Un rapport publié par SemiAnalysis le 21 août trace sous forme de courbe l'écart de score entre les modèles open source et la frontière des modèles fermés sur les trois dernières années et demie. La règle qu'il en tire est sans détour : à chaque génération rattrapée, le temps nécessaire à l'open source est divisé par deux.
Les auteurs découpent cette histoire en trois phases pour la mesurer. Lors de la phase initiale de mise à l'échelle, avec GPT-3.5 Turbo comme référence, le camp open source est parti de Llama-2-70B et a dû attendre Llama-3.1-405B, en juillet 2024, pour combler l'écart — plus d'un an. La phase du raisonnement a nettement accéléré le rythme : l'écart de 12,1 points creusé par o1-preview a été comblé par R1-0528 en 8,5 mois. Puis, à la phase agentique, Kimi K2.6 a dépassé Opus 4.5 avec 56,3 points en seulement 4,8 mois ; GLM-5.2 a dépassé GPT-5.2 avec 72,4 points en 6 mois.
Plus d'un an, 8,5 mois, puis 5 à 6 mois : en mettant ces trois fenêtres côte à côte, la pente de division par deux saute aux yeux.
Pourquoi le rattrapage va toujours plus vite
Le rapport attribue cette accélération à plusieurs phénomènes qui se produisent simultanément : les poids ouverts permettent de récupérer directement les capacités, la distillation permet de transférer les scores à moindre coût, et même les environnements d'apprentissage par renforcement sont désormais reproduits publiquement. Les auteurs écrivent une phrase qui sonne presque comme un verdict : rien ne reste secret indéfiniment, surtout si l'on tient compte du rôle de la distillation.
En extrapolant grossièrement cette courbe (une estimation — le rapport lui-même ne pousse pas jusque-là) : si le schéma de division par deux se poursuit encore une génération, la prochaine fenêtre de rattrapage tomberait à deux ou trois mois, soit des sorties quasi simultanées au sein d'une même génération. Pour le camp fermé, la pression retombe plus vite sur les prix que sur les classements. La durée pendant laquelle un modèle peut facturer une prime dépend de la durée de son avance ; à mesure que cette fenêtre d'avance se réduit d'un an à un trimestre, le délai pour revoir la stratégie tarifaire se réduit d'autant.
La question de la marchandisation
Le rapport n'esquive pas la question qui inquiète le plus le marché : si l'open source parvient à rester suffisamment proche de la frontière pour une fraction du coût, la couche modèle finira-t-elle par être marchandisée ? Les auteurs écrivent qu'une telle issue serait clairement désastreuse pour les marges des laboratoires de pointe.
Ils exposent ensuite leur raisonnement. Des modèles ouverts comme GLM 5.3 et Kimi K3 sont déjà "genuinely capable" — véritablement capables — de prendre en charge une bonne partie des tâches de programmation et d'agents qui ont porté le chiffre d'affaires annualisé d'Anthropic au-delà de 65 milliards de dollars. Le choix de ce terme dans le texte original est délibéré : l'open source sait réellement accomplir ce type de travail, pas seulement afficher des scores de benchmark similaires en surface.
L'ampleur de la demande est également détaillée : selon le rapport, Fireworks à lui seul traite désormais plus de 40 000 milliards de tokens par jour, soit le double du volume de l'API OpenAI fin mars. L'activité d'inférence hébergeant des modèles à poids ouverts est en pleine croissance — c'est à la fois la preuve que les capacités de l'open source sont validées, et l'un des canaux par lesquels les marges de la couche modèle s'érodent.
Les auteurs freinent eux-mêmes
La conclusion n'adopte pourtant pas un ton pessimiste envers les modèles de pointe. Le rapport reconnaît ouvertement que les benchmarks ne sont qu'une partie du tableau : bien que Kimi K3 obtienne un meilleur score, les auteurs continuent, dans leur travail quotidien, à privilégier Fable 5. Deux raisons sont avancées : d'abord, l'écart d'expérience produit se situe en dehors des scores ; ensuite, les scores eux-mêmes peuvent être gonflés par des environnements d'apprentissage par renforcement conçus spécifiquement à cet effet, ce qui laisse un décalage systémique entre le classement et le ressenti réel à l'usage. Ils concluent l'ensemble du texte sur une note relativement mesurée : ce n'est pas aussi pessimiste pour les modèles de pointe qu'on pourrait le croire de prime abord.
Pour les lecteurs sinophones, ce rapport se lit encore à un autre niveau. Sur les trois courbes, les protagonistes de la dernière phase de rattrapage, la plus rapide, sont presque tous des modèles à poids ouverts d'équipes chinoises : Kimi, GLM, ainsi que la génération suivante explicitement citée. L'échantillon même que les analystes étrangers utilisent pour démontrer que "l'open source accélère" correspond, en substance, au rythme de sortie de ce groupe de modèles chinois. Vues sous un autre angle, ces mêmes données montrent aussi que les fournisseurs chinois ont déjà fait des poids ouverts leur principal front de bataille, cessant de les considérer comme une simple option d'appoint face au fermé.
Quant à ce qu'il reste au camp fermé, la réponse du rapport se trouve du côté de la mise en produit, de la distribution et de la livraison en entreprise. Rien de tout cela n'apparaît dans un tableau de benchmark, mais c'est ce qui détermine à qui profite finalement un chiffre comme 65 milliards de dollars.
Sources : SemiAnalysis, rapport « Are Open Models Catching Up? » ; compilation de la rédaction de CocoLoop ; les chiffres sur les mois de rattrapage par époque, la base de notation de Kimi K2.6 et GLM-5.2, ainsi que le volume quotidien de tokens de Fireworks ont été vérifiés à partir du rapport original.