Que cache un nom de modèle ?

A35B, c’est la partie qui travaille

Dans Qwen3-Coder-480B-A35B-Instruct, A35B signifie 35 milliards de paramètres actifs. Le modèle en compte 480 milliards au total, ces nombres appris qui le composent, et c’est le 480B juste avant le A. Il lit et écrit en tokens, de petits morceaux de mots, et seuls 35B de ses paramètres travaillent sur chaque token. Les deux chiffres figurent sur la fiche du modèle publiée par Qwen.

Le A est là parce que le modèle est un mélange d’experts (MoE) : il est composé de nombreux petits blocs, dont quelques-uns seulement travaillent sur chaque token. Les deux chiffres ne coûtent pas la même chose. Le total fixe la mémoire dont le modèle a besoin, puisque tous les blocs doivent être chargés et prêts. C’est le chiffre actif qui règle le travail à fournir pour chaque token, donc la vitesse et le coût d’exploitation. Ce partage permet à DeepSeek-V4.1-Flash, un modèle de 552B, de n’utiliser que 8B pour chaque token qu’il lit.

Cinq familles reviennent sans cesse dans les présentations des fournisseurs : Qwen, DeepSeek, Gemini, GPT et Claude. Qwen et DeepSeek publient leurs fichiers de modèle et leurs tailles, Qwen dans le nom lui-même et DeepSeek sur la fiche du modèle. Claude, GPT et Gemini ne publient aucune taille, et leurs noms suivent donc d’autres règles.

Comment lire un nom de modèle ?

Coupez le nom Qwen à chaque tiret et vous obtenez cinq morceaux, qui répondent chacun à une question différente.

Qwen3 donne la famille et sa génération, Coder la spécialité, puisque ce modèle a été conçu pour le code. Viennent les deux tailles, 480B pour la taille totale et A35B pour la taille active. Instruct, à la fin, décrit l’affinage, ici pour suivre des consignes. Qwen précise aussi que ce modèle ne fonctionne que dans ce qu’elle appelle le mode « non-thinking » : il répond sans raisonner d’abord sur le problème.

Les tailles ne s’arrêtent pas aux milliards. Qwen3.8-2.4T-A95B compte 2.4T de paramètres : le T désigne le trillion à l’américaine, soit 1 000 milliards, ce qui donne 2 400B (2,4 billions en français), dont 95B servent à chaque token.

Un nom sans partie A mérite un second regard. Qwen3.6-27B n’en a pas : c’est un modèle dense, qui utilise tous ses 27B de paramètres à chaque token. gpt-oss-120b, le modèle à poids ouverts d’OpenAI, n’a pas de A non plus, alors que c’est bien un mélange d’experts, avec 117B au total et 5.1B actifs. Même le 120 de son nom est un arrondi des 117B de sa fiche. Quand le nom ne dit pas tout, lisez la fiche du modèle.

Un sigle comme FP8 ou BF16 donne la précision, c’est-à-dire le nombre de bits utilisés pour stocker chaque paramètre : 16 bits (2 octets) en BF16, 8 bits (1 octet) en FP8. Qwen3.6-27B-FP8 est Qwen3.6-27B stocké sur 8 bits, donc moins gourmand en mémoire tout en gardant ses 27B de paramètres.

Un nombre en fin de nom peut aussi être une date. DeepSeek a publié V4.1-Flash le 10 septembre 2026, puis une mise à jour à l’architecture identique le 17 octobre, baptisée V4.1-Flash-1017 d’après le mois et le jour. Les noms de gamme comme Flash, Lite, Pro ou Mini sont une autre affaire, car chaque éditeur décide de ce qu’ils signifient.

Pourquoi un 552B tourne comme un 8B ?

Dans un modèle MoE, l’essentiel des paramètres se répartit entre de nombreux petits réseaux, les experts. Pour chaque token, un routeur en choisit quelques-uns : seuls ceux-là sont actifs, les autres attendent en mémoire. La sortie des experts actifs poursuit ensuite son chemin dans le modèle jusqu’à la réponse.

DeepSeek-V4.1-Flash compte 384 experts routés. Son routeur en retient 6 pour chaque token, et un expert partagé s’y ajoute à chaque fois. Selon DeepSeek, cela représente 8B de paramètres actifs pendant que le modèle lit ce que vous lui envoyez et 16B pendant qu’il écrit la réponse, sur 552B au total. Qwen3.6-35B-A3B fonctionne de la même façon à plus petite échelle, avec 8 experts sur 256 et un expert partagé pour chaque token, ce qui fait 3B sur 35B.

Mettez six modèles côte à côte et chaque MoE garde sa part active sous 9 % de son total. DeepSeek-V4.1-Flash lit avec 8B sur 552B, soit environ 1,4 %, la plus petite part de la figure. Qwen3.8-2.4T-A95B et gpt-oss-120b se retrouvent proches, avec 95B sur 2.4T (4,0 %) et 5.1B sur 117B (4,4 %). Qwen3-Coder-480B-A35B-Instruct travaille avec 35B sur 480B (7,3 %), et Qwen3.6-35B-A3B avec 3B sur 35B (8,6 %). Seul Qwen3.6-27B, un modèle dense, mobilise tout : 27B sur 27B.

La mémoire obéit à une autre logique. Le routeur peut choisir n’importe quel expert pour le token suivant, donc tous doivent rester chargés. Pour les seuls poids, une estimation rapide consiste à multiplier le nombre total de paramètres par le nombre d’octets de chaque paramètre, ce qui donne environ 2 Go par milliard de paramètres en BF16, 1 Go en FP8 et 0,5 Go en 4 bits. Le contexte et le logiciel qui fait tourner le modèle demandent de la mémoire en plus.

Prenons les deux modèles Qwen3.6. Qwen3.6-35B-A3B en BF16 demande environ 70 Go pour ses poids (35 × 2), alors que 3B seulement sont actifs par token. Qwen3.6-27B-FP8 demande environ 27 Go (27 × 1) et utilise ses 27B à chaque token. Une partie de l’écart vient de la précision, mais stocké de la même façon, le MoE reste le plus gros, 35B contre 27B, et il fait pourtant moins de travail à chaque token, ce qui explique qu’il puisse répondre vite.

Que veulent dire Flash, Sonnet et Luna ?

Claude, GPT et Gemini sont accessibles uniquement par API : vous passez par le service de l’éditeur et vous ne recevez jamais les fichiers du modèle. Leurs noms contiennent un numéro de génération et un nom de gamme, qui situe le modèle en taille ou en vitesse au sein de sa famille. À quoi sert chaque gamme, seule la description de l’éditeur le dit.

Le tableau reprend les descriptions que chaque éditeur donne de ses modèles, tirées de l’aperçu des modèles Claude d’Anthropic, de la page des modèles d’OpenAI et de la page des modèles Gemini de Google. Les noms et les chiffres de cet article sont ceux que les éditeurs ont publiés le 21 octobre 2026, et ces familles sont souvent mises à jour. Les prix changent eux aussi, et chaque éditeur publie les siens sur sa propre page de tarifs.

Anthropic indique aussi la vitesse relative des quatre modèles Claude : Fable est plus lent, Opus modéré, Sonnet rapide et Haiku le plus rapide. Tous acceptent du texte et des images. Si vous hésitez entre Claude Opus et Sonnet, Anthropic suggère de commencer par Opus 5.5 pour la plupart des usages.

Pour la fenêtre de contexte, la quantité de texte qu’un modèle peut prendre en compte d’un coup, les éditeurs indiquent 1 million de tokens pour les quatre modèles Claude, Gemini 4 Argon et Gemini 3.8 Flash. OpenAI en indique 1,05 million pour ses trois modèles phares, GPT-6 Astra, GPT-6.1 Sol et GPT-6 Luna. La page de Google sur Gemini 3.8 ajoute que Gemini 3.8 Flash peut écrire jusqu’à 64K tokens en sortie et propose des niveaux de réflexion réglables, low, medium ou high.

OpenAI présente GPT-6.1 Sol comme proche d’Astra, alors que GPT-6 Astra porte le numéro le plus bas. Un numéro de génération plus élevé n’indique donc pas une gamme supérieure.

Attention au mot Flash : deux éditeurs l’emploient pour des choses différentes. Chez DeepSeek, Flash est un modèle de 552B à poids ouverts, que DeepSeek décrit comme « le plus petit modèle de notre nouvelle famille d’architecture, doté d’une compréhension visuelle native ». Chez Google, Flash est une gamme rapide d’une famille fermée, dont la taille n’est pas publiée. Si un fournisseur vous dit faire tourner Flash, demandez-lui lequel.

Quels modèles pouvez-vous héberger ?

Les modèles Qwen, DeepSeek et gpt-oss présentés ici sont à poids ouverts : vous pouvez télécharger les fichiers du modèle et les faire tourner sur votre propre matériel, sous la licence qui les accompagne. Cela dit, poids ouverts ne veut pas toujours dire auto-hébergement, puisque DeepSeek propose aussi V4.1-Flash via sa propre API, sous le nom deepseek-flash.

Commencez par la licence. DeepSeek-V4.1-Flash est sous MIT, tandis que gpt-oss-120b et trois des quatre modèles Qwen sont sous Apache 2.0. Le plus gros Qwen de la liste, Qwen3.8-2.4T-A95B, relève de sa propre licence, la Qwen3.8-Max, si bien qu’une même famille peut avoir des conditions différentes. Si vous comparez Qwen et DeepSeek pour vos propres serveurs, lisez la licence avant que quiconque commande du matériel.

Dimensionnez ensuite le matériel avec l’estimation de mémoire. Les fichiers publiés par DeepSeek incluent des poids stockés sur 8 bits (FP8), et à 1 octet par paramètre, 552B donnent environ 552 Go pour les seuls poids. Il faut donc un serveur équipé de plusieurs GPU, pour un modèle qui ne mobilise que 8B à 16B de paramètres par token. OpenAI stocke les poids des experts de gpt-oss-120b dans un format 4 bits appelé MXFP4 et affirme que cela lui permet de « fonctionner sur un seul GPU de 80 Go ».

Les entrées et le style de réponse diffèrent aussi. DeepSeek-V4.1-Flash accepte du texte et des images, alors que Qwen3.8-2.4T-A95B ne traite que du texte et raisonne toujours sur le problème avant de répondre, dans ce que Qwen appelle le mode « thinking ». Qwen3.6-35B-A3B fait de même par défaut, et vous pouvez le basculer en réponse directe.

Quel modèle pour quel travail ?

Un service client confie à un modèle des tâches très différentes. Un appel en direct exige une réponse pendant que l’appelant est encore en ligne, alors que personne n’attend le résumé des appels d’hier. Le tableau reprend les descriptions des éditeurs, et chaque ligne se lit comme un point de départ pour vos tests, pas comme un classement.

L’appel en direct est la ligne la plus exigeante du tableau. L’appelant entend la moindre pause, et le modèle n’en est qu’une cause parmi d’autres. Notre article sur l’origine de l’attente sur une ligne vocale découpe cette pause en composantes que vous pouvez mesurer.

Choisissez deux ou trois candidats dans la ligne qui correspond à votre tâche et testez-les sur vos propres appels enregistrés, avec le nom de vos produits, vos langues et les questions que vos clients posent vraiment. Évaluez chacun sur la tâche elle-même, par exemple en vérifiant si un résumé a bien retenu l’heure de rappel promise à l’appelant.

Quand un fournisseur vous présente sa solution, demandez quel modèle fait tourner chaque étape, de la conversation en direct au routage et au résumé après l’appel. Demandez le nom complet, avec le numéro de génération et la gamme. Un seul et même nom pour toutes les étapes mérite une question de plus, et nos 30 questions à poser avant d’acheter une IA vocale disent quoi vérifier d’autre.

Et DRING, dans tout cela ?

La pile technique de DRING est indépendante des modèles. Les modèles de reconnaissance vocale et de raisonnement derrière chaque agent IA sont choisis selon la langue et le processus, et chaque fournisseur de reconnaissance vocale, de modèle de langage et de synthèse vocale est retenu agent par agent parmi les principaux acteurs. Chacun peut être remplacé sans reconstruction et changé sans toucher au reste de la pile, comme l’explique notre page sur la couche modèles.

Un parcours peut aussi passer à un autre modèle sans changer de plateforme, et si un fournisseur de modèles a un incident, l’appel peut basculer vers un fournisseur opérationnel. Notre page pour les DSI passe en revue les questions qu’une revue d’architecture pose ensuite.

Un changement de modèle se teste comme un lancement. Chaque agent DRING passe par 1 000 à 10 000 conversations simulées, conçues pour votre entreprise, avant le premier appel réel. Un modèle plus performant n’est mis en service qu’après avoir passé la batterie de non-régression de toute la pile technique, et les résultats sont comparés à la version précédente avant toute mise en production. Dites-nous sur quelle étape de vos appels vous voulez d’abord un modèle d’IA, et DRING vous rappelle en deux minutes.