Épingles correspondant à tag:Open-Weight

Alibaba publie Qwen3.5-397B-A17B, un modèle multimodal natif à poids ouverts qui active 17B de ses 397B de paramètres, ainsi que le Qwen3.5-Plus hébergé avec un contexte de 1M de tokens, à la veille du Nouvel An lunaire.

L'équipe Qwen d'Alibaba lance trois modèles Qwen3.5 de taille intermédiaire aux poids ouverts sous Apache 2.0 : un mélange d'experts de 122B avec 10B actifs, un 35B avec 3B actifs et un modèle dense de 27B, qui, selon elle, surpassent GPT-5 mini d'OpenAI sur la plupart des benchmarks.

MiniMax lance M2.7, son premier modèle à participer à sa propre évolution, avec 56.22% sur SWE-Pro et 57.0% sur Terminal Bench 2 et des Agent Teams natifs, à $0.30 par million de tokens en entrée.

Arcee AI lance Trinity-Large-Thinking, un modèle de raisonnement ouvert de 398B paramètres (environ 13B actifs) conçu pour des agents à long horizon, qui se classerait deuxième sur PinchBench derrière Claude Opus 4.6 à $0.90 par million de tokens en sortie.

Z.ai (Zhipu AI) publie GLM-5.1 en poids ouverts sous licence MIT, un modèle de 754B de paramètres conçu pour travailler de façon autonome sur une même tâche jusqu'à 8 heures, et qui domine SWE-Bench Pro avec 58.4.

Moonshot AI publie en open source Kimi K2.6, un modèle multimodal à mélange d'experts de 1 000 milliards de paramètres dont 32 milliards actifs, avec une fenêtre de contexte de 256K tokens et des essaims d'agents allant jusqu'à 300 sous-agents exécutant 4,000 étapes coordonnées.

Xiaomi lance MiMo-V2.5-Pro, un modèle agentique de 1.02T paramètres dont 42B actifs et un contexte de 1M tokens, ainsi que MiMo-V2.5, un modèle frère omnimodal de 310B, et publie les deux en open source sous licence MIT.

DeepSeek publie l'aperçu DeepSeek-V4 sous forme de pondérations ouvertes : V4-Pro avec 1,6 billion de paramètres (49 milliards actifs) et V4-Flash avec 284 milliards (13 milliards actifs), tous deux avec une fenêtre contextuelle de 1 million de jetons et des prix de lancement d'API à partir de 0,14 $ par million de jetons d'entrée.

Mistral AI lance Mistral Medium 3.5, son premier modèle phare fusionné : un modèle dense à poids ouverts de 128B avec une fenêtre de contexte de 256K qui obtient 77.6% sur SWE-Bench Verified et coûte $1.50 par million de tokens d'entrée et $7.50 par million de tokens de sortie.

IBM lance Granite 4.1, des modèles de langage denses de 3B, 8B et 30B sous licence Apache 2.0, dont la version instruct 8B égale ou surpasse le modèle à mélange d'experts Granite 4.0 de 32 milliards de paramètres, avec de nouveaux modèles de vision, de parole, guardian et d'embeddings.

MiniMax lance MiniMax-M3, un modèle nativement multimodal avec un contexte de 1M tokens fondé sur sa nouvelle attention parcimonieuse, qui obtient 59.0% sur SWE-Bench Pro et est facturé $0.30 par million de tokens en entrée après une remise de lancement.

Z.ai (Zhipu AI) lance GLM-5.2, un modèle phare de 753B paramètres sous licence MIT, conçu pour le codage à long horizon avec une fenêtre de contexte de 1M jetons, qui obtient 62.1 sur SWE-bench Pro et 81.0 sur Terminal Bench 2.1.

Tencent lance officiellement Hy3, la version de production de son modèle à poids ouverts Hunyuan : un mélange d'experts de 295B paramètres dont 21B actifs, avec un contexte de 256K tokens, facturé 1 yuan par million de tokens en entrée.

Thinking Machines Lab lance Inkling, son premier modèle : un système à mélange d'experts à poids ouverts de 975B paramètres (41B actifs) avec un contexte de 1M tokens, qui raisonne sur le texte, les images et l'audio, conçu comme base pour le fine-tuning.

Moonshot AI lance Kimi K3, un modèle multimodal à poids ouverts de 2.8 billions de paramètres avec une fenêtre de contexte de 1 million de jetons, facturé $3.00 par million de jetons en entrée et $15.00 par million de jetons en sortie, dont les poids ont été publiés le 27 juillet.

Thinking Machines Lab lance Inkling-Small, un modèle à poids ouverts de 276B paramètres dont 12B actifs, qui égale ou dépasse Inkling (975B) en raisonnement et en codage agentique, avec 80.2 % sur SWE-bench Verified.

Alibaba lance Qwen3.8-Max, un modèle phare à mélange d'experts de 2,4 billions de paramètres avec une fenêtre de contexte de 1 million de jetons, cinquième dans Text Arena et deuxième dans Vision Arena, et le premier Qwen de rang Max dont elle a ensuite publié les poids.

Z.ai (Zhipu AI) publie GLM-5.3, une évolution de GLM-5.2 obtenue uniquement par post-entraînement, qui obtient 28.3 sur Terminal Bench 3.0 et 84.5% sur le benchmark de vulnérabilités CyberGym, avec un contexte de 1M de jetons et des poids ouverts deux semaines plus tard.

L'équipe Qwen d'Alibaba met en open source Qwen3.8-27B, un modèle multimodal dense de 27B sous licence Apache 2.0 qui, selon elle, surpasse le Qwen3.7-Plus propriétaire en codage et en flux de travail bureautiques, avec 262K de contexte natif.

IBM lance Granite 4.2, trois modèles de raisonnement Apache 2.0 ouverts (3B, 8B et 30B) avec un mode de réflexion commutable ; le 8B obtient un score de 47,67 sur SWE-bench Verified et de 86,67 sur AIME25 dans les propres exécutions d'IBM.

Z.ai lance GLM-5.3-Flash, un modèle multimodal natif à poids ouverts de 320B de paramètres (18B actifs) sur une base nouvellement entraînée qui, selon l'entreprise, surpasse GLM-5.2 pour un dixième du prix, proposé à $0.15 par million de tokens en entrée.

DeepSeek lance DeepSeek-V4.1-Flash, un modèle multimodal à poids ouverts de 552 milliards de paramètres, qu'elle affirme surpasser son propre modèle phare V4-Pro, et vers lequel elle redirige tout le trafic API de V4-Pro, aux tarifs de Flash.

Xiaomi lance et publie en open source MiMo-V2.6-Pro et MiMo-V2.6-Flash, des modèles nativement omnimodaux avec un contexte de 1 million de jetons ; Pro obtient 46,32 points à l'Artificial Analysis Intelligence Index, le meilleur score de tous les modèles open source.

Mistral AI lance Mistral Large 4 en préversion publique, un modèle à mélange d'experts nativement multimodal d'environ 1 billion de paramètres entraîné sur son propre cluster, avec des poids ouverts promis d'ici fin octobre 2026.