Llama est la famille de modèles de langage de Meta publiés avec leurs poids, c'est-à-dire le modèle lui-même et pas seulement un accès par une API. La différence est fondamentale : un modèle fermé se loue, un modèle à poids se télécharge, s'exécute sur votre propre matériel, et personne ne sait ce que vous lui demandez.
Cela compte dans trois situations : quand les données ne peuvent pas quitter l'entreprise, quand le coût par token à grand volume dépasse le coût du matériel, et quand vous avez besoin d'un modèle adapté à votre propre domaine.
En quoi il diffère des modèles fermés
La première différence concerne l'endroit où le calcul a physiquement lieu. Un modèle fermé traite votre texte sur le serveur de l'éditeur ; un modèle à poids tourne sur votre machine ou chez un fournisseur cloud de votre choix. Pour certains secteurs, c'est le seul arrangement acceptable.
La deuxième est le coût. Un modèle fermé facture au token : la facture croît donc linéairement avec le trafic. Votre propre modèle facture à l'heure-machine : le coût est donc fixe, et revient moins cher à grand volume et plus cher à faible volume, puisque la machine tourne de toute façon.
La troisième est la durabilité. Un modèle téléchargé une fois continue de fonctionner quand un éditeur change ses tarifs, retire une version ou ferme un service. Une application construite sur un modèle fermé doit migrer à chacun de ces événements.
La quatrième est la qualité. Ici, l'avantage revient aux modèles fermés, surtout sur le raisonnement difficile et les longues tâches d'agent. L'écart se réduit à chaque génération mais persiste, et au moment de choisir il vaut mieux le dire clairement plutôt que d'espérer que les benchmarks tranchent.
Les variantes de la quatrième génération
La quatrième génération a apporté deux modèles publiés publiquement, construits sur une architecture de mélange d'experts, où seule une partie des paramètres travaille sur chaque token.
La variante la plus légère se distingue par une fenêtre de contexte très longue, atteignant des millions de tokens, ce qui permet de déposer toute une documentation ou un dépôt volumineux dans une requête. La variante plus puissante est un modèle généraliste pour les tâches plus exigeantes.
Un modèle plus grand encore, à près de deux mille milliards de paramètres au total, a aussi été annoncé mais n'a pas été publié avec ses poids. Gardez-le en tête pour planifier, car une annonce n'est pas une disponibilité.
Les dates méritent aussi d'être connues. Les deux modèles publiés sont apparus début avril 2025, aucune génération plus récente n'est sortie avec ses poids depuis, et la direction de Meta s'est publiquement réservé le droit de ne pas mettre en circulation ouverte chacun de ses modèles les plus puissants. La famille fonctionne et vous pouvez toujours la télécharger, mais si vous planifiez à deux ans, ne supposez pas une autre génération au même rythme.
L'architecture de mélange d'experts a une conséquence pratique facile à négliger. Le nombre de paramètres actifs pendant la génération est inférieur au total : le modèle calcule donc vite, mais l'ensemble doit être chargé en mémoire. Vous dimensionnez le matériel d'après le chiffre total et vous obtenez la vitesse d'un modèle plus petit.
La licence, à lire
Les modèles ne sont pas publiés sous une licence open source au sens classique, mais sous une licence communautaire sur mesure. Cette distinction a des conséquences juridiques, donc il vaut mieux la connaître avant le déploiement.
La licence autorise l'usage commercial, ce qui couvre la plupart des applications. Elle impose toutefois des conditions : une politique d'usage acceptable s'applique, une attribution est requise et, à très grande échelle d'exploitation, des exigences supplémentaires apparaissent.
La conclusion pratique est que, pour une entreprise typique, la licence n'est pas un obstacle, mais qu'elle n'équivaut pas non plus à une licence permissive. Si votre service juridique pose la question des conditions, répondre « c'est un modèle ouvert » est imprécis, et il vaut mieux nommer la licence.
Quand vous avez besoin d'une licence sans conditions, envisagez les modèles publiés sous Apache 2.0, dont le nombre a augmenté et qui, dans certaines applications, égalent cette famille.
L'exécuter en local
La voie la plus simple passe par un outil qui télécharge le modèle et démarre un serveur local en une seule commande.
ollama pull llama4:scout
ollama run llama4:scoutPour l'intégration dans une application, vous utilisez une interface compatible avec un format populaire, si bien que le code écrit pour un éditeur cloud fonctionne après avoir changé l'adresse.
from openai import OpenAI
client = OpenAI(base_url="http://localhost:11434/v1", api_key="local")
response = client.chat.completions.create(
model="llama4:scout",
messages=[{"role": "user", "content": "Summarise the text below in three points: ..."}],
)Cette compatibilité compte plus qu'il n'y paraît. Elle vous permet de comparer un modèle local à un modèle cloud sur vos propres données sans réécrire l'application, et c'est le seul test significatif au moment de choisir.
Vous en saurez plus sur l'outil d'exécution locale de modèles dans l'article sur Ollama, devenu la façon par défaut de travailler avec cette famille sur votre propre matériel.
Besoins en matériel
C'est la source de déception la plus courante : abordez-la donc avec des chiffres. Le besoin en mémoire découle du nombre de paramètres et de la précision à laquelle le modèle est stocké.
| Quantification | Mémoire par milliard de paramètres | Remarques |
|---|---|---|
| Pleine précision | environ 2 Go | Recherche uniquement, rarement nécessaire |
| Huit bits | environ 1 Go | Qualité pratiquement inchangée |
| Quatre bits | environ 0,5 Go | Le choix par défaut, légère perte |
La mémoire de contexte s'y ajoute et croît avec la longueur. Une fenêtre de contexte très longue paraît séduisante dans une description et exige en pratique une mémoire qu'un ordinateur ordinaire n'a pas.
Voici un point facile à manquer en lisant les articles sur la quatrième génération. Son modèle le plus léger contient cent neuf milliards de paramètres au total : le paquet en quatre bits du registre Ollama pèse donc soixante-sept gigaoctets, et l'éditeur indique clairement que le modèle ne tient que sur une seule carte de classe serveur. Sur une machine de bureau, vous ne l'exécuterez pas du tout.
Un point de départ raisonnable pour du matériel domestique est un ordinateur avec environ trente-deux gigaoctets de mémoire unifiée ou une carte de vingt-quatre gigaoctets, et ce qui y tient, ce sont les modèles plus petits des générations antérieures de la famille, celui de huit milliards de paramètres étant le cheval de trait. La variante de soixante-dix milliards demande environ trente-cinq gigaoctets en quantification quatre bits, déjà plus que ce qu'offre une carte typique.
Si le matériel ne suffit pas, l'alternative est de louer un modèle à poids chez un fournisseur cloud. Vous gardez l'indépendance vis-à-vis d'une seule entreprise et la possibilité de faire du fine-tuning, en perdant la confidentialité totale des données.
Fine-tuning pour votre domaine
Le plus grand avantage d'un modèle à poids apparaît sur des tâches spécifiques, où un modèle généraliste se comporte moyennement parce qu'il ne connaît ni votre vocabulaire ni vos conventions.
Le fine-tuning de bas rang ne modifie qu'un petit ensemble de paramètres supplémentaires : il tient donc sur une seule carte et prend des heures plutôt que des semaines. Le résultat est un petit fichier superposé au modèle de base.
Trois choses décident du succès. La première, ce sont les données : quelques centaines de bons exemples valent mieux que dix mille exemples quelconques. La deuxième est un jeu de validation mis de côté avant de commencer, car sans lui vous ne pouvez pas savoir si le modèle s'est amélioré ou a simplement appris le jeu d'entraînement. La troisième est la comparaison avec quelque chose de plus simple : une instruction bien écrite avec quelques exemples dans le prompt s'en approche souvent sans aucun entraînement.
Commencez par ce dernier point. Le fine-tuning a du sens quand le prompt a atteint son plafond, pas à la place du travail sur le prompt.
Déploiement en production, ou ce qui existe au-delà d'un portable
Un outil d'exécution locale d'un modèle convient à une personne qui travaille. Une application qui sert de nombreux utilisateurs a besoin d'un serveur traitant beaucoup de requêtes à la fois, et c'est une autre classe de logiciel.
Les serveurs conçus pour les déploiements en production regroupent les requêtes par lots et partagent le cache d'attention entre elles, si bien que le débit augmente de plusieurs fois par rapport à un traitement une par une. Avec dix conversations simultanées, la différence est un multiple plutôt qu'un pourcentage.
Le deuxième point, ce sont les limites. Un modèle sans plafond sur la longueur des réponses et le nombre de requêtes simultanées remplira la mémoire et commencera à refuser des connexions. Fixez ces valeurs d'après des mesures plutôt que des suppositions.
Le troisième est la supervision. Trois chiffres comptent : le temps jusqu'au premier token, le nombre de tokens par seconde et l'utilisation de la mémoire de la carte. Le premier dit ce que ressent l'utilisateur, le deuxième le débit, le troisième la distance qui vous sépare du mur.
Le quatrième est un plan de croissance. Un modèle qui tient sur une carte à cinq utilisateurs a besoin soit d'une deuxième machine, soit d'une variante plus petite à cinquante. Cette dernière direction est souvent meilleure, car un modèle plus petit avec un bon prompt suffit souvent et coûte un ordre de grandeur de moins.
Contexte et récupération plutôt que fine-tuning
Une fenêtre de contexte très longue vous tente de déposer toute la documentation dans une requête et d'éviter de construire une récupération. Parfois, c'est juste ; plus souvent, c'est la manière la plus coûteuse de répondre à une question.
Pour une analyse ponctuelle, le contexte long l'emporte : lire un long document, comparer deux révisions d'une spécification, parcourir un dump de logs. Vous le faites une fois, et le modèle voit l'ensemble et repère les contradictions entre des passages éloignés.
Dans une application qui répond aux questions des utilisateurs, il perd. Cent mille tokens de contexte par question signifient du temps de traitement et de la mémoire occupée : une base vectorielle comme Chroma ou l'extension pgvector revient donc plusieurs fois moins cher et plus rapide.
La règle pratique : le contexte long pour les tâches ponctuelles et volumineuses, la récupération pour les tâches répétées. Mélanger les deux, récupération plus contexte modéré, fonctionne le mieux dans la plupart des déploiements.
Llama face aux alternatives
| Modèle | Point fort | Point faible | À choisir quand |
|---|---|---|---|
| Llama | Poids disponibles, vaste écosystème d'outils, contexte long | Licence conditionnelle, qualité inférieure aux leaders fermés | Données locales, fine-tuning, gros volume |
| Claude | Travail sur le code, longues tâches d'agent | Pas de poids, facturation au token | Tâches difficiles où la qualité décide |
| Gemini | Vidéo et audio, variantes rapides bon marché | Pas de poids, changements de nom fréquents | Médias, gros volume dans le cloud |
| Mistral | Licence permissive sur certains modèles, éditeur européen | Écosystème plus petit | Exigence d'une licence sans conditions |
Le choix est rarement exclusif. Un arrangement courant fait tourner un modèle local pour la classification et le traitement en masse, où le coût décide, et un modèle fermé pour les tâches difficiles, où la qualité décide. Une fine couche avec une seule interface aiguille le trafic vers l'un ou l'autre.
Cette répartition a un autre avantage, rarement évoqué. Aiguiller une partie du trafic vers votre propre modèle donne un vrai point de référence sur la qualité de cette option avec vos données. Sans cette comparaison, la décision de basculer entièrement repose sur les benchmarks de quelqu'un d'autre, et ceux-ci mesurent autre chose que votre cas.
Notez aussi que la simple possibilité de quitter un modèle fermé vaut souvent plus que le fait de le quitter. Un éditeur dont vous êtes le seul client possible négocie autrement qu'un éditeur qui peut être remplacé en une semaine.
Erreurs fréquentes
La première est de comparer les modèles sur les benchmarks de quelqu'un d'autre. Les résultats publics mesurent des tâches qui ressemblent rarement aux vôtres, et les différences entre modèles dépendent fortement de la langue et du domaine.
La deuxième est de négliger les langues autres que l'anglais. Les modèles ouverts se comportent moins bien hors de l'anglais : un test sur vos propres données est donc obligatoire ici et non simplement conseillé.
La troisième est de choisir une variante d'après le nombre de paramètres sans vérifier la mémoire. Un modèle qui ne tient pas dans la mémoire de la carte retombe sur le processeur et tourne plusieurs fois plus lentement.
La quatrième est d'appeler ces modèles open source dans les documents de l'entreprise. La licence est sur mesure et conditionnelle : la précision économise ici des discussions avec le service juridique.
La cinquième est de faire du fine-tuning au lieu d'améliorer le prompt. C'est une voie plus coûteuse et plus lente vers un objectif atteint dans la moitié des cas par une instruction et quelques exemples.
La sixième est d'oublier les coûts fixes. Une machine avec une carte graphique coûte la même chose un jour calme qu'en pointe : à volume modeste, un modèle facturé au token revient donc souvent moins cher.
FAQ
Llama est-il gratuit ?
Les poids sont disponibles gratuitement, mais la licence n'est pas une licence open source classique. L'usage commercial est autorisé sous conditions, dont une politique d'usage acceptable et une exigence d'attribution. À très grande échelle d'exploitation, d'autres clauses s'appliquent : lisez donc le texte de la licence.
De quel matériel a-t-on besoin ?
Les modèles plus petits des générations antérieures tournent en quantification quatre bits sur un ordinateur avec environ trente-deux gigaoctets de mémoire unifiée ou sur une carte de vingt-quatre gigaoctets. Les deux modèles de la quatrième génération exigent déjà une machine de classe serveur, car même le plus léger prend des dizaines de gigaoctets rien qu'en poids, et louer chez un fournisseur cloud est alors souvent la voie la plus simple.
Llama égale-t-il les modèles fermés ?
Sur des tâches typiques comme le résumé, la classification et la génération simple, l'écart est faible. Sur le raisonnement difficile, le travail sur le code et les longues tâches d'agent, les meilleurs modèles fermés se comportent toujours mieux. Faites la comparaison sur vos propres données, car les différences dépendent du domaine.
Comment Llama se comporte-t-il dans les langues autres que l'anglais ?
Moins bien qu'en anglais, ce qui vaut pour la plupart des modèles ouverts. Pour des applications dans une autre langue, testez plusieurs variantes sur vos propres exemples, car les différences y peuvent dépasser celles entre générations du même modèle.
Quand un modèle local revient-il moins cher ?
Quand le volume est élevé et stable. Une machine coûte la même chose quel que soit le trafic : le seuil de rentabilité dépend donc du nombre d'appels que vous servez par jour. À quelques centaines d'appels par jour, un modèle facturé au token l'emporte généralement ; à des dizaines de milliers, l'avantage passe à votre propre matériel.
Les modèles et la licence sont décrits dans la documentation Llama chez Meta, les poids passent par Hugging Face, et les fiches de modèles et les utilitaires se trouvent dans le dépôt GitHub de Meta.