Modèles à poids ouverts hébergés : optimisez le rapport coût-performance de votre équipe

Il n'existe pas de modèle idéal pour l'ensemble des tâches de développement logiciel. La mise en œuvre d'une nouvelle fonctionnalité, le diagnostic d'un pipeline en échec et la résolution de vulnérabilités de sécurité imposent des exigences très différentes au modèle qui les traite. GitLab Duo Agent Platform élargit le choix de modèles gérés par GitLab avec trois modèles à poids ouverts hébergés : Kimi K3, GLM 5.3 et MiniMax M3.

Associés aux modèles de pointe déjà disponibles dans GitLab, ces nouveaux modèles offrent à votre équipe un contrôle accru sur l'optimisation de la qualité, de la latence et du coût, en fonction des besoins de chaque charge de travail. Confiez les tâches complexes à Kimi K3 ou GLM 5.3, qui ont surpassé des modèles de pointe comparables lors de tests internes et dont le coût par appel est inférieur, ou confiez les tâches routinières à fort volume à MiniMax M3. Dans les deux cas, votre équipe bénéficie de jusqu'à 4 fois plus d'appels par GitLab Credit que certains modèles de pointe comparables, avec davantage d'options pour aligner le coût sur la complexité de chaque tâche.

GitLab Transcend revient en octobre

Les agents de codage accélèrent votre développement, mais vos revues de code, politiques de sécurité et cycles de release doivent suivre le même rythme. Notre événement Transcend, qui se tiendra le 6 octobre, montrera comment GitLab aide les équipes à combler cet écart et explorera les conditions nécessaires pour maintenir la vitesse de l'IA agentique tout au long du cycle de vie logiciel.

Inscrivez-vous dès maintenant au livestream !

Pourquoi un seul modèle a longtemps semblé suffisant

Les différentes tâches du développement agentique n'ont pas les mêmes exigences vis-à-vis d'un modèle d'IA. Une refactorisation de longue haleine nécessite une grande fenêtre de contexte et un raisonnement approfondi, tandis qu'une tâche courante à fort volume est souvent mieux prise en charge par un modèle plus rapide et plus économique. Optimiser en fonction d'un type de tâche signifie faire des concessions sur l'autre.

Lorsque les équipes cherchent à résoudre ce compromis technique, la question de savoir si elles peuvent réellement accéder à un nouveau modèle apparaît comme un défi supplémentaire en matière de gouvernance. Dans les environnements réglementés, chaque modèle et l'infrastructure sur laquelle il s'exécute doivent passer par des contrôles de sécurité, de conformité et de validation interne avant que l'équipe puisse l'utiliser. Ces processus d'examen et d'approbation avancent suffisamment lentement pour que de nombreuses équipes optent pour un seul modèle approuvé comme référence, même lorsqu'il ne correspond pas parfaitement à toutes les tâches.

Le coût de ce compromis s'accumule. Si votre équipe sélectionne un modèle plus coûteux pour traiter ses tâches les plus complexes, ce même modèle finira par traiter des tâches routinières qui auraient pu être gérées par un modèle plus rapide et moins onéreux. À mesure que les charges de travail agentiques génèrent des appels répétés vers le modèle dans le cadre de tâches longues et comportant plusieurs étapes, l'écart entre coût et performance se creuse.

L'avantage coût-performance des modèles à poids ouverts

Les modèles à poids ouverts font du choix du modèle un levier pour équilibrer coût et performance. Ils peuvent réduire les coûts d'inférence de nombreuses tâches agentiques, tout en offrant des performances comparables à celles de certains modèles de pointe.

Les nouveaux modèles à poids ouverts hébergés dans GitLab permettent notamment d'effectuer davantage d'appels par crédit que de nombreux modèles de pointe comparables déjà disponibles sur GitLab Duo Agent Platform. Un appel correspond à une requête unique que GitLab Duo Agent Platform envoie à un modèle ; une action d'agent ou un message de chat peut déclencher plusieurs appels.

Lors de nos tests internes, Kimi K3 a surpassé le modèle par défaut de la plupart des fonctionnalités de GitLab Duo Agent Platform, à raison de 1,82 appel par crédit, légèrement en dessous des 2 appels par crédit du modèle par défaut. GLM 5.3 a atteint 5 appels par crédit tout en affichant de solides performances dans nos tests internes, et MiniMax M3 a poussé encore plus loin cette efficacité économique à 8 appels par crédit.

Ensemble, ces modèles offrent à votre équipe un levier supplémentaire pour équilibrer coût et performance, tâche par tâche. Pour plus d'informations sur les multiplicateurs de crédits et l'utilisation des crédits par modèle, consultez la page des modèles GitLab Credits.

Chacun des modèles à poids ouverts hébergés désormais disponibles dans GitLab Duo Agent Platform apporte ses propres atouts.

• Kimi K3 (Moonshot AI) est le dernier modèle phare de l'entreprise, offrant aux équipes la capacité de travailler sur de grands codes sources ou lors de sessions d'agent de longue durée.
• GLM 5.3 (Z.ai) est conçu pour les tâches de codage à long terme, offrant aux équipes un modèle optimisé pour maintenir le contexte et la précision tout au long de sessions d'agent prolongées.
• MiniMax M3 (MiniMax) est conçu pour limiter les coûts de calcul sur les tâches de longue durée et optimisé pour les tâches agentiques à fort volume et multi-étapes, ce qui en fait un choix judicieux lorsque la rentabilité est un facteur déterminant à grande échelle.

Découvrez cette démonstration des modèles à poids ouverts disponibles :

Choix du modèle avec contrôle intégré

Grâce au large éventail de modèles à poids ouverts et de pointe gérés par GitLab, vous disposez désormais d'une plus grande liberté dans votre implémentation de GitLab Duo Agent Platform pour optimiser la sélection des modèles en fonction de chaque tâche.

Vos administrateurs conservent un contrôle centralisé sur les modèles que vos équipes peuvent utiliser, directement intégré à vos workflows de développement logiciel. Bien que GitLab sélectionne les modèles par défaut en fonction des performances, le propriétaire de votre groupe principal peut définir un modèle par défaut différent pour chaque fonctionnalité et choisir les modèles que les équipes peuvent sélectionner. Ces paramètres s'appliquent de manière cohérente à tous les groupes enfants et à tous les projets.

Vous pouvez adapter la sélection des modèles à vos exigences de sécurité, de conformité et d'infrastructure grâce aux options de déploiement d'IA gérées par GitLab, auto-hébergées ou hybrides. Les modèles gérés par GitLab s'exécutent entièrement dans l'environnement de GitLab, sans aucune infrastructure à déployer ou à maintenir pour votre équipe. Les modèles auto-hébergés s'exécutent sur l'infrastructure gérée par votre équipe, ce qui permet de maintenir le trafic lié aux modèles au sein de votre propre réseau. Les déploiements hybrides permettent à votre équipe de combiner les deux approches, en exécutant certains modèles via GitLab et d'autres sur votre propre infrastructure, en fonction des besoins de chaque charge de travail.

Avant qu'un nouveau modèle rejoigne le catalogue de GitLab Duo Agent Platform, nous l'évaluons selon nos exigences internes de performance et de qualité. Les modèles gérés par GitLab bénéficient de leur propre garantie intégrée. Avant de sélectionner un fournisseur pour héberger des modèles dans le cadre des fonctionnalités de GitLab Duo Agent Platform, GitLab le soumet à un processus de gestion des risques par un tiers afin de vérifier qu'il respecte un seuil de sécurité défini. Ce processus comprend un examen du programme de sécurité et des contrôles du fournisseur, notamment la gestion des accès, la gouvernance des données et les pratiques de gestion des risques, ainsi que des attestations de sécurité tierces telles qu'un rapport SOC 2 de type 2 ou une certification ISO 27001 en vigueur, et des tests de pénétration périodiques accompagnés d'une remédiation des vulnérabilités basée sur les risques.

Les trois modèles à poids ouverts hébergés sont fournis par Fireworks AI, qui répond à ces critères. Pour les requêtes adressées à GitLab Duo Agent Platform, GitLab maintient une politique de rétention zéro des données avec Fireworks AI, ce qui signifie que les données d'entrée et de sortie des modèles sont supprimées immédiatement après chaque réponse et ne sont pas conservées à des fins de surveillance des abus.

Grâce à ces bases en matière de gouvernance et de sécurité, votre équipe peut intégrer des modèles à poids ouverts dans ses workflows avec la même confiance que pour tout autre modèle géré par GitLab.

Commencer à développer avec des modèles à poids ouverts

Vous pouvez désormais sélectionner Kimi K3, GLM 5.3 et MiniMax M3 comme modèles optionnels dans GitLab Duo Agent Platform, ou en définir un comme modèle par défaut pour une fonctionnalité afin que votre équipe l'utilise automatiquement. Pour approfondir la prise en charge des modèles dans GitLab Duo Agent Platform et obtenir des conseils sur la sélection des modèles, consultez notre documentation sur les modèles d'IA.

Nouveaux sur GitLab Duo Agent Platform ? Démarrez un essai gratuit. Déjà sur GitLab Premium ou GitLab Ultimate ? Activez GitLab Duo Agent Platform.