Llama 3.2 : Meta ajoute la vision et mise sur des modèles d’IA plus légers

Meta accélère sur deux fronts à la fois. Avec Llama 3.2, présenté le 25 septembre 2024 lors de la conférence Meta Connect, le groupe de Mark Zuckerberg fait entrer la vision dans sa famille de modèles de langage tout en lançant des versions suffisamment compactes pour viser les smartphones et d’autres appareils. L’annonce ne se résume donc pas à un modèle plus puissant : elle dessine une stratégie où l’IA peut autant examiner une image dans le cloud que répondre à une demande depuis un matériel plus modeste.

La famille compte quatre modèles, de 1 milliard à 90 milliards de paramètres. Ce chiffre désigne les valeurs internes ajustées pendant l’entraînement : il donne un ordre de grandeur de la taille du modèle, mais ne suffit pas, à lui seul, à mesurer sa qualité. Surtout, les quatre déclinaisons n’ont pas la même fonction. Les plus grandes sont multimodales, les plus petites restent dédiées au texte.

Quatre modèles, deux usages très différents

Llama 3.2 se divise en deux paires. Les modèles Llama 3.2 11B Vision et Llama 3.2 90B Vision comprennent à la fois du texte et des images. Les modèles Llama 3.2 1B et Llama 3.2 3B sont, eux, des modèles de langage textuels allégés.

Cette distinction est importante pour éviter une confusion fréquente. Llama 3.2 ne transforme pas l’ensemble de la gamme en système capable de comprendre indifféremment tous les médias. Les modèles Vision peuvent recevoir une image et une consigne écrite, mais leur réponse est textuelle. Les modèles 1B et 3B, de leur côté, n’analysent pas les images.

Meta présente par ailleurs les modèles 1B et 3B comme adaptés au multilingue, notamment en français, en anglais, allemand, italien, portugais, hindi, espagnol et thaï. Ils sont entraînés pour des usages de dialogue, de résumé, de réécriture, de suivi d’instructions, de recherche augmentée par récupération de documents et d’appel d’outils.

Que permet la vision de Llama 3.2 ?

Un modèle multimodal relie le contenu d’une image au langage naturel. Concrètement, un développeur peut lui transmettre la photographie d’un objet, une capture d’écran, un graphique ou un document, puis poser une question : « Que montre cette image ? », « Quels sont les chiffres de ce tableau ? » ou « Explique ce schéma simplement ».

Cette faculté ouvre plusieurs pistes d’applications :

• des assistants capables de décrire une photo ou d’orienter un utilisateur face à une interface ;
• l’extraction d’informations à partir de graphiques, diagrammes et formulaires ;
• des outils d’aide à la rédaction de légendes, de fiches produits ou de descriptions d’images ;
• des expériences de commerce en ligne dans lesquelles une image devient le point de départ d’une recherche ou d’une recommandation.

Le principe technique consiste à associer un encodeur visuel, chargé de convertir l’image en représentations exploitables, au modèle de langage. Celui-ci peut ensuite mettre ces informations visuelles en relation avec les mots de la question et formuler une réponse. Cette architecture ne garantit pas pour autant une compréhension parfaite : comme les autres IA génératives, un modèle peut mal lire un détail, confondre des objets ou produire une affirmation plausible mais erronée.

Meta affirme que ses modèles Vision sont compétitifs avec des modèles plus petits de concurrents sur des évaluations de raisonnement à partir d’images. Ces résultats restent à interpréter avec prudence. Les benchmarks mesurent des tâches définies à l’avance, dans des conditions contrôlées. L’utilité réelle dépendra aussi de la qualité des images, du contexte donné dans l’instruction et du niveau de fiabilité requis par l’application.

Pourquoi Meta lance aussi des modèles de 1B et 3B

La course aux grands modèles pousse souvent les entreprises à augmenter le nombre de paramètres et les besoins informatiques. Meta emprunte ici une voie complémentaire : proposer des modèles plus petits, qui demandent moins de mémoire et de puissance de calcul que les versions de 11B ou 90B.

L’intérêt est pratique. Une IA exécutée localement peut réduire certains délais, fonctionner dans des contextes de connectivité limitée et éviter de transmettre systématiquement chaque requête à un serveur distant. Cela ne signifie pas qu’un modèle de 1B ou 3B sera automatiquement intégré à tous les téléphones. Le résultat dépend de l’appareil, de l’optimisation logicielle, de la quantification du modèle et de la tâche demandée. Mais ces tailles rendent l’hypothèse plus réaliste pour les éditeurs d’applications.

Les modèles légers impliquent aussi des compromis. Pour une requête complexe, une analyse longue ou un dialogue nécessitant beaucoup de nuances, un modèle plus grand dispose généralement de davantage de capacités. L’enjeu pour les entreprises n’est donc pas de choisir le modèle le plus imposant, mais de sélectionner celui qui répond au besoin avec un niveau de coût, de rapidité et de confidentialité acceptable.

Des usages locaux aux services dans le cloud

La coexistence de quatre tailles permet d’imaginer une répartition des tâches. Une application peut traiter localement des demandes simples, puis recourir à une infrastructure distante pour les opérations plus ambitieuses. Cette approche hybride intéresse les concepteurs de produits, car elle peut limiter les coûts d’inférence, c’est-à-dire le coût nécessaire pour faire répondre le modèle une fois entraîné.

Pour les modèles Vision, le besoin de ressources reste plus élevé : analyser une image exige de traiter des données visuelles en plus du texte. La version 90B s’adresse donc davantage aux environnements disposant d’une infrastructure de calcul conséquente. La version 11B ambitionne de proposer une option plus accessible pour construire des fonctions visuelles sans recourir au plus grand modèle de la gamme.

Llama 3.2 est-il vraiment open source ?

Meta met les poids de Llama 3.2 à la disposition des développeurs, ce qui leur permet de télécharger les modèles, de les adapter à certains besoins et de les déployer dans leurs propres environnements. C’est une différence importante avec des assistants accessibles uniquement via une interface ou une API fermée.

Le terme « open source » doit néanmoins être manié avec précision. Llama 3.2 est distribué sous la Llama 3.2 Community License, une licence conçue par Meta. Elle comporte des conditions d’utilisation, notamment pour les organisations dont les produits ou services comptent plus de 700 millions d’utilisateurs actifs mensuels. Dans ce cas, une autorisation supplémentaire de Meta est requise. Les développeurs doivent également respecter une politique d’usage acceptable.

L’accès aux poids ne supprime pas non plus les responsabilités habituelles. Une entreprise qui intègre un modèle dans un service client, un outil éducatif ou un système d’analyse documentaire reste responsable de la protection des données, de la sécurité de son intégration et du contrôle des réponses produites. Héberger soi-même un modèle peut donner davantage de maîtrise technique, mais impose aussi de gérer l’infrastructure, les mises à jour et les risques de mauvais usage.

Pourquoi l’Europe est un cas particulier

L’annonce intervient alors que l’Union européenne finalise la mise en œuvre progressive de l’AI Act, son règlement sur l’intelligence artificielle. Dans ce contexte, l’accès aux modèles de Meta fait l’objet de restrictions géographiques spécifiques.

Au lancement, la licence des modèles Llama 3.2 Vision ne permet pas leur mise à disposition aux personnes et entreprises domiciliées dans l’Union européenne. Cette limitation concerne les versions multimodales de 11B et 90B, et non les deux modèles textuels 1B et 3B de la même manière. Elle illustre les incertitudes qui accompagnent les grands modèles généralistes dans un environnement réglementaire en évolution.

Pour un développeur français ou européen, il faut donc distinguer deux questions : la capacité technique du modèle et les droits réels accordés par sa licence à la date de l’utilisation. La disponibilité d’un dépôt ou d’une documentation ne vaut pas automatiquement autorisation de déployer le modèle dans tous les territoires.

Meta se place face à OpenAI, Google et Anthropic

Avec Llama 3.2, Meta se mesure à des acteurs qui ont déjà fait de la compréhension d’images une fonction centrale de leurs assistants et de leurs API. OpenAI, Google et Anthropic développent tous des systèmes capables de combiner texte et éléments visuels. La différenciation de Meta repose sur une offre de poids téléchargeables, une gamme allant du modèle compact au grand modèle Vision et son intégration potentielle dans son vaste écosystème de produits.

Cette stratégie ne se joue pas seulement sur les performances brutes. Elle porte également sur la facilité de déploiement, le coût par requête, les langues prises en charge, les outils proposés aux développeurs et les conditions juridiques. Un modèle peut être très performant dans une démonstration, mais peu adapté à une entreprise s’il nécessite trop de ressources ou si sa licence ne couvre pas le cas d’usage envisagé.

Llama 3.2 arrive aussi à un moment où l’IA embarquée devient un argument majeur pour les fabricants de téléphones et de puces. Des modèles compacts peuvent aider à rapprocher certaines fonctions de l’utilisateur, sans que chaque interaction dépende d’un centre de données. Meta s’inscrit ainsi dans une évolution plus large du marché, entre modèles généralistes très grands et systèmes plus spécialisés exécutés au plus près des appareils.

Ce qu’il faut surveiller

La première question sera celle de la disponibilité effective des fonctions Vision et de leur évolution en Europe. Les restrictions initiales montrent que les lancements mondiaux de modèles ne sont plus uniquement dictés par la technique : la licence et le cadre réglementaire déterminent aussi qui peut les utiliser.

Il faudra ensuite évaluer les modèles hors des démonstrations. Les tests indépendants permettront de mieux apprécier la qualité de Llama 3.2 en français, sa capacité à extraire des informations d’images réelles et sa fiabilité face à des documents complexes. Pour les modèles 1B et 3B, la question centrale sera leur comportement sur les appareils grand public : vitesse, consommation de mémoire et pertinence des réponses.

Enfin, l’arrivée de la vision dans Llama ne doit pas faire oublier les limites fondamentales de cette technologie. Un système capable de décrire une image n’est pas un arbitre infaillible. Dans les domaines où une erreur a des conséquences importantes, l’IA doit rester un outil d’assistance, avec des données adaptées, des tests rigoureux et une vérification humaine. C’est à cette condition que la promesse de modèles plus ouverts, plus compacts et plus polyvalents pourra se traduire en usages réellement utiles.