Une histoire de classement au mauvais titre
La famille Qwen d'Alibaba a dépassé les 3 milliards de téléchargements cumulés sur les six mois jusqu'a mi-août 2026, un chiffre que l'entreprise a confirmé a Bloomberg dans une déclaration écrite, avec un décompte de plus de 460 modèles a poids ouverts et plus de 300 000 modèles dérivés construits dessus. Presque tous les médias qui en ont parle ont publié une variante du même titre: Qwen a dépassé Google et Meta réunis pour devenir la famille d'IA a poids ouverts la plus téléchargée au monde.
Ce cadrage traite l'histoire comme un classement. Le propre rapport de Hugging Face, "State of Open Models: Summer 2026 Observations", publié le 14 août 2026 et source directe de la majeure partie de la couverture médiatique, raconte une histoire plus précise. Qwen totalise 151 448 dépôts dérivés sur le Hub de Hugging Face, 2,6 fois toute l'empreinte de Meta et 4,7 fois le nombre de dépôts spécifiques a Llama, et attire 39,6 millions de téléchargements GGUF par mois, contre 20,8 millions pour Gemma, de Google, et 7,5 millions pour Llama. Les modèles de Google occupent la deuxième place en nombre de dérivés avec 82 506 dépôts; l'empreinte implicite de Meta se situé près de 58 249. L'écart n'est pas mince.
La concentration, pas la diversité, est le vrai chiffre
Le détail que chaque récapitulatif a omis est la forme de la distribution, pas son vainqueur. Le rapport de Hugging Face constate que 85,6 pour cent de tous les modèles du Hub comptent moins de 200 téléchargements sur toute leur duree de vie, et que 1,5 pour cent des dépôts concentrent 99,2 pour cent de tous les téléchargements. Les modèles de moins d'un milliard de paramètres captent 83 pour cent de tous les téléchargements de tous les temps. Mis bout a bout, l'"écosystème de modèles ouverts" souvent décrit comme vaste et diversifié est, dans la réalité pondérée par les téléchargements, une poignée de checkpoints que presque tout le monde utilise réellement, et les dérivés de Qwen se trouvent désormais au centre de cette poignée, croissant d'environ 180 a 210 nouveaux dépôts par jour durant les sept premiers mois de 2026.
Pour une équipe d'ingénierie européenne, cette concentration compte plus que le jalon lui-même. "Nous avons évalué plusieurs modèles ouverts" et "nous nous sommes standardisés sur le checkpoint d'un fournisseur étranger, a trois couches de fine-tuning de la version originale" décrivent le même résultat pratique pour la plupart des équipes qui construisent aujourd'hui sur Hugging Face. La seconde description est celle qui pèse juridiquement.
Le déclencheur de conformité intègre au fine-tuning
L'AI Act européen ne traite pas toute entreprise qui touche a un modèle d'IA a usage général comme un utilisateur passif. En vertu de l'article 3, paragraphe 23, et du considérant 109 du règlement, ainsi que du paragraphe 62 des lignes directrices GPAI du Bureau européen de l'IA, une entreprise en aval qui modifié un modèle d'IA a usage général peut elle-même devenir "fournisseur" de ce modèle, avec les obligations que ce statut comporte, si la modification est jugée "substantielle". Le Bureau de l'IA a fixé un seuil indicatif pour ce jugement: une puissance de calcul d'entraînement équivalant a environ un tiers ou plus de la puissance utilisée a l'origine pour entraîner le modèle de base. En dessous de cette limite, le prompting, la génération augmentée par récupération et le réglage léger des hyperparamètres sont considérés comme non substantiels. Au-dessus, le fine-tuning et la distillation sont présumés substantiels, et les changements complets d'architecture le sont toujours.
Franchir cette limite ne transfère pas a une équipe l'intégralité du fardeau de conformité qu'Alibaba porte en tant que fournisseur d'origine de Qwen. Le considérant 109 limite les obligations héritées, principalement la documentation technique et une synthèse sur le respect du droit d'auteur, a la partie du modèle effectivement modifiée. Mais cela reste une obligation réelle et contraignante qui s'applique automatiquement, fondée sur un ratio de puissance de calcul que la plupart des équipes de fine-tuning n'ont jamais calculé par rapport aux FLOP d'entraînement de leur modèle de base, encore moins consigne dans un dossier de conformité.
Ce qu'un responsable IA européen devrait vraiment vérifier
La Commission européenne a déclaré publiquement s'attendre a ce que "seuls quelques modificateurs" de modèles d'IA a usage général franchissent le seuil de modification substantielle et deviennent eux-mêmes fournisseurs. Cette attente est une hypothèse politique, pas une garantie, et elle repose explicitement sur un seuil que le Bureau de l'IA lui-même qualifié d'indicatif et non de définitif, et dont la Commission reconnaît qu'il peut manquer des modifications a plus faible puissance de calcul qui changent pourtant sensiblement les capacités ou le profil de risque d'un modèle.
La lecture de Servola est pragmatique, non alarmiste: le jalon des 3 milliards de téléchargements n'est pas un avertissement en soi, mais c'est un signal. Toute équipe européenne menant des fine-tunings ou des distillations en production sur Qwen, ou sur tout autre modèle de base ouvert populaire, a désormais une raison concrète de vérifier ou se situait sa dernière session d'entraînement par rapport au seuil du tiers de puissance de calcul, et de conserver ce chiffre au dossier, car l'AI Act a déjà donne a Bruxelles l'autorité de le demander, et un ratio de puissance de calcul que personne n'a suivi est une position faible d'ou se défendre.
À lire ensuite: Alibaba a tu le chiffre qui fixe votre coût | Le 2 décembre engage celui qui exécute le modèle
