Benchmarks open weight 2026 : lire un classement sans se faire piéger
Les classements de modèles open weight (BenchLM, llmbenchmark.ai, leaderboards communautaires) sont devenus l’outil de première lecture pour choisir un modèle en novembre 2026 — mais leurs chiffres sont produits par des pipelines d’évaluation hétérogènes, souvent contaminés, parfois sponsorisés, et
Artificial Analysis v5 : les 12 points qui séparent les agents ouverts des agents fermés — et les 26 que personne ne regarde
La refonte v5 d’Artificial Analysis a fait basculer les classements agentiques : l’écart entre modèles propriétaires et open weights s’élargit à 12 points, alors que les leaderboards « classiques » (MMLU-like, coding, math) montraient une convergence. On décrypte en profondeur ce que mesure réelleme
Inkling de Thinking Machines : anatomie du nouveau prétendant occidental aux open weights
Thinking Machines vient de publier un modèle open weight qui, selon les premiers signaux, prend la tête des modèles occidentaux à poids ouverts — un basculement notable dans un écosystème longtemps dominé par les laboratoires chinois et Meta. L’article décrypte en profondeur ce que vaut réellement c
Gemini 3.8 Flash : trois releases en six semaines, et ce que cette cadence fait vraiment aux praticiens de l’open weight
Google a sorti Gemini 3.8 Flash, son troisième modèle Flash en six semaines — une cadence qui interroge tout l’écosystème open weight, pas seulement les utilisateurs de l’API Google. L’article décrypte ce que cette accélération révèle : la stratégie de versionning court, la pression sur les cycles d
Leaderboards open-weight 2026 : 97 modèles classés, mais que mesurent-ils vraiment ?
Les classements de LLM open-weight se sont multipliés en 2026 (benchlm.ai, LM Market Cap, arènes communautaires), au point que « 97 modèles classés » est devenu un argument marketing en soi — mais un praticien ne peut pas choisir un modèle sur un seul rang. Ce dossier de fond dissèque l’anatomie de
NVIDIA Auto Ontology : ce que vaut vraiment la couche sémantique ouverte qui veut brancher les agents SQL sur vos données
NVIDIA a publié Auto Ontology, une couche sémantique open source destinée à ancrer les agents text-to-SQL dans une représentation fiable du schéma et des métriques métier. L’article décrypte en profondeur ce que le projet fait réellement (ontologie générée, graphe de connaissances, résolution d’enti
Quantization en 2026 : ce que les formats 4-bit et 2-bit font vraiment à vos modèles open weight
Alors que les modèles open weight grossissent (MoE à centaines de milliards de paramètres) et que le matériel local plafonne, la quantization est devenue le levier n°1 pour rendre ces modèles exploitables — mais l’écart entre les promesses marketing (FP4, NVFP4, MXFP4, GGUF Q2, AWQ/GPTQ, BitNet-styl
LLM gateways en 2026 : le chaînon manquant entre vos modèles open weight et la production
Les modèles open weight sont désormais assez bons pour la production, mais le vrai goulot d’étranglement s’est déplacé vers la couche qui les expose : le gateway LLM. Ce dossier de fond décrypte ce qu’est devenu un gateway en 2026 (routage multi-modèles, cache sémantique, garde-fous, observabilité,
Nemotron 3.5 Transcribe : ce que vaut vraiment le MoE audio de NVIDIA (et pourquoi votre brique STT est sur la sellette)
NVIDIA a publié Nemotron 3.5 Transcribe, un MoE open de 30B (≈4B actifs) couvrant ~40 langues en transcription — un signal fort que la couche audio des stacks LLM open source se professionnalise. L’article décrypte en profondeur ce que vaut réellement le modèle pour un praticien : architecture MoE e
MoE open-weight en 2026 : le guide pratique du routage d’experts, ce qui change vraiment quand on passe à l’échelle
Les modèles open-weight dominants de 2026 sont presque tous des MoE à très grand nombre de paramètres totaux et à faible activation par token (Muse Spark Open 816B, la famille DeepSeek, Qwen, Kimi, GLM) : ce basculement change en profondeur le métier du praticien, bien au-delà du simple choix de mod