Données vérifiées le 18 août 2026.
Le rapport été 2026 de Hugging Face a révélé que les 25 modèles les plus téléchargés et les 25 modèles les plus appréciés ne comptaient qu’une seule entrée en commun. Aucun des modèles en tête des téléchargements n’était sorti en 2026, tandis que 13 dataient de 2022. Un modèle d’embeddings compact, sentence-transformers/all-MiniLM-L6-v2, a enregistré 1,55 milliard de téléchargements au cours des sept premiers mois de l’année, malgré ses 5 156 mentions « J’aime » seulement.
Cela ne prouve pas quels modèles génèrent le plus de revenus ni lesquels traitent le plus de requêtes en production. Les téléchargements sur Hugging Face excluent les déploiements privés, le trafic des API et la distribution en dehors du Hub. Ils incluent également les téléchargements automatisés et les téléchargements répétés. Mais l’écart révèle tout de même quelque chose d’important : la demande en production privilégie souvent les modèles petits, spécialisés, matures et faciles à exploiter.
Pour les équipes qui choisissent de petits modèles pour l’IA en production, la bonne question est rarement « Quel modèle arrive en tête du benchmark le plus récent ? » C’est plutôt : « Quel modèle peut accomplir cette tâche répétitive avec le niveau de qualité, la latence et le coût total requis ? »
Ce que montrent réellement les données Hugging Face de 2026
Le Hub Hugging Face est passé de 2,43 millions de dépôts de modèles publics en janvier 2026 à 2,96 millions en août. Pourtant, l’utilisation était fortement concentrée : 1,5 % des dépôts représentaient 99,2 % des téléchargements.
| Signal |
Ce que cela peut indiquer |
Ce que cela ne prouve pas |
| Mentions « J’aime » |
Attention ou approbation de la communauté |
Trafic en production ou adoption commerciale |
| Téléchargements |
Fichiers de modèles téléchargés depuis Hugging Face |
Utilisateurs uniques, déploiements réussis ou volume d’API |
| Dérivés |
Réutilisation via des fine-tunings, des quantifications et des adaptations |
Qualité de chaque dérivé ou utilisation active |
| Benchmarks |
Capacité sur un test défini |
Fiabilité, latence ou coût dans un flux de travail donné |
Le rapport précise explicitement que les téléchargements, les mentions « J’aime » et les dérivés ne sont pas des mesures directes de la qualité d’un modèle, de son adoption commerciale ou de sa part de marché. Une liste crédible des modèles d’IA open source les plus utilisés devrait donc préciser la mesure retenue et ses limites, plutôt que de transformer une métrique publique en classement mondial.
Cependant, parmi les dépôts qui déclarent le nombre de paramètres, la répartition par taille est frappante. Les modèles de moins d’un milliard de paramètres représentaient 83 % de l’ensemble des téléchargements historiques. Les modèles de plus de 100 milliards n’en représentaient que 1 %. Même parmi les téléchargements de 2026, les modèles de plus de 70 milliards ne comptaient que pour 3 %.
Les grands modèles ne sont pas inutiles. Les données montrent qu’une grande partie de l’activité visible autour des modèles open source provient de composants plus petits conçus pour des tâches répétées.
Les modèles open source les plus téléchargés ne sont pas des chatbots de pointe
Le classement des modèles les plus téléchargés de Hugging Face change constamment. Cet instantané du 18 août 2026 donne une tendance, mais n’a rien de permanent.
| Modèle |
Taille approximative |
Téléchargements du mois dernier |
Rôle habituel |
Licence |
all-MiniLM-L6-v2 |
22,7 M |
257,4 M |
Plongements de phrases en anglais |
Apache 2.0 |
bert-base-uncased |
110 M |
114,4 M |
Classification et compréhension du langage |
Apache 2.0 |
ms-marco-MiniLM-L6-v2 |
22,7 M |
89,3 M |
Recherche et reclassement de passages |
Apache 2.0 |
bge-small-en-v1.5 |
33,4 M |
73,7 M |
Plongements de textes en anglais |
MIT |
paraphrase-multilingual-MiniLM-L12-v2 |
Environ 100 M |
56,3 M |
Plongements de phrases multilingues |
Apache 2.0 |
Qwen3-0.6B |
Classe 0,6 B |
28,8 M |
Génération de textes compacte |
Apache 2.0 |
Cette liste est très différente d’un classement habituel des « meilleurs LLM ». Quatre entrées sont principalement des modèles de plongement ou de reclassement, BERT reste fortement téléchargé des années après sa sortie, et un seul modèle est un modèle génératif compact.
Cela révèle un angle mort récurrent des résultats de recherche : les listes de modèles populaires ne comptabilisent souvent que les LLM orientés conversation. Les systèmes réels ont également besoin de recherche documentaire, de classement, de classification, de modération, de routage, de regroupement et de similarité sémantique, des tâches qui peuvent précéder la génération ou la rendre inutile.
Pourquoi les petits modèles restent en production
La plupart des tâches répétées ont des limites étroites
Les systèmes de production répètent des tâches délimitées : classer un ticket d’assistance, calculer le plongement d’un document, classer des résultats, identifier une intention, extraire des champs ou détecter une entrée non sécurisée. Avec des entrées et des sorties définies, un modèle spécialisé peut être plus facile à tester qu’un modèle généraliste auquel on demande de déduire la tâche à chaque appel.
C’est ici que l’expression « petit modèle » doit être considérée comme relative plutôt qu’absolue. Un encodeur de 30 millions de paramètres et un modèle génératif de 7 milliards de paramètres sont tous deux petits comparés à un système de pointe, mais ils répondent à des charges de travail différentes et nécessitent des infrastructures différentes.
La prévisibilité des coûts compte à grande échelle
Les petits modèles nécessitent généralement moins de mémoire et de calcul, ce qui réduit la latence et facilite les déploiements locaux, en périphérie ou à capacité réservée. Les économies se cumulent lorsque le volume est élevé.
Le Stanford AI Index 2025 montre à quelle vitesse les capacités efficaces ont progressé. Le plus petit modèle dépassant 60 % au MMLU est passé de PaLM, avec ses 540 milliards de paramètres en 2022, à Phi-3-mini, avec ses 3,8 milliards de paramètres en 2024, soit une réduction d’un facteur 142. Le coût d’inférence estimé pour atteindre des performances comparables à GPT-3.5 a également été divisé par plus de 280 entre novembre 2022 et octobre 2024.
Cela ne signifie pas que tous les petits modèles égalent les plus grands. Cela signifie que davantage de seuils d’acceptation peuvent être atteints avec moins de calcul. Mesurez le coût par résultat accepté, en incluant les nouvelles tentatives, les délais d’attente, les échecs de validation et la revue, et pas seulement le prix par jeton.
Les modèles matures présentent moins de risques de migration
Un modèle ancien peut rester utile parce que le système qui l’entoure a déjà été testé : le prétraitement est stable, les seuils sont étalonnés, les formats quantifiés sont disponibles, les bases de référence pour la supervision existent et les exigences matérielles sont connues.
Les modèles de plongement le montrent particulièrement bien. Remplacer un modèle de plongement peut nécessiter de réencoder l’intégralité d’un corpus, de reconstruire les index, de réajuster les seuils de recherche et de valider la qualité du classement. Un gain modeste au benchmark ne justifie pas forcément cette migration.
La stabilité ne dépend pas uniquement de l’âge. Un modèle de production doit toujours bénéficier d’une maintenance, d’une licence adaptée, d’un examen de la sécurité et des biais, ainsi que d’une compatibilité avec l’environnement d’exécution. Les preuves opérationnelles ont de la valeur ; la nouveauté n’est pas automatiquement un avantage.
Qwen montre la valeur d’une famille complète de modèles
Le rapport a constaté que, parmi les dépôts déclarant leur nombre de paramètres, la famille Qwen avait cumulé 2,045 milliards de téléchargements, contre 37 millions pour Moonshot, soit environ 55 fois plus. Qwen comptait également 151 448 dérivés, soit 2,6 fois le total de Meta et 4,7 fois le nombre de dérivés spécifiques à Llama. De nouveaux dérivés de Qwen apparaissaient à un rythme d’environ 180 à 210 par jour.
Les versions GGUF quantifiées renforcent cette tendance. Qwen enregistrait en moyenne 39,6 millions de téléchargements mensuels de GGUF, contre 20,8 millions pour Gemma et 7,5 millions pour Llama. Ces chiffres mesurent l’activité sur le Hub, et non la part de marché des entreprises, mais ils montrent l’avantage que représente la prise en charge de nombreuses contraintes de déploiement : différents nombres de paramètres, petits ou grands, versions quantifiées, fine-tunings, environnements d’exécution locaux et plusieurs types de tâches.
Une famille de modèles devient utile lorsque les développeurs peuvent choisir le plus petit membre qui dépasse leur seuil, puis passer à un modèle supérieur uniquement lorsque cela est nécessaire. Pour plus de contexte, consultez la présentation de Qwen3 de GPT Proto.
Quand les modèles plus grands justifient encore leur coût
Les petits modèles constituent un mauvais choix par défaut lorsque le travail est vaste, ambigu ou difficile à vérifier. Les modèles de raisonnement plus grands peuvent justifier leur coût pour effectuer des synthèses complexes sur de nombreux documents, résoudre des problèmes inédits, gérer des workflows d’agents de longue durée, coder à l’échelle d’un dépôt et réaliser des analyses multimodales exigeantes.
L’architecture pratique est donc hétérogène. Un petit modèle gère le chemin prévisible ; un modèle plus grand prend en charge le chemin incertain. Les chercheurs de NVIDIA défendent une idée similaire dans leur article de position sur les petits modèles de langage pour les systèmes agentiques, en utilisant les modèles de moins de 10 milliards de paramètres comme définition de travail utile et en recommandant des modèles plus grands pour les escalades plus difficiles. Il s’agit d’un argument architectural, et non d’une preuve d’adoption, mais il correspond à une conception de production judicieuse.
Si un petit modèle manque de confiance, échoue à la validation ou rencontre une demande inhabituelle, le système doit transmettre la demande à un modèle supérieur plutôt que de forcer une réponse.
À quoi ressemble une véritable pile d’IA en production
Un même workflow peut utiliser plusieurs modèles, chacun étant choisi pour un point de fonctionnement différent.
| Étape |
Type de modèle adapté |
Éléments à mesurer |
| Classification des intentions |
Petit encodeur ou classificateur |
Précision, calibration, taux de routage erroné |
| Recherche documentaire |
Petit modèle de plongement |
Rappel, taille de l’index, latence des requêtes |
| Reclassement |
Cross-encodeur |
Qualité du classement, latence ajoutée |
| Extraction courante |
Petit modèle génératif |
Validité du schéma, précision des champs, taux de nouvelles tentatives |
| Synthèse complexe |
Grand modèle de raisonnement |
Taux de résultats acceptés, ancrage dans les sources, coût total |
| Gestion des échecs |
Modèle d’escalade ou revue humaine |
Taux d’escalade, temps de résolution |
Les équipes doivent suivre la réussite des tâches, les sorties acceptées, les nouvelles tentatives, la latence de queue, le coût par résultat accepté et le taux d’escalade. Un benchmark est une donnée d’entrée, pas la décision elle-même.
Les modèles open source fortement téléchargés dans le tableau précédent ne sont actuellement pas répertoriés comme endpoints individuels de GPT Proto ; les relier à un inventaire sans rapport serait donc trompeur. Pour comparer les modèles réellement disponibles sur la plateforme, utilisez la Galerie de modèles GPT Proto. Parmi les options hébergées compactes figurent GPT-5.4 Nano et Gemini 3.5 Flash-Lite, mais il s’agit de modèles propriétaires hébergés, et non d’entrées du classement des téléchargements de modèles open source présenté ci-dessus.
Comment choisir un petit modèle pour l’IA en production
Commencez par le workflow, pas par le classement.
Les limites des entrées et des sorties sont-elles claires ? Un schéma ou un ensemble d’étiquettes stable facilite l’évaluation d’un spécialiste plus petit.
La réussite peut-elle être mesurée automatiquement ? Utilisez des exemples de production mis de côté et définissez un seuil d’acceptation avant de choisir une taille.
À quelle fréquence la tâche sera-t-elle exécutée ? Les économies réalisées à chaque appel comptent davantage lorsque le volume augmente.
Quel est le coût d’un échec ? Les cas à faible confiance ou à haut risque nécessitent une escalade, une validation ou une revue humaine.
La licence est-elle adaptée au déploiement ? « Open source » et « open weight » ne sont pas interchangeables, et l’accès aux poids ne supprime pas les obligations liées à la licence.
Le système peut-il orienter la demande vers un modèle supérieur ? Un bon déploiement d’un petit modèle dispose d’un chemin explicite vers un modèle plus performant lorsque la demande dépasse son périmètre.
Testez les candidats sur du trafic réel ou des données représentatives. Comparez le temps d’exécution, la mémoire, les nouvelles tentatives, l’acceptation des sorties et le coût total de la tâche. Choisissez le plus petit modèle qui réussit systématiquement.
Conclusion
L’IA en production n’est pas un concours visant à utiliser le modèle le plus intelligent à chaque appel. C’est un système destiné à accomplir des tâches répétables à un coût, une vitesse et un taux d’échec acceptables.
Les données de téléchargement de Hugging Face ne peuvent pas nous dire exactement ce que chaque entreprise exécute en production. Elles peuvent nous montrer que l’utilisation publique des modèles est concentrée, que les encodeurs compacts restent très téléchargés et que les modèles matures continuent de soutenir les infrastructures du quotidien longtemps après que l’attention s’est déplacée ailleurs.
La stratégie durable est simple : utilisez le plus petit modèle qui réussit le véritable test d’acceptation, mesurez l’ensemble du workflow et faites remonter la demande lorsque la tâche exige davantage.
