.

Les implications pour les agents IA sont immenses. Un agent capable de lire 10 millions de tokens peut analyser l’historique complet d’une conversation, d’un projet logiciel ou d’une bibliothèque de documents. Les modèles chinois, avec leur efficacité, permettent de déployer ces agents sur du matériel modeste, là où Llama 4 Scout nécessite des GPU haut de gamme.

Géopolitique de l’open source : souveraineté, régulation et dépendance

La rivalité US-Chine dépasse la technique. Elle est politique. Le Monde titrait en janvier 2026 : « La domination de la Chine dans l’IA open source est un défi pour les États-Unis ». L’Usine Nouvelle renchérit : « Même en open source, la Chine fait la course en tête ». Atlantico parle de « bonds de géants » chinois dépassant GPT-5.

Ces articles reflètent une inquiétude américaine : l’open source permet à la Chine de diffuser ses modèles sans restriction, contournant les embargos sur les GPU. Les H100 et B200 sont interdits d’exportation vers la Chine, mais les modèles chinois tournent sur des GPU Ascend ou des clusters optimisés. Résultat : les entreprises du monde entier adoptent DeepSeek et Qwen, créant une dépendance technologique envers la Chine.

L’Europe, avec Mistral, tente de jouer les tiers de confiance. L’AI Act européen impose des règles de transparence et de conformité que les modèles chinois ne respectent pas toujours. Mistral Large 3, sous Apache 2.0, est conçu pour être compatible avec le règlement européen. Mais sa part de marché reste modeste face aux géants américains et chinois.

La question de la souveraineté numérique est centrale. Un article de Pinggy.io compare les trois blocs : USA (innovation, capital), Chine (efficacité, volume), Europe (conformité, éthique). Mais dans la course à la performance, l’éthique passe souvent au second plan.

Adoption par les entreprises : quel modèle pour quel usage ?

Pour un développeur ou une entreprise, le choix d’un LLM open source en 2026 dépend de plusieurs critères :

• Licence : si le projet est commercial, éviter les licences restrictives (Llama 4). Privilégier Apache 2.0 (Mistral) ou MIT (DeepSeek).
• Coût d’inférence : les modèles chinois (DeepSeek V3.2, Qwen 3) sont réputés moins chers à faire tourner, mais sans chiffres précis.
• Facilité de fine-tuning : DeepSeek V3.2 fournit le code d’entraînement, ce qui facilite l’adaptation. Llama 4 a un écosystème riche de variantes pré-fine-tunées.
• Conformité réglementaire : pour les entreprises européennes, Mistral Large 3 est le choix le plus sûr.
• Performances spécifiques : pour le codage, Mistral Small 3.1 et Llama 3.3 70B excellent en HumanEval. Pour les connaissances générales, DeepSeek-V3 domine.

Des retours d’expérience sur ComputingForGeeks et Taskade indiquent que DeepSeek V3.2 est plébiscité pour les applications nécessitant une transparence totale, tandis que Llama 4 Scout est choisi pour les tâches de long contexte (analyse de documents, agents). Qwen 3 est recommandé pour les applications multimodales.

2027 : vers une domination chinoise ou un rééquilibrage américain ?

Plusieurs scénarios se dessinent. Scénario 1 : la Chine creuse l’écart. Forte de son efficacité et de sa capacité à itérer rapidement, elle inonde le marché de modèles open source performants, tandis que les restrictions américaines sur les GPU ralentissent Meta et les startups US. L’open source devient majoritairement chinois.

Scénario 2 : les États-Unis ripostent. Meta libère Llama 5 sous une licence plus permissive, et les laboratoires américains (assistés par des investissements massifs) produisent des modèles plus efficaces que les chinois. La guerre des licences s’apaise.

Scénario 3 : l’Europe émerge comme tiers de confiance. Mistral et d’autres acteurs européens capitalisent sur la conformité réglementaire et l’éthique pour séduire les entreprises soucieuses de souveraineté.

Les prochains rendez-vous sont nombreux : conférences (NeurIPS 2026, AI Summit), nouvelles versions (DeepSeek V5, Llama 5, Qwen 4), et surtout la publication de benchmarks indépendants. En attendant, une certitude : la guerre US-Chine des LLM open source ne fait que commencer, et les développeurs sont les premiers arbitres.

Sources

• Best Open-Source LLMs: July 2026 Leaderboard | TECHSY
• Open LLM Leaderboard 2026 – Compare Open Source LLM Rankings | llm-stats.com
• 10 Best Open-Source LLMs in July 2026 (Ranked for Real Work) | Taskade
• China’s Moonshot AI releases Kimi K3, the largest open-source model ever | VentureBeat
• Open Source LLM Comparison Table (2026) | ComputingForGeeks
• LLM Leaderboard & AI Model Benchmarks — July 2026 | BenchLM
• La domination de la Chine dans l’IA open source est un défi pour les États-Unis | Le Monde
• Même en open source, la Chine fait la course en tête | Usine Nouvelle
• Ces bonds de géants faits par la Chine en matière de modèles IA open source | Atlantico
• USA vs Europe vs China LLM Comparison 2026 | Pinggy.io
• Open-Source AI: The US & China Gating War | fluxenet.fr
• IA : la guerre USA-Chine | Portail-IE
• L’IA engage les États-Unis et la Chine dans une nouvelle guerre froide | L’Opinion

Article recherché et rédigé automatiquement · Magazine Electrosens