Vincent
Le verdict est tombé après une question banale sur l’actualité récente : le modèle refusait obstinément de reconnaître des événements pourtant vieux de plusieurs mois. Pas un bug, pas un problème de configuration. La cause est plus simple et plus structurelle qu’il n’y paraît : Llama, comme tous les grands modèles de langage, transporte une mémoire figée à une date précise, et rien dans son fonctionnement local ne peut combler ce vide.
L’expérience part d’un principe simple : installer un modèle Llama de Meta sur son propre ordinateur, via des outils comme Ollama ou LM Studio, et couper toute connexion réseau. Une fois le modèle téléchargé, plus besoin d’internet, ce qui est idéal pour la confidentialité ou les déplacements. L’opération ne demande ni compétences de développeur ni matériel exotique : une seule commande télécharge le modèle, une autre lance la conversation, sans configuration complexe. Le tout tourne ensuite en boucle fermée, sans jamais solliciter les serveurs de Meta.
À retenir
- Llama local fonctionne parfaitement les deux premières questions, puis s’effondre sur la troisième
- Le vrai coupable n’est pas technique : c’est une date gravée dans les entrailles du modèle
- Meta a arrêté les mises à jour en open source, condamnant ce fossé à s’agrandir indéfiniment
Le confort trompeur de la première question
Les deux premières questions passent sans accroc. Une définition, un résumé, une explication technique classique : le modèle répond avec assurance, dans un français correct, sans latence perceptible une fois chargé en mémoire. Rien ne laisse deviner la faille. La confidentialité est réelle puisque tout reste sur la machine, le coût est nul après le téléchargement, et l’indépendance se traduit par un fonctionnement même hors ligne, sans coupure d’API ni modèle déprécié du jour au lendemain. Sur le papier, tout concourt à faire oublier qu’on discute avec une intelligence artificielle coupée du monde.
Puis vient la troisième question, celle qui porte sur un événement récent. Et là, le vernis craque. Le modèle invente, contourne, ou pire, affirme avec la même assurance des informations obsolètes comme si elles étaient d’actualité. Ce n’est pas une question de puissance de calcul ni de qualité du prompt. C’est une question de date.
Le vrai coupable : une mémoire arrêtée en août 2024
Meta documente elle-même cette limite noir sur blanc dans la fiche technique de son modèle. Llama 4 se présente lui-même en précisant que sa date de connaissance s’arrête en août 2024. Llama 4 Scout a été pré-entraîné sur environ 40 000 milliards de tokens et Llama 4 Maverick sur environ 22 000 milliards, à partir de données publiques, de données sous licence et d’informations issues des produits Meta, avec une fraîcheur des données plafonnée à août 2024. Concrètement, tout ce qui s’est passé après cette date est invisible pour le modèle, à moins qu’on ne le lui fournisse soi-même dans la conversation.
Ce phénomène porte un nom technique, le knowledge cutoff, et il ne concerne pas que Llama. L’accès à internet complète mais ne remplace jamais l’entraînement : les modèles capables de naviguer sur le web peuvent récupérer des informations récentes, mais ils traitent ces données différemment de leur savoir de base, et l’information récupérée peut être moins fiable ou plus difficile à synthétiser. même les IA connectées en permanence gardent un socle de connaissances figé, elles y ajoutent simplement une couche de recherche externe. En local, cette couche disparaît purement et simplement.
Le décalage n’est pas anecdotique. La lignée Llama en poids ouverts reste aujourd’hui figée avec des connaissances datant de mi-2024. Un an et demi d’actualité, de sorties de produits, d’évolutions réglementaires ou de faits divers majeurs, tout simplement absents de sa mémoire. Poser une question sur un événement de 2025 ou 2026 revient à interroger un témoin qui aurait passé les deux dernières années sans lire un journal ni allumer une radio.
Pourquoi Meta ne comble pas l’écart
On pourrait s’attendre à une mise à jour régulière du modèle, comme le font certains concurrents. Ce n’est pas le cas. Meta n’a plus publié de nouveau Llama depuis avril 2025, et l’entreprise a même basculé en avril 2026 vers un modèle à poids fermés, baptisé Muse Spark, au sein de sa division Superintelligence Labs. Le message est clair : les futurs développements les plus avancés de Meta ne seront plus forcément partagés en open source, ce qui gèle de fait les modèles Llama disponibles gratuitement au niveau de connaissances qu’ils avaient au moment de leur sortie.
Ce choix stratégique a une conséquence directe pour qui compte sur l’IA locale : l’écart entre ce que sait le modèle et ce qui se passe réellement dans le monde ne fera que s’agrandir avec le temps, sans espoir de correctif automatique. Le fossé entre les modèles les plus récents et les plus anciens continue de se creuser, un peu à l’image de GPT-4o dont le retard de 33 mois signifie que tout ce qui s’est passé depuis fin 2023 lui échappe. Pour Llama, le compteur tourne depuis août 2024.
Vivre avec un modèle qui ignore le présent
Cette découverte ne condamne pas l’usage local de Llama, elle en précise simplement le périmètre. Pour de la rédaction, de la synthèse de documents personnels, de la programmation ou de l’analyse de texte, la date de coupure n’a quasiment aucun impact : le modèle reste pertinent, disponible sans limite et sans surveillance extérieure. Llama 3.1 s’impose d’ailleurs comme un modèle généraliste solide pour la rédaction, la synthèse et les tâches complexes, disponible en 8B et 70B paramètres, la version 8B tournant sur la plupart des ordinateurs portables récents. En revanche, pour tout ce qui touche à l’actualité, aux prix, aux versions logicielles ou aux événements récents, mieux vaut coupler l’outil local à une vraie recherche en ligne, ou simplement garder en tête que la réponse obtenue date, dans le meilleur des cas, de l’été 2024.
Sources : storagereview.com | ai-explorer.io
