Qwen

La famille de modèles d'Alibaba Cloud

Qwen (Tongyi Qianwen) est la famille de modèles de langage développée par Alibaba Cloud. La plupart de ses modèles sont publiés à poids ouverts : les fichiers se téléchargent sur Hugging Face et s'exécutent sur sa propre infrastructure, sans appel à une API distante. Une partie de la gamme reste servie par API seulement, comme Qwen 3.7 Max, que notre analyse de GLM-5.2 range parmi les modèles fermés.

La gamme s'étend du modèle dense de 9 milliards de paramètres au Mixture-of-Experts de plusieurs centaines de milliards, avec des déclinaisons spécialisées comme Qwen3 Coder et un agent de code en terminal, Qwen Code, que Herdr détecte depuis sa version 0.8.2 d'août 2026. Alibaba publie une nouvelle génération tous les quelques mois : nos articles citent Qwen 3.5 en juin 2026, Qwen 3.6 en juillet et Qwen 3.8 en septembre.

Un pilier de la vague open-weights chinoise

Dans la course open-weights chinoise que nous décrivions en juillet 2026, Alibaba joue aux côtés de Moonshot (Kimi K3), de DeepSeek et de Z.ai (GLM-5.2, puis GLM-5.3) : quatre laboratoires qui publient leurs poids, cassent les prix et sortent une version tous les deux mois. En septembre 2026, Qwen 3.8 rivalisait avec DeepSeek V4, GLM-5.3 et Kimi K3 sur le codage et les agents pour un tiers à un dixième du tarif des API américaines de pointe, et le forfait OpenCode Go couvrait ces quatre familles en tête de ses plus de trente modèles ouverts.

Cette diffusion à bas coût sert une stratégie d'État. Le discours de Xi Jinping à la WAIC 2026 mise sur le déploiement à grande échelle et l'adoption mondiale de modèles à poids ouverts comme DeepSeek ou Qwen, là où les puces de pointe restent un avantage américain. Jusqu'à l'été 2026, la course aux frontiers open-weights se jouait entre laboratoires chinois ; Inkling, de Thinking Machines, y a ajouté un entrant américain en juillet.

Le modèle de nos scénarios d'inférence locale

Qwen revient dans nos articles chaque fois qu'un agent doit tourner sans appel cloud. Le guide d'exécution locale d'Hermès Agent (juillet 2026) retient Qwen 3.6 35B, qui tient dans une vingtaine de gigaoctets de mémoire, sous la forme d'un checkpoint quantifié NVFP4 publié par NVIDIA et servi par vLLM, Ollama ou LM Studio sur un poste RTX ou un DGX Spark. NVIDIA PAIR, en septembre 2026, reprend ce même Qwen 3.6 35B A3B pour sa démonstration d'inférence répartie sur les machines d'un réseau local, et le serveur LLMD de ZML le charge en zero-copy depuis Hugging Face. Pour un workload souverain, la lecture FinOps rejoint la Matrice Souveraineté Agentique : un modèle à poids ouverts déployé sur site remplace le coût du token par celui du matériel et de l'électricité, quasi nul à la marge une fois l'infrastructure amortie.

La famille sert aussi de socle à des modèles dérivés. Cloudflare Clef (octobre 2026) post-entraîne Qwen3.8-27B et Qwen3.5-9B en modèles de décision, publiés sous Apache 2.0. Ornith-1.0 (juin 2026) est un fine-tune de Qwen 3.5 et de Gemma 4, au point que le modèle se présente parfois comme « Qwen 3.5 ». L'étude d'Anthropic sur les vers IA (octobre 2026) prend Qwen3.5-9B comme modèle à répliquer sur neuf types de matériel, de la Jetson Nano à la RTX 4090. Les testeurs d'Ornith signalent qu'une fois le harnais retiré, les faiblesses héritées de Qwen reviennent : appels d'outils hallucinés, boucles improductives, suivi de consignes médiocre.

Ce qu'une DSI vérifie avant de déployer Qwen

La licence se lit modèle par modèle. La famille ne partage pas une licence unique : chaque checkpoint porte la sienne sur sa fiche Hugging Face, et un dérivé peut en porter une autre. Le réflexe vaut pour Llama comme pour Kimi K3 : lire la licence avant les benchmarks, et repérer les conditions d'usage commercial. Franck Le Moal, DSI de LVMH, posait la question en juin 2026 : « qui peut prédire les logiques d'indépendance ou de dépendance qu'on va avoir par rapport aux grands acteurs de l'intelligence artificielle, OpenAI, Anthropic, Alibaba avec Qwen ? » Pour la souveraineté, le poids téléchargé compte plus que la nationalité de l'éditeur : un modèle exécuté sur site n'envoie aucune donnée à Alibaba.

• Provenance du checkpoint : le dépôt officiel d'Alibaba, un checkpoint quantifié par un tiers identifié (NVIDIA pour le NVFP4) ou un fine-tune anonyme n'ont pas la même traçabilité.
• Nature des scores : les chiffres d'Alibaba, ceux des dérivés (Ornith, Clef) et les classements tiers répondent à des protocoles différents ; les agréger ne mesure rien.
• Harnais : les retours sur Ornith montrent qu'un même modèle Qwen change de verdict selon l'enveloppe qui l'entoure ; évaluer le modèle dans votre harnais, avec vos outils.
• Réversibilité : poids ouverts et API compatible OpenAI (vLLM, LLMD, Ollama) permettent de changer de modèle ou d'hébergeur sans réécrire l'agent.