Le principe
Les poids d'un LLM, ce sont les milliards de valeurs ajustées pendant l'entraînement, tout le « savoir » du modèle tient dedans. Un modèle open weight rend ces poids téléchargeables : on peut l'exécuter sur sa propre machine, l'intégrer à un produit ou le spécialiser par fine-tuning, selon la licence. Llama (Meta), Qwen (Alibaba), DeepSeek, Gemma (Google) et les modèles de Mistral suivent cette voie.
À l'inverse, les modèles fermés comme Claude, GPT ou Gemini ne s'utilisent qu'à travers une API ou une interface web, les poids restent sur les serveurs de l'éditeur.
La nuance avec l'open source
L'amalgame est courant, y compris chez les éditeurs. Un logiciel open source publie son code source complet. L'équivalent pour un modèle supposerait le code d'entraînement, les données utilisées et la recette complète, de quoi le reconstruire de zéro. La quasi-totalité des modèles dits « open source » ne publient que les poids, le résultat final ; les données d'entraînement restent secrètes, pour des raisons juridiques autant que concurrentielles.
Les licences varient aussi : certaines autorisent tout usage commercial (Apache 2.0 chez Mistral ou Qwen), d'autres posent des conditions, comme la licence maison de Llama.
Pourquoi c'est intéressant
Faire tourner un modèle chez soi, avec un outil comme Ollama, garantit qu'aucune donnée ne quitte la machine, l'argument décisif pour les documents sensibles. S'ajoutent l'absence de coût par requête et la liberté de spécialiser le modèle. La contrepartie est la puissance : les modèles qui tiennent sur un ordinateur personnel restent loin derrière Claude ou GPT.