GitLab élargit le support des modèles open-source pour les réseaux fermés

GitLab 19.0 a élargi le support des modèles open-source pour la Duo Agent Platform auto-hébergée. C'est particulièrement important pour les équipes qui travaillent dans des réseaux isolés et ne peuvent pas envoyer du code source vers le cloud.

L'isolement réseau n'est plus un handicap

Les équipes travaillant dans des réseaux complètement isolés sans accès à Internet sont historiquement les dernières à bénéficier des nouvelles capacités IA. La raison n'est pas technologique, mais législative : dans les industries réglementées, les exigences de conformité interdisent d'envoyer du code source à des tiers. Auparavant, GitLab offrait un choix limité de modèles pour de tels environnements, ce qui créait un double problème. D'une part, vous aviez besoin d'un modèle puissant pour le raisonnement complexe — analyse de grands diffs, outils multi-étapes. D'autre part, les tâches simples comme le renommage de variables ne nécessitent pas de puissance de calcul. Vous deviez soit surpayer pour un overkill, soit travailler avec une qualité faible sur les tâches complexes.

Quatre nouveaux modèles pour différents scénarios

GitLab a ajouté le support de quatre modèles open-source. Tous ont été testés sur les tâches réelles de la Duo Agent Platform : utilisation d'outils multi-étapes, génération de code, travail avec de grands diffs et des codebases multi-fichiers.

• Mistral Devstral 2 123B — focus sur la génération de code, la meilleure pour l'écriture de code
• GLM-5.1 — modèle multilingue, adapté aux équipes internationales
• Kimi-K2.6 — se distingue par sa journalisation et son raisonnement multi-étapes
• MiniMax-M2.7 — la plus légère, adaptée si vos ressources de calcul sont limitées

Ce choix n'est pas aléatoire. GitLab a testé les candidats précisément sur les tâches résolues par la plateforme. Les ingénieurs ont évalué la qualité de la génération de code, le respect des instructions et la capacité à travailler avec un grand contexte.

Deux options de déploiement

L'option principale consiste à utiliser votre propre matériel avec vLLM (la plateforme recommandée par GitLab pour servir les modèles open-source). Les calculs restent sur votre serveur, les données ne quittent jamais le réseau local. C'est idéal pour les environnements avec des exigences de résidence des données. Pour les équipes sans gros budget pour le matériel, il existe une alternative : des machines virtuelles GPU dans le cloud privé (AWS, Azure, etc.). Vous ne payez que pour ce que vous utilisez, sans frais d'achat et de maintenance du matériel. Cependant, les garanties d'isolation des données restent les mêmes — rien ne sort sur l'Internet public.

Comment choisir votre approche

Le choix dépend des exigences de votre entreprise. Si vous avez besoin d'une isolation complètement déconnectée (air-gapped) — uniquement des modèles auto-hébergés sur votre propre infrastructure. Si la conformité autorise une approche hybride — vous pouvez utiliser différents modèles par fonctionnalité : par exemple, les refactorisations simples avec le léger MiniMax, et l'analyse complexe avec Kimi.

Ce que cela signifie

L'isolement réseau n'est plus synonyme de retard en IA. Les industries réglementées peuvent désormais déployer des agents de même qualité que les entreprises qui envoient leurs données vers le cloud. La conformité et la sécurité ne doivent plus être un obstacle à la productivité en IA.