Quel LLM installer dans votre entreprise ?

• 21 Md MoE · 3,6 Md actifs
• Contexte 128k
• ●●○ Français : BonFR
• Apache 2.0

Le modèle open-weight d'OpenAI. MoE rapide à l'inférence, raisonnement à niveau d'effort réglable, très bon en agentique et utilisation d'outils.

• 24 Md
• Contexte 384k
• ●●● Français : ExcellentFR
• Apache 2.0

Le spécialiste code de Mistral : agents de code, édition multi-fichiers, contexte 384k. Le choix dev de la configuration TPE, et l'alternative souveraine signée d'un éditeur français.

• 26,5 Md MoE · 4 Md actifs
• Contexte 256k
• ●●● Français : ExcellentFR
• Apache 2.0

Le modèle le plus téléchargé de la génération Gemma 4 : MoE d'environ 4 Md de paramètres actifs, multimodal et très rapide. Une valeur sûre pour un service de 10 à 50 utilisateurs.

• 27,8 Md
• Contexte 256k
• ●●● Français : ExcellentFR
• Apache 2.0

Le généraliste dense de référence, dans sa génération d'août 2026 : multimodal (images et vidéo), raisonnement à effort réglable, multilingue solide, contexte 256k. Son attention hybride allège fortement le cache mémoire sur les contextes longs. Il est aussi devenu un vrai modèle de code : 73,0 sur Terminal-Bench 2.1 contre 63,4 pour Qwen3.6, à portée des meilleurs modèles fermés. À l'aise dès notre configuration d'entrée.

• 32,7 Md
• Contexte 256k
• ●●● Français : ExcellentFR
• Apache 2.0

Le grand dense de la génération Gemma 4 et l'un des modèles les plus appréciés du moment : la qualité maximale sur une seule carte, multimodal, excellent multilingue.

• 36 Md MoE · 3 Md actifs
• Contexte 256k
• ●●● Français : ExcellentFR
• Apache 2.0

MoE avec seulement ~3 Md de paramètres actifs : débit très élevé, taillé pour le code agentique et les usages intensifs multi-utilisateurs. Multimodal, contexte 256k.

• 36 Md MoE · 3 Md actifs
• Contexte 256k
• ●●○ Français : BonFR
• MIT

La deuxième génération d'Ornith, toujours 3 Md de paramètres actifs par token sur une seule carte, et toujours sous licence MIT. DeepReinforce la donne devant Qwen3.6 35B sur l'ensemble de ses bancs de code et d'agents, et loin devant les denses de taille comparable comme Gemma 4 31B sur le code agentique. C'est un modèle de raisonnement : il ouvre chaque réponse par un bloc de réflexion, que le serveur d'inférence renvoie à part. Multimodal, contexte 256k.

• 80 Md MoE · 3 Md actifs
• Contexte 256k
• ●●○ Français : BonFR
• Apache 2.0

La référence code de Qwen : 80 Md de paramètres dont ~3 actifs par token grâce à une architecture hybride à attention linéaire. La qualité d'un grand modèle avec le débit d'un petit, taillé pour les agents de code et les gros dépôts.

• 119 Md MoE · 6,5 Md actifs
• Contexte 1M
• ●●● Français : ExcellentFR
• Apache 2.0

Le modèle unifié de Mistral : raisonnement, multimodal et code agentique dans un seul MoE (6,5 Md actifs), avec un contexte d'un million de tokens. Excellent en français, éditeur européen. Le choix souveraineté par excellence.

• 117 Md MoE · 5,1 Md actifs
• Contexte 128k
• ●●○ Français : BonFR
• Apache 2.0

Le grand open-weight d'OpenAI, éprouvé en production : MoE 5,1 Md actifs. Raisonnement de haut niveau à coût d'inférence maîtrisé.

• 128 Md
• Contexte 256k
• ●●● Français : ExcellentFR
• MIT modifiée

Le plus gros modèle dense de la sélection, et le plus français : 128 Md de paramètres, multimodal, contexte 256k, vingt-quatre langues officiellement suivies. Un dense se comporte de façon plus régulière qu'un MoE de taille voisine, au prix d'un calcul plus lourd sur chaque token : le débit est plus faible que celui de Mistral Small 4, pour une qualité de rédaction supérieure. À réserver aux usages où le français prime sur la vitesse.

• 180 Md MoE · 6 Md actifs
• Contexte 256k
• ●●● Français : ExcellentFR
• Qwen Community 1.0

L'une des architectures les plus économes de la sélection : 180 Md de paramètres au total, mais 6 seulement actifs par token, dont 51 Md logés dans des embeddings n-gram que l'on peut décharger hors du GPU. Son attention hybride, qui marie Gated DeltaNet et une attention creuse par micro-blocs, vise les charges agentiques à contexte long, là où la latence se paie. Multimodal, contexte 256k natif, extensible à un million.

• 284 Md MoE · 13 Md actifs
• Contexte 1M
• ●●○ Français : BonFR
• MIT

Le format « Flash » de DeepSeek V4, dans sa révision de juillet 2026 : 284 Md de paramètres dont 13 actifs par token, proche de l'état de l'art en raisonnement et en code, avec un contexte d'un million de tokens pour les très gros corpus documentaires. DeepSeek annonce cette révision devant son propre V4 Pro d'avril malgré un nombre de paramètres actifs bien inférieur. Texte seul. Publié en précision FP4 : ses 160 Go de poids ne se compressent pas davantage. Comptez trois cartes de 72 Go, cache compris. Son successeur V4.1 Flash, sorti en septembre, demande plus du triple de mémoire : ce V4 reste la porte d'entrée de DeepSeek.

• 320 Md MoE · 18 Md actifs
• Contexte 1M
• ●●○ Français : BonFR
• MIT

Le premier modèle nativement multimodal de la série GLM-5 : 320 Md de paramètres dont 18 actifs, images comprises, contexte d'un million de tokens. Z.ai le donne devant GLM-5.2 sur l'ensemble de ses bancs, pour un dixième du coût, grâce à une attention hybride qui mêle creuse et linéaire et allège nettement le service des contextes longs. Le meilleur rapport capacité sur VRAM de la sélection au-dessus de 100 Go.

• 753 Md MoE · 40 Md actifs
• Contexte 1M
• ●●○ Français : BonFR
• Z.ai (maison)

Le plus imposant des modèles texte seul de la sélection : 753 Md de paramètres dont 40 actifs, contexte d'un million de tokens. Il reprend le modèle de base de GLM-5.2 et ne doit ses gains qu'au post-entraînement : Z.ai annonce 50 % de mieux sur son banc de code interne et l'état de l'art open weight sur Terminal-Bench 3.0 à sa sortie. Texte seul. Comptez cinq cartes de 96 Go, cache compris.

• 552 Md MoE · 16 Md actifs
• Contexte 1M
• ●●○ Français : BonFR
• MIT

Le successeur de V4 Flash, réentraîné de zéro et désormais multimodal : 552 Md de paramètres, dont 8 actifs pour lire la requête et 16 pour écrire la réponse, auxquels s'ajoute une mémoire Engram de 196 Md consultée par table. Contexte d'un million de tokens, avec un cache quatre fois plus léger que celui de V4 Flash, ce qui sert les agents qui relisent de gros volumes. Sur les bancs publiés par DeepSeek, il devance GLM-5.3 en code agentique, sauf sur Terminal-Bench 4.0. Le plus gourmand de la sélection : la recette vLLM officielle réclame 614 Go de VRAM au minimum, et son support, fusionné dans vLLM le lendemain de la sortie, ne passe encore que par une image Docker dédiée.