TL;DR. Granite 4.1-8B dépasse son prédécesseur MoE de 32 milliards de paramètres sur la quasi-totalité des benchmarks, selon IBM. Nemotron 3 Nano Omni affiche 7,4 fois le débit sur les cas multi-documents, selon NVIDIA. DeepSeek-V4-Pro-Max atteint 80,6 % sur SWE-Verified — à deux dixièmes de Claude Opus 4.6-Max. Trois modèles open-weight publiés en deux semaines : la question n'est plus lequel choisir, mais où chacun s'insère dans la stack.
Ce qui vient de changer dans le paysage open-weight enterprise
Entre fin avril et début mai 2026, trois équipes distinctes ont publié sur Hugging Face des articles techniques détaillant chacun un modèle fondamental open-weight : IBM avec Granite 4.1, NVIDIA avec Nemotron 3 Nano Omni, DeepSeek avec V4. Aucun de ces modèles ne cible le même périmètre fonctionnel. Ce calendrier resserré force une réévaluation des grilles de sélection établies.
Le marché open-weight s'est longtemps organisé autour de familles généralistes — le meilleur modèle possible dans une enveloppe de taille donnée. Ce que ces trois publications révèlent, c'est une segmentation par cas d'usage : efficience structurée et multilingue pour Granite, multimodalité native pour Nemotron, raisonnement agentique longue portée pour DeepSeek-V4. Un modèle par défaut ne couvre plus les trois axes simultanément sans compromis significatifs.
Où DeepSeek-V4 établit un nouveau niveau de référence agentique
DeepSeek-V4 existe en deux variantes selon le blog Hugging Face publié fin avril 2026 : V4-Pro (1 600 milliards de paramètres totaux, 49 milliards actifs) et V4-Flash (284 milliards totaux, 13 milliards actifs). Les deux affichent une fenêtre de contexte d'un million de tokens. L'architecture de compression d'attention — alternant CSA et HCA couche par couche — réduit le cache KV à environ 2 % du niveau standard GQA et les FLOPs d'inférence à 27 % par rapport à DeepSeek-V3.2, selon le même blog.
Sur les benchmarks agents, les chiffres sont précis. V4-Pro-Max atteint 80,6 % sur SWE-Verified, contre 80,8 % pour Claude Opus 4.6-Max selon le blog DeepSeek. Sur MCPAtlas Public, il obtient 73,6 (Opus 4.6-Max : 73,8). Sur un benchmark interne de codage R&D cité dans l'article, V4-Pro-Max affiche un taux de réussite de 67 %, devant Claude Sonnet 4.5 (47 %) et légèrement derrière Opus 4.5 (70 %). Dans la consultation développeur documentée dans le blog, 52 % des répondants ont indiqué que le modèle pourrait remplacer leur modèle de codage principal, 39 % penchaient en ce sens.
La fonction de pensée intercalée — qui préserve les traces de raisonnement à travers les appels d'outils successifs — est conçue explicitement pour les agents multi-étapes. C'est une spécification absente de Granite 4.1. Le mode Think Max, pour les tâches nécessitant un raisonnement maximal, requiert au minimum 384 000 tokens de contexte disponible, selon DeepSeek.
Où Granite 4.1 et Nemotron Omni tiennent leur terrain
IBM Granite 4.1 : efficience et workflows structurés multilingues
Le résultat structurant de la publication IBM est celui-ci : selon le blog Hugging Face d'IBM, le Granite 4.1-8B instruct dépasse ou égale le précédent Granite 4.0-H-Small — un modèle MoE de 32 milliards de paramètres totaux avec 9 milliards actifs — sur l'ensemble des benchmarks clés, dont IFEval, AlpacaEval 2.0, MMLU-Pro, GSM8K et ArenaHard. Un modèle 8 milliards de paramètres surpassant son prédécesseur 32 milliards.
Les chiffres publiés sont explicites. Sur l'appel d'outils structurés (BFCL v3), Granite 4.1-8B instruct atteint 68,27 points ; le 30B monte à 73,68. Sur GSM8K (raisonnement mathématique), 92,49 % pour le 8B, 94,16 % pour le 30B. Sur HumanEval (génération de code), le 8B obtient 87,20 %. La phase RLHF de l'entraînement a produit un gain de +18,9 points en moyenne sur Alpaca-Eval, selon IBM. La fenêtre de contexte atteint 512 000 tokens pour les variantes 8B et 30B. La quantification FP8 réduit la mémoire GPU et le stockage d'environ 50 %, toujours selon IBM. La licence est Apache 2.0. Douze langues sont supportées nativement.
Ce profil — compact, prévisible en latence (sans trace de raisonnement étendue), efficace en mémoire — cible les pipelines RAG, les assistants sectoriels et les workflows de génération structurée avec un budget GPU contraint. L'absence de mode de raisonnement étendu est un avantage opérationnel pour les cas d'usage temps réel : la latence reste stable et les coûts d'inférence, prévisibles.
NVIDIA Nemotron 3 Nano Omni : la multimodalité native comme périmètre propre
Nemotron 3 Nano Omni 30B-A3B repose sur une architecture hybride Mamba-Transformer-MoE combinant 23 couches d'état sélectif (SSM), 23 couches MoE à 128 experts avec routage top-6 et 6 couches d'attention groupée, selon le blog NVIDIA sur Hugging Face. Le modèle intègre nativement le texte, l'image, la vidéo et l'audio dans un seul passage — sans pipeline de transcription intermédiaire.
Les avantages mesurés sur les cas d'usage documents-audio-vidéo sont nets. Sur VoiceBench, 89,4 points. Sur Video-MME, 72,2. Sur DailyOmni (compréhension simultanée vidéo et audio), 74,1. Sur MMLongBench-Doc (documents longs), 57,5. Sur OSWorld (utilisation d'interfaces graphiques par un agent), 47,4. Pour les flux multi-documents, le débit est 7,4 fois supérieur aux alternatives comparées selon NVIDIA ; pour la vidéo, 9,2 fois. Le modèle gère des audios de plus de cinq heures et des documents de plus de 100 pages en contexte natif.
Granite 4.1 ne concourt pas sur ces dimensions. Pour les équipes qui traitent des enregistrements audio, des contrats en PDF long format, des réunions en visioconférence ou des flux vidéo industriels, Nemotron Omni ouvre un périmètre fonctionnel inaccessible aux architectures texte seul.
Implications tarifaires et opérationnelles
Les trois modèles sont open-weight et accessibles librement sur Hugging Face. La structure de coût est donc déportée vers l'infrastructure d'inférence, non vers les licences. Granite 4.1 est publié sous Apache 2.0 — sans restriction commerciale pour le déploiement on-premise. DeepSeek-V4 est disponible en open source sur Hugging Face selon le blog. Nemotron 3 Nano Omni est accessible en BF16, FP8 et NVFP4 selon NVIDIA.
Sur l'empreinte mémoire : Granite 4.1-8B en FP8 réduit le GPU de 50 % selon IBM — une donnée directement traduisible en coût par token sur un déploiement continu. Nemotron 3 Nano Omni en BF16 requiert environ 30 Go de VRAM ; la variante NVFP4 ramène le modèle à environ 18 milliards de paramètres effectifs selon NVIDIA. DeepSeek-V4-Flash, avec 13 milliards de paramètres actifs sur 284 milliards totaux, permet une inférence sur matériel mid-range malgré la taille apparente du modèle complet.
La variable latence diverge selon les cas d'usage : Granite 4.1 est conçu sans chaîne de raisonnement étendue — latence prévisible et stable. DeepSeek-V4 en mode Think Max consomme un minimum de 384 000 tokens de contexte selon le blog DeepSeek — une contrainte à budgétiser explicitement pour les applications temps réel ou à débit élevé.
Ce que cela implique pour une architecture multi-modèles
La convergence de ces trois publications en deux semaines matérialise une dynamique structurelle : le marché open-weight se segmente par cas d'usage fonctionnel, non par taille de modèle. Les équipes qui répondent à l'ensemble de leurs besoins avec un seul modèle généraliste accumulent des compromis croissants — en mémoire, en latence, en profondeur de raisonnement ou en modalités supportées.
Une architecture multi-modèles pragmatique pour 2026 distingue trois couches distinctes :
- Couche structurée et multilingue (RAG, génération de documents, appels d'outils, assistants sectoriels) : Granite 4.1-8B ou 30B sous licence Apache 2.0, en FP8 pour la densité GPU maximale.
- Couche multimodale (audio long, vidéo, PDF riches, interfaces graphiques par agent) : Nemotron 3 Nano Omni 30B-A3B, déployé en NVFP4 pour contenir l'empreinte mémoire.
- Couche agentique longue portée (agents de codage, workflows multi-étapes, analyse sur un million de tokens) : DeepSeek-V4-Flash pour le coût, V4-Pro pour la profondeur de raisonnement maximale.
Cette segmentation n'est pas théorique — elle est dictée par les benchmarks publiés. Nemotron Omni ne revendique pas de score sur BFCL v3. Granite 4.1 ne gère pas cinq heures d'audio. DeepSeek-V4 n'est pas conçu pour la génération multilingue à faible coût sur GPU contraint. Chaque modèle est meilleur dans son lane précisément parce qu'il n'a pas cherché à couvrir les autres.
Trois leviers à activer cette semaine
- Cartographier les modalités d'entrée de vos workflows actuels — texte seul, PDF, audio, vidéo, GUI — pour déterminer si Nemotron Omni entre dans le périmètre ou reste hors champ avant tout test d'infrastructure.
- Tester Granite 4.1-8B instruct en FP8 sur le ou les cas d'usage structurés existants (appel d'outils, génération JSON, RAG multilingue) et comparer la latence et le coût mémoire GPU au modèle actuellement en production.
- Évaluer DeepSeek-V4-Flash sur un benchmark de codage ou d'agentic interne : les 80,6 % sur SWE-Verified placent le modèle dans la catégorie frontier pour ce cas d'usage, à coût open-weight — le rapport qualité-infrastructure mérite une mesure directe.
Dans votre stack actuelle, lequel de ces trois périmètres est le plus mal couvert ?
Si ce décryptage vous parle, je publie une analyse de ce calibre chaque jour sur l'innovation digitale et l'IA en entreprise. 👉 Recevez la prochaine directement dans votre boîte mail — l'inscription prend dix secondes, et chaque édition est lue avant 9h par des dirigeants de PME, d'ETI et d'institutions belges.