L’open source vient de prendre le contrôle total du monde de l’intelligence artificielle. Pas sur un seul front, mais sur absolument tous les fronts en même temps. Vidéo, animation, langage, robotique, audio : tout y passe. Pendant que les laboratoires chinois inondent le marché de modèles surpuissants que vous pouvez télécharger et faire tourner chez vous, les géants historiques comme Google perdent leurs meilleurs cerveaux. Ce qui était impossible ou hors de prix il y a encore quelques mois est désormais accessible gratuitement, directement sur votre ordinateur.
La révolution vidéo et audio avec MiniMax H3
Le laboratoire chinois MiniMax vient de frapper un grand coup avec la publication de son modèle de génération vidéo open source, H3. C’est une véritable prouesse technologique qu’il est désormais possible de faire tourner en local, sur une simple carte graphique grand public. Il existe en versions de 22 et 33 milliards de paramètres, nécessitant entre 5 et 16 Go de VRAM. Avec les optimisations récentes, des versions turbo tournent déjà de manière fluide sur des cartes graphiques de la série 60, 70, et bien sûr sur les RTX 4080 ou 4090.
Le résultat ? Un générateur vidéo illimité, gratuit, hors ligne, sans aucune censure serveur ni file d’attente. Mais ce qui rend H3 fondamentalement différent de tout ce qui existait jusqu’ici, c’est sa capacité à générer de l’audio nativement dans le même système. À partir d’un simple prompt texte, le modèle produit une vidéo avec un son parfaitement synchronisé : des dialogues réalistes, des ambiances sonores immersives et même de la musique. Tout sort du même modèle en une seule passe, une première mondiale pour l’open source.
H3 possède une connaissance intégrée du monde extrêmement vaste. Il maîtrise les personnages de dessins animés, les styles artistiques, les interfaces logicielles ou encore le photoréalisme. Fournissez-lui une capture d’écran d’un jeu vidéo, et il générera du gameplay. Donnez-lui trois images de référence d’un personnage, et il l’animera selon vos désirs. Sur les benchmarks indépendants, H3 s’est classé premier mondial en montage vidéo et deuxième en génération texte-vers-vidéo en local. L’objectif avoué de MiniMax avec ce modèle est clair : cibler les applications en robotique en créant des simulateurs de monde réel (world models) pour entraîner les robots.
L’artillerie lourde d’Alibaba : Wan Animate 2 et Wan 3.0
Alibaba a également décidé de bousculer le marché avec des sorties majeures. La première est Wan Animate 2, un système d’animation de personnages redoutable. Le principe est simple : vous prenez une photo de n’importe quel personnage (humain, peluche, cartoon aux proportions absurdes) et une vidéo de référence d’une vraie personne en mouvement. Le modèle transfère alors tous les mouvements, des expressions faciales jusqu’au bout des doigts, sur votre personnage.
Là où Wan Animate 2 écrase ses prédécesseurs, c’est dans sa capacité à animer plusieurs personnages simultanément à partir d’une seule vidéo de référence, tout en gérant parfaitement les proportions non humaines et en offrant un contrôle total sur l’angle de la caméra. Une version allégée permet même de tourner en temps réel avec une latence inférieure à la seconde, idéale pour le streaming ou les avatars numériques.
Dans la foulée, Alibaba a lancé Wan 3.0. Ce modèle génère 30 secondes de vidéo en une seule passe, sans découpage ni collage. Sa véritable révolution réside dans sa multimodalité extrême : il accepte en entrée du texte, des images, de l’audio, de la vidéo, mais aussi des fichiers Word, PowerPoint, PDF, Excel et Markdown. Transformer un tableur Excel en vidéo est désormais une réalité.
Qwen 3.8 Max : l’ingénieur autonome à 2,4 trillions de paramètres
Toujours chez Alibaba, le modèle de raisonnement pur Qwen 3.8 Max repousse les limites de l’intelligence artificielle. Avec ses 2,4 trillions de paramètres (dont 95 milliards actifs par token grâce à une architecture MoE), c’est le deuxième plus gros modèle connu publiquement. Alibaba a annoncé l’ouverture des poids de ce mastodonte, le rendant téléchargeable et exécutable localement, notamment via une version allégée de 27 milliards de paramètres.
Les capacités d’autonomie de Qwen 3.8 Max donnent le vertige :
- Livré à lui-même avec un dossier vide et l’instruction de créer un système qui s’auto-améliore, le modèle a travaillé seul pendant 16 jours. Il a analysé des retours GitHub, codé des corrections, fusionné le code et évolué de manière totalement autonome, réalisant plus de 275 commits et 125 pull requests.
- Confronté à un papier de recherche récent sur l’entraînement des modèles IA, il a reçu l’ordre de reproduire les résultats puis de les battre. En 5 jours, il a reconstruit l’expérience de zéro, inventé et testé 18 améliorations, et finalement battu la méthode originale de 2,7 points sur un benchmark mathématique extrêmement complexe.
L’ère de l’amélioration scientifique autonome est désormais un fait démontré. De plus, l’utilisation de son API coûte nettement moins cher que les modèles fermés concurrents, tout en rivalisant avec les meilleurs systèmes du monde.
Le monde physique : Prism et Gemini Robotics 2
L’IA quitte les écrans pour s’incarner dans le monde réel. Prism est un nouvel algorithme open source révolutionnaire pour la robotique. Il résout un problème fondamental : le contrôle du corps et la réaction au contact physique. Au lieu de s’appuyer sur des modèles pré-entraînés intermédiaires, Prism prend les observations brutes du robot (nuages de points 3D, état des capteurs) et produit directement les actions motrices nécessaires. Son taux de réussite sur la manipulation d’objets complexes surpasse nettement les méthodes existantes.
En parallèle, Google DeepMind a dévoilé Gemini Robotics 2, un système conçu pour le contrôle du corps entier des robots humanoïdes. Fini les robots cloués sur place qui ne bougent que les bras ; ce système orchestre des séquences continues complexes (repérer un objet, marcher vers lui, le saisir avec dextérité, traverser la pièce et le poser). Le système se divise en trois cerveaux distincts :
- Gemini Robotics 2 (VLA) : Le lien entre la pensée et le corps, convertissant la vision et le langage en commandes motrices.
- Gemini Robotics ER 2 : Le cerveau de haut niveau qui observe, planifie, corrige les échecs et peut même coordonner plusieurs robots ensemble.
- Gemini Robotics On-Device 2 : Un modèle compact et hors ligne qui tourne directement sur le robot pour gérer les réflexes instantanés, agissant comme un système nerveux.
Cette approche permet des avancées majeures en dextérité fine, rendant les robots capables de dévisser une ampoule ou de nouer un sac poubelle. Tout cela converge avec les ambitions de MiniMax : utiliser la génération vidéo pour créer des simulateurs physiques où les robots apprennent avant d’agir dans le monde réel.
Hémorragie de talents chez Google
Pendant que l’open source triomphe, Google traverse une zone de turbulences sans précédent. Le départ de Jeff Dean, architecte historique de l’infrastructure de Google depuis 27 ans, a provoqué un véritable séisme. Il n’est pas parti seul : Sanjay Ghemawat, Oriol Vinyals (vice-président chez Google DeepMind) et Noam Shazeer (co-lead de Gemini, parti chez OpenAI) ont également quitté le navire. John Schulman, prix Nobel de chimie, a quant à lui rejoint Anthropic.
Du côté de la direction, Demis Hassabis a lâché les commandes opérationnelles de DeepMind pour se concentrer sur une vue d’ensemble, laissant la place à Koray Kavukcuoglu. En coulisses, le modèle Gemini 3.5 Pro, attendu pour juin, accumule les retards suite à des résultats décevants en codage lors des entraînements internes. Si Google possède toujours l’infrastructure et les capitaux, le déplacement de cette gravité intellectuelle vers d’autres horizons marque un tournant majeur dans l’industrie.
CrispWhisper 2 : la transcription audio ultime
Pour boucler la boucle de cette révolution multimodale, l’audio n’est pas en reste avec la sortie de CrispWhisper 2. Basé sur l’architecture Whisper d’OpenAI, cet outil open source sous licence MIT propose un mode « verbatim » d’une puissance inédite. Il transcrit absolument tout : les hésitations, les bégaiements, les rires et les faux départs.
Son point fort absolu est sa précision temporelle, avec seulement 30 millisecondes d’erreur en moyenne sur les horodatages mot par mot. Il surpasse tous les leaders du marché, y compris ElevenLabs. Disponible en plusieurs tailles (de 200 millions à 2 milliards de paramètres), il peut tourner sur un simple ordinateur portable sans GPU, voire sur un téléphone pour ses versions les plus légères.
En l’espace de quelques jours, l’écosystème a basculé. Quiconque possède une carte graphique de milieu de gamme a désormais accès gratuitement, chez lui, à des outils qui dépassent ou rivalisent avec les meilleurs systèmes fermés et payants du marché. L’accélération est totale, et l’open source vient de redéfinir les règles du jeu.
