⚡ Verdict rapide
- N° 1 : Kimi K3.1 Pro. Ses poids sont sortis le 4 novembre 2026, il obtient 46 points à l'Artificial Analysis Intelligence Index — le meilleur score de tous les modèles ouverts — et il s'est classé premier parmi les modèles chinois dans les résultats SuperCLUE de novembre 2026. Un modèle de 2 800 milliards de paramètres avec une fenêtre de contexte d'un million de tokens, sous une licence basée sur MIT.
- Meilleur polyvalent pour un usage réel : Qwen 3.6. Pas le meilleur score, mais le modèle ouvert de premier plan le plus facile à exécuter, à affiner et sur lequel construire — et celui qui dispose du plus large support d'outils.
- Meilleur challenger en rapport qualité-prix : DeepSeek V4.1-Flash. Rapide, bon marché à servir et fort en codage et en raisonnement — le modèle à choisir si vous servez une API ou un agent avec un budget limité.
- Lisez la licence avant de livrer quoi que ce soit. Les poids ouverts ne sont pas la même chose que l'open source. Plusieurs modèles de ce classement comportent des restrictions d'usage, et les petits caractères décident si votre produit commercial est légal. La section sur les licences ci-dessous n'est pas une lecture facultative.
Nous pouvons percevoir une commission si vous achetez via nos liens, sans frais supplémentaires pour vous.
Novembre 2026 est le mois où les modèles ouverts ont cessé d'être l'option économique pour devenir un vrai premier choix. Rien que dans la première semaine du mois, Kimi K3.1 Pro a publié ses poids, Inkling a promis des poids Apache 2.0 pour son nouveau petit modèle, et theairankings.com a actualisé sa liste des « meilleurs LLM open source » le 6 novembre 2026 — une liste qui se lit désormais comme un vrai classement plutôt que comme une catégorie de consolation. Le meilleur modèle ouvert n'est plus « assez bon pour une démo ». Il est assez bon pour le travail de production, le codage agentique et les longs documents qui étaient autrefois le territoire exclusif des modèles fermés.
Cela ne veut pas dire que le choix est simple. Dix modèles sérieux, dix licences différentes, dix appétits matériels différents — et un classement qui a changé en quelques jours, pas en quelques mois. Cet article est un instantané daté du 9 novembre 2026. Il classe les dix modèles ouverts qui comptent en ce moment, sur la base des preuves disponibles cette semaine-là : l'Artificial Analysis Intelligence Index, les résultats SuperCLUE de novembre 2026 et la mise à jour de theairankings.com du 6 novembre. Lorsqu'un fait est incertain — une clause de licence, une fenêtre de contexte, un score de benchmark — nous le disons et nous vous renvoyons au site officiel, car en une semaine aussi rapide, un chiffre qui sonne assuré venant d'une source secondaire vaut moins qu'un honnête « vérifiez la fiche du modèle ».
Une chose à régler avant le classement : les mots « open source » dans cet article signifient ce que l'industrie entend par là en pratique, pas ce que l'Open Source Initiative entend par là en théorie. Presque aucun de ces modèles ne publie ses données d'entraînement ni son code d'entraînement complet. Ce qu'ils publient, ce sont leurs poids — les fichiers du modèle entraîné — sous des licences qui vous permettent de les télécharger, de les exécuter et généralement de les affiner. C'est une immense liberté pratique, et c'est ce dont parle ce classement. Mais ce n'est pas la même chose que le vrai open source, et la section d'avertissement sur les licences ci-dessous explique exactement où se situe la ligne et pourquoi elle compte pour votre entreprise.
Comment nous les avons classés
Trois sources ancrent ce classement, et toutes les trois ont été actualisées dans la première semaine de novembre 2026 — c'est pourquoi cet article existe maintenant plutôt que le mois dernier. L'Artificial Analysis Intelligence Index donne le chiffre unique le plus net pour la capacité générale : Kimi K3.1 Pro y obtient 46 points, le meilleur score jamais atteint par un modèle ouvert sur cet index, et c'est le chiffre auquel nous accordons le plus de poids en haut de la liste. Les résultats SuperCLUE de novembre 2026, publiés le 5 novembre, placent Kimi K3.1 Pro en tête des modèles chinois — un second avis utile, en gardant à l'esprit que SuperCLUE est un benchmark en langue chinoise, donc il en dit plus sur la capacité en chinois que sur la performance en anglais. Et theairankings.com a actualisé sa liste des « meilleurs LLM open source » le 6 novembre 2026, nommant dix modèles — DeepSeek V4.1-Flash, Kimi K3.1 Pro, GLM-5.3, Inkling, Muse Spark Open, MiniMax M3, Qwen 3.6, Llama 4, gpt-oss et Gemma 4 — qui est la liste restreinte que cet article classe. Chaque modèle de ce classement figure sur cette liste ; rien ici ne vient d'un ancien classement.
La capacité n'est pourtant pas tout le classement. Un modèle qui obtient de brillants résultats et ne peut être exécuté nulle part est un communiqué de presse, pas un outil. Le classement pèse donc aussi trois éléments pratiques : la licence (avec quelle liberté vous pouvez vraiment l'utiliser), la fenêtre de contexte (combien de texte il peut contenir à la fois — la différence entre un modèle qui lit toute votre base de code et un qui oublie la page deux), et la facilité d'exécution (une commande Ollama contre un serveur multi-GPU). C'est pourquoi Qwen 3.6 se classe au-dessus de modèles qui le dépassent en benchmarks bruts, et pourquoi un modèle au superbe score mais à la licence restrictive chuterait plus que sa seule capacité ne le suggère.
Un mot sur la fraîcheur : les classements de modèles ouverts vieillissent en quelques semaines. Les poids de Kimi K3.1 Pro ont cinq jours au moment de la publication de cet article. Une nouvelle sortie à la mi-novembre pourrait réordonner le trio de tête du jour au lendemain, et les scores de benchmarks sont révisés à mesure que les évaluateurs les relancent. Considérez les dates de cet article comme porteuses : si vous lisez ceci en décembre, vérifiez l'index Artificial Analysis et theairankings.com avant de décider, car les chiffres ici sont un instantané du 9 novembre, pas un verdict permanent.
Le classement en un coup d'œil
| # | Modèle | Licence | Contexte | Idéal pour | Où l'exécuter |
|---|---|---|---|---|---|
| 1 | Kimi K3.1 Pro | Basée sur MIT | 1 M de tokens | Longs documents, agents, tâches les plus difficiles | Inférence hébergée, serveur multi-GPU |
| 2 | DeepSeek V4.1-Flash | Poids ouverts — vérifiez la licence | Voir la fiche du modèle | Service API rapide et bon marché, codage | vLLM, inférence hébergée, Hugging Face |
| 3 | GLM-5.3 | Poids ouverts — vérifiez la licence | Voir la fiche du modèle | Travail agentique et usage bilingue | vLLM, inférence hébergée, Hugging Face |
| 4 | Qwen 3.6 | Poids ouverts — vérifiez la licence | Voir la fiche du modèle | Usage local polyvalent et affinage | Ollama, vLLM, Hugging Face |
| 5 | Muse Spark Open | Poids ouverts — vérifiez la licence | Voir la fiche du modèle | Travail de raisonnement lourd et recherche | Inférence hébergée, Hugging Face |
| 6 | MiniMax M3 | Poids ouverts — vérifiez la licence | Voir la fiche du modèle | Long contexte et tâches multimodales | Inférence hébergée, Hugging Face |
| 7 | Llama 4 | Poids ouverts — vérifiez la licence | Voir la fiche du modèle | Produits commerciaux et affinage | Ollama, vLLM, Hugging Face |
| 8 | Inkling (2 Small) | Poids Apache 2.0 promis | Voir la fiche du modèle | Usage petit, rapide, sur appareil | Ollama, Hugging Face |
| 9 | gpt-oss | Poids ouverts — vérifiez la licence | Voir la fiche du modèle | Chat local et agents légers | Ollama, vLLM, Hugging Face |
| 10 | Gemma 4 | Poids ouverts — vérifiez la licence | Voir la fiche du modèle | Déploiement sur appareil et en périphérie | Ollama, Hugging Face |
Les chiffres de licence et de contexte sont ceux publiés sur la page de chaque modèle au 9 novembre 2026. Lorsque ce tableau indique « voir la fiche du modèle », le chiffre n'a pas été confirmé par une source primaire au moment de la rédaction — ouvrez la page du modèle sur Hugging Face et lisez les fichiers de licence et de configuration avant de construire dessus. Les fenêtres de contexte en particulier sont souvent rapportées différemment selon les sources secondaires, et la fiche du modèle est le seul chiffre qui compte.
1. Kimi K3.1 Pro — le nouveau champion de l'ouvert
Kimi K3.1 Pro est l'histoire de novembre 2026. Moonshot AI a publié ses poids le 4 novembre 2026, et en deux jours le modèle avait fait ce qu'aucun modèle ouvert n'avait fait avant : dominer le champ des modèles ouverts à l'Artificial Analysis Intelligence Index avec un score de 46. Le lendemain, les résultats SuperCLUE de novembre 2026 le classaient premier parmi les modèles chinois. Deux benchmarks indépendants, même conclusion, même semaine — c'est aussi proche d'un consensus que ce domaine peut l'être, et c'est pourquoi Kimi K3.1 Pro mène ce classement avec une marge nette plutôt qu'une photo-finish.
Les chiffres phares sont frappants. C'est un modèle de 2 800 milliards de paramètres — un ordre de grandeur au-dessus des modèles que la plupart des gens exécutent localement — avec une fenêtre de contexte d'un million de tokens. Un million de tokens, c'est environ 750 000 mots, soit plusieurs centaines de pages de texte conservées en mémoire à la fois. En pratique, cela signifie que vous pouvez lui donner une base de code entière, un dossier complet de découverte juridique ou une année de comptes rendus de réunion et poser des questions sur l'ensemble sans que le modèle oublie le début. Pour le travail sur de longs documents et pour les agents qui doivent garder une grande mémoire de travail, un contexte de cette taille n'est pas une fonction de luxe ; il change ce à quoi le modèle peut servir.
La licence est exceptionnellement favorable pour un modèle de ce calibre : basée sur MIT, ce qui signifie en pratique que vous pouvez l'utiliser commercialement avec peu de restrictions — mais lisez le texte de licence réel sur la page du modèle avant de vous fier à cette phrase, car « basée sur MIT » est un résumé, pas la licence elle-même, et les termes exacts sont ce qu'un avocat demandera. Le vrai inconvénient est le matériel. Avec 2 800 milliards de paramètres, Kimi K3.1 Pro n'est pas un modèle que l'on télécharge sur un portable. L'exécuter soi-même exige un serveur multi-GPU ou un fournisseur d'inférence hébergée, et pour la plupart des utilisateurs la voie raisonnable est l'inférence hébergée : payez le calcul au token et laissez quelqu'un d'autre posséder les GPU. C'est quand même un accord fondamentalement différent de celui d'un modèle fermé, car vous pouvez changer de fournisseur, vous auto-héberger plus tard et affiner — des libertés qu'une API fermée ne vous donne jamais.
Verdict : le meilleur modèle ouvert disponible en novembre 2026, et le premier modèle ouvert qu'une équipe sérieuse peut choisir sans avoir l'impression de se contenter de moins. Choisissez-le pour le travail le plus difficile — longs documents, agents, recherche approfondie — et acceptez de l'exécuter en hébergé, pas chez vous.
Obtenir Kimi K3.1 Pro sur Hugging Face →
2. DeepSeek V4.1-Flash — le challenger rapide et bon marché
DeepSeek est le nom à surveiller dans les modèles ouverts depuis deux ans, et V4.1-Flash en est la dernière raison. Il trône en tête de la liste de theairankings.com du 6 novembre, et son argument est différent de celui de Kimi : pas le plus grand ni le plus intelligent, mais le plus rapide et le moins cher à servir à grande échelle. « Flash » est l'indice — c'est un modèle conçu pour le débit, pour les équipes qui font tourner des agents, des chatbots et des assistants de codage où chaque milliseconde de latence et chaque fraction de cent par token apparaît sur la facture en fin de mois.
Pour le codage en particulier, DeepSeek V4.1-Flash est un excellent choix. Les modèles DeepSeek ont une longue expérience en génération de code, et la ligne V4 la poursuit, avec les flux de codage agentique — usage d'outils, tâches en plusieurs étapes, modifications à l'échelle du dépôt — qui sont désormais le test standard pour un modèle de codage sérieux. Si vous construisez un produit qui appelle un modèle des milliers de fois par jour, le calcul favorise un modèle comme celui-ci plutôt qu'un fleuron plus lourd : un petit écart de capacité coûte peu, alors qu'un grand écart de coût coûte tout. C'est aussi pourquoi DeepSeek est le modèle que l'on trouve le plus souvent derrière les produits « propulsés par des modèles ouverts » que vous utilisez déjà, même quand la marque sur la boîte est celle de quelqu'un d'autre.
La licence doit être vérifiée sur la page du modèle avant tout usage commercial — les conditions de DeepSeek ont comporté des clauses par le passé, et c'est la formulation exacte qui compte, pas la réputation générale. Il en va de même pour la fenêtre de contexte : vérifiez la fiche du modèle plutôt que de croire un classement secondaire, car les chiffres rapportés pour ce modèle varient. Ce qui ne fait pas de doute, c'est l'histoire du service : vLLM le sert bien, l'inférence hébergée est largement disponible, et la page Hugging Face est la source de référence pour les poids et la documentation.
Verdict : le meilleur modèle ouvert si vous servez des utilisateurs à grande échelle. Choisissez Kimi pour la tâche unique la plus difficile ; choisissez DeepSeek V4.1-Flash quand il vous faut mille bonnes réponses par minute à un prix qui tient.
Obtenir DeepSeek V4.1-Flash sur Hugging Face →
3. GLM-5.3 — le polyvalent agentique
GLM-5.3, de Zhipu AI, est le modèle de ce classement dont la plupart des gens hors de Chine n'ont pas entendu parler — et celui qui risque le plus de les surprendre. Il figure sur la liste de theairankings.com de novembre aux côtés des grands noms, et sa force est le travail agentique : les tâches en plusieurs étapes utilisant des outils, où un modèle doit planifier, appeler des outils, lire les résultats et s'adapter, plutôt que de simplement produire une seule réponse soignée. C'est la capacité qui sépare un chatbot d'un agent, et GLM-5.3 est conçu pour elle.
Son autre avantage est sa force bilingue. Comme Kimi et DeepSeek, GLM est un modèle chinois avec un anglais solide, ce qui en fait un choix naturel pour les équipes travaillant dans les deux langues — et pour l'ensemble croissant d'utilisateurs qui ont besoin d'un modèle vraiment fluent en chinois plutôt que simplement traduit. Si votre travail touche des documents, des clients ou des commentaires de code en chinois, un modèle de cette famille mérite un regard sérieux avant de choisir un modèle occidental par défaut.
Comme pour DeepSeek, la licence et la fenêtre de contexte doivent être vérifiées sur la page du modèle — les conditions de GLM ont varié selon les versions, et cet article ne les devinera pas. L'histoire du service est la norme pour un modèle de cette taille : vLLM pour l'auto-hébergement, inférence hébergée pour les autres, Hugging Face pour les poids. Si vous le comparez directement à DeepSeek V4.1-Flash, le résumé honnête est que les deux sont excellents et que le choix dépend de votre charge de travail précise : testez-les sur vos propres tâches plutôt que de laisser un classement décider pour vous.
Verdict : l'outsider du classement. Si votre produit est un agent, ou si vos utilisateurs parlent chinois, GLM-5.3 appartient à votre liste restreinte — testez-le face à DeepSeek sur vos propres prompts avant de vous engager.
Obtenir GLM-5.3 sur Hugging Face →
4. Qwen 3.6 — le choix polyvalent le plus sûr
Qwen 3.6 n'est pas le modèle le mieux noté de ce classement, et c'est précisément pourquoi il est quatrième plutôt que premier. Ce qu'il est, c'est le modèle ouvert de premier plan le plus facile à utiliser réellement. La famille Qwen d'Alibaba dispose du plus large support d'outils de l'écosystème ouvert : elle tourne proprement dans Ollama, se sert bien dans vLLM, s'affine sans contournements exotiques, et apparaît dans plus de tutoriels, d'intégrations et de déploiements de production que toute autre famille de modèles ouverts. Quand un développeur demande « sur quel modèle ouvert dois-je construire ? », la réponse qui cause le moins de regrets est généralement Qwen.
Cette ampleur compte plus que quelques points de benchmark. Un modèle que vous pouvez exécuter localement ce soir, affiner cette semaine et déployer derrière votre propre API la semaine prochaine vaut plus qu'un modèle qui obtient un meilleur score en benchmark et exige un cluster GPU que vous ne possédez pas. Qwen 3.6 est aussi le modèle le plus susceptible d'avoir une variante de taille adaptée à votre matériel : la famille Qwen se décline en plusieurs tailles, donc la même lignée peut tourner sur un portable en petite forme et sur un serveur en grande forme, ce qui permet de prototyper petit et de monter en charge sans changer de modèle. Vérifiez la fiche du modèle pour les tailles exactes et la fenêtre de contexte de la variante choisie, car la famille est vaste et les chiffres diffèrent selon les tailles.
La licence, comme pour chaque modèle de ce classement, doit être lue sur la page du modèle avant tout usage commercial. Les licences Qwen ont toujours été permissives pour la plupart des usages, avec des conditions qui comptent surtout à très grande échelle — mais « toujours » n'est pas une licence, et c'est le texte de la page qui compte.
Verdict : si vous choisissez un seul modèle ouvert pour construire un produit, choisissez celui-ci. C'est le meilleur équilibre entre capacité, utilisabilité et écosystème en novembre 2026 — le modèle que l'on choisit quand on veut accomplir du travail plutôt que gagner un débat de benchmark.
Obtenir Qwen 3.6 sur Hugging Face →
5. Muse Spark Open — le spécialiste du raisonnement
Muse Spark Open est la version à poids ouverts de la famille Muse Spark, et il gagne sa place dans le top cinq grâce au raisonnement. C'est le modèle à privilégier quand la tâche est une réflexion difficile plutôt qu'une sortie rapide : maths en plusieurs étapes, analyse soignée, le genre de problème où un modèle doit suivre une chaîne logique et se vérifier en chemin. Il figure sur la liste de theairankings.com de novembre 2026, et sa présence est un signe du chemin parcouru par le champ ouvert — il y a un an, un modèle ouvert spécialiste du raisonnement à ce niveau aurait été une curiosité de recherche ; c'est désormais une option de production.
Le bémol honnête est qu'un spécialiste du raisonnement est un outil plus étroit qu'un polyvalent. Pour le chat quotidien, le résumé et la rédaction, Qwen 3.6 ou Llama 4 vous serviront aussi bien et coûteront moins cher à exécuter. Muse Spark Open se justifie sur le cinquième difficile de votre charge de travail — l'analyse, le débogage, la synthèse de recherche — où sa profondeur de raisonnement porte ses fruits. C'est aussi le modèle de ce classement à surveiller le plus pour la suite : le raisonnement est le domaine où le champ ouvert comble l'écart le plus vite, et un modèle ouvert de raisonnement solide change le calcul pour chaque équipe qui paie aujourd'hui les prix des modèles fermés pour réfléchir dur.
Vérifiez la licence et la fenêtre de contexte sur la page du modèle avant de construire dessus, et consultez le site officiel pour les conditions actuelles — les détails de cette version sont encore frais, et les sources secondaires divergent sur les spécificités. Exécutez-le d'abord via une inférence hébergée ; l'auto-hébergement est réservé aux équipes disposant du budget GPU correspondant.
Verdict : le meilleur modèle ouvert pour le raisonnement difficile en novembre 2026. Pas le premier modèle que vous installez, mais celui que vous ajoutez quand votre charge de travail devient difficile.
Obtenir Muse Spark Open sur Hugging Face →
6. MiniMax M3 — le choix multimodal à long contexte
MiniMax M3 est le modèle de ce classement pour les personnes dont le travail ne se limite pas au texte. MiniMax a bâti sa réputation sur des modèles multimodaux — texte, image, audio et vidéo dans la même famille — et M3 porte cette ampleur dans le monde des poids ouverts. Si votre produit a besoin d'un modèle capable de lire un document, de regarder une image et de raisonner sur les deux, M3 est le modèle ouvert le plus susceptible de bien le faire, et sa gestion du long contexte en fait un choix naturel pour le même travail sur de longs documents où Kimi K3.1 Pro mène.
Le compromis est l'écosystème. MiniMax n'a pas l'ampleur d'outils de Qwen ni l'armée de tutoriels de Llama, ce qui signifie plus de travail d'intégration et moins de réponses toutes faites quand quelque chose casse. C'est un juste prix pour une capacité multimodale que l'on ne trouve nulle part ailleurs dans le champ ouvert — mais c'est un prix, et les équipes avec une échéance doivent le peser honnêtement face à la voie plus simple d'un modèle texte seul plus un outil d'image séparé.
Comme pour chaque modèle ici, vérifiez la licence et la fenêtre de contexte sur la page du modèle avant tout usage commercial. La version M3 est assez récente pour que les détails des classements secondaires soient traités comme des pistes, pas comme des faits.
Verdict : le modèle ouvert à choisir quand votre travail traverse les modalités. Pour du texte pur, les modèles au-dessus sont plus simples ; pour du texte plus des images et de l'audio, M3 est l'option ouverte la plus intéressante du classement.
Obtenir MiniMax M3 sur Hugging Face →
7. Llama 4 — le bourreau de travail fiable
Llama 4 est le modèle qui a rendu les poids ouverts grand public, et il reste le bourreau de travail fiable du domaine. La famille Llama de Meta est la lignée de modèles ouverts la plus déployée au monde : le plus de tutoriels, le plus d'affinages, le plus d'intégrations, le plus de gens qui ont déjà résolu le problème que vous êtes sur le point de rencontrer. Cet écosystème est une vraie capacité, pas seulement un concours de popularité — quand vous choisissez Llama 4, vous choisissez le modèle avec le plus d'aide disponible.
En capacité brute, Llama 4 ne mène plus le domaine — les sorties de novembre 2026 au-dessus de lui l'ont dépassé sur les benchmarks qui comptent. Mais la capacité n'est pas toute l'histoire, et la combinaison de Llama 4 — performance solide, outillage large, licence éprouvée par des milliers de produits commerciaux — en fait le choix le moins risqué du classement. Pour une entreprise qui doit montrer à son équipe juridique une licence au long historique, ou un développeur qui veut le modèle avec le plus de réponses disponibles, Llama 4 reste le bon choix — même s'il n'est plus le plus excitant.
Une remarque pratique : la famille Llama se décline en plusieurs tailles, et la bonne taille dépend de votre matériel. Les variantes plus petites tournent bien dans Ollama sur un bon ordinateur de bureau ; les plus grandes appartiennent à un serveur ou à une inférence hébergée. Vérifiez la fiche du modèle pour la taille, la fenêtre de contexte et la licence de la variante exacte que vous comptez utiliser, car la famille est large et les détails diffèrent.
Verdict : ce n'est plus le meilleur modèle ouvert, c'est toujours le plus sûr. Si vous voulez le modèle avec le moins de surprises, c'est Llama 4 — et pour beaucoup d'équipes, le moins de surprises est la bonne chose à optimiser.
Obtenir Llama 4 sur Hugging Face →
8. Inkling (2 Small) — le petit modèle à surveiller
Inkling est le nom le plus récent de ce classement, et le plus petit modèle qu'il contient — ce qui est exactement le point. Le 5 novembre 2026, Inkling a annoncé son modèle 2 Small avec des poids Apache 2.0 promis, et un petit modèle avec une licence vraiment permissive est une nouvelle d'un autre ordre qu'un autre fleuron géant. Les petits modèles sont ceux qui tournent sur un portable, sur un téléphone, sur un appareil sans aucune connexion internet. Ce sont les modèles qui rendent l'IA privée et hors ligne réelle pour les utilisateurs ordinaires plutôt qu'un luxe de salle de serveurs.
Apache 2.0 est la référence en la matière : une licence open source bien comprise et permissive sur laquelle les utilisateurs commerciaux peuvent compter sans la lecture attentive qu'exigent les autres licences de ce classement. Si les poids promis sont publiés sous Apache 2.0 comme annoncé, Inkling 2 Small devient l'un des modèles les plus simples juridiquement dans le champ ouvert — et cela compte autant que ses scores de benchmark, car les modèles que les gens livrent vraiment sont ceux que leurs avocats valident.
Le bémol honnête est la fraîcheur. Cette annonce a quatre jours au moment de la publication de cet article, et les poids étaient promis plutôt que publiés au moment de la rédaction. Vérifiez le site officiel et la page Hugging Face avant de planifier autour d'Inkling — confirmez que les poids sont réellement disponibles, confirmez le texte de la licence et confirmez la taille et la fenêtre de contexte. Une version promise n'est pas une version publiée, et ce classement aura une autre allure une fois les poids arrivés et les benchmarks indépendants lancés.
Verdict : le petit modèle le plus prometteur du classement, et celui dont l'histoire de licence est la plus nette — mais vérifiez qu'il est bien sorti avant de construire dessus.
Obtenir Inkling sur Hugging Face →
9. gpt-oss — le modèle ouvert d'OpenAI
gpt-oss est le modèle qui aurait semblé impossible il y a deux ans : un modèle à poids ouverts d'OpenAI, l'entreprise qui a bâti son empire sur les modèles fermés. Sa présence dans la liste de theairankings.com de novembre est un signe de la façon dont le champ ouvert a complètement changé le calcul de l'industrie — même l'entreprise la plus fermée de l'IA publie désormais des poids ouverts, parce que le marché des modèles que l'on peut exécuter soi-même est devenu trop grand pour être ignoré.
En pratique, gpt-oss est un modèle ouvert solide de milieu de gamme : bon pour le chat local, capable pour les agents légers, et facile à exécuter dans Ollama ou vLLM. Il ne mène pas le classement en capacité — les modèles au-dessus sont plus forts — mais il a deux avantages faciles à sous-estimer. D'abord, il vient de l'entreprise dont les modèles sont déjà connus de la plupart des développeurs, ce qui signifie que son comportement, ses forces et ses modes d'échec sont familiers. Ensuite, c'est une vraie option pour les équipes qui veulent un modèle de la famille OpenAI qu'elles peuvent exécuter en privé, sans envoyer de données à une API.
Vérifiez la licence sur la page du modèle avant tout usage commercial — les conditions sont propres à cette version et doivent être lues en entier plutôt que supposées. Et si vous hésitez entre gpt-oss et Gemma 4 ci-dessous pour un déploiement local, testez les deux sur vos propres tâches : la différence entre eux est plus petite que la différence entre l'un ou l'autre et le haut de ce classement.
Verdict : un bon modèle local, honnête, venu d'une source inattendue. Pas le meilleur modèle ouvert, mais un modèle utile — et un signe de la direction que prend toute l'industrie.
Obtenir gpt-oss sur Hugging Face →
10. Gemma 4 — le spécialiste de l'appareil
Gemma 4, de Google, clôt le classement en spécialiste de l'appareil. Gemma est la famille de modèles ouverts de Google, et sa priorité de conception a toujours été la même : bien fonctionner sur du matériel modeste. Cela fait de Gemma 4 le modèle de ce classement le plus susceptible de tourner sur un téléphone, un portable ou un appareil en périphérie plutôt que dans un centre de données — et pour une large catégorie d'usages, c'est tout l'intérêt. Un modèle qui tourne sur l'appareil est privé par construction, fonctionne hors ligne et ne coûte rien par token après le téléchargement.
Le compromis est la capacité. Gemma 4 est un modèle plus petit que les fleurons au-dessus de lui, et cela se voit sur les tâches les plus difficiles. Pour la rédaction, le résumé, les questions-réponses simples et les assistants sur appareil, il est largement suffisant ; pour le codage agentique ou la recherche approfondie, prenez les modèles en tête du classement. Son autre force est l'écosystème qui l'entoure : l'outillage de Google, les guides d'affinage Gemma et le large support dans Ollama et Hugging Face en font l'un des modèles les plus faciles de cette liste à mettre en route.
Vérifiez la licence et la variante exacte sur la page du modèle — les conditions de Gemma ont des clauses spécifiques, et la famille se décline en plusieurs tailles aux capacités différentes. Les variantes les plus petites sont celles qui rendent l'IA sur appareil pratique ; les plus grandes concurrencent plus directement les modèles de milieu de gamme ci-dessus.
Verdict : le meilleur modèle ouvert pour l'usage sur appareil et en périphérie. Si votre modèle doit tourner là où il n'y a pas d'internet, Gemma 4 est le premier endroit où regarder.
Obtenir Gemma 4 sur Hugging Face →
Avertissement sur les licences : les poids ouverts ne sont pas l'open source
C'est la section la plus importante de l'article, et celle que la plupart des classements sautent. « Open source » a un sens précis : la définition de l'Open Source Initiative exige la liberté d'utiliser, d'étudier, de modifier et de partager le logiciel, avec accès à la source — et pour un modèle, cela signifie sans doute aussi les données d'entraînement et le code d'entraînement en plus des poids. Presque aucun modèle de ce classement ne satisfait cette définition complète. Ce qu'ils satisfont, c'est une norme plus souple et pratique : les poids sont téléchargeables, vous pouvez les exécuter, et vous pouvez généralement les affiner. L'industrie appelle cela les « poids ouverts », et cet article utilise « modèles IA open source » parce que c'est le terme que les lecteurs recherchent — mais la distinction n'est pas du pédantisme. C'est la différence entre un modèle sur lequel vous pouvez légalement bâtir une entreprise et un modèle qui peut vous valoir une lettre d'avocat.
Trois choses à vérifier avant de livrer quoi que ce soit construit sur un modèle de ce classement. D'abord, la licence elle-même : lisez le texte de licence réel sur la page Hugging Face du modèle, pas un résumé dans un article de blog — les résumés se trompent sur les licences, et cet article est un résumé. Ensuite, les conditions d'échelle : plusieurs licences de poids ouverts restreignent l'usage au-delà d'un certain nombre d'utilisateurs, ou exigent un accord séparé pour un déploiement commercial à grande échelle. Si votre produit risque d'atteindre cette échelle, découvrez-le maintenant, pas après le lancement. Enfin, la politique d'usage acceptable : beaucoup de modèles ouverts interdisent des usages précis — générer de la désinformation, construire des outils de surveillance, l'usurpation d'identité — et ces restrictions sont applicables même quand la licence semble permissive.
La licence de Kimi K3.1 Pro basée sur MIT est la plus permissive de ce classement, et l'Apache 2.0 promis par Inkling est la licence open source la plus nette du groupe — mais même celles-ci doivent être lues en entier, car « basée sur MIT » n'est pas « MIT », et une promesse n'est pas un fichier de licence publié. Pour le reste du classement, cet article s'abstient délibérément d'affirmer des conditions de licence qu'il n'a pas pu confirmer à partir d'une source primaire : le tableau dit « voir la fiche du modèle » plutôt que de deviner. Ce n'est pas une lacune de la recherche ; c'est la recherche. Une affirmation de licence erronée dans un classement vaut moins que l'absence d'affirmation, car c'est l'affirmation sur laquelle le lecteur s'appuiera.
La règle pratique : avant que votre produit dépende de l'un de ces modèles, faites lire la licence par quelqu'un qui comprend les licences. Cela prend une heure. Se tromper prend beaucoup plus longtemps.
Comment les exécuter : Ollama, vLLM et Hugging Face
Vous n'avez pas besoin d'un centre de données pour utiliser des modèles ouverts — mais vous devez choisir le bon outil pour le travail, et le bon outil dépend de ce que vous faites. Il y a trois voies qui couvrent presque tous les cas, et elles méritent d'être comprises dans cet ordre.
Ollama est le point de départ. C'est un seul téléchargement pour Mac, Windows ou Linux, et après l'avoir installé vous pouvez récupérer un modèle et commencer à discuter depuis votre terminal en quelques minutes — une commande, aucune configuration. Ollama est le bon choix pour l'usage personnel, pour essayer des modèles, et pour exécuter un modèle petit ou moyen sur votre propre machine. Il gère le mieux les modèles du bas de ce classement : Qwen 3.6, Llama 4, gpt-oss, Gemma 4 et Inkling 2 Small tournent bien dans Ollama sur du matériel adapté. Les modèles plus grands du classement — Kimi K3.1 Pro, DeepSeek V4.1-Flash — ne sont pas des cibles réalistes pour Ollama sur une machine domestique, et c'est très bien : Ollama est fait pour les modèles qui tiennent, pas pour tous les modèles.
vLLM est l'outil pour servir. Quand vous devez exécuter un modèle comme une API — derrière votre produit, pour servir de nombreux utilisateurs à la fois — vLLM est le moteur de service open source standard. Il est nettement plus efficace que l'exécution interactive d'un modèle, car il regroupe les requêtes et gère correctement la mémoire GPU, ce qui fait la différence entre servir dix utilisateurs et en servir mille sur le même matériel. vLLM est le bon choix pour DeepSeek V4.1-Flash, GLM-5.3 et Qwen 3.6 en production, et pour toute équipe qui a dépassé une configuration mono-utilisateur. Il demande plus de configuration qu'Ollama — il faut un serveur Linux avec un GPU et un certain confort en ligne de commande — mais c'est l'outil qui transforme un modèle en service.
Hugging Face est l'endroit où les trouver. Hugging Face est le foyer des poids ouverts : chaque modèle de ce classement y a une page avec les poids, la licence, la fiche du modèle et la documentation. C'est aussi là que vous vérifiez les faits sur lesquels cet article se montre prudent — la fenêtre de contexte, le texte de la licence, la configuration recommandée — car la fiche du modèle est la source primaire et tout le reste, y compris cet article, en dépend. Hugging Face propose aussi une inférence hébergée pour beaucoup de ces modèles, ce qui est le moyen le plus rapide d'essayer un grand modèle sans posséder le matériel : payez au token, pas de GPU requis, et changez de fournisseur quand vous voulez.
Un dernier point pratique : le matériel décide plus que les benchmarks. Un modèle que vous ne pouvez pas exécuter est un modèle que vous ne pouvez pas utiliser, et la séquence honnête est de vérifier d'abord la mémoire de votre GPU, puis de choisir le plus grand modèle qui tient, puis de vérifier la licence. Le classement ci-dessus vous dit quels modèles sont les meilleurs dans l'abstrait ; votre matériel vous dit lesquels sont les meilleurs pour vous. Notre comparatif des outils d'observabilité LLM couvre les outils de suivi qui gardent un modèle auto-hébergé en bonne santé en production, et notre comparatif des meilleurs assistants de codage IA couvre les produits de codage finis construits sur des modèles comme ceux-ci — à lire si vous voulez la capacité sans exécuter le modèle vous-même.
Quel modèle choisir ?
- Travail le plus difficile, longs documents, agents → Kimi K3.1 Pro. Le meilleur score, un contexte d'un million de tokens, une licence basée sur MIT. Exécutez-le en hébergé ; n'essayez pas de l'exécuter chez vous.
- Servir des utilisateurs à grande échelle avec un budget → DeepSeek V4.1-Flash. Rapide, bon marché à servir, fort en codage. Le modèle derrière plus d'API de production que tout autre de cette liste.
- Construire un produit avec le moins de tracas → Qwen 3.6. Le meilleur écosystème, l'affinage le plus facile, une taille pour chaque machine. Le choix par défaut, et le bon pour la plupart des équipes.
- Travail agentique ou utilisateurs sinophones → GLM-5.3. Conçu pour l'usage d'outils et les tâches en plusieurs étapes, avec une vraie force bilingue. Testez-le face à DeepSeek sur vos propres tâches.
- Raisonnement difficile et recherche → Muse Spark Open. Le spécialiste du cinquième difficile de votre charge de travail, où la profondeur de pensée compte plus que la vitesse.
- Travail multimodal → MiniMax M3. Texte plus images et audio dans un seul modèle ouvert. Acceptez l'écosystème plus mince en échange d'une capacité que personne d'autre dans la liste n'offre.
- Risque minimal, support maximal → Llama 4. Le plus de tutoriels, le plus d'affinages, la licence la plus éprouvée. Ce n'est plus le meilleur, c'est toujours le plus sûr.
- Sur appareil ou hors ligne → Inkling 2 Small ou Gemma 4. Petit, rapide, privé par construction. Vérifiez que les poids d'Inkling sont bien sortis avant de vous engager ; Gemma 4 est l'option éprouvée aujourd'hui.
- Chat local sans complication → gpt-oss. Facile dans Ollama, comportement familier, un modèle de milieu de gamme solide pour l'usage quotidien.
Ce qu'il faut surveiller en décembre 2026
Ce classement est un instantané, et le domaine ouvert évolue trop vite pour que les instantanés vieillissent bien. Trois choses à surveiller avant la fin de l'année. D'abord, si les poids Apache 2.0 d'Inkling sortent vraiment — un petit modèle avec une licence nette changerait la conversation sur appareil du jour au lendemain, et un retard en dirait long aussi. Ensuite, si quelqu'un répond à Kimi K3.1 Pro : DeepSeek, Qwen et Meta ont tous la capacité de répondre, et une sortie concurrente fin novembre réordonnerait le trio de tête. Enfin, les révisions de benchmarks : Artificial Analysis, SuperCLUE et theairankings.com relancent tous leurs évaluations à mesure que de nouveaux modèles sortent, et les scores cités ici bougeront. Si vous prenez une décision qui vivra un an — un choix de modèle pour un produit, un investissement d'affinage, un achat de matériel — revérifiez les benchmarks le jour de votre décision, pas le jour où vous lisez cet article.
La tendance de fond mérite d'être nommée. Il y a deux ans, le domaine ouvert accusait une génération de retard sur les laboratoires fermés. Il y a un an, il accusait des mois de retard. En novembre 2026, le meilleur modèle ouvert obtient 46 points à l'index Artificial Analysis et domine un benchmark majeur — et l'écart qui reste est assez étroit pour que, pour la plupart des tâches réelles, la question ne soit plus « le modèle ouvert est-il assez bon ? » mais « qu'offre le modèle fermé qui justifie d'abandonner la confidentialité, le contrôle et le coût ? » Pour un nombre croissant d'équipes, la réponse est : pas assez. C'est la vraie histoire de ce classement, et c'est pourquoi le prochain sera écrit plus tôt que vous ne le pensez.
Le verdict honnête
Kimi K3.1 Pro est le meilleur modèle IA open source en novembre 2026, et ce n'est pas serré : le meilleur score ouvert à l'index Artificial Analysis, le meilleur modèle chinois dans les résultats SuperCLUE de novembre, un contexte d'un million de tokens et une licence basée sur MIT. Si vous avez besoin du modèle ouvert le plus fort et que vous pouvez l'exécuter en hébergé, la décision est prise. Mais le meilleur modèle n'est pas toujours le bon modèle, et le vrai conseil de ce classement est plus nuancé que son titre. Qwen 3.6 est le modèle sur lequel la plupart des équipes devraient réellement construire, parce que c'est celui qu'elles peuvent exécuter, affiner et déployer sans cluster GPU. DeepSeek V4.1-Flash est le modèle que la plupart des produits devraient réellement servir, parce qu'il est rapide et bon marché à grande échelle. Et Gemma 4 et Inkling sont les modèles qui comptent le plus pour l'avenir, parce qu'ils placent l'IA sur l'appareil plutôt que dans le cloud.
Le verdict honnête sur le domaine, pas seulement sur le vainqueur, est celui-ci : les modèles ouverts sont arrivés. Ils sont assez bons pour la production, les agents, les longs documents, le codage — le travail qui exigeait autrefois une API fermée. Ils ne sont pas encore meilleurs que les meilleurs modèles fermés sur les tâches les plus difficiles, et ils ne le seront peut-être jamais, parce que les laboratoires fermés disposent toujours de plus de calcul. Mais « pas le meilleur » n'est plus la même chose que « pas assez bon », et pour la confidentialité, le coût, le contrôle et la personnalisation, les modèles ouverts offrent désormais des choses qu'aucun modèle fermé ne peut égaler. Choisissez le modèle qui convient à votre matériel et à vos exigences de licence, vérifiez la fiche du modèle avant de construire dessus, et revérifiez les benchmarks avant de vous engager. Le classement changera. La direction, non.
Questions fréquentes
Quel est le meilleur modèle IA open source en novembre 2026 ?
Au 9 novembre 2026, Kimi K3.1 Pro est le modèle ouvert le mieux classé. Ses poids sont sortis le 4 novembre 2026, il obtient 46 points à l'Artificial Analysis Intelligence Index — le meilleur score de tous les modèles ouverts — et il s'est classé premier parmi les modèles chinois dans les résultats SuperCLUE de novembre 2026. Ses concurrents les plus proches sont DeepSeek V4.1-Flash et GLM-5.3, et Qwen 3.6 est le choix polyvalent le plus sûr pour un usage local.
Les modèles IA open source sont-ils vraiment gratuits ?
Les poids sont généralement gratuits à télécharger, mais gratuit ne veut pas dire sans restriction. La plupart de ces modèles sont publiés sous des licences qui limitent l'usage commercial, la redistribution ou l'usage au-delà d'une certaine échelle — et certains sont des poids ouverts, pas du vrai open source. Lisez la licence sur la page du modèle avant de l'utiliser dans un produit, et vérifiez le site officiel pour les conditions actuelles, car les licences changent.
Puis-je exécuter ces modèles sur mon propre ordinateur ?
Oui, pour les modèles petits et moyens. Ollama est la voie la plus simple sur un portable ou un ordinateur de bureau : installez-le, récupérez un modèle et discutez depuis votre terminal. Les modèles plus grands de ce classement demandent un GPU sérieux ou un GPU cloud loué, et les tout plus grands — comme Kimi K3.1 Pro avec ses 2 800 milliards de paramètres — s'exécutent en pratique via une inférence hébergée ou un serveur multi-GPU, pas sur un PC domestique. vLLM est le choix standard pour servir un modèle à de nombreux utilisateurs.
Quelle est la différence entre poids ouverts et open source ?
Les poids ouverts signifient que vous pouvez télécharger et exécuter les fichiers du modèle entraîné. Le vrai open source, selon la définition de l'Open Source Initiative, exige aussi les données d'entraînement, le code et les pleines libertés d'utiliser, d'étudier, de modifier et de partager. Presque aucun modèle de pointe ne satisfait la définition complète. Kimi K3.1 Pro, par exemple, est publié sous une licence basée sur MIT pour ses poids, ce qui est permissif, mais cela ne rend pas tout le pipeline d'entraînement ouvert. Considérez les poids ouverts comme une liberté pratique d'exécuter le modèle, pas comme une garantie d'ouverture totale.
Quel modèle ouvert est le meilleur pour le codage ?
Pour le codage, commencez par Qwen 3.6 ou DeepSeek V4.1-Flash — tous deux sont largement utilisés pour la génération de code et le codage agentique, et tous deux disposent d'un outillage solide autour d'eux dans Ollama et vLLM. Kimi K3.1 Pro est le plus fort en capacité brute et son contexte d'un million de tokens est un vrai avantage pour les grandes bases de code, mais il est beaucoup plus lourd à exécuter soi-même. Si vous voulez un assistant de codage géré plutôt qu'un modèle brut, notre comparatif des meilleurs assistants de codage IA couvre les produits finis construits sur ces modèles.
Les modèles open source battent-ils les modèles fermés comme GPT et Claude ?
Pas encore en capacité brute — les meilleurs modèles fermés mènent toujours sur les benchmarks de raisonnement et d'agentique les plus difficiles. Mais l'écart est désormais assez petit pour qu'un très bon modèle ouvert suffise pour la plupart des tâches réelles — rédaction, résumé, codage, questions sur documents — et il apporte ce que les modèles fermés ne peuvent pas : vous pouvez l'exécuter en privé, l'affiner et ne payer que votre propre calcul. Si la confidentialité, la maîtrise des coûts ou la personnalisation comptent plus que les derniers points de benchmark, l'ouvert est le meilleur choix.