Mistral, Llama et Qwen : des modèles open source utilisés en entreprise

Une comparaison des LLM open source s'avère utile pour toute entreprise souhaitant exploiter elle-même un modèle linguistique, plutôt que de se lier à une seule API cloud. Trois familles de modèles reviennent régulièrement : Mistral, Llama et Qwen. Elles se distinguent moins par leurs capacités fondamentales que par leurs conditions de licence, la couverture linguistique et les besoins en matériel.

Performances dans le comparatif des LLM open source : ce que révèlent les données fournies par les fabricants

Pour les entreprises qui souhaitent mettre en place un modèle d'assistance au codage, cela constitue un point de repère, mais pas une comparaison directe : les fabricants publient leurs résultats à partir de benchmarks et de configurations de test différents (Qwen, fiche du modèle, 08/2026). La génération Qwen3 prend également en charge 119 langues et dialectes, ce qui constitue un avantage pour les entreprises disposant de sites à l'international (Qwen, 04/2025).

Llama 3.3 et Mistral : la licence et la configuration matérielle requise jouent un rôle déterminant

La version de Llama 3.3 comportant 70 milliards de paramètres offre une fenêtre contextuelle de 128 000 tokens et est soumise à la licence communautaire Llama 3.3 (Meta, fiche technique du modèle Llama 3.3, 12/2024). Aucune redevance n'est due. Seules les entreprises qui comptaient plus de 700 millions d’utilisateurs actifs par mois à la date de publication doivent obtenir une licence spécifique auprès de Meta. Pour la plupart des entreprises, cette licence ne pose donc aucun problème dans la pratique. Il est toutefois recommandé de lire attentivement les clauses en petits caractères avant d’intégrer un modèle dans un produit commercial.

Pour Llama 4 (Scout et Maverick, avril 2025), une restriction s'applique en Europe : Meta n'accorde aucun droit d'utilisation des modèles multimodaux Llama 4 aux entreprises dont le siège social est situé dans l'UE. Seuls font exception les utilisateurs finaux d’un produit intégrant un tel modèle (Meta, Politique d'utilisation acceptable de Llama 4). Une entreprise de l’UE qui souhaite exploiter elle-même un modèle de Meta s’en tient donc à Llama 3.3 ou utilise le modèle plus récent de Meta, Muse Glimmer 30B, sous licence Apache 2.0 depuis 08/2026 (Meta, fiche de modèle).

Mistral Small 3.2, qui compte 24 milliards de paramètres, est distribué sous licence Apache 2.0, l'une des licences open source les plus libérales qui soient. Avec une quantification à 4 bits, les poids du modèle occupent environ 14 Go. En tenant compte du contexte et de la réserve, le LLM-Finder estime, pour 8 192 tokens, que la mémoire graphique nécessaire se situe entre 15,6 et 18,1 GiB. Cela tient sur une carte de 24 Go comme la RTX 4090, mais pas sur une carte de 16 Go. Selon Mistral, la version précédente, Small 3, est déjà compétitive face à Llama 3.3 70B (Mistral, 01/2025, selon les indications de l'éditeur). Pour les entreprises disposant d'un budget matériel limité, c'est un argument pour ne pas choisir un modèle uniquement en fonction du nombre de paramètres. Depuis mars 2026, il existe également Mistral Small 4, un modèle de type « mixture of experts » comptant 119 milliards de paramètres, dont 6 milliards sont actifs par token, également sous licence Apache 2.0 et avec un contexte de 256 000 tokens (Mistral, 03/2026).

Depuis octobre 2026, il existe également un modèle allemand sous licence Apache 2.0 : Kolibri, développé par Aleph Alpha. Il compte 78 milliards de paramètres, dont environ 3,5 milliards actifs par token, et a été entraîné en allemand et en anglais. Il nécessite environ 78 Go de mémoire graphique et donc un serveur plutôt qu’une station de travail (Aleph Alpha, fiche technique, 10/2026). Pour une analyse orientée entreprise, voir notre article Kolibri d'Aleph Alpha.

Une erreur courante lors du choix initial d'un modèle consiste à supposer qu'un plus grand nombre de paramètres garantit automatiquement de meilleurs résultats. Pour de nombreuses applications d'entreprise telles que les résumés, la classification ou les blocs de texte simples, un modèle plus petit et moins coûteux à exploiter fournit des réponses suffisamment satisfaisantes. Le plus grand modèle disponible s'avère particulièrement utile lorsqu'il s'agit de comprendre des relations complexes entre plusieurs documents.

Ce que le comparatif des LLM open source implique pour le choix de votre propre modèle

Si vous recherchez un modèle principalement destiné à des tâches de programmation ou à des applications multilingues, vous devriez envisager les modèles Qwen actuels. Ceux qui privilégient une licence particulièrement simple et une configuration matérielle minimale seront souvent mieux servis par Mistral Small. Llama 3.3 est, pour les entreprises de l'UE, le grand modèle de Meta sans restriction de licence. Avec 128 000 tokens, sa fenêtre de contexte se situe toutefois aujourd’hui plutôt dans le bas de l’échelle ; Qwen et Mistral offrent quant à eux 256 000 tokens et plus. Aucune de ces options n’est le choix idéal dans toutes les situations.

Une bonne approche consiste donc à décrire d'abord précisément son propre cas d'utilisation, en précisant les tâches types les plus importantes et le langage attendu, puis à comparer plusieurs modèles à l'aide des mêmes cas de test. En revanche, choisir un modèle simplement parce qu'il fait la une de l'actualité revient à prendre une décision sans tenir compte de ses propres besoins.

Ce sont les exigences matérielles propres à chaque taille de modèle qui déterminent directement quel mode d'exploitation est le plus rentable. Vous trouverez plus de détails sur les processeurs graphiques et les coûts totaux sur toute la durée de vie dans l'article Modèles d'IA privés en entreprise .

Lesquels de ces modèles tiennent sur une carte graphique existante dépend de la quantification et de la longueur de contexte. Ce calcul est pris en charge par le comparateur LLM avec calculateur VRAM pour la carte concernée.

Pour la programmation, ce qui compte, c'est que les modifications générées fonctionnent dans votre propre dépôt. Pour tester les modèles avec vos propres tâches et vos tests existants, consultez la page Choisir un LLM local pour le code.

À quelle fréquence est-il judicieux de changer de modèle ?

Une comparaison entre les modèles de langage de grande envergure (LLM) open source devient rapidement obsolète, car un modèle actuellement à la pointe peut être dépassé par une nouvelle version en l'espace de quelques mois. Ce n'est toutefois pas une raison pour changer à chaque nouvelle version. Un changement vaut la peine si la nouvelle version apporte une amélioration mesurable dans un cas d'utilisation concret ou si des problèmes de licence ou d'assistance viennent compliquer l'utilisation du modèle actuel. Ceux qui changent de modèle plus d'une fois par an passent plus de temps à migrer qu'à l'utiliser de manière productive.

Foire aux questions

Concrètement, qu'est-ce que l'« open source » signifie dans le domaine des modèles linguistiques ?

Les licences présentent des différences considérables. La licence Apache 2.0, comme c'est le cas pour Mistral Small, autorise une utilisation commerciale quasi illimitée. La licence communautaire Llama 3.3 comporte des conditions, notamment l'obligation pour les fournisseurs comptant plus de 700 millions d'utilisateurs actifs par mois de disposer de leur propre licence. Dans le cas de Llama 4, Meta exclut les entreprises basées dans l'UE des droits relatifs aux modèles multimodaux. Avant toute mise en production, il est recommandé de lire attentivement les conditions de licence correspondantes.

Quel modèle convient le mieux aux applications en langue allemande ?

La génération Qwen3 prend en charge 119 langues et dialectes, dont l'allemand. Pour les applications spécifiques à la langue allemande, il est toutefois recommandé de procéder à un test individuel, car les résultats des tests de performance sont généralement basés sur l'anglais et le chinois et ne peuvent pas être transposés tels quels. Il est préférable de vérifier les termes techniques issus de l'industrie et du commerce, par exemple ceux figurant dans les documents douaniers ou les normes techniques, à l'aide de vos propres phrases d'exemple.

À quelle fréquence une entreprise devrait-elle changer de modèle ?

Un changement vaut la peine lorsqu’il apporte un gain de performance significatif pour votre cas d’utilisation spécifique ou en cas de problèmes avec la licence existante, mais pas systématiquement à chaque nouvelle version. Pour la plupart des entreprises, un cycle d’évaluation annuel constitue un bon point de départ. Il est important de traiter ce changement comme un petit projet à part entière, en testant la qualité des réponses avant la migration.

La prochaine étape

torck met en œuvre de manière productive des modèles de langage open source tels que Mistral, Llama et Qwen pour ses clients issus de l'industrie et du commerce, après les avoir testés au préalable avec de véritables demandes provenant de l'entreprise concernée. Nos équipes de développement à Maxhütte-Haidhof, Vienne et Rabat se chargent de la sélection, de la mise en place et de l’exploitation ultérieure, le tout sous un même toit. Lors d’un premier entretien, nous déterminons quel modèle correspond le mieux à votre cas d’utilisation. La page suivante décrit l’exploitation en interne des modèles linguistiques : IA locale et LLM sur site. Prendre rendez-vous pour un premier entretien.