Après plus d'un an à privilégier les modèles fermés, Meta relance sa stratégie open-weight avec la sortie de Muse Glimmer, un modèle de 30 milliards de paramètres conçu pour les flux de travail agentiques locaux. Cette initiative intervient alors que les entreprises cherchent de plus en plus à exécuter l'IA plus près de leurs données et à maintenir un contrôle plus strict sur leur infrastructure — une tendance motivée non seulement par des considérations de coût, mais aussi par des exigences de souveraineté des données et des pressions de conformité réglementaire qui rendent les déploiements exclusivement basés sur le cloud impraticables pour les charges de travail sensibles.

Publié lundi sous la licence Apache 2.0 — l'une des licences open source les plus permissives, autorisant l'utilisation commerciale, la modification et la redistribution sans obligations de copyleft — par Meta Superintelligence Labs, Muse Glimmer est optimisé pour s'exécuter sur un Mac ou un PC équipé d'un seul GPU. Le modèle gère des charges de travail agentiques complexes et multi-étapes, y compris le codage, la recherche web et les tâches de débogage.

Ce lancement suit de juste une semaine l'introduction par Meta de Muse Spark 1.1, un modèle fermé destiné au raisonnement avancé et aux tâches agentiques complexes. Ces sorties consécutives signalent que Meta a l'intention de rester compétitif sur le marché des modèles ouverts à un moment où les fournisseurs d'IA chinois gagnent du terrain avec des alternatives compétitives en termes de prix et de performances.

Glimmer marque également un retour partiel à la philosophie de modèle ouvert que Meta a initiée en 2023 avec le lancement du modèle fondational Llama, qui est devenu l'une des familles de modèles open-weight les plus téléchargées. Depuis lors, cependant, l'entreprise a progressivement relégué Llama au second plan, même après avoir sorti sa quatrième génération il y a environ un an.

Une stratégie hybride

Plutôt qu'un revirement total, les analystes voient Meta poursuivre une approche à double voie.

« Je ne pense pas que Meta revienne simplement aux modèles ouverts », a déclaré Sid Nag, président et directeur de la recherche chez Tekonyx. Il a expliqué que Meta vise à maintenir ses modèles fermés compétitifs par rapport aux offres des laboratoires d'IA de pointe, tout en utilisant des modèles ouverts pour élargir sa portée — en particulier parmi les entreprises en dehors de son écosystème de médias sociaux. Cette approche reflète la stratégie de Google, où les modèles ouverts Gemma complètent la ligne fermée Gemini.

Bien que le calendrier des sorties de Meta coïncide avec une vague de modèles ouverts chinois compétitifs de la part de fournisseurs tels que Moonshot et Alibaba, Glimmer occupe une niche distincte. Avec 30 milliards de paramètres, il est bien plus petit que certains nouveaux modèles chinois populaires, qui affichent mille milliards de paramètres ou plus.

« Il s'agit d'un modèle très épuré et léger qui s'exécute principalement sur votre ordinateur de bureau », a déclaré Arun Chandrasekaran, analyste chez Gartner. « Meta va vers le plus petit, et Meta se dirige directement vers l'edge des appareils périphériques où l'IA s'exécute. Il est principalement destiné à couvrir davantage de flux de travail agentiques locaux liés au bureau, plutôt que de ressembler à un modèle centralisé basé sur le cloud. »

Chandrasekaran a noté que Meta a observé de près la façon dont les entreprises déploient l'IA, en particulier à la lumière du succès d'OpenClaw — désormais sous l'égide d'OpenAI — et de Claude Cowork d'Anthropic.

« Les gens veulent exécuter ces modèles au plus près de l'endroit où se trouvent les données, au plus près de l'endroit où se trouve le flux de travail », a déclaré Chandrasekaran. « Dans ce but, Meta veut faire partie de cet écosystème, Meta veut le permettre, Meta veut espérer donner plus de moyens aux travailleurs de l'entreprise pour exécuter l'IA plus localement. »

Demande des entreprises en matière de contrôle et d'efficacité des coûts

L'exécution locale de modèles reflète également un appétit plus large des entreprises pour le contrôle. Nag a souligné que de nombreuses organisations recherchent des modèles spécifiques à un domaine, que la plupart des fournisseurs de modèles de pointe peinent à fournir — à l'exception d'Anthropic, qui a tiré parti de Cowork pour attirer les entreprises à la recherche de solutions sur mesure.

Les modèles ouverts offrent également une économie d'inférence convaincante, a déclaré Nag. « La formation d'un modèle de pointe coûte beaucoup d'argent, l'exécution de millions de charges de travail d'inférence en entreprise coûte encore plus cher avec le temps », a-t-il expliqué. « En publiant les poids, Meta laisse les clients supporter une grande partie des coûts d'infrastructure au lieu d'exploiter chaque charge de travail eux-mêmes. »

Malgré ces avantages, Chandrasekaran a averti que Meta reste confronté à un travail important pour obtenir une adoption significative par les entreprises. « Il doit construire cette couche de plateforme par-dessus le modèle parce que c'est ce que les entreprises veulent », a-t-il dit. « Meta devrait également offrir de meilleures capacités en matière de sécurité et d'indemnisation juridique pour les entreprises. »

Alors que le paysage concurrentiel s'intensifie — avec les modèles ouverts chinois et les laboratoires de pointe américains se disputant l'attention des entreprises — la stratégie double de Meta, consistant à proposer des modèles ouverts légers déployables à l'edge aux côtés de systèmes fermés lourds, la positionne sur plusieurs segments du marché de l'IA simultanément.