Meta AI : Llama, Muse, PyTorch et usages en entreprise

Meta AI désigne l'ensemble des activités d'intelligence artificielle de Meta, le groupe américain basé à Menlo Park qui édite Facebook, Instagram, WhatsApp et Messenger. Le nom recouvre plusieurs réalités : les équipes de recherche, les familles de modèles publiées par le groupe et l'assistant conversationnel intégré à ses applications. Contrairement à OpenAI ou à Mistral AI, Meta ne tire pas l'essentiel de ses revenus de la vente de services d'IA : ses modèles servent d'abord ses propres produits, et une partie est mise à disposition de tous.

L'histoire commence en décembre 2013 avec la création de FAIR (Facebook AI Research, devenu Fundamental AI Research), un laboratoire de recherche fondamentale dirigé par Yann LeCun, chercheur français et lauréat du prix Turing. FAIR ouvre un site à Paris en 2015 et publie de nombreux travaux en vision par ordinateur, en traduction et en apprentissage auto-supervisé. Les équipes de Meta créent aussi PyTorch, rendu public début 2017, qui devient l'un des principaux frameworks de deep learning.

En février 2023, Meta publie LLaMA, une première famille de LLM destinée aux chercheurs. Llama 2, en juillet 2023, autorise l'usage commercial, et les versions suivantes font de Llama l'une des familles de modèles ouverts les plus utilisées. En juin 2025, Meta regroupe FAIR, les équipes de modèles de langage et les équipes produit dans Meta Superintelligence Labs (MSL), dirigé par Alexandr Wang, fondateur de Scale AI, devenu Chief AI Officer du groupe. Yann LeCun quitte Meta fin 2025 pour fonder sa propre entreprise. Au printemps 2026, MSL présente une nouvelle famille, Muse, dont le premier modèle, Muse Spark, n'est pas publié en poids ouverts.

À retenir : pour une entreprise, Meta est surtout un fournisseur de modèles à poids ouverts et d'outils open source. Son assistant grand public et ses modèles Muse les plus avancés relèvent d'une logique différente, propriétaire et tournée vers ses propres applications.

Le catalogue de Meta se compose aujourd'hui de deux grandes familles de modèles de langage, auxquelles s'ajoutent des modèles spécialisés issus de la recherche. Les versions évoluent vite : mieux vaut raisonner par famille et vérifier la fiche officielle de chaque modèle au moment du choix.

Llama 4, publié en avril 2025, repose sur une architecture à mélange d'experts (Mixture of Experts) : seule une partie des paramètres est activée pour chaque token, ce qui réduit le coût d'inférence à taille égale. Un troisième modèle, Llama 4 Behemoth, a été annoncé mais n'a pas été publié. La famille Muse, présentée en avril 2026, marque une rupture : Muse Spark a connu plusieurs mises à jour rapprochées au cours de l'été 2026, et seule sa version distillée, Muse Glimmer, est distribuée en poids ouverts.

Comment choisir entre Llama et Muse ?

Le choix dépend d'abord du mode d'accès souhaité. Si vous voulez héberger le modèle vous-même, seuls Llama et Muse Glimmer sont envisageables ; si une API vous convient, Muse Spark entre dans la comparaison, aux côtés des modèles d'autres fournisseurs. Comparez ensuite la qualité sur un jeu de questions représentatif, la latence, le coût complet et la licence. Un petit modèle Llama bien guidé suffit souvent pour l'extraction ou la classification ; un modèle plus grand se justifie pour le raisonnement en plusieurs étapes. Notre guide LLM : savoir lequel choisir détaille cette démarche.

Meta a longtemps présenté Llama comme un modèle open source, mais la réalité est plus nuancée. Il faut distinguer les poids publiés, la licence qui les accompagne, les modèles propriétaires et les outils logiciels.

• Poids ouverts sous licence Llama : les modèles Llama sont téléchargeables, notamment sur Hugging Face, et l'usage commercial est autorisé. La licence communautaire impose toutefois des conditions : une licence spécifique au-delà de 700 millions d'utilisateurs actifs mensuels, le respect d'une politique d'usage, la mention « Built with Llama » et l'utilisation du nom Llama dans les modèles dérivés. Ces restrictions expliquent que l'Open Source Initiative ne considère pas Llama comme open source.
• Exclusion de l'UE pour Llama 4 : la politique d'usage de Llama 4 n'accorde pas les droits sur ses modèles multimodaux aux personnes et entreprises établies dans l'Union européenne, en invoquant l'incertitude réglementaire. Une restriction similaire existait déjà pour les modèles de vision de Llama 3.2.
• Poids ouverts sous Apache 2.0 : Muse Glimmer, publié en août 2026, est distribué sous cette licence permissive, sans exclusion géographique.
• Modèles propriétaires : Muse Spark n'est accessible qu'à travers l'assistant Meta AI et la Meta Model API. Meta a indiqué vouloir publier des versions ouvertes de futurs modèles Muse, sans engagement de calendrier.
• Logiciels open source : PyTorch, FAISS et de nombreux dépôts de recherche sont publiés sous des licences open source classiques.

Comme pour les autres éditeurs, les données et le code d'entraînement des modèles ne sont pas publiés. Pour un usage en production, la licence se vérifie modèle par modèle, sur sa fiche officielle.

À retenir : « téléchargeable » ne veut pas dire « libre de droits ». Avant de déployer un modèle Meta, vérifiez sa licence, sa politique d'usage et les éventuelles restrictions géographiques.

Pour une entreprise européenne qui cherche un modèle à poids ouverts, Mistral AI est souvent l'alternative la plus directe à Llama. Les deux acteurs publient des modèles téléchargeables et proposent une API, mais leur modèle économique, leurs licences et leur offre entreprise diffèrent.

Lequel choisir ? Meta se justifie si vous cherchez l'écosystème communautaire le plus large, si un modèle Llama 3.x ou Muse Glimmer couvre votre besoin et si sa licence convient à votre contexte. Mistral AI se justifie si une licence Apache 2.0, un fournisseur européen ou un accompagnement entreprise pèsent dans la décision. Dans les deux cas, comparez la qualité sur vos données, le coût d'hébergement et la capacité de l'équipe à exploiter un modèle ouvert. Une architecture qui isole l'appel au modèle derrière une interface interne permet de passer de l'un à l'autre si besoin.