Cerebras : puce Wafer-Scale, API d'inférence, IPO et usages en entreprise

Cerebras est une entreprise qui conçoit des puces et exploite un cloud pour l'inférence des modèles d'IA. Elle ne rivalise pas avec OpenAI ou Anthropic sur la création de modèles de pointe : elle sert des modèles à poids ouverts publiés par d'autres, très rapidement, grâce à sa propre puce, le Wafer-Scale Engine. Pour une équipe, cela revient à appeler un LLM ouvert par API en attendant beaucoup moins longtemps la réponse.

L'entreprise est fondée en 2016 en Californie par Andrew Feldman, son directeur général, avec une équipe d'ingénieurs issus de l'industrie des semi-conducteurs. Son pari est de ne pas découper la plaquette de silicium en puces séparées, mais d'en faire une seule puce géante, qui garde calcul et mémoire au plus près les uns des autres. Elle vend d'abord des systèmes CS-3 et des clusters, puis lance une plateforme d'inférence accessible par API, qui devient son produit le plus visible. En janvier 2026, elle annonce avec OpenAI un accord pluriannuel de 750 mégawatts de capacité d'inférence. Elle entre ensuite au Nasdaq le 14 mai 2026, sous le symbole CBRS, avec la plus grosse introduction en bourse américaine de l'année.

Dans l'écosystème, Cerebras occupe la couche d'inférence, entre les laboratoires qui publient des poids ouverts, comme Meta AI ou Qwen, et les entreprises qui veulent les utiliser. Ses concurrents sont les fournisseurs d'inférence, comme Together AI ou Fireworks AI, et les concepteurs de puces d'IA, dont NVIDIA et Groq.

Pour un développeur, Cerebras est souvent un fournisseur à comparer : on réutilise un client compatible OpenAI, on change l'URL de base, puis on mesure vitesse, coût et qualité sur ses propres données. L'enjeu de fond est la latence et le coût de l'inférence, qui pèsent de plus en plus lourd dans les agents et les modèles de raisonnement.

L'entrée en bourse éclaire aussi le modèle économique. Les documents déposés auprès des autorités américaines montrent un chiffre d'affaires en forte hausse en 2025, mais concentré sur un nombre limité de clients, dont un acteur des Émirats arabes unis. Pour un acheteur, cette transparence est utile : elle permet de juger la solidité du fournisseur, et rappelle qu'un service d'inférence reste un choix de dépendance, à documenter comme tout fournisseur cloud.

À retenir : Cerebras n'est pas un laboratoire de modèles mais un concepteur de puces et un cloud d'inférence. La question utile est de savoir si la vitesse de réponse justifie un catalogue plus restreint.

L'offre se lit comme un parcours : tester un modèle par l'API, passer à de la capacité dédiée si la production l'exige, puis, pour les très gros acteurs, déployer des systèmes complets.

Ce découpage compte pour le budget. L'inférence se facture au token et suit l'usage, ce qui convient au démarrage. Quand le trafic devient régulier, le coût d'une API se compare à celui d'un modèle hébergé, un arbitrage détaillé dans l'article FinOps des LLM : API vs self-hosting.

Le critère de vitesse mérite une précaution. Les débits en tokens par seconde publiés par les fournisseurs dépendent du modèle, de la longueur du contexte et de la charge du moment. Pour comparer deux plateformes, il faut mesurer le temps avant le premier token et le débit de génération sur un jeu de requêtes représentatif de son application, plutôt que de se fier aux chiffres de démonstration. La technique de Speculative Decoding montre d'ailleurs que le logiciel accélère aussi l'inférence, indépendamment de la puce.

Comment choisir un modèle sur Cerebras ?

Commencer par un modèle de taille moyenne pour mesurer la qualité sur ses propres données, puis tester un modèle plus grand si le résultat est insuffisant. Le catalogue se décrit par familles (GPT-OSS, Qwen, GLM, Llama) et change régulièrement : relire la liste de modèles et les dates de retrait avant chaque projet. Les critères de sélection sont détaillés dans l'article LLM : savoir lequel choisir.

La question de fond n'est pas l'ouverture du code mais l'architecture, car c'est elle qui explique la vitesse annoncée.

• Le GPU est une puce découpée dans une plaquette, associée à de la mémoire externe. Les données circulent entre puces et mémoire, ce qui limite la vitesse de génération d'un modèle, surtout pour un seul utilisateur.
• Le Wafer-Scale Engine garde une grande quantité de mémoire et de calcul sur une même puce de la taille d'une plaquette, ce qui réduit ces échanges et accélère la génération des tokens.
• Les modèles servis restent ouverts, avec leurs propres licences : héberger un modèle chez Cerebras ne le rend ni plus ni moins ouvert.
• La plateforme est un service commercial et propriétaire, comme son matériel et sa pile logicielle.

Cette spécialisation a un coût : le catalogue dépend des modèles que Cerebras choisit d'optimiser, et les architectures comme la Mixture of Experts ou les modèles de type Transformer très volumineux demandent un travail d'adaptation. L'avantage de portabilité demeure, puisque le même modèle ouvert peut être servi par un autre fournisseur ou hébergé en interne avec vLLM, à condition d'accepter une performance différente.

À retenir : la vitesse de Cerebras vient de l'architecture de sa puce, pas d'un modèle exclusif. Avant tout usage commercial, lisez la licence de chaque modèle choisi.

La comparaison est fréquente, car les deux conçoivent leur propre puce et servent des modèles ouverts par une API compatible OpenAI. Ils sont souvent testés côte à côte pour un même projet.

Lequel choisir ? Aucun des deux ne remplace un test sur ses propres requêtes : vitesse mesurée, coût par token, modèles disponibles et conditions de conformité varient d'un moment à l'autre. Cerebras s'adresse plutôt aux équipes qui visent de la capacité dédiée ou un déploiement de grande taille, Groq à celles qui veulent prototyper vite avec une offre gratuite. Pour le choix de l'hébergement, Together AI reste l'option à regarder si le fine-tuning ou la largeur du catalogue comptent, et Ollama la plus légère pour tester en local.