EN DIRECT
Anthropic affirme que Claude a permis de retracer l'origine des graines ECDSA du NIST16/10/26 · Anthropic|Reflection AI dévoile Beam, un modèle ouvert de 501 milliards de paramètres16/10/26 · Reflection AI|Meta publie Muse Spark Open, un modèle MoE taillé pour tourner en local sur Mac Studio15/10/26 · Meta|Meta publie Muse Spark Open, un modèle multimodal à poids ouverts15/10/26 · Meta|Google DeepMind détaille les mesures de sécurité entourant Gemini 4 Argon13/10/26 · Google DeepMind|Tev-Gym : une méthode pour corriger les récompenses éparses des agents à long horizon13/10/26|Google DeepMind évoque Gemini 4, nom de code « Argon »13/10/26 · Google DeepMind|Google DeepMind dévoile Gemini 4 Argon, une variante dédiée à la robotique13/10/26 · Google DeepMind|Character.AI dépose le bilan et cède des actifs à Disney13/10/26 · Character.AI|Une étude démontre que des modèles d'IA peuvent dissimuler n'importe quelle capacité de façon prouvable13/10/26|Des chercheurs isolent Claude sur une île déserte virtuelle pour observer son comportement sans consignes19/10/26 · Anthropic|Together AI présente des agents hybrides raisonnant en espace latent18/10/26 · Together AI|Anthropic affirme que Claude a permis de retracer l'origine des graines ECDSA du NIST16/10/26 · Anthropic|Reflection AI dévoile Beam, un modèle ouvert de 501 milliards de paramètres16/10/26 · Reflection AI|Meta publie Muse Spark Open, un modèle MoE taillé pour tourner en local sur Mac Studio15/10/26 · Meta|Meta publie Muse Spark Open, un modèle multimodal à poids ouverts15/10/26 · Meta|Google DeepMind détaille les mesures de sécurité entourant Gemini 4 Argon13/10/26 · Google DeepMind|Tev-Gym : une méthode pour corriger les récompenses éparses des agents à long horizon13/10/26|Google DeepMind évoque Gemini 4, nom de code « Argon »13/10/26 · Google DeepMind|Google DeepMind dévoile Gemini 4 Argon, une variante dédiée à la robotique13/10/26 · Google DeepMind|Character.AI dépose le bilan et cède des actifs à Disney13/10/26 · Character.AI|Une étude démontre que des modèles d'IA peuvent dissimuler n'importe quelle capacité de façon prouvable13/10/26|Des chercheurs isolent Claude sur une île déserte virtuelle pour observer son comportement sans consignes19/10/26 · Anthropic|Together AI présente des agents hybrides raisonnant en espace latent18/10/26 · Together AI|
🇺🇸 États-Unis💻 CodeSortie mars 2024

CodeGemma 7B

Google
Open-sourceSelf-hostHéb. UE Données fiche 51/100 Trust Index 89
Verdict

Une option solide pour l'auto-hébergement et le contrôle total des données.

Présentation

CodeGemma 7B est un modèle de génération et de complétion de code publié par Google en poids ouverts sous licence Gemma, qui autorise l'usage commercial. Avec 8,5 milliards de paramètres, il vise les tâches de code courantes en local, sur un poste de développeur, sans dépendre d'un cloud. Sa fenêtre de contexte de 8 000 tokens reste courte, ce qui limite son usage sur de gros fichiers ou des bases de code étendues. Ses poids ouverts et sa licence permissive en font un choix pertinent pour les entreprises européennes soucieuses de garder leur code en local.

Profil de compétences

Non communiqué

Trois mesures indépendantes

Ce que les gens préfèrent, ce que le modèle sait faire, ce que le marché utilise. Chaque source a ses biais, aucune ne suffit seule : nous les affichons séparément, sans les mélanger.

Préférence
Quelle réponse les gens préfèrent-ils, à l’aveugle ?
Pas encore mesuré
Sensible au style et à la longueur des réponses.
Capacité
Que sait faire le modèle sur des tâches mesurées ?
Pas encore mesuré
Agrège dix évaluations lancées par Artificial Analysis.
Adoption
Qu’utilise réellement le marché ?
Pas encore mesuré
52,5 k téléchargements Hugging Face
Source: OpenRouter (openrouter.ai/rankings). CC BY 4.0
Trafic passant par OpenRouter uniquement : mesure l’adoption, pas la qualité, et ignore l’usage direct des API des éditeurs.

Forces

  • Open-source et auto-hébergeable

Limites

  • Tarification API non publiée

À qui ça s'adresse

Pour vous si…
  • vous codez avec un agent ou en autonomie
  • vous voulez maîtriser vos coûts ou auto-héberger
  • vos données doivent rester en UE
À éviter si…

    Cas d'usage idéaux

    • Autocomplétion de code locale
    • Assistant de codage embarqué
    • Prototypage sur poste développeur
    • Génération de code sans cloud

    Accès & disponibilité

    Auto-hébergeable (poids ouverts)

    Caractéristiques clés

    Contexte
    8K
    Prix entrée
    —
    Prix sortie
    —
    Vitesse
    —
    Prix non auditéBenchmarks non audités

    Combien ça coûte par mois

    Estimation à partir des prix API sourcés et d’un palier matériel pour l’auto-hébergement. Hypothèses modifiables.

    Via API
    Tarif API non publié
    Auto-hébergé
    2.64 € / mois
    matériel amorti 0.00 € + énergie 2.64 € · ou GPU cloud 35.2 €
    palier : Poste existant 16 Go, sans GPU · Q4 ≈ 7 Go

    Hypothèses : 36 mois d’amortissement, 0.25 €/kWh, 22 jours/mois, conversion 1 $ = 0.92 €. Hors main-d’œuvre, hors licences logicielles, hors redondance.

    nAIvigate Trust Index

    89/100

    Ce que l’éditeur offre et documente pour un usage professionnel en Europe. Un critère non documenté vaut zéro et reste visible : le score monte quand l’éditeur publie, pas quand nous supposons.

    19/19 critères documentés · 100 % · dont 12 posés par règle

    Données100
    5/5 · 30 %
    Souveraineté77
    3/3 · 20 %
    Transparence75
    4/4 · 15 %
    Entreprise100
    5/5 · 20 %
    Licence80
    2/2 · 15 %
    Voir les critères▾
    Données
    Résidence des données en UEposé par règle
    Pas de transfert hors UEposé par règle
    Pas d’entraînement sur vos donnéesposé par règle
    Rétention configurableposé par règle
    Zero Data Retentionposé par règle
    Souveraineté
    Auto-hébergeable (poids ouverts)
    Hébergement UE proposéposé par règle
    Éditeur européenpays : US30
    Transparence
    Licence publiée (URL)
    Tarifs publics sourcés
    Engagements de conformité publiésposé par règle
    Liste des sous-traitants publiéeposé par règle
    Entreprise
    DPA disponible
    SSO / SAMLposé par règle
    Provisionnement SCIMposé par règle
    Journaux d’auditposé par règle
    SOC 2 / ISO 27001sans objet
    Endpoint privé chez l’éditeurposé par règle
    Licence
    Usage commercial autorisé
    Type de licencegemma60
    Classement complet et méthodologie

    Badge Trust Index

    Affichez ce score dans votre documentation, votre README ou votre page sécurité. Il se met à jour automatiquement.

    nAIvigate Trust Index · CodeGemma 7B
    [![nAIvigate Trust Index · CodeGemma 7B](https://naivigate.com/badge/codegemma-7b.svg)](https://naivigate.com/fr/model/codegemma-7b)

    Données & conformité

    Ce que nous savons, ligne par ligne, avec la source et la date. Ces lignes alimentent les familles Données et Entreprise du Trust Index ci-dessus. La conformité RGPD dépend de votre traitement, pas du modèle seul.

    Résidence des données en UEOui
    Accord de traitement (DPA)Sans objet· auto-hébergé : les données ne sortent pas
    Transfert hors UENon
    Entraînement sur vos donnéesNon
    Rétention configurableSans objet· auto-hébergé : les données ne sortent pas
    Zero Data RetentionSans objet· auto-hébergé : les données ne sortent pas
    Auto-hébergeableOui
    Hébergement déclaréself
    Déduit de l’hébergement déclaré, non vérifié à la source.Besoin d’une analyse dans votre contexte ? Shadow AI Sentinel

    Qualité des données de la fiche

    51/100

    Ce score mesure la qualité des données de cette fiche : prix, contexte, Elo, licence, documentés, sourcés et récents. Il ne mesure ni le modèle ni sa conformité : pour cela, voir le Trust Index plus haut.

    5/8 documentées · 1/8 sources primaires

    Prix APIpoids ouverts, pas de tarif APIabsent
    Fenêtre de contexteévaluation nAIvigate
    Elo Arenaabsent
    Benchmarks (MMLU, GPQA, SWE-bench…)absent
    Licenceévaluation nAIvigate
    Données & conformitéauto-hébergé : déduitdéduit
    Adoption (Hugging Face)indépendant
    Matériel requis (quantizations)calculé depuis la taille du modèledéduit

    Faire tourner en local

    Tourne sur un laptop52k261
    QuantizationDisqueRAM / VRAMMatériel type
    Q4 · recommandé4.8 Go7 GoPC 16 Go / Mac M1+ / GPU 8 Go
    Q8 · équilibré9.1 Go12 GoPC 32 Go / Mac 24 Go / RTX 4070 Ti+
    FP16 · qualité max17 Go21 GoMac 32 Go / RTX 3090-4090

    Estimations pour un contexte modéré. Un long contexte augmente la RAM nécessaire (KV cache).

    🤗 Hugging Face
    ollama run codegemma

    Déployer

    Commandes prêtes à copier, générées depuis la fiche. Ajustez le contexte et le nombre de GPU à votre machine.

    Mémoire estimée · FP16 21 Go · Q4 7 Go

    Le plus simple pour tester sur un poste. Installez Ollama, puis :

    ollama run codegemma
    google/codegemma-7b-it
    Données avancées · pour experts
    Architecture, modalités, coût détaillé, benchmarks complets
    ▾
    Architecture
    dense
    Taille
    8.5B
    Date de coupe
    —
    Entrées
    text
    Sorties
    text
    Licence
    gemma
    Hébergement
    self
    Score d'hallucination
    —
    Coût estimé (API)
    Échange type (~3k entrée / 1k sortie)
    Non communiqué
    1M entrée + 1M sortie
    Non communiqué
    Tous les benchmarks
    Arena Elo—
    MMLU—
    GPQA—
    HumanEval—
    SWE-Bench—
    MATH—

    Modèles similaires