Pourquoi Qwen3 m'a-t-il fait entrevoir un énorme avantage pour le déploiement des applications d'intelligence artificielle ?
TechFlow SélectionTechFlow Sélection
Pourquoi Qwen3 m'a-t-il fait entrevoir un énorme avantage pour le déploiement des applications d'intelligence artificielle ?
S'aligner sur les développeurs est en réalité une stratégie clé de Qwen3 qui n'a pas été explicitement mentionnée.
Dédié à des analyses Web3 approfondiesAuteur :
Vous avez remarqué, récemment tout le monde semble un peu blasé face aux grands modèles ? En tout cas, moi, en voyant le trafic des articles sur ces sujets et l'engouement sur les réseaux sociaux, il est clair que l'intérêt pour les modèles a nettement diminué.
Par exemple, la sortie récente de plusieurs excellents modèles très avancés comme Qwen3, Gemini 2.5, GPT-4.1 et Grok-3 aurait dû, il y a deux ans, provoquer un mois explosif.
Pourtant, après avoir discuté avec divers développeurs, je me rends compte que ce n’est pas tant qu’ils soient « blasés », mais plutôt que leur excitation passive s’est transformée en une accélération concrète : ils passent du statut de simples spectateurs à celui d’acteurs. Leur regard évolue : au-delà des performances brutes du modèle, ils commencent à se demander si celui-ci peut vraiment améliorer leurs propres projets. Autrement dit, l’« alignement » entre le modèle et les développeurs devient un critère central.
Avant même la sortie de Qwen3, beaucoup d’entrepreneurs et développeurs autour de moi savaient que l’équipe Qwen préparait quelque chose de gros. Certains surveillaient déjà la situation depuis plus d’un mois, et ont immédiatement basculé leurs applications IA en cours de développement vers Qwen3 dès sa sortie. Lorsque je discute aujourd’hui des dernières évolutions avec eux, Qwen3 revient de plus en plus souvent dans la conversation.
D’après eux, juger les modèles uniquement sur la base de benchmarks, comme on le faisait il y a deux ans, n’a désormais plus grand sens. En effet, grâce à une trajectoire claire d’amélioration – pré-entraînement, post-entraînement et apprentissage par renforcement – les performances sur des tâches spécifiques comme la génération de code ou l’écriture tendent à s’uniformiser. Ces benchmarks ne reflètent plus les conditions réelles d’utilisation, surtout depuis que l’année a lancé l’accélération des agents IA.
Sous cet angle, Qwen3 va bien au-delà de l’amélioration des capacités de base : il s’aligne fortement sur les besoins réels des développeurs et leurs scénarios concrets. On peut dire qu’il a été conçu et affiné précisément pour être facilement adopté par les développeurs et les entreprises.
Par exemple, l’objectif principal de l’optimisation globale de Qwen3 consiste à offrir des performances solides à moindre coût, afin que les développeurs puissent l’utiliser facilement et efficacement. Pour y parvenir, l’équipe Qwen3 a réalisé une décomposition minutieuse des objectifs et mis en œuvre de nombreuses innovations techniques. Auparavant, le modèle Qwen le plus populaire auprès des entreprises était la version 72B. Mais après avoir reçu des retours indiquant que cette version nécessitait deux cartes H800 et était donc peu pratique, l’équipe Qwen a développé la version 32B, plus efficace, qui est désormais mieux adoptée par les développeurs.
Cette approche de Qwen3 est hautement significative : en s’alignant constamment sur les développeurs dans des scénarios réels, Qwen3 devient progressivement la « meilleure solution » pour le déploiement d’applications IA par les entreprises et les développeurs. Avec cette perspective, construire des applications IA en suivant les itérations continues et complètes du modèle devient la chose la plus certaine à faire cette année.
01
Comment s’aligner sur les développeurs
Récemment, Yao Shunyu (chercheur chez OpenAI, co-auteur principal de Deep Research et Operator) a publié un article intitulé « La deuxième mi-temps de l’IA », où il expose de manière complète les changements au niveau des modèles. Cet article a suscité, parmi les entrepreneurs et les développeurs, la plus large résonance de l’année.
Selon lui, l’apprentissage par renforcement a enfin trouvé une voie généralisable, ne se limitant plus à des domaines spécifiques comme AlphaGo, qui battait les champions humains aux échecs, mais pouvant atteindre un niveau proche des compétitions humaines dans des domaines variés tels que l’ingénierie logicielle, l’écriture créative, les mathématiques de niveau IMO, ou encore les opérations avec souris et clavier.
Dans ce contexte, obtenir de meilleurs scores sur des classements complexes devient plus facile. Autrement dit, cette méthode d’évaluation est dépassée : désormais, ce qui compte, c’est la capacité à définir les problèmes.
C’est sous cet angle que l’on peut apprécier la véritable valeur ajoutée de Qwen3. Bien que les modèles soient tous performants dans les benchmarks, un modèle en tête des classements n’est pas nécessairement le meilleur choix pour un développeur.
Dans ces conditions, qu’est-ce que les développeurs recherchent réellement dans un modèle lorsqu’ils l’utilisent dans des scénarios concrets ?
Sur un plan général, on peut penser aux performances du modèle, au coût et à la facilité de déploiement. Mais selon les cas d’usage spécifiques, ce sont les différences techniques dans l’implémentation du modèle et de ses outils qui font la différence. C’est pourquoi Qwen continue d’explorer systématiquement toutes les tailles et modalités possibles, et publie des versions du modèle avec différentes précisions de quantification, offrant ainsi aux développeurs une grande liberté de choix.
Un développeur m’a expliqué que la série Qwen3 comprend huit modèles, dont deux modèles MoE (Mixture of Experts) et six modèles denses, capables de répondre à des besoins variés selon les scénarios.
Parmi les modèles denses, les versions 0,6B et 1,7B sont particulièrement adaptées aux chercheurs, car elles peuvent fonctionner sans GPU ni carte graphique dédiée, permettant de tester des jeux de données ou d’effectuer des travaux de pondération.
Les modèles 4B et 8B conviennent davantage aux secteurs de l’électronique grand public et automobile, car ils sont optimisés pour être intégrés directement dans les appareils : le modèle 4B convient aux smartphones, tandis que le 8B peut être utilisé dans les AIPC et les cabines intelligentes.
Le modèle 32B est largement adopté par les entreprises pour des déploiements à grande échelle. Quant aux deux modèles MoE, ils peuvent être déployés massivement via des serveurs, augmentant ainsi l’efficacité d’utilisation et permettant des applications dans des environnements plus vastes.
Il pense que c’est la bonne approche : seul un modèle prenant en compte un maximum de combinaisons de besoins spécifiques peut offrir aux développeurs, quel que soit leur domaine, une solution optimale prête à l’emploi, même s’ils doivent ensuite la personnaliser.
Lors de cette mise à jour, Qwen3 a encore étendu cette démarche : premier modèle hybride de raisonnement en Chine, il intègre au sein d’un même modèle des réponses rapides et sobres (réflexion rapide) et une capacité de chaînage de pensée plus profonde, unifiant ainsi les modèles de raisonnement et non-raisonnement. Les développeurs peuvent même choisir leur propre « budget de réflexion » pour adapter le modèle à diverses tâches.
Dans les scénarios d’entreprise, on part presque toujours d’un modèle open source pour effectuer un fine-tuning avec ses propres données. Par exemple, Qwen3 prend désormais en charge 119 langues. Au Japon, bien que Qwen3 ne soit sorti que depuis une quinzaine de jours, il est déjà plus populaire que Claude ou GPT-4o, car les entreprises peuvent alimenter Qwen3 open source avec des données locales japonaises, obtenant ainsi une flexibilité supérieure à celle des modèles fermés simplement compatibles avec le japonais, et produire un effet « levier » puissant.
Bien sûr, au-delà de cela, l’attitude des développeurs envers Qwen repose largement sur un point fréquemment mentionné : le « bon modèle de base ».
Un bon modèle de base signifie que les opérations telles que la distillation, le fine-tuning ou l’apprentissage par renforcement seront plus efficaces. En particulier, la loi de mise à l’échelle (Scaling Law) de l’apprentissage par renforcement requiert un modèle pré-entraîné de haute qualité, facteur déterminant pour la généralisation du modèle. Je me souviens même que dans l’article de DeepSeek-R1, le petit modèle obtenu par distillation utilisait Qwen comme modèle de base : en exploitant les données de raisonnement générées par DeepSeek-R1, le modèle de base Qwen-7B a été affiné pour transmettre via distillation des connaissances les capacités de raisonnement de DeepSeek-R1, avec d’excellents résultats.
Des membres de l’équipe de Geek Park ont discuté spécifiquement avec Xu Dong, directeur général des activités de grands modèles Tongyi chez Alibaba Cloud, pour comprendre ce que signifie concrètement un « bon modèle de base » selon les développeurs, et comment y parvenir.
Xu Dong considère que toute amélioration des capacités du modèle se traduit nécessairement par deux aspects : densité des connaissances et respect des instructions. Cela rend les modèles plus « dociles » dans des scénarios d’application IA auparavant impossibles ou peu fiables, où l’on devait « tirer aux dés ». Grâce à l’ingénierie des données et à l’itération algorithmique, Qwen3 a encore amélioré ses performances en matière de densité des connaissances et de conformité aux instructions.
Aujourd'hui, Qwen3 peut accomplir des tâches de fouille de données en s'appuyant sur sa forte densité de connaissances et un entraînement finement réglé à l'étape SFT, extrayant précisément 88 champs dans un document d'appel d'offres de 600 pages ; dans les scénarios de surveillance de l'opinion publique, Qwen3 peut transformer les avis des consommateurs en étiquettes normalisées comme « petits véhicules » ou « berlines », évitant ainsi les surajustements ou les généralisations excessives ; dans des cas plus courants comme le service client intelligent, Qwen3 peut identifier avec précision les besoins des utilisateurs, saisir le bon moment pour recommander des produits et réduire ainsi le taux de désabonnement.
Avec l'entrée en trombe de tout le secteur dans le domaine des agents cette année, Qwen3 a opportunément accru les exigences en matière de capacités pour les scénarios d'agents, optimisant l'appel d'outils et les compétences en codage, tout en renforçant le support de MCP. Associé au framework Qwen-Agent, qui inclut des modèles d'appel d'outils et un analyseur d'appel d'outils, cela réduit fortement la complexité du codage, rendant les tâches telles que l'opération d'agents sur téléphone ou ordinateur bien plus réalisables.
Cette optimisation se poursuit : la semaine dernière, sur la page officielle de QwenChat, nous avons vu l'ajout des fonctions Deep Research (recherche approfondie) et WebDev (génération de pages web). Elles reposent sur le framework agent de Qwen. Qwen3 prend en charge l'appel d'outils par des agents, et supporte nativement le protocole MCP, obtenant ainsi les meilleurs résultats parmi les modèles leaders dans l'évaluation BFCL des capacités d'appel d'outils.
Les capacités renforcées d'agent de Qwen3 jouent également un rôle dans divers scénarios clients. Par exemple, juste après la sortie de Qwen3, la plateforme d'agents intelligents Lenovo Baiying a immédiatement migré son moteur de grand modèle vers Qwen3. En tant que solution informatique, la plateforme Baiying exploite les caractéristiques de Qwen3 – open source, prise en charge de l'appel d'outils par les agents et de MCP – ainsi que ses capacités de raisonnement accrues, pour améliorer les solutions dans les domaines de la maintenance informatique (services IA), du bureau IA et du marketing IA. Elle permet ainsi aux petites et moyennes entreprises de créer elles-mêmes divers agents dans des scénarios verticaux à l'ère de l'IA, réalisant un saut allant de la fourniture d'outils de production à la livraison directe de « productivité d'employés numériques », renforçant ainsi la réduction des coûts et l'amélioration de l'efficacité.
Continuer à itérer le modèle autour des scénarios des développeurs, en s’alignant sur eux, constitue en réalité un virage collectif nécessaire pour les fabricants de grands modèles actuellement.
Récemment, Michelle Pokrass, chercheuse principale sur GPT-4.1 chez OpenAI, a souligné que parfois, ajuster un modèle pour optimiser les benchmarks donne de bons résultats en apparence, mais conduit à des problèmes en usage réel, comme le non-respect des instructions, des formats étranges ou un contexte trop court. Ce type de retour permet justement d’identifier les métriques d’évaluation que les clients veulent vraiment voir améliorées. Selon elle, l’objectif de GPT-4.1 est de procurer aux développeurs une expérience agréable. Pour GPT-5, l’objectif d’optimisation est que le modèle puisse distinguer lui-même quand entamer une discussion légère et quand passer en mode réflexion profonde, réduisant ainsi la complexité et le gaspillage imposés aux développeurs par les offres d’OpenAI.
Les meilleurs modèles américains et chinois convergent désormais vers ce consensus : s’aligner délibérément sur les développeurs. C’est une excellente nouvelle pour la concrétisation future de la valeur de l’IA.
02
Décrypter la COT (chaîne de pensée) d’Alibaba avant de « sauter dedans sans réfléchir »
Au fil des échanges avec les développeurs utilisant Qwen, on découvre que Qwen commence à bénéficier d’un effet de confiance semblable à un phénomène de fan. Cette confiance repose fondamentalement sur une croissance « émotionnellement stable » à long terme.
On remarque que Qwen est mis à jour chaque mois, et même qu’à peine quinze jours après la sortie de Qwen3, la famille Qwen a déjà publié plusieurs nouveaux modèles, ce qui le rend encore plus « travailleur » que Llama.
Je me souviens que Wang Tiezhen, responsable de la zone Chine chez Hugging Face, avait résumé ainsi les raisons du succès de Qwen dans la communauté open source Hugging Face : « abondance, mises à jour rapides, bon modèle de base ». Cette régularité rassure les développeurs : ils savent qu’ils auront continuellement accès aux modèles les plus récents, les meilleurs et les plus rapides.
Ce phénomène est intéressant : le développement d’applications IA représente au minimum une construction à long terme et complexe pour la prochaine décennie. Pouvoir compter sur un modèle soutenu durablement est extrêmement important. Nous parlons tous de construire des applications IA « au gré de la montée des eaux ». Les développeurs d’applications IA veulent naturellement que le débit soit fort, que le niveau monte vite et que la source soit inépuisable, pour pouvoir développer en toute sérénité.
C’est sans doute pourquoi Qwen est devenu le modèle open source ayant le plus grand nombre de dérivés au monde, établissant ainsi son influence mondiale. On imagine aussi que Qwen a perçu que, bien que Llama reste fidèle à l’open source, sa vitesse de mise à jour et ses performances accusent un retard par rapport aux modèles fermés équivalents de la même période. Si Qwen parvient à continuer à distribuer régulièrement et rapidement les meilleurs « fusils » à tout le monde, en maintenant un open source complet pour tous les modèles SOTA, toutes modalités et toutes tailles confondues, alors c’est bien Qwen qui doit porter ce drapeau open source.
Tous ces « si » doivent reposer sur une chaîne logique solide. Il faut donc examiner si la COT (chaîne de pensée) d’Alibaba correspond à cette attente : Alibaba va-t-il soutenir fermement et durablement l’ouverture complète et continue des modèles SOTA ?
Dans un précédent article analysant la stratégie IA d’Alibaba, j’ai montré que, en raison des scénarios propres à Alibaba, l’entreprise continuera inévitablement d’explorer la limite de l’intelligence. À l’ère de l’IA, la prolongation de la mission d’Alibaba « faciliter les affaires pour tous » passe forcément par la fourniture d’infrastructures aux innovations et transformations IA de milliers de secteurs. Cela implique une évolution continue de chaque couche d’opportunités de plateforme – Alibaba Cloud, la famille de modèles Qwen et son écosystème open source, ainsi que les plateformes d’applications. L’objectif principal demeure la poursuite de l’AGI, afin de franchir les obstacles liés à la transformation et à la mise à niveau de l’IA dans les activités existantes, ainsi qu’aux applications natives IA.
De plus, contrairement à Llama qui dépend de Meta, Alibaba, même en ouvrant des modèles SOTA coûteux à développer, peut réaliser une boucle commerciale via Alibaba Cloud. En tant que plus grand fournisseur de cloud en Asie-Pacifique, c’est là que réside sa confiance dans l’open source. De nombreux entrepreneurs et développeurs de la communauté Geek Park m’ont confié que, bien que les modèles open source semblent ne pas rapporter directement d’argent et visent surtout la marque technologique, les modèles open source Qwen ont en réalité généré une croissance concrète des revenus pour Alibaba Cloud, représentant probablement les meilleures ventes d’Alibaba Cloud ces derniers mois. Une fois qu’on choisit les modèles open source Qwen, il est très naturel de souscrire à Alibaba Cloud, car l’exécution de Tongyi et de ses modèles dérivés est optimisée sur cette infrastructure.
La phrase « Alibaba Cloud est le seul fournisseur mondial de cloud computing à développer activement des grands modèles fondamentaux et à contribuer pleinement et intégralement à l’open source » reflète bien leur ambition.
Car MaaS (Model as a Service) est devenu une composante essentielle du modèle économique d’Alibaba Cloud. D’après les sept derniers trimestres de croissance, les clients utilisant l’API Tongyi entraînent une utilisation massive d’autres produits cloud, illustrant clairement un effet de vente croisée. Pour Alibaba, quelle que soit l’évolution future des capacités des modèles et des applications IA, l’IA et les infrastructures de cloud computing disposent d’un modèle économique très clair : le réseau de cloud computing.
Le fait que Qwen continue d’ouvrir les modèles SOTA bénéficie non seulement aux développeurs et aux clients, mais aussi à l’ensemble de l’écosystème, en amont comme en aval. C’est pourquoi, le jour même de la sortie de Qwen3, de nombreuses entreprises d’appareils et de puces ont annoncé leur soutien au modèle Qwen3, notamment NVIDIA, MediaTek et AMD. Dans une certaine mesure, les plus grands alliés de l’open source sont NVIDIA et les fabricants de serveurs : avec les meilleurs modèles open source, ils peuvent vendre des machines intégrées et davantage de GPU.
Il est clair que seule la prospérité de tous les acteurs de l’écosystème permettra à Qwen de boucler sa propre valeur au sein du cycle commercial plus large d’Alibaba. Dans cette logique, Qwen doit inévitablement « avancer sans besoin d’être fouetté » et prendre en charge le drapeau de l’open source SOTA : c’est une chaîne logique rassurante.
Enfin, on dispose désormais d’un modèle open source dans lequel les développeurs peuvent « sauter sans réfléchir », sans risque, sans pression à « profiter gratuitement », transformant ainsi les modèles open source en une base technique stable et prévisible pour le monde commercial. C’est très important, et une excellente nouvelle pour l’accélération de la concrétisation de la valeur des applications IA.
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
极客公园
