Meta met Muse Glimmer sur Hugging Face, revenant sur son virage vers les modèles fermés

Meta a publié Muse Glimmer, un modèle de 30 milliards de paramètres sur Hugging Face, alors même que l’entreprise a réorienté cette année sa famille phare Muse vers des services cloud fermés. Le modèle combine compréhension d’images, raisonnement, programmation et utilisation d’outils dans un ensemble conçu pour le matériel local. Meta distribue ses poids sous licence Apache 2.0.

Cette combinaison fait de Glimmer davantage qu’une simple nouvelle version de modèle compact. Meta avait bâti sa réputation dans les modèles ouverts autour de Llama, avant de présenter en avril 2026 le Muse Spark propriétaire. Glimmer rétablit des poids téléchargeables sans abandonner le modèle commercial de plus grande taille qui sous-tend Meta AI et la Meta Model API.

Cette publication crée donc une séparation délibérée. Muse Spark demeure le système hébergé de Meta, doté de capacités supérieures, tandis que Glimmer offre aux développeurs un modèle plus petit qu’ils peuvent examiner, modifier et exploiter de manière privée. Google, Alibaba et d’autres fournisseurs se disputent déjà cette couche de déploiement local.

La question centrale est de savoir si Meta revient réellement au développement ouvert ou a simplement trouvé un canal de distribution pratique pour ses modèles plus petits. Glimmer offre un contrôle local significatif, mais les seuls poids du modèle ne reproduisent ni l’infrastructure, ni les données d’entraînement, ni les capacités de Muse Spark.

Hugging Face accueille le modèle agent local de Meta

Muse Glimmer transforme le retour de Meta aux modèles ouverts en une solution que les développeurs peuvent télécharger et exécuter, et non en une simple promesse pour l’avenir.

Meta présente Muse Glimmer comme un modèle dense de 30 milliards de paramètres distillé à partir de Muse Spark. La distillation transfère certains comportements sélectionnés d’un modèle enseignant plus grand vers un modèle plus petit. L’objectif est de préserver des capacités utiles tout en réduisant la mémoire et la puissance de calcul nécessaires au déploiement.

Le modèle accepte des entrées textuelles et visuelles, puis produit du texte, du code et des appels d’outils structurés. Sa conception agentique signifie qu’il peut planifier plusieurs étapes, invoquer les outils disponibles, examiner le résultat et se rétablir lorsqu’un outil échoue. Ces fonctions visent les agents de programmation, les flux de recherche, l’assistance informatique et d’autres tâches qui dépassent un prompt et une réponse.

Selon les documents du modèle résumés dans la publication de Muse Glimmer, le modèle prend en charge une fenêtre de contexte supérieure à 131 000 tokens et plus de 100 langues. Le contexte correspond aux éléments de travail qu’un modèle peut prendre en compte au cours d’une interaction. Une fenêtre plus grande peut contenir de vastes volumes de code, des documents, des résultats d’outils et des actions antérieures.

Meta a également publié des poids en pleine précision, deux variantes en quatre bits, un encodeur de perception et un modèle de brouillon DFlash. La quantification en quatre bits compresse les paramètres du modèle dans un format numérique plus petit, réduisant l’utilisation de mémoire avec un possible compromis sur la précision. L’encodeur de perception convertit le contenu des images en représentations que le modèle de langage peut traiter.

DFlash répond à un autre problème du déploiement local : la vitesse de génération. Il utilise le décodage spéculatif, dans lequel un composant plus petit propose plusieurs tokens probables avant que le modèle principal ne les vérifie. Les propositions acceptées permettent au système de produire plusieurs tokens sans répéter chaque calcul complet.

Meta indique que les versions compressées peuvent fonctionner sur des machines disposant d’environ 24 Go de mémoire graphique disponible. Cela place le modèle à la portée des GPU grand public haut de gamme et de certains systèmes Apple Silicon. Cela ne signifie pas que chaque ordinateur portable pourra exécuter Glimmer correctement, en particulier avec un contexte long et le traitement d’images activés.

La licence Apache 2.0 compte autant que la cible de mémoire. Elle autorise généralement l’utilisation commerciale, la modification et la redistribution, tout en préservant les mentions de droit d’auteur et de licence. Les développeurs doivent néanmoins examiner la documentation du modèle de Meta, ses recommandations de sécurité et toute politique applicable à une application donnée.

La disponibilité via Hugging Face abaisse un autre obstacle. La plateforme offre aux développeurs un emplacement familier pour les fichiers de modèle, la documentation, les variantes communautaires et le travail d’intégration. Elle facilite également la comparaison de Glimmer avec des versions de taille comparable de Qwen, Gemma, Mistral et NVIDIA.

La prise en charge émerge dans Transformers, llama.cpp, Ollama, LM Studio, vLLM, SGLang et ExecuTorch. La couverture réelle des fonctionnalités peut varier selon l’environnement d’exécution. Les entrées d’images, le formatage des appels d’outils, le décodage spéculatif et le contexte long peuvent exiger des versions particulières ou des choix de configuration spécifiques.

C’est le changement concret. Meta n’a pas ouvert les poids de son modèle phare Muse Spark, mais a placé un membre compétent de cette famille dans l’écosystème des modèles locaux. Ce mouvement relance une stratégie que de nombreux développeurs pensaient que Meta avait abandonnée.

Pourquoi le retour de Meta aux poids ouverts compte maintenant

Glimmer met sous pression à la fois les fournisseurs d’API fermées et les modèles locaux établis, car il relie la stratégie agentique de Meta à un déploiement privé contrôlé par l’utilisateur.

Muse Spark est arrivé en avril comme le premier modèle de Meta Superintelligence Labs. Meta a présenté ce lancement comme une refonte complète de son travail sur l’IA et a positionné le modèle autour du raisonnement, de la perception multimodale et des flux de travail agentiques. Contrairement aux versions de Llama, Spark a d’abord atteint les utilisateurs via Meta AI plutôt que par des poids téléchargeables.

Ce choix a affaibli l’identité de Meta comme principal fournisseur américain de poids de modèles largement accessibles. Llama avait offert aux chercheurs et aux entreprises une alternative aux systèmes entièrement hébergés d’OpenAI, Anthropic et Google. Spark laissait entendre que Meta concurrencerait ces entreprises par un service contrôlé.

Meta n’a jamais affirmé que tous les modèles Muse resteraient fermés. Lors du lancement de Spark, Mark Zuckerberg a déclaré que la famille inclurait des modèles open source. Glimmer constitue la première concrétisation importante de cette promesse, même si « poids ouverts » demeure une description plus précise lorsque les données d’entraînement et l’ensemble du processus de développement ne sont pas disponibles.

Le calendrier reflète l’évolution du déploiement des agents. Les modèles hébergés restent attrayants lorsque les utilisateurs ont besoin des capacités les plus élevées disponibles ou d’une gestion minimale de l’infrastructure. Les modèles locaux deviennent plus convaincants lorsque la confidentialité, la latence, l’accès hors ligne, la personnalisation ou un contrôle prévisible comptent.

Un agent fonctionnant en permanence amplifie ces préoccupations. Un assistant de programmation peut examiner un dépôt privé, exécuter des commandes shell et lire des outils de suivi des problèmes. Un agent de bureau peut rencontrer des messages, des calendriers, des documents financiers ou des écrans d’authentification. Envoyer chaque observation à un modèle distant élargit la quantité de données sensibles qui franchissent une frontière organisationnelle.

Un modèle local ne sécurise pas automatiquement ce flux de travail. L’agent qui l’entoure peut toujours exposer des identifiants, exécuter des commandes dangereuses ou se connecter à des services non fiables. Toutefois, l’inférence locale permet à une organisation de décider où transitent les entrées brutes et combien de temps elles restent disponibles.

Le modèle offre également à Meta une autre voie vers l’infrastructure des développeurs. Une API cloud se dispute des appels individuels. Un modèle téléchargeable peut s’intégrer à des produits, des outils internes, des systèmes robotiques et des applications hors ligne que Meta n’héberge jamais directement.

Cette stratégie de distribution étendue a aidé Llama à devenir influent, même lorsque des modèles concurrents obtenaient de meilleurs résultats sur certaines évaluations. Les développeurs ont créé des quantifications, des fine-tunings, des environnements d’exécution et des recettes de déploiement autour de ces poids. Hugging Face a servi comme l’un des points de rencontre centraux de ce travail.

Glimmer teste désormais si le même effet peut s’étendre aux agents. L’écosystème pertinent inclut des schémas d’outils, des systèmes de mémoire, des contrôles d’autorisations, des encodeurs visuels, des moteurs d’inférence et des cadres d’évaluation. La qualité du modèle n’est qu’une partie de la décision d’adoption.

La propre orientation de Meta rend l’expérience plus conséquente. L’entreprise a présenté Muse Spark comme une base pour la superintelligence personnelle et a intégré des fonctions agentiques dans Meta AI. Ces ambitions exigent des modèles capables d’agir au fil de flux de travail plus longs, et non de simplement produire des réponses conversationnelles.

Les concurrents poursuivent des objectifs similaires à travers des choix de distribution différents. OpenAI et Anthropic mettent l’accent sur les modèles gérés et les agents hébergés. Google exploite à la fois les services Gemini propriétaires et la famille Gemma téléchargeable. Les versions de Qwen d’Alibaba sont devenues des références fréquentes pour le raisonnement local, la programmation et le travail multimodal.

Glimmer permet à Meta d’occuper les deux côtés de ce marché. Spark peut rivaliser pour les capacités fournies via le cloud, tandis que Glimmer peut rivaliser pour les installations où les utilisateurs contrôlent l’inférence. Cette approche à deux volets met sous pression les fournisseurs principalement engagés sur un seul côté.

Elle donne également aux développeurs un levier. Une équipe peut prototyper avec des poids ouverts, inspecter le comportement localement et conserver la possibilité d’utiliser un modèle hébergé plus grand pour les tâches plus difficiles. Cette flexibilité réduit la dépendance à une API unique, même si changer de modèle exige toujours un travail d’évaluation et d’ingénierie.

Hugging Face relance la stratégie de modèles ouverts de Meta

Cette publication constitue un revirement de distribution, et non un abandon complet de la stratégie de modèle phare fermé de Meta.

L’approche antérieure de Meta avec Llama faisait des modèles téléchargeables un élément central de son identité en IA. L’entreprise a publié plusieurs tailles de modèles et encouragé le déploiement externe, bien que la licence communautaire de Llama diffère des licences de logiciels open source conventionnelles. Les chercheurs ont débattu de la terminologie, mais les poids étaient largement accessibles.

La transition vers Muse Spark a déplacé le centre de gravité. Spark a été lancé via Meta AI, et ses versions ultérieures se sont étendues par l’interface de modèle gérée de Meta. Meta a présenté le modèle comme compétitif avec les systèmes de pointe, tout en conservant le contrôle des poids les plus capables.

Ce modèle se rapprochait davantage des stratégies utilisées par OpenAI, Anthropic et Google Gemini. Les utilisateurs pouvaient accéder aux capacités, mais ne pouvaient pas exploiter le même système de manière indépendante. Meta obtenait un contrôle plus étroit des mises à jour, des couches de sécurité, de la mesure de l’utilisation et de l’infrastructure.

Glimmer n’efface pas cette décision. Il crée une branche ouverte plus petite sous un modèle phare fermé. Cela ressemble davantage à une stratégie de portefeuille qu’à un retour philosophique à la publication de chaque modèle de premier plan.

Cette distinction importe aux entreprises qui cherchent à savoir si Glimmer réduit leur dépendance à un fournisseur. Les poids sous licence Apache offrent une liberté de déploiement considérable. Les équipes peuvent conserver une version connue, créer des points de terminaison privés, modifier le code d’inférence et éviter qu’un fournisseur ne change le modèle sans préavis.

Pourtant, les développeurs ne peuvent pas reproduire Glimmer à partir des premiers principes. Meta n’a pas publié le corpus d’entraînement complet, le modèle enseignant, le pipeline de filtrage des données, le processus de renforcement ni l’infrastructure de calcul. La distillation signifie également que Glimmer dépend de connaissances produites par un système plus vaste qui demeure fermé.

Le terme « open source » décrit donc mieux l’accessibilité pratique des artefacts publiés que la transparence de l’ensemble du processus de développement. L’Open Source Initiative a défendu une définition plus large de l’IA open source qui inclut suffisamment d’informations pour étudier et modifier le système. Les poids de Glimmer sous licence Apache satisfont une partie importante de cette définition, mais pas nécessairement toutes ses interprétations.

Le modèle représente néanmoins une publication plus permissive que de nombreux modèles téléchargeables. Apache 2.0 est une licence standard assortie de droits d’utilisation commerciale bien établis. Cela peut simplifier l’adoption par rapport aux licences personnalisées contenant des restrictions sur les produits ou des seuils d’échelle.

Meta semble également cibler les lacunes de distribution autour des modèles ouverts. Les quantifications officielles réduisent la dépendance aux conversions non officielles. La publication du composant visuel contribue à préserver la prise en charge multimodale. Fournir un modèle de rédaction conçu à cette fin intègre l’optimisation des performances à la sortie, au lieu d’en faire une réflexion tardive.

Ces choix rendent Glimmer plus exploitable en tant que système. Un modèle téléchargeable en théorie peut malgré tout ne pas s’imposer lorsque les besoins en mémoire, les architectures non prises en charge ou l’absence de modèles de configuration compliquent son déploiement. Meta cherche à réduire ces frictions dès la première version.

L’adversaire stratégique n’est pas une entreprise en particulier. C’est le modèle de distribution exclusivement fermé, dans lequel chaque agent capable dépend d’un service distant contrôlé par son fournisseur. Glimmer soutient que des comportements d’agent utiles peuvent fonctionner sous le contrôle de l’utilisateur.

Les systèmes hébergés conservent toutefois des avantages majeurs. Les fournisseurs peuvent servir des modèles bien plus volumineux que ce qu’une station de travail peut contenir. Ils peuvent mettre à jour de manière centralisée les outils, le routage, les protections de sécurité et l’infrastructure d’inférence. Ils peuvent aussi répartir les coûts matériels entre des clients aux usages différents.

Un modèle local de 30B doit l’emporter grâce au contrôle, à la disponibilité ou à la spécialisation, et non en égalant chaque résultat de pointe. Sa valeur est la plus évidente lorsque le flux de travail bénéficie de données privées, d’une faible dépendance au réseau, de versions reproductibles ou d’une intégration directe avec des logiciels locaux.

Cela fait de cette sortie un revirement mesuré. Meta rouvre la voie locale tout en conservant ses plus grandes ambitions commerciales derrière un accès géré. La question de savoir si les développeurs y verront un retour dépendra de la prochaine sortie de Meta.

Les benchmarks ne peuvent pas trancher l’affirmation de Glimmer sur les agents

Les résultats de Meta rendent Glimmer crédible, mais la fiabilité des agents dépend de la configuration d’exécution, de la conception des outils et du comportement sur de longues séquences, que les classements ne capturent qu’en partie.

Meta indique que Glimmer surpasse Qwen3.6-27B, de taille similaire, dans plusieurs évaluations d’agents. Parmi les exemples cités figurent MCP Atlas, DeepSearchQA, WildClawBench, SWE-Bench Pro et SciCode. Qwen domine dans d’autres tests, notamment SWE-Bench Verified, TerminalBench, SkillsBench et OSWorld-Verified.

Ce tableau contrasté est plus instructif qu’une moyenne unique. Le travail agentique rassemble plusieurs capacités distinctes : planification, édition de code, perception visuelle, sélection d’outils, sortie structurée, récupération après erreur et gestion de l’état. Un modèle peut être performant dans une catégorie et échouer dans une autre.

Les benchmarks dépendent aussi fortement du harnais qui les entoure. Un harnais est le logiciel qui fournit les prompts, les outils, les autorisations, la logique de nouvelle tentative et la vérification. Les mêmes poids peuvent produire des résultats différents lorsqu’un système valide les arguments d’outil et qu’un autre transmet directement la première commande générée.

Les chiffres de vitesse de Meta exigent une prudence similaire. L’entreprise indique que DFlash fait passer la production sur une RTX 5090 de 74,9 à 233,4 tokens par seconde. Elle rapporte des gains de 26,6 à 50,2 tokens par seconde sur une Apple M5 Max, et de 23,7 à 37,8 sur une M4 Max.

Il s’agit de mesures fournies par l’entreprise, et non d’attentes universelles. Le débit varie selon la quantification, la longueur de contexte, la composition du prompt, la version d’exécution, la bande passante mémoire et l’acceptation des tokens spéculatifs. Le traitement d’images et l’exécution d’outils ajoutent une latence exclue des mesures de génération brute.

Les premiers tests de la communauté illustrent cette variation. Un utilisateur a signalé environ 22GB à 23GB d’utilisation mémoire sur une RTX 3090 avec un modèle quatre bits, le composant de vision et DFlash. Un autre a rapporté plus de 200 tokens par seconde sur une RTX 5090 après avoir appliqué une modification non publiée de llama.cpp.

Un test de modèle local distinct a jugé Glimmer compétent avec les outils et détaillé en revue de code, mais moins efficace en tokens que Qwen dans le flux de travail de cet utilisateur. Ces rapports fournissent des pistes utiles, pas des preuves contrôlées.

La première incertitude concerne la fiabilité sur de longues séquences. Un agent peut sembler impressionnant durant une courte tâche de programmation, mais dériver après des dizaines d’appels d’outils. Les erreurs peuvent se cumuler lorsque le modèle interprète mal un résultat, met à jour son plan et poursuit à partir d’une hypothèse erronée.

La deuxième incertitude est l’ancrage visuel. Multimodal signifie que le modèle peut traiter davantage que du texte, mais cela ne garantit pas une compréhension exacte de l’écran. Les petits éléments d’interface, les graphiques, les relations spatiales et les états changeants des applications restent difficiles pour de nombreux systèmes.

La troisième incertitude concerne l’utilisation sûre des outils. Un modèle local peut fonctionner sans envoyer de données à un service cloud, mais confidentialité et sécurité sont des propriétés différentes. Un agent disposant d’un large accès aux fichiers ou au shell peut supprimer des données, exposer des secrets ou suivre des instructions malveillantes intégrées à un document.

Meta affirme que ses sorties font l’objet d’évaluations de sécurité, mais les acheteurs ne devraient pas considérer cette affirmation comme un substitut aux contrôles de déploiement. Les équipes ont besoin de limites d’autorisation, de revue des commandes, d’exécution isolée, de journaux d’audit et de plans de récupération. Les actions sensibles devraient exiger des contrôles déterministes ou une approbation humaine.

Des recherches plus larges appuient cette prudence. L’étude Agentic-MME a constaté une forte baisse de performance dans ses tâches d’agents multimodaux les plus difficiles, y compris pour le système le plus performant testé. Ce résultat n’évalue pas Glimmer directement, mais il montre à quelle vitesse les performances des modèles peuvent chuter lorsque les tâches deviennent plus réalistes.

La quatrième incertitude est la maturité du support. Le fait qu’un environnement d’exécution répertorie un modèle ne garantit pas un comportement identique pour chaque fonctionnalité. Les modèles d’outils, encodeurs d’images, paramètres de contexte long, caches quantifiés et décodage spéculatif peuvent mûrir à des vitesses différentes.

Les développeurs devraient tester l’ensemble du flux de travail prévu, et non une fenêtre de chat. Une évaluation utile devrait mesurer l’achèvement des tâches, les actions dangereuses, la récupération après une défaillance d’outil, le temps passé, l’utilisation de tokens et les corrections humaines. Elle devrait également comparer Glimmer aux alternatives locales et hébergées existantes avec le même harnais.

Trois signaux montreront si Meta est réellement de retour

L’importance de Glimmer sera déterminée par son adoption, des tests indépendants de fiabilité et la prochaine sortie de poids de Meta.

Le premier signal est l’adoption pratique dans les environnements d’exécution locaux et les outils pour développeurs. Les téléchargements seuls ne prouveront pas que Glimmer est devenu une infrastructure utile. Les preuves les plus solides seront des intégrations stables dans les agents de programmation, assistants de bureau, systèmes de recherche et déploiements privés en entreprise.

La prise en charge par les environnements d’exécution doit couvrir l’ensemble du modèle, et non seulement la génération de texte. Les développeurs devraient surveiller si les sorties grand public gèrent l’encodeur visuel, les appels d’outils structurés, le contexte long et DFlash sans correctifs personnalisés. Des guides d’installation reproductibles compteront davantage que des records de vitesse isolés.

Les variantes communautaires fourniront un autre indice. Des quantifications de haute qualité et des adaptations spécifiques à certaines tâches peuvent élargir la gamme de matériel compatible et améliorer certains flux de travail. Toutefois, une multiplication de variantes peut aussi compliquer l’évaluation lorsque les noms de modèles masquent des modèles de configuration différents ou des comportements modifiés.

Le deuxième signal est le test indépendant des agents. La suite de benchmarks de Meta offre aux développeurs un point de départ, mais des comparaisons crédibles exigent du matériel, des prompts, des outils et des politiques de nouvelle tentative comparables. Les évaluateurs devraient publier les catégories d’échec, et pas seulement les pourcentages finaux.

Les tests les plus utiles examineront un travail soutenu. Glimmer peut-il modifier un véritable dépôt, exécuter des tests, diagnostiquer une défaillance et éviter les changements sans rapport ? Peut-il inspecter une capture d’écran, choisir un outil, détecter un mauvais résultat et récupérer sans entrer dans une boucle ?

Les affirmations de confidentialité locale nécessitent également des tests opérationnels. Les chercheurs devraient examiner ce que les environnements d’exécution recommandés consignent, si les intégrations contactent des services externes et dans quelle mesure les administrateurs peuvent facilement restreindre les outils. « Fonctionne localement » devrait décrire l’ensemble du flux de travail, et pas seulement l’inférence du modèle.

Les premiers utilisateurs explorent déjà des longueurs de contexte au-delà de la référence documentée par Meta. Un rapport communautaire a affirmé avoir mené avec succès des tests de récupération au-delà de 800 000 tokens en utilisant des modifications de mise à l’échelle et deux stations de travail compactes. Ce résultat est intéressant, mais ne devrait pas être considéré comme une capacité prise en charge sans reproduction plus large.

Un contexte long peut introduire des défaillances subtiles même lorsqu’un modèle retrouve un fait inséré. Les flux de travail réels exigent que le modèle identifie les éléments de preuve pertinents, réconcilie les conflits et préserve les instructions sur de nombreuses étapes. Un test réussi de récupération d’aiguille ne couvre qu’une partie de ce problème.

Le troisième signal est la décision de Meta concernant sa prochaine sortie. Glimmer prouve que la famille Muse peut inclure un modèle sous licence Apache. Il ne permet pas d’établir à quel point les sorties ouvertes resteront proches des meilleurs systèmes gérés de Meta.

Meta continue d’étendre son volet propriétaire. Muse Spark 1.1 a ajouté une utilisation plus robuste des outils, l’opération d’ordinateur, la programmation et les flux de travail multimodaux. L’entreprise a également placé le système derrière une API destinée aux développeurs aux États-Unis.

Si Meta publie des poids Muse plus grands ou plus récents tant qu’ils restent commercialement pertinents, sa stratégie ouverte semblera durable. Si Glimmer reste une sortie compacte isolée tandis que Spark progresse derrière une API, il ressemblera davantage à un canal d’acquisition de développeurs.

Un quatrième modèle n’est pas nécessaire pour répondre immédiatement à cette question. Meta peut renforcer son engagement en publiant des évaluations détaillées, en maintenant une prise en charge officielle des environnements d’exécution, en mettant à jour les artefacts de modèles et en répondant aux problèmes reproductibles. La gouvernance compte après le lancement.

Les développeurs devraient également surveiller les réactions concurrentielles. Qwen, Gemma, Mistral et NVIDIA peuvent répondre avec des modèles multimodaux plus efficaces, un contexte plus long ou de meilleures performances d’agent local. L’arrivée de Glimmer relève les attentes pour un modèle tenant dans un seul GPU de classe station de travail.

L’issue probable est un marché mixte plutôt qu’une victoire nette de l’IA locale ou hébergée. Les équipes achemineront les tâches sensibles ou reproductibles vers des modèles locaux et confieront les tâches plus difficiles à des systèmes de pointe gérés. Glimmer donne à Meta une position crédible dans les deux couches.

Pour les travailleurs du savoir, cette structure crée un choix pratique. Les agents locaux peuvent travailler à proximité de documents privés, de code et d’archives personnelles, tandis que les modèles distants restent disponibles lorsque leur capacité supplémentaire justifie le transfert. Une base de connaissances personnelle bien conçue peut rendre la récupération et les autorisations explicites autour de l’un ou l’autre type de modèle.

L’action immédiate est simple : testez Muse Glimmer sur un flux de travail réel avec des autorisations limitées et des critères de réussite mesurables. Suivez chaque correction et chaque appel d’outil échoué. La disponibilité sur Hugging Face facilite l’expérimentation, mais seuls ces résultats révéleront si le retour de Meta aux modèles ouverts est substantiel.