GLM-5.1 : le premier modèle open source à dominer SWE-Bench Pro — sans NVIDIA

Le plafond du codage open source vient de bouger

Pendant deux ans, la capacité de codage à la frontière est restée l’apanage des laboratoires fermés. Puis, le 7 avril 2026, Z.ai (anciennement Zhipu AI) a publié GLM-5.1 et le classement a changé de forme. Sur SWE-Bench Pro — l’évaluation de codage en conditions réelles la plus exigeante de l’industrie, qui mesure la capacité d’un modèle à résoudre de véritables issues GitHub dans de grands dépôts — GLM-5.1 a obtenu 58,4, devançant GPT-5.4 à 57,7, Claude Opus 4.6 à 57,3 et Gemini 3.1 Pro à 54,2. Selon la couverture de Dataconomy, GLM-5.1 devient ainsi le premier modèle chinois et le premier modèle open-weight à dominer ce benchmark.

Les poids sont publiés sur Hugging Face sous licence MIT. N’importe quelle équipe, n’importe où, peut télécharger, modifier, affiner et déployer commercialement le modèle sans restriction.

Qu’est-ce que GLM-5.1 techniquement

GLM-5.1 est une mise à niveau post-entraînement de GLM-5, le modèle Mixture-of-Experts de 744 milliards de paramètres que Z.ai avait publié plus tôt en 2026. L’architecture conserve la même échelle mais route chaque passe avant à travers environ 40 milliards de paramètres actifs, ce qui rend le modèle servable à l’inférence.

Spécifications clés, rapportées par VentureBeat et la documentation développeur de Z.ai :

• Paramètres totaux : ~744 milliards (MoE)
• Paramètres actifs par passe avant : ~40 milliards
• Fenêtre de contexte : 202 752 tokens (~200K), avec une sortie maximale de 65 535 tokens
• Licence : MIT (usage commercial, modification, redistribution tous autorisés)
• Date de publication : 7 avril 2026

Le modèle est explicitement optimisé pour le travail agentique à long horizon. VentureBeat souligne l’affirmation de Z.ai selon laquelle GLM-5.1 peut maintenir de manière autonome l’alignement sur un objectif sur des tâches allant jusqu’à environ huit heures et des milliers d’appels d’outils — un positionnement direct sur le marché des agents de codage où s’affrontent Cursor, Claude Code et Codex.

Le benchmark qui compte ce trimestre

SWE-Bench Pro est le benchmark qui distingue les démonstrations marketing des assistants d’ingénierie réellement utilisables. Plutôt que des puzzles isolés, il présente au modèle des dépôts complets et des issues réelles provenant de projets open source en production, et mesure si le correctif de l’agent résout l’issue lorsque les tests sont exécutés.

Le classement au moment de la publication d’avril 2026 :

L’écart entre GLM-5.1 et la frontière propriétaire se situe dans la marge de bruit de n’importe quel benchmark unique. Mais la direction de la tendance compte : pour la première fois, le meilleur score de codage jamais enregistré appartient à un modèle que n’importe quelle équipe d’ingénierie peut auto-héberger.

L’histoire matérielle est plus grande que le modèle

Le récit technique que la plupart des analystes anglophones ont mis en avant était le chiffre du benchmark. Le récit géopolitique qui comptera à plus long terme est la pile d’entraînement. Selon Awesome Agents et Let’s Data Science, le pré-entraînement de GLM-5 s’est exécuté sur un cluster de 100 000 puces Huawei Ascend 910B, avec MindSpore — le framework open source d’apprentissage profond de Huawei — comme pile d’entraînement. Aucun GPU NVIDIA, aucun accélérateur AMD, aucune puce Intel n’a été utilisé.

L’Ascend 910B est conçu par la filiale HiSilicon de Huawei et fabriqué par SMIC en procédé 7 nanomètres. Chaque puce individuelle est moins puissante que son équivalent NVIDIA ; l’exploit d’ingénierie a consisté à coordonner un cluster de cette taille pour achever un entraînement de 28 500 milliards de tokens sans l’outillage d’entraînement distribué que l’écosystème NVIDIA considère comme acquis.

Pour les acheteurs situés en dehors du périmètre de contrôle des exportations américaines — ce qui inclut l’Algérie et la majeure partie de l’Afrique, du Golfe, de l’Asie du Sud-Est et de l’Amérique latine — cette démonstration change l’hypothèse par défaut selon laquelle un modèle de classe frontière nécessite du silicium occidental de classe frontière.

Exécuter cela localement reste un problème difficile

Lire « open source, sous licence MIT » et imaginer un déploiement local est facile. Faire tourner un modèle MoE de 744 milliards en production est plus difficile. Une configuration de service complète nécessite réalistement plusieurs centaines de gigaoctets de mémoire GPU (8 cartes de classe H100, ou un cluster Ascend comparable) même avec quantification et sharding d’experts. C’est pourquoi le chemin de déploiement à court terme pour la plupart des équipes sera :

• Accès API via Z.ai ou OpenRouter — listé à environ 0,95 $ en entrée / 3,15 $ en sortie par million de tokens sur OpenRouter, soit environ un tiers du coût des modèles fermés comparables.
• Inférence managée via les hyperscalers chinois — Alibaba Cloud, Tencent Cloud et Huawei Cloud hébergent tous les modèles GLM.
• Auto-hébergement pour des cas d’usage spécifiques — variantes quantifiées 4-bit et distillations spécialisées pour les équipes ayant des exigences précises de souveraineté des données ou de coût.

La licence MIT signifie que la longue traîne des possibilités de déploiement — fine-tuning sur des bases de code propriétaires, distillation en modèles plus petits spécifiques à une tâche, création d’outils développeur local-first — est enfin disponible sans autorisation du fournisseur.

Ce que cela signifie pour les bâtisseurs au Sud

Le signal pragmatique immédiat est que le prix d’une IA de codage performante vient de chuter brutalement. Une équipe évaluant si elle doit se standardiser sur GitHub Copilot Enterprise, Cursor Pro ou une alternative locale dispose désormais d’une troisième option crédible : un modèle sous licence MIT qui se classe n°1 sur le benchmark de codage public le plus difficile, avec un prix API d’environ un tiers de celui de Claude Opus 4.6.

Pour les équipes logicielles algériennes, l’implication de second ordre concerne la réduction de la dépendance stratégique vis-à-vis de fournisseurs dont les tarifs, la disponibilité et les politiques d’exportation sont fixés hors du pays. GLM-5.1 ne lève pas toutes les contraintes — bien le faire tourner exige toujours un budget GPU sérieux, et la meilleure inférence provient aujourd’hui d’OpenRouter et des fournisseurs cloud chinois — mais il réduit l’écart de capacités entre « ce qu’utilisent les leaders mondiaux » et « ce qu’une équipe algérienne bien dotée peut auto-héberger ou louer » d’une manière qui n’existait pas il y a six mois.

Sources et lectures complémentaires

• Z.ai’s GLM-5.1 Tops SWE-Bench Pro, Beating Major AI Rivals — Dataconomy
• AI Joins the 8-Hour Work Day as GLM Ships 5.1 Open-Source LLM, Beating Opus 4.6 and GPT-5.4 on SWE-Bench Pro — VentureBeat
• Zhipu AI’s GLM-5.1 Can Rethink Its Own Coding Strategy Across Hundreds of Iterations — The Decoder
• How China’s GLM-5 Works: 744B Model on Huawei Chips — Let’s Data Science
• GLM-5.1 API Pricing & Providers — OpenRouter
• Pricing Overview — Z.AI Developer Docs