L’essentiel
- Z.ai a revendiqué le 26 août le modèle anonyme Ox Alpha, apparu une semaine plus tôt sur OpenRouter : il s’agit de GLM-5.3-Flash, publié en poids ouverts sous licence MIT.
- 320 milliards de paramètres dont 18 milliards actifs, entraînés sur 30 000 milliards de tokens, servis intégralement sur des puces et des infrastructures chinoises.
- Tarif catalogue de 15 cents par million de tokens en entrée et 50 cents en sortie, avec 50 % de remise sur OpenRouter jusqu’au 9 septembre.
- Artificial Analysis le situe à 57 points sur son index d’intelligence pour environ neuf cents la tâche, contre 59 points à 67 cents pour GPT-5.6 Sol.
Pendant six jours, une partie de la communauté a joué au détective. Un modèle anonyme, Ox Alpha, avalait gratuitement plusieurs milliers de milliards de tokens (les unités de texte que facturent les modèles) par jour sur la place de marché OpenRouter, sans que personne sache qui payait l’inférence, le calcul qui produit chaque réponse. Le 26 août, Z.ai a levé la main.
Six jours d’enquête, une réponse servie sur du silicium chinois
Les hypothèses tournaient toutes autour des laboratoires américains : un Gemini attendu depuis des mois, un palier intermédiaire d’Anthropic, ou une capacité excédentaire chez xAI. On a vu passer des analyses de tokenizer (le découpage du texte propre à chaque modèle) et des relevés réseau.
La réponse est venue de Pékin. Ox Alpha, c’était GLM-5.3-Flash, exposé volontairement au trafic public avant son annonce. La performance, pourtant remarquable, en disait moins que la logistique : la totalité du service tournait sur des puces et des infrastructures chinoises. Des milliers de développeurs ont éprouvé cette chaîne une semaine durant sans savoir ce qu’ils testaient.
Les poids de GLM-5.3-Flash sont téléchargeables sur Hugging Face sous licence MIT. Poids ouverts ne veut pas dire open source : le code d’entraînement et les données restent chez l’éditeur, seuls les paramètres circulent. Suffisant pour le faire tourner chez soi. L’inférence hébergée est proposée par Z.ai, mais aussi par GMI Cloud, Cloudflare et d’autres fournisseurs américains, ce qui lève une partie des objections de conformité. Un abonnement dédié à la programmation, à 18 dollars par mois, complète l’offre.
La courbe prix-performance s’aplatit par le haut
Le jour même de l’annonce, le modèle apparaissait sur le graphique intelligence-coût d’Artificial Analysis. Il y obtient 57 points pour environ neuf cents la tâche. GPT-5.6 Sol en mode maximal se tient à 59 points, pour 67 cents : deux points de mieux, facturés 7,4 fois plus cher. Grok 4.6 monte à 61 points, à 94 cents, soit plus de dix fois le tarif pour quatre points d’écart.
Sur les tâches de programmation et les évaluations agentiques (des tests où le modèle enchaîne seul plusieurs actions), banc DeepSWE compris, Unsloth le situe au niveau de Claude Opus 4.8. Chez Anthropic, ce dernier se facture 5 dollars le million de tokens en entrée et 25 dollars en sortie, soit plus de trente fois le tarif catalogue de Z.ai. Gagner les deux derniers points d’index revient à multiplier la facture. Pour une équipe qui fait tourner des agents en boucle sur du refactoring, de la migration de tests ou du triage de tickets, l’écart se compte en dizaines de milliers de dollars par mois.
La facture arrive toujours avant les gains
Les directions techniques américaines encaissent déjà le choc. Praveen Neppalli Naga, directeur technique d’Uber, expliquait en avril avoir tout repris à zéro dans ses prévisions : l’enveloppe annuelle 2026 consacrée aux agents de programmation était consommée en quatre mois, et lui-même avait brûlé 1 200 dollars en une démonstration de deux heures. En juin, Uber plafonnait la dépense à 1 500 dollars par personne et par outil. Andrew Macdonald, son directeur des opérations, reconnaissait ne pas savoir relier ces tableaux de bord à la hausse de 25 % des fonctionnalités livrées. Le gain d’usage se voit ; son effet sur le compte de résultat, non.
L’enquête State of AI 2026 de McKinsey décrit le même écart : 80 % des personnes interrogées se disent plus rapides, 37 % des entreprises constatent un effet mesurable sur leur résultat opérationnel, et 32 % ont renoncé à au moins un achat logiciel parce qu’elles pouvaient reconstruire la fonction en interne avec des agents. Personne ne débranche l’IA. Tout le monde cherche où couper.
320 milliards de paramètres sur une machine de bureau
L’autre déplacement est matériel. Les poids natifs pèsent 642 Go, hors de portée d’une machine individuelle. Unsloth publie des versions quantifiées, c’est-à-dire compressées en abaissant la précision des calculs, au format GGUF, celui des moteurs d’inférence locaux : la variante 1 bit tient dans 93 Go et tourne sur 102 Go de mémoire cumulée, la 3 bits demande 128 Go, soit un Mac bien doté ou un NVIDIA DGX Spark. Unsloth annonce 71 % de la précision d’origine conservée pour la première, 87 % pour la seconde.
L’architecture explique le tarif : une attention hybride, qui ne calcule que sur une partie du contexte, limite le coût de service sur les textes longs, et trois modes de raisonnement s’enclenchent selon la difficulté de la requête. Les entreprises qui traitent des données sensibles y gagnent une option absente des modèles fermés : un moteur haut de gamme derrière leur propre pare-feu.
La fin de la promotion, premier test du tarif
La remise de lancement d’OpenRouter s’arrête le 9 septembre, et l’on verra alors si 15 cents par million de tokens en entrée tiennent hors promotion. Meta a de son côté annoncé l’ouverture des poids de Muse Spark 1.2, un modèle jusqu’ici fermé qui donnerait au camp ouvert sa première grande référence américaine. Et la part de tokens servie sur OpenRouter, majoritairement chinoise depuis début juin, dira si l’écart se creuse.
D’ici début 2027, l’outillage de développement cessera sans doute d’exposer un modèle unique par défaut : il routera chaque tâche vers le moins cher qui la réussit, en réservant le haut de gamme aux passages difficiles. À une condition : que la qualité de service hors Z.ai, latence et disponibilité comprises, tienne plusieurs mois. Si une entreprise cotée annonçait avoir basculé vers des poids ouverts hébergés chez elle le trafic de ses agents de production, et pas seulement celui de ses prototypes, les tarifs américains devraient s’ajuster. Tant que le mouvement reste confiné aux développeurs indépendants, ils ne bougeront pas.
Mon avis
Les équipes qui paieront encore le tarif haut de gamme pour du refactoring de masse en 2027 le feront par confort contractuel, pas par nécessité technique. Sept fois le prix pour deux points d’index, c’est un arbitrage qu’aucun directeur financier ne validera une fois qu’un ingénieur lui aura montré le comparatif. Je m’attends à ce que les douze prochains mois se jouent sur la couche de routage bien plus que sur les benchmarks : celui qui décide quel modèle traite quelle tâche capte la marge, et personne ne s’en occupe sérieusement aujourd’hui. Le danger vient moins de la qualité chinoise que du réveil tardif, quand on découvre avoir bâti sa chaîne de production sur une hypothèse de prix périmée.
