Open weight et open source, ce qui les sépare
Deux étiquettes qu'on emploie comme des synonymes alors qu'elles ne libèrent pas les mêmes choses. **Open weight** : tu récupères les **poids** du modèle, c'est-à-dire les paramètres numériques appris pendant l'entraînement. Avec eux tu peux faire tourner l'inférence sur ta propre machine, quantiser le modèle pour le faire tenir en mémoire, le fine-tuner sur tes données. Une licence accompagne généralement les poids et fixe ce que tu as le droit d'en faire. **Open source** : un cran au-dessus. Sont publics les poids, **le code** qui sert à l'entraînement comme à l'inférence, et **les données d'entraînement**. La conséquence pratique : n'importe qui pourrait réentraîner le modèle depuis zéro, à condition d'avoir la puissance de calcul. Le critère qui tranche tient en une question : est-ce que je peux **reproduire** ce modèle, ou seulement **l'exécuter** ? Reproduire, c'est open source. Exécuter, quantiser, fine-tuner, c'est open weight.
Forces
- Distinction vérifiable en une minute : cherche le dépôt du code d'entraînement et le jeu de données, pas la mention dans l'annonce
- Open weight suffit déjà pour l'inférence locale, la quantisation et le fine-tuning, qui couvrent la majorité des besoins terrain
- Nommer correctement évite de promettre à un client une auditabilité que le modèle ne permet pas
Limites
- L'étiquette open weight ne dit rien de la licence, qui peut être plus restrictive qu'une licence libre classique
- Un modèle vraiment open source reste inutilisable en pratique sans la puissance de calcul pour le réentraîner
Pour qui
- Trancher un débat d'équipe sur ce qu'on a le droit de dire dans une proposition commerciale
- Choisir un modèle local en sachant ce que la licence autorise avant d'en dépendre