La course chinoise des IA open-weight en 2026 : qui mène

Il y a deux ans, l'IA open-weight chinoise se résumait à un seul laboratoire. Mi-2026, ce sont cinq familles sérieuses qui livrent des modèles de niveau frontière à un rythme que l'Ouest peine à suivre : DeepSeek, Qwen (Alibaba), Kimi (Moonshot), GLM (Zhipu) et MiniMax. « Open-weight » signifie que le modèle entraîné est téléchargeable et auto-hébergeable, pas que les données ou le code d'entraînement soient publics. La nuance compte, tout comme la cadence : entre fin avril et mi-juin 2026, quatre modèles ouverts compétitifs sont sortis à quelques semaines d'écart.

Cet article cartographie le paysage et explique pourquoi il change l'équation économique pour tout le monde. Pour un face-à-face sur le tout dernier modèle phare, voir notre comparatif Kimi K3 face à Claude et GPT.

Les cinq familles, en bref

DeepSeek est le laboratoire qui a lancé la vague avec R1 en janvier 2025 et ses coûts d'entraînement très bas. Il a clôturé la lignée V3 fin 2025 puis basculé vers une architecture à attention hybride avec la famille V4 (V4 Preview, 24 avril 2026), pensée pour le contexte long et l'usage d'outils. Il reste la référence du raisonnement bon marché.

Qwen (Alibaba) est la famille généraliste la plus large, publiée sous licence permissive Apache 2.0. La gamme Qwen3 va de tout petits modèles 0,6B à de grands systèmes mixture-of-experts. Un modèle dense compact, Qwen3.6-27B, égalerait ou dépasserait des modèles bien plus lourds en codage agentique .

Kimi (Moonshot) s'est imposé comme le spécialiste agentique et codage, la série K2 rivalisant avec les meilleurs modèles fermés sur les benchmarks d'ingénierie logicielle. Son K3 de juillet 2026 est un mixture-of-experts de 2 800 milliards de paramètres — la plus grosse sortie open-weight annoncée à ce jour, les poids étant promis plus tard dans le mois.

GLM (Zhipu / Z.ai) mise sur le codage et le rapport qualité-prix. L'agrégateur indépendant Artificial Analysis a classé GLM-5.2 (juin 2026) premier modèle ouvert, à environ un sixième du prix des modèles phares occidentaux comparables .

MiniMax joue l'efficacité : son M2 n'active qu'environ 10B paramètres sur 230B au total, sacrifiant la taille brute au profit d'une faible latence et d'un faible coût sur les tâches d'agents et d'appel d'outils.

Annoncé contre mesuré

Méfiance face aux titres construits sur un seul benchmark. Les labos publient leurs propres chiffres, et un modèle optimisé pour un test public peut sembler meilleur qu'il ne l'est en usage réel. Les signaux les plus fiables sont les agrégateurs indépendants — Artificial Analysis, l'arène de préférence humaine LMArena — et surtout les données d'adoption. Le récit est cohérent : sur le codage et l'agentique, l'écart avec la frontière fermée se compte désormais en mois, pas en années, tandis que les modèles fermés gardent souvent l'avantage sur le raisonnement le plus difficile.

Pour tester un modèle ouvert chinois sans gérer vos propres GPU, la plupart sont accessibles via des fournisseurs d'API hébergés et des plateformes d'assistants.

Pourquoi la stratégie open-weight fonctionne

La stratégie est délibérée. Publier les poids construit une base mondiale de développeurs, favorise l'adoption de l'outillage autour du modèle et met la pression sur les prix des concurrents — le tout sans céder le pipeline d'entraînement. Résultat mesurable : en 2026, les modèles chinois ont systématiquement tarifé l'accès API bien en dessous des équivalents occidentaux, et le suivi indépendant plaçait la part de tokens dirigés vers des modèles chinois sur OpenRouter au-dessus de 30 % la plupart des semaines, avec des pics plus élevés .

Il y a un sous-texte matériel. Les contrôles américains à l'export ont limité l'accès des labos chinois aux meilleurs GPU, ce qui les a poussés vers l'efficacité : entraînement FP8, attention parcimonieuse, prédiction multi-tokens. Plusieurs analystes estiment que ces contrôles n'ont pas créé l'écart de capacité visé. C'est une thèse discutée — capacité et coût ne sont pas la même chose, et les labos chinois restent contraints en calcul — nous la présentons donc comme un débat, pas un verdict.

Ce que cela change, pour l'Ouest et pour les utilisateurs

Pour les labos occidentaux, la pression porte sur le prix et sur la valeur du « fermé ». Quand un modèle auto-hébergeable atteint ~90 % de la capacité de codage d'un modèle fermé phare à une fraction du coût, la prime doit se justifier par le sommet de la courbe de capacité, l'intégration produit, ou la confiance et le support.

Pour les utilisateurs et les développeurs, l'avantage est concret : tokens moins chers, possibilité d'auto-héberger pour la confidentialité ou la maîtrise des données, et moins de dépendance à un fournisseur. Les compromis le sont aussi — gouvernance, provenance, juridiction, sans oublier le cadre réglementaire européen (voir notre décryptage de l'AI Act). Si vous choisissez des outils plutôt que des modèles, notre guide des meilleurs outils d'IA gratuits est un point de départ plus doux.

À retenir

L'histoire de 2026 n'est pas un modèle chinois qui bat un modèle occidental. C'est un écosystème de cinq familles qui livrent des poids ouverts, vite et pas cher, faisant s'effondrer le prix d'une capacité proche de la frontière. Suivez l'adoption et les benchmarks indépendants plutôt que le graphique du jour de lancement d'un labo — et décidez tâche par tâche, car le leadership change désormais de mois en mois.