Les modèles à poids ouvert chinois dépassent les États‑Unis en performances

Contexte et définitions

Les modèles de langage à poids ouvert publient leurs paramètres pour une utilisation directe, contrairement aux modèles fermés qui ne sont accessibles que via des API. Parmi les modèles à poids ouvert, on retrouve les solutions de Meta (Llama), Alibaba (Qwen), Google (Gemma) et DeepSeek. Depuis avril 2025, les entreprises chinoises dominent ce segment, tandis que les modèles véritablement open‑source – incluant code d’entraînement et données – restent majoritairement américains, comme les projets Olmo d’Allen Institute, Marin d’OpenAthena ou Pythia d’EleutherAI.

Avantage quantitatif des modèles chinois

Le leadership chinois se mesure notamment par les téléchargements sur Hugging Face : à partir de juillet 2025, la Chine a dépassé les États‑Unis, atteignant 1,6 milliard de téléchargements sur un total de 3,2 milliards, soit le double du volume américain. Sur le benchmark Artificial Analysis Intelligence Index (AAII), les modèles GLM‑5.3 (score 45), GLM‑5.3‑Flash (42) et Kimi K3 (44) devancent largement les meilleurs modèles américains – Inkling et Inkling Small (score 26) et Nemotron 3 Ultra (23). Cette différence de score reflète un écart de 15 à 20 points, soit plus de deux fois l’écart entre les meilleures solutions américaines et leurs homologues chinoises.

Mécanismes techniques et rythme de publication

Les laboratoires chinois publient leurs modèles 2 à 6 mois avant leurs homologues américains. Par exemple, les versions GLM‑5 ou DeepSeek V4 Pro ont été disponibles plusieurs mois avant les releases américaines de juin‑juillet 2026. Cette avance temporelle se traduit par des scores plus élevés sur les évaluations publiques, car chaque benchmark capture l’état du modèle à la date de publication. En outre, les acteurs chinois accélèrent le processus en externalisant l’acquisition de données d’entraînement : au second semestre 2026, Moonshot AI et Z.ai ont commencé à acheter des jeux de données de pointe, notamment des environnements de renforcement pour les tâches agentiques, auprès d’entreprises américaines et de start‑ups locales.

Implications et limites

Malgré leur supériorité sur les tâches à forte demande utilisateur (codage agentique, réponses conversationnelles), les modèles chinois restent 2 à 5 mois derrière les modèles fermés américains les plus avancés, tandis que les modèles ouverts américains accusent un retard de 6 à 9 mois. La distillation – technique qui extrait les connaissances d’un modèle fermé vers un modèle ouvert – pourrait réduire cet écart, mais même une prévention totale de la distillation (par exemple via des contrôles KYC stricts) n’ajouterait que 1 à 2 mois de retard supplémentaire aux modèles chinois. Enfin, la concentration sur un spectre de tâches plus étroit et la rapidité de mise sur le marché, bien que bénéfiques pour les scores benchmark, limitent la capacité des modèles chinois à exceller dans des domaines scientifiques ouverts comme la physique ou la biologie.