OpenAI a franchi un tournant majeur : pour la première fois depuis **GPT‑2 en 2019**, l’entreprise libère ses poids de modèle avec **[GPT‑OSS](https://gpt-oss.com/)**. Deux versions sont disponibles, sous licence Apache 2.0, entièrement téléchargeables et personnalisables, marquant un changement radical vers plus d’ouverture et d’autonomie utilisateur. ### Histoire et enjeux de GPT‑OSS GPT‑OSS représente le premier modèle **open‑weight** d’OpenAI, compatible avec les initiatives open source. Il existe en deux tailles : - **gpt‑oss‑20b** (~21 milliards de paramètres, 3,6 milliards actifs), fonctionnant sur du matériel ordinaire (~16 Go VRAM ou Apple Silicon) ; - **gpt‑oss‑120b** (~117 milliards de paramètres, 5,1 milliards actifs), destiné aux stations de travail ou plusieurs GPU (≈ 60–80 Go VRAM). Ces modèles rivalisent ou dépassent les performances des modèles fermés comme **o4‑mini** ou **o3‑mini** sur les tests de coding, raisonnement, santé, mathématiques et agentic workflows.  ### Disponibilité sur Hugging Face Les deux modèles sont disponibles gratuitement sur **Hugging Face Hub** et intégrés à l’infrastructure des **Inference Providers**, ce qui permet de les appeler via API en JavaScript ou Python avec simplicité. Un exemple Python : ```python from openai import OpenAI client = OpenAI(base_url="https://router.huggingface.co/v1", api_key=os.environ["HF_TOKEN"]) completion = client.chat.completions.create( model="openai/gpt-oss-120b:cerebras", messages=[{"role":"user","content":"Expliquer la quantification MXFP4."}] ) print(completion.choices[0].message) ```` ### Exécution en local grâce à Ollama Proposé depuis quelques jours, **l’app Ollama** permet d’héberger GPT‑OSS sur votre ordinateur personnel ou serveur local : 1. Installer Ollama. 2. Tirer le modèle souhaité : * `ollama pull gpt-oss:20b` * `ollama pull gpt-oss:120b` 3. Lancer une session de chat localement : * `ollama run gpt-oss:20b` * ou `ollama run gpt-oss:120b` Ollama installe automatiquement les modèles quantifiés en **MXFP4**, réduisant les exigences matérielles pour un usage fluide en local. ### Cas d’usage, fine‑tuning et intégrations Les modèles sont livrés avec des capacités agentiques natives : chaîne de raisonnement, exécution Python, navigation web via outils intégrés, appels de fonctions, sorties structurées. Tout cela sans dépendre des services cloud. Ils supportent le **fine‑tuning** via frameworks comme `trl.SFTTrainer`, LoRA, ou via Hugging Face. Le petit modèle permet des ajustements sur matériel classique ; le grand modèle nécessite des serveurs puissants. ### Pourquoi c’est important pour les développeurs et professionnels * **Autonomie totale** : fonctionnement hors‑ligne, pas de serveur externe, pas de limitations API. * **Contrôle complet** sur les données, la latence, les coûts. * **Innovation** : personnalisation et adaptation à vos besoins (chatbots, agents, outils internes). * **Éthique et transparence**, avec licence Apache 2.0 et poids accessibles publiquement. * **Performance** comparable aux modèles propriétaires, sans dépendre de la plateforme OpenAI. --- **Source : [OpenAI](https://openai.com/fr-FR/index/introducing-gpt-oss/)**