Llama, Mistral, Qwen : ce que les sorties du trimestre changent pour un déploiement on-premise
Une revue des derniers modèles open-weight lue sous l'angle souverain. La question utile pour un RSSI n'est pas la performance brute, mais ce qui tient réellement dans votre périmètre.
Chaque trimestre apporte sa salve de poids ouverts. La presse spécialisée compare les scores sur les classements publics, et la conversation reste centrée sur la performance brute. Pour un RSSI ou un General Counsel, ce n'est pas la bonne grille de lecture. La question qui décide d'un déploiement, c'est de savoir ce qui tourne dans votre périmètre sans sortie de données, avec une licence exploitable et un coût d'inférence soutenable.
Voici la lecture des dernières sorties à travers ce filtre.
La taille reste le premier critère, pas le score
Un modèle qui domine un classement mais réclame plusieurs GPU de 80 Go ne se déploie pas dans la plupart des salles serveurs. La VRAM disponible fixe la borne haute avant toute discussion sur la qualité.
Les familles Llama, Mistral et Qwen publient désormais des variantes étagées, de quelques milliards de paramètres jusqu'à des modèles très lourds. Pour un usage régulé courant, extraction, classification, synthèse documentaire, les variantes intermédiaires couvrent l'essentiel des besoins et tiennent sur un serveur d'inférence raisonnable. Le réflexe de viser le plus gros modèle disponible coûte cher et apporte rarement le gain attendu sur ces tâches.
La licence se lit avant le benchmark
Open-weight ne veut pas dire libre d'usage commercial sans condition. Les licences diffèrent d'une famille à l'autre, et certaines posent des seuils ou des restrictions qui comptent pour un déploiement en entreprise.
Avant de tester un modèle, vérifiez trois points : l'usage commercial est-il autorisé sans palier, la redistribution des poids fine-tunés est-elle permise, et la licence impose-t-elle une mention ou une politique d'usage. Ce travail prend une heure et évite de bâtir un cas d'usage sur un modèle inexploitable en production.
Le français n'est pas un acquis
Les classements généralistes sont majoritairement anglophones. Un modèle excellent en anglais peut décrocher sur des documents juridiques, médicaux ou financiers en français, avec des tournures et un vocabulaire spécialisés.
Mistral garde un avantage net sur le français pour beaucoup de tâches, mais l'écart se resserre selon les versions de Llama et de Qwen. La seule mesure fiable reste un test sur vos propres documents, dans votre langue, sur votre tâche. Un score public ne remplace pas cette vérification.
Ce que cela change concrètement
Une sortie de modèle ne déclenche pas une migration. Elle ouvre une fenêtre de test. La bonne pratique reste stable d'un trimestre à l'autre :
- mesurer la VRAM requise contre votre matériel réel ;
- lire la licence avant le premier test ;
- évaluer le modèle sur vos documents en français, pas sur un classement public ;
- comparer le gain de qualité au surcoût d'inférence, et trancher.
La nouveauté du trimestre, c'est que ces variantes intermédiaires deviennent assez bonnes pour que la contrainte de déploiement passe avant la contrainte de qualité. Pour un environnement régulé, c'est une bonne nouvelle : le modèle qui respecte votre périmètre est de plus en plus souvent celui qui suffit à la tâche.
- modèles open-weight
- souveraineté
- on-premise

Parlez-nous de votre cas d'usage
Nous revenons avec une architecture qui répond à votre besoin. Installez-la vous-même ou confiez-la-nous.
Dans la même rubrique
How-to
RAG en entreprise : comment une IA répond-elle à partir de vos documents ?
Une IA peut répondre à partir de vos procédures et de vos contrats sans les apprendre, grâce à une recherche dans vos documents. Ce guide explique le principe, la préparation des documents, les droits d'accès, les tests et le lieu où ranger l'index.
How-to
Agent IA en entreprise : qu'est-ce que c'est, et que pouvez-vous lui confier ?
Un agent IA ne se contente pas de répondre : il agit dans vos logiciels, avec les accès que vous lui ouvrez. Ce guide compare agent et assistant, donne trois exemples de tâches et liste les garde-fous à exiger avant de lui confier vos dossiers.
Cas d'usage
IA générative en recherche pharmaceutique : quelles tâches confier à une IA installée dans votre laboratoire ?
Veille bibliographique, synthèse de rapports, premiers jets : l'IA générative peut alléger le travail d'écriture d'un laboratoire. Cet article s'appuie sur les dix principes publiés par l'EMA et la FDA en janvier 2026, avec l'exemple d'un laboratoire de quarante personnes. Il liste les tâches à confier, les décisions qui restent aux chercheurs, la licence à lire, le test à mener et le journal à tenir.