Meilleurs LLM open source en 2026 : le guide par licence

Concrètement, trois familles de licences à distinguer :

• MIT et Apache 2.0 — permissives, connues, comprises par tous les services juridiques. Usage commercial, modification et redistribution sans surprise. C'est le cas de gpt-oss-120B, Qwen3 235B et Mistral Small 3.2 (Apache 2.0), de DeepSeek V3.2 et R1, GLM 4.6 et Apriel 1.5 (MIT).
• Licences communautaires propriétaires — la licence Llama de Meta, par exemple. Utilisable commercialement dans de nombreux cas, mais avec des conditions spécifiques qu'il faut lire. Ce n'est pas de l'open source au sens de l'OSI, quoi qu'en dise la communication.
• « Other » — la mention affichée sur Hugging Face quand la licence ne correspond à aucun modèle standard. C'est le cas de Kimi K2 et de Nemotron Super. Cela ne veut pas dire « interdit » ; cela veut dire « lisez le texte avant de vous engager ».

Méthode : chaque ligne du tableau ci-dessous provient de l'API publique de Hugging Face, interrogée le 10 août 2026 — existence du dépôt, licence déclarée dans la model card, téléchargements du dernier mois. Vérifiez à nouveau avant de déployer : les licences sont parfois révisées.

Le volume de téléchargements n'est pas une mesure de qualité — c'est une mesure d'adoption, et donc indirectement de la quantité de documentation, de retours et d'outillage que vous trouverez autour du modèle. Sur un projet réel, cela compte souvent plus qu'un point de benchmark.

gpt-oss-120B domine l'adoption avec plus de quatre millions de téléchargements mensuels, loin devant tous les autres, sous Apache 2.0. Architecture à mélange d'experts : 117 milliards de paramètres au total mais environ 5 milliards actifs par jeton, ce qui le rend beaucoup moins coûteux à servir que sa taille nominale ne le suggère.

Mistral Small 3.2 24B est le choix pragmatique européen, et le plus téléchargé après gpt-oss : 24 milliards de paramètres sous Apache 2.0, c'est-à-dire un modèle qu'on peut réellement auto-héberger sans construire un centre de données. Pour une PME qui veut de la souveraineté sans budget d'infrastructure, c'est le point de départ par défaut.

DeepSeek V3.2 et R1 sont tous deux sous MIT, la licence la plus simple qui existe. R1 est orienté raisonnement, V3.2 est une version expérimentale visant un coût de calcul réduit. Leur licence est un argument sérieux : peu de modèles de ce niveau sont aussi libres d'usage.

Qwen3 235B A22B et GLM 4.6 couvrent le haut de gamme généraliste, l'un sous Apache 2.0, l'autre sous MIT. Qwen est particulièrement solide en multilingue, ce qui compte pour un usage français.

Apriel 1.5 15B Thinker est le plus petit de la liste et le moins téléchargé (222 le dernier mois) — donc le moins documenté. Mais 15 milliards de paramètres sous MIT avec une orientation raisonnement, c'est exactement le profil intéressant pour un déploiement contraint. À tester, pas à déployer les yeux fermés.

Les trois à licence non permissive. Llama 4 Scout (licence Meta) offre un contexte très long et du multimodal, avec une adoption forte. Kimi K2 Instruct (mille milliards de paramètres, 32 actifs) est taillé pour les agents et l'appel d'outils. Nemotron Super 49B est optimisé pour le matériel NVIDIA. Tous trois sont de bons modèles ; tous trois demandent une lecture de licence avant engagement. Ce n'est pas un détail administratif : c'est le genre de point qui bloque un projet en phase de validation juridique, six semaines après le début du développement.

• Vos données peuvent-elles sortir de l'Union européenne ? Si non, le sujet n'est pas le modèle mais l'hébergement — et l'auto-hébergement d'un modèle de taille raisonnable devient la seule option sérieuse.
• Quel est le plus petit modèle qui résout votre cas ? Commencez par là. Un modèle de 15 à 24 milliards de paramètres suffit à beaucoup plus de cas d'usage que ne le suggère la course aux paramètres.
• Votre service juridique acceptera-t-il la licence ? Posez la question avant le développement. MIT et Apache 2.0 passent sans discussion ; « other » demande une lecture.
• Qui maintiendra le déploiement ? Un modèle auto-hébergé est un système en production : mises à jour, supervision, montée en charge. C'est un transfert de coût, pas une économie.

Pour la comparaison avec les modèles commerciaux, voir notre analyse Claude vs ChatGPT en entreprise et notre guide des tarifs de l'API Claude. Pour les frameworks qui orchestrent ces modèles, voir les meilleurs frameworks d'agents IA open source.