Mon ordinateur ne peut pas faire tourner DeepSeek V4 Pro. Le vôtre non plus, sauf si vous avez un datacenter dans votre garage. J'ai quand même fait le test, et ça m'a coûté zéro euro. Toute l'astuce tient dans une préposition : le modèle ne tourne pas sur ma machine, il tourne depuis ma machine. Voici comment, ce que ça coûte vraiment, et ce que j'en ai retenu pour les projets IA en entreprise.
📌 En résumé
Un modèle open weight est un modèle dont les poids sont téléchargeables : vous l'installez où vous voulez, sans passer par l'API de l'éditeur. Restent trois façons de le faire tourner. En local, ce qui marche bien pour les petits modèles et pas du tout pour les gros. Sur un serveur GPU loué, ce qui se défend en production continue mais coûte cher pour tester. Ou en serverless GPU : une machine s'allume à la demande, calcule, s'éteint, et vous ne payez que les secondes consommées. C'est la troisième option qui permet d'interroger un modèle de plusieurs centaines de gigaoctets depuis un PC d'entrée de gamme. Avec les 30 $ de crédits mensuels offerts par un hébergeur comme Modal, un prototype ne coûte rien. Les deux vrais points de vigilance ne sont pas techniques : le plafond de dépense, et le choix du modèle.
Qu'est-ce qu'un modèle open weight, et est-ce la même chose qu'open source ?
Non. Open weight signifie que les poids, c'est-à-dire le fichier contenant le modèle entraîné, sont téléchargeables. Open source signifie que la recette est publique. Dans la quasi-totalité des cas, vous récupérez le résultat de l'entraînement sans savoir sur quelles données ni avec quel code il a été produit. D'où le vocabulaire : on parle de poids ouverts, pas de code ouvert.
Un deuxième point surprend souvent, et généralement trop tard : poids ouverts ne veut pas dire licence permissive. DeepSeek V4 publie sous licence MIT, la plupart des checkpoints Qwen sont en Apache 2.0. Mais Kimi K3 sort sous une licence maison assortie de conditions commerciales, et la licence communautaire de Llama 4 exclut les développeurs européens de certains droits multimodaux. Lire la licence avant de bâtir un produit dessus relève du réflexe juridique, pas de la curiosité technique.
Côté familles, six noms structurent le marché aujourd'hui : DeepSeek V4 (Pro et Flash), Kimi K3 chez Moonshot, Qwen chez Alibaba, GLM-5.2 chez Z.ai, Mistral et Llama 4. Sur les classements open weight de cet été, Kimi K3 est en tête, GLM-5.2 le suit de près. Aucun n'égale les tout derniers modèles propriétaires, mais tous dépassent largement le seuil d'utilité pour un usage métier, et c'est la seule chose qui compte ici. J'avais déjà abordé cette bascule dans mon article sur l'hébergement de son IA open source en local : maîtriser son infrastructure devient une compétence à part entière.
Quelles sont les trois façons de faire tourner un LLM open weight ?
En local, sur un serveur GPU loué, ou en serverless. Le bon choix dépend de la taille du modèle et de la régularité de l'usage, jamais de la préférence personnelle.
- Sur votre propre machine. Séduisant sur le papier : aucun coût récurrent, aucune donnée qui sort. En pratique, votre matériel plafonne tout. Kimi K3 représente environ 1,6 To de poids à stocker. Même avec 10 000 € d'équipement, un gros modèle répond en minutes, pas en secondes. Très bien pour les petits modèles, à oublier pour le reste.
- Louer un serveur GPU. Vous réservez une machine avec sa carte chez un hébergeur, et vous payez au mois : de quelques centaines à quelques milliers d'euros selon la carte, que la machine tourne ou non. Ça tient la route quand des workflows tournent en continu, typiquement si vous facturez l'usage à des clients. Pour tester, c'est de l'argent jeté.
- Le serverless. Vous n'avez pas de machine. Vous envoyez une requête, un serveur s'allume à distance, calcule, renvoie le résultat, s'éteint. Vous payez les secondes réellement consommées, et rien du tout le reste du temps.
C'est cette dernière option que j'ai utilisée, et c'est elle qui fait disparaître la contrainte matérielle. Votre ordinateur n'a plus qu'un rôle : envoyer du texte sur une URL.
Pourquoi passer par un modèle open weight plutôt qu'une API propriétaire ?
D'abord pour le coût sur du volume, ensuite pour la stabilité du modèle, enfin pour la localisation des données. Autant l'admettre : la première raison est comptable avant d'être idéologique.
Sur du volume, un modèle open weight servi en serverless revient nettement moins cher qu'un appel d'API propriétaire équivalent. Dès qu'il s'agit de traiter des milliers de fiches produit, d'enrichir une base de prospects ou de classer des tickets, l'écart de facture devient la variable qui décide du projet.
Vient ensuite la stabilité, qu'on sous-estime beaucoup. Le modèle est un fichier : il ne bouge pas. Personne ne va déprécier votre version du jour au lendemain ni modifier le comportement sur lequel vous avez calibré vos prompts pendant trois semaines. En production, ça vaut cher.
La localisation des données arrive systématiquement sur la table dans nos formations en entreprise. Faire tourner le modèle sur une infrastructure que vous choisissez, c'est un argument défendable devant un DPO. Attention à ne pas surinterpréter : ce n'est pas une conformité automatique. Mais c'est une discussion possible, ce qui n'est déjà plus le cas quand tout part chez un éditeur américain par défaut.
Restons lucides pour autant. Sur de la conversation généraliste ou du raisonnement complexe ponctuel, un bon modèle propriétaire garde une longueur d'avance. L'open weight se justifie sur le volume, la répétition et le contrôle.
Comment déployer un LLM open weight en serverless, étape par étape ?
En huit étapes, dont une seule mérite vraiment votre attention : le plafond de dépense. J'ai utilisé Modal, sans partenariat ni affiliation, pour une raison très terre à terre : leur offre Starter inclut 30 $ de crédits de calcul offerts chaque mois, renouvelés automatiquement, avec facturation à la seconde et extinction automatique. D'autres plateformes font la même chose et la méthode se transpose sans difficulté.
Le principe en une phrase : vous écrivez une fonction Python, vous lui indiquez l'image du conteneur, le GPU voulu et les volumes de stockage, vous lancez une commande depuis votre terminal, et la plateforme se charge du conteneur, du GPU, de la montée en charge et de l'extinction.
- Créer le compte et débloquer les crédits. Une carte bancaire est demandée, avec une empreinte de 1 $. Mon conseil : une carte virtuelle plafonnée à 1 €. Ça débloque tout sans laisser une vraie carte sur un service que vous êtes en train de tester.
- Poser un plafond de dépense. Dans Usage and billing, vous fixez un budget maximum sur votre espace de travail. J'ai mis 29,50 $, soit en dessous du crédit offert : mathématiquement, je ne peux pas recevoir de facture. Au-delà du plafond, les traitements s'arrêtent.
- Récupérer un token Hugging Face en lecture seule. Hugging Face joue le rôle de GitHub des modèles open weight : c'est de là que les poids seront téléchargés.
- Enregistrer ce token comme secret dans la plateforme, sous le nom de clé attendu par la librairie Hugging Face.
- Installer le client en local dans un environnement virtuel Python, puis authentifier votre terminal. Tout ce que vous lancerez ensuite s'affichera en direct dans l'interface web.
- Écrire le script de déploiement : image du conteneur, GPU, volumes de cache, délai d'extinction. Les endpoints préconfigurés existent, mais ils vous privent de la main sur les paramètres qui font la différence sur la facture.
- Précharger le modèle. L'étape la plus longue et de loin la moins chère, puisqu'elle ne réserve aucun GPU : 40 centimes dans mon test.
- Déployer et interroger. Chez moi, 1,7 seconde de déploiement, et la plateforme renvoie une URL.
⚠️ Les trois habitudes qui évitent la facture surprise
1. Fixez le plafond de dépense avant tout le reste. Un GPU oublié allumé, c'est le grand classique de la mauvaise surprise sur ce type de plateforme. Trente secondes de configuration et le sujet est clos.
2. Préchargez les poids séparément du service. Télécharger 300 Go pendant qu'une carte tourne, c'est payer un GPU à ne rien faire. Le compteur démarre dès que le conteneur est vivant, chargement compris : sur un très gros modèle, le seul démarrage à froid peut avaler le crédit du mois avant la première réponse.
3. Ne laissez jamais une URL publique sans authentification. Un endpoint ouvert, c'est un GPU offert au premier scanner qui passe. Et coupez l'application en fin de session.
Une précision sur le script, parce qu'elle compte plus que le script lui-même : je ne suis pas développeur Python. J'ai donné toute la documentation de la plateforme à Claude, je lui ai demandé le script, et j'ai itéré sur les erreurs que me renvoyait le terminal. C'est la méthode que je recommande, et elle fonctionne avec n'importe quelle plateforme correctement documentée : vous fournissez la doc, vous décrivez le comportement attendu, vous corrigez à partir des messages d'erreur. Même logique que dans mon article sur le vibe coding : la valeur s'est déplacée de l'écriture du code vers le cadrage et la vérification.
Deux paramètres méritent qu'on s'y arrête. Le délai d'inactivité avant extinction, d'abord : trop court, vous payez des démarrages à froid en boucle ; trop long, vous payez du GPU qui ne calcule rien. Le volume de cache des poids ensuite, qui évite de retélécharger des centaines de gigaoctets à chaque déploiement, et sans lequel l'itération devient vite insupportable. Sur ce terrain, les versions de librairies bougent tous les mois. Si le script casse, redonnez la documentation à jour à votre assistant plutôt que de déboguer à l'aveugle.
Maîtriser l'infrastructure de son IA, ça s'apprend en 2 jours
Notre formation « Héberger et maintenir son LLM open-source » couvre ce terrain de bout en bout : panorama des modèles open source, déploiement avec Ollama et Open WebUI, choix du modèle selon le matériel disponible (taille, quantization, mémoire), sécurisation et conteneurisation Docker, orchestration n8n, monitoring et maîtrise des coûts. 16 heures, 100 % distanciel, finançable OPCO.
Découvrir la formation infrastructure IA →À quoi sert concrètement l'URL obtenue ?
L'endpoint respecte le format de l'API OpenAI, donc il se branche tel quel dans un IDE, dans un agent de code ou dans un nœud HTTP de n8n. C'est le moment où l'exercice cesse d'être une démonstration. De mon côté, j'appelle ce type d'endpoint depuis n8n pour des automatisations de back-office. Une fois l'URL en main, vous disposez d'un modèle open weight adressable dans n'importe quel workflow, dans la limite des 30 $ de calcul mensuels. L'onglet des logs affiche la consommation en direct pendant l'exécution, ce qui aide à calibrer.
Faut-il choisir le modèle le plus puissant possible ?
Non, et c'est le principal enseignement du test. Pour la vidéo, j'ai délibérément pris le modèle le plus lourd que j'ai trouvé : DeepSeek V4 Pro, plus de 800 Go de poids. Il tourne, la démonstration est faite, la limite matérielle n'existe plus. Reste un détail gênant : une question simple met une vingtaine de minutes à recevoir sa réponse.
La conclusion à en tirer n'est pas que le serverless serait lent. Elle est que le choix du modèle relève de l'ingénierie et non de l'ego. Un modèle frontière se justifie sur du raisonnement complexe, de l'analyse longue, de la synthèse documentaire lourde. Pour classer un e-mail, extraire une entité, reformuler une accroche ou qualifier un lead, un modèle intermédiaire répond en quelques secondes, pour une fraction du coût, et souvent aussi bien.
La bonne habitude consiste donc à démarrer avec le plus petit modèle qui passe votre test qualité, puis à ne monter en taille que devant un échec mesuré. La plupart des projets IA en entreprise font l'inverse, et c'est une des raisons pour lesquelles leur budget dérape.
Les questions qu'on me pose systématiquement
Est-ce vraiment gratuit ? Les 30 $ de crédits mensuels sont réels et se renouvellent, sans report d'un mois sur l'autre. Avec un plafond de dépense fixé sous ce montant, aucune facture n'est possible. Une carte bancaire reste demandée à l'inscription.
Combien de temps de calcul représentent 30 $ ? Tout dépend du GPU : plusieurs dizaines d'heures sur une carte d'entrée de gamme, quelques heures seulement sur les plus puissantes. De quoi prototyper sérieusement, pas de quoi tenir une production continue.
Peut-on faire autre chose que des LLM ? Oui, la mécanique est identique pour la génération d'images ou de vidéos à poids ouverts. Seul le script change.
Est-ce que ça restera disponible ? Ce tutoriel fonctionne en septembre 2026. Les offres promotionnelles de ce type vont et viennent, mais la méthode reste valable : le serverless GPU s'est imposé comme un standard et plusieurs acteurs se disputent le marché.
Mes données sont-elles protégées ? Elles transitent par l'infrastructure de l'hébergeur. Vous contrôlez le modèle, pas la machine. Pour des données sensibles, la vraie discussion porte sur la localisation des serveurs et les engagements contractuels de l'hébergeur, pas sur le caractère ouvert des poids.
Où se joue vraiment la valeur, une fois la technique réglée ?
Dans le cadrage, pas dans le déploiement, qui se reproduit en une heure. Quels processus valent la peine d'être outillés, quel modèle pour quelle tâche, à quel coût par opération, et comment tout ça s'intègre au quotidien d'une équipe qui n'a ni le temps ni l'envie d'ouvrir un terminal. Ce sont des décisions de méthode.
C'est ce travail-là que nous menons en formation chez CRM Institut, organisme certifié Qualiopi basé à Rennes et intervenant partout en France. Dans « Héberger et maintenir son LLM open-source » (16 heures, 100 % distanciel, finançable OPCO), on déroule dans l'ordre : le panorama des modèles open source et les critères de choix, le déploiement avec Ollama et Open WebUI, le dimensionnement matériel et la quantization, la sécurité et la conteneurisation Docker, l'orchestration de workflows et d'agents avec n8n, puis la maintenance dans la durée (monitoring, versions de modèles, sauvegardes, coûts). Le tout sur vos cas d'usage et votre matériel.
Cet article est la version écrite de mon test filmé : « J'ai fait tourner DeepSeek V4 Pro sur 130 000 € de GPU, ça m'a coûté 0 € : tuto complet ». La version longue, avec le script Python complet et commenté à adapter à vos besoins, est publiée dans ma newsletter.
