Modèles open source en 2026 : la Chine domine la frontière, l’adoption reste ailleurs

Les modèles ouverts n’ont jamais été aussi nombreux sur Hugging Face. Mais cette abondance masque une réalité plus structurante pour les développeurs et les entreprises : la performance de pointe, l’attention de la communauté et l’adoption dans les pipelines ne suivent pas les mêmes règles.

Dans son bilan couvrant la période de janvier à août 2026, Hugging Face relève une accélération nette de l’écosystème. Les dépôts de modèles publics sont passés de 2,43 à 2,96 millions, les jeux de données de 711 000 à 1 million et les Spaces de 1 à 1,44 million. La croissance est réelle, mais l’usage reste extrêmement concentré : 85,6 % des modèles comptent moins de 200 téléchargements cumulés, tandis que 1,5 % des dépôts concentrent 99,2 % des téléchargements.

Pour choisir un modèle, définir une stratégie open source ou investir dans une infrastructure IA, ce constat compte davantage que le compteur global de dépôts.

La frontière des grands modèles ouverts se déplace vers la Chine

Le signal le plus visible du rapport concerne les modèles ouverts de très grande taille. Sur presque tous les mois observés en 2026, le plus grand modèle ouvert publié par un laboratoire chinois dépassait les sorties originales des acteurs américains. Le plafond mensuel chinois s’établissait entre 754 milliards et 2 780 milliards de paramètres.

En face, les publications américaines originales sont restées sous 130 milliards de paramètres pendant cinq des sept mois mentionnés. Hugging Face identifie quelques exceptions : Nemotron 3 Ultra de NVIDIA, à 561 milliards de paramètres en mai et juin, Inkling de Thinking Machines Lab, à 952 milliards, ainsi que Trinity-Large d’Arcee AI, à 399 milliards.

La différence ne porte pas seulement sur la taille. Certains laboratoires chinois, tels que Moonshot, MiniMax, Xiaomi et Z.ai, publient peu ou pas de modèles sous 70 milliards de paramètres. Leur catalogue vise donc d’abord la position de pointe et les usages via API, plutôt que l’exécution directe sur le poste de travail d’un développeur.

Alibaba, avec Qwen, et Tencent adoptent une approche différente : ils couvrent une plage allant de moins d’un milliard de paramètres jusqu’aux modèles géants. Pour une équipe produit, cette stratégie de gamme est souvent plus exploitable : elle permet de tester un même écosystème de modèles à plusieurs coûts, latences et contraintes de déploiement.

Les fabricants de puces prennent une place centrale dans l’open source

Le rapport ne décrit pas un retrait complet des États-Unis de l’IA ouverte. Il décrit plutôt un changement d’acteurs. AMD et NVIDIA sont les deux organisations ayant publié le plus de nouveaux dépôts de modèles en 2026, avec plus de 200 dépôts chacune. LiquidAI arrive ensuite avec environ 100 dépôts.

Cette dynamique est cohérente avec leur position : publier des modèles optimisés pour son matériel est une manière très directe de démontrer les capacités d’une plateforme de calcul. Hugging Face souligne aussi que de nombreuses publications américaines à très grande échelle sont des adaptations, conversions ou optimisations de modèles chinois, et non des créations originales.

Ce travail reste utile. Un modèle open weights n’a de valeur opérationnelle que s’il peut être servi efficacement sur le matériel disponible. Les conversions, quantifications et optimisations déterminent donc la capacité réelle d’une organisation à exploiter un modèle. Mais il faut distinguer cette couche de distribution et d’infrastructure de la création du modèle initial.

La source indique également que les modèles chinois sont de plus en plus optimisés pour des puces domestiques. On observe ainsi deux écosystèmes qui cherchent à lier modèles et matériel. Le rapport ne permet toutefois pas de mesurer l’efficacité comparative de ces optimisations ni leur impact commercial respectif.

Likes et téléchargements mesurent deux réalités différentes

Un des enseignements les plus pratiques du bilan concerne les indicateurs de popularité. Hugging Face a comparé les 25 dépôts ayant accumulé le plus de téléchargements en 2026 aux 25 ayant reçu le plus de likes sur la même période. Un seul dépôt apparaît dans les deux listes.

Les likes captent surtout l’attention au moment d’une sortie. Ils reflètent l’intérêt de la communauté pour un modèle de pointe, ses performances ou son annonce. Les téléchargements racontent une autre histoire : celle des modèles intégrés à des workflows automatisés, à des applications et à des chaînes de traitement qui tournent durablement.

L’exemple cité est parlant : all-MiniLM-L6-v2 a été téléchargé 1,55 milliard de fois en sept mois, pour 5 156 likes. À l’inverse, les nouveaux modèles de frontière peuvent susciter une attention intense sans devenir immédiatement des briques d’infrastructure.

Le rapport précise qu’aucun modèle publié en 2026 n’entre dans le top 25 des téléchargements de la période, alors que treize des vingt-cinq modèles les plus téléchargés datent de 2022. Cela ne prouve pas qu’un nouveau modèle échouera à s’imposer : cela montre que l’adoption demande du temps, de la stabilité et une intégration dans les outils existants.

Pour ton évaluation, il vaut donc mieux séparer les questions : quel modèle attire l’attention ? et quel modèle est déjà utilisé à grande échelle ? Un classement unique ne répond pas aux deux.

Les licences permissives déplacent la valeur vers les services et l’infrastructure

Les conditions de licence constituent l’autre enseignement majeur. Parmi les 178 sorties chinoises de plus de 20 milliards de paramètres recensées en 2026, 59 % sont sous licence Apache 2.0 et 22 % sous licence MIT. La source indique qu’aucune ne comporte de restriction non commerciale.

Hugging Face cite notamment des modèles DeepSeek et Z.ai, situés entre 700 milliards et 1 650 milliards de paramètres, publiés sous licence MIT. À cette échelle, la permissivité des licences est notable : elle facilite la réutilisation, les adaptations et, en principe, l’intégration commerciale par des tiers.

Du côté américain, dans la même tranche de taille, 29 % des modèles sont sous Apache ou MIT, 41 % sous des conditions personnalisées et 30 % sans licence déclarée, selon les données du rapport. L’absence de licence déclarée mérite une vigilance particulière : elle ne doit pas être interprétée comme une autorisation implicite d’usage commercial ou de redistribution.

La source avance que, lorsque les poids sont publiés sous des licences très permissives, la valeur ne semble pas être recherchée dans le revenu de licence. Elle évoque les API, le cloud et le matériel comme sources de retour possibles, mais l’extrait fourni s’interrompt avant de détailler cette analyse. Il serait donc imprudent d’en tirer une conclusion définitive sur le modèle économique de chaque laboratoire.

Comment utiliser ces signaux dans tes choix techniques

Ce rapport invite à sortir d’une lecture centrée sur les benchmarks et les annonces. Si tu sélectionnes un modèle pour un produit, commence par définir ton besoin : qualité maximale, coût d’inférence, exécution locale, stabilité, compatibilité matérielle ou droits d’exploitation. Ces critères ne conduiront pas au même choix.

• Pour expérimenter : regarde les modèles récents et les likes, qui signalent les sorties suivies par la communauté.
• Pour industrialiser : privilégie les modèles dont l’adoption, les intégrations et les variantes optimisées sont déjà visibles.
• Pour maîtriser tes coûts : compare les variantes d’une même famille plutôt que de partir systématiquement sur le plus grand modèle.
• Pour un usage commercial : lis le texte de licence du dépôt et ne te fie pas à la seule étiquette « open » ou « open weights ».
• Pour le déploiement : vérifie les formats, quantifications et optimisations compatibles avec ton matériel réel.

La masse de modèles publiés augmente vite, mais l’infrastructure utilisée par les produits évolue beaucoup plus lentement. En pratique, l’avantage ne vient pas de la course au dernier modèle publié : il vient de ta capacité à identifier un modèle légalement exploitable, suffisamment stable et réellement adapté à ton environnement technique.