PewDiePie a entraîné chez lui Ajax, un modèle sans censure, après deux bannissements d'OpenAI

Felix Kjellberg, alias PewDiePie, développe Ajax, un modèle de langage sans censure intégrée qu'il a entraîné chez lui, selon la vidéo de Fireship. Le déclencheur : deux bannissements d'OpenAI. Les comptes du youtubeur ont été fermés à deux reprises pour distillation. La description de la vidéo ne précise ni la taille du modèle, ni sa base, ni son jeu de données, ni ses conditions de distribution. Ci-dessous, je sépare ce qui est confirmé du contexte qui aide à mesurer l'ampleur de cette affaire.

Ce que l'on sait d'Ajax

Les faits sont rares, et il faut le dire d'emblée. Notre source est la description et le reportage de la vidéo de Fireship ; nous n'avons aucun document de première main émanant de l'auteur.

• Nom du modèle : Ajax.
• Auteur : PewDiePie.
• Positionnement : uncensored, c'est-à-dire sans refus ni filtres standards.
• Lieu d'entraînement : à domicile, sur du matériel personnel.
• Déclencheur : deux bannissements d'OpenAI pour distillation.
• Non précisés : nombre de paramètres, modèle de base, volume et sources des données, licence, résultats de benchmarks.

L'expression « entraîné chez lui » désigne presque certainement le fine-tuning d'un modèle open source existant, et non un pré-entraînement à partir de zéro. Un modèle du niveau des flagships actuels exige des milliers d'accélérateurs et des mois de calcul ; un rack domestique avec quelques GPU n'est pas dimensionné pour cela. Il s'agit de notre déduction, la source ne la confirme pas.

Pourquoi la distillation mène au bannissement

La distillation consiste à rassembler les réponses d'un modèle puissant dans un jeu de données, puis à s'en servir pour entraîner un autre modèle, généralement plus petit. La méthode est légale et utilisée de longue date au sein des entreprises. Les problèmes commencent quand le « professeur » est le modèle fermé d'un tiers. Les conditions d'utilisation d'OpenAI interdisent d'employer les sorties du service pour développer des modèles concurrents. Le sujet a déjà fait polémique : début 2025, des informations ont fait état de soupçons d'OpenAI contre DeepSeek, accusé d'avoir utilisé les sorties de ses modèles.

On ignore comment OpenAI a repéré l'activité de PewDiePie. En général, ces cas se trahissent par le trafic : requêtes massives et uniformes, pipelines automatisés, structure des prompts. Être banni deux fois signifie qu'après le premier bannissement, le montage n'a pas été abandonné, mais reconstruit.

À quoi sert un modèle sans censure

Sur un modèle « uncensored », on supprime ou on atténue généralement les refus : on retire des données d'entraînement les exemples du type « je ne peux pas vous aider » et on affine le modèle sur un échantillon sans ces réactions. Pour l'utilisateur, les avantages sont clairs : contrôle total du comportement, confidentialité, absence de blocages soudains en plein flux de travail. Les inconvénients le sont aussi : le modèle produit plus volontiers du contenu nuisible, et la responsabilité en incombe à celui qui le lance et le distribue.

Il y a aussi une ironie. Pour obtenir des données de qualité pour le fine-tuning, on prend souvent justement les réponses de modèles fermés, qui ont subi un alignement. Il faut ensuite en retirer les refus. C'est précisément là que la distillation se heurte aux conditions d'utilisation des API.

Que faire pour les développeurs et les équipes

Cette histoire est un bon prétexte pour vérifier vos propres processus, surtout si vous constituez des données synthétiques.

• Lisez les conditions de l'API que vous utilisez. Si elles interdisent d'entraîner des modèles concurrents, n'utilisez pas les sorties pour constituer des jeux de données, même « pour une expérience interne ».
• Pour les données synthétiques, choisissez des modèles à poids ouverts dont la licence autorise explicitement cet usage. Les licences diffèrent fortement d'une famille à l'autre : examinez les détails.
• Ne mélangez pas comptes personnels et comptes professionnels. Un bannissement pour violation des conditions peut bloquer l'accès à tous les projets liés à un même profil.
• Si vous comptez lancer Ajax après la publication des poids, attendez des tests indépendants. Les affirmations de l'auteur sur la qualité ne peuvent pas être vérifiées sans benchmarks ni description des données.
• Pour le fine-tuning local, évaluez à l'avance votre budget réel de mémoire vidéo : LoRA et la quantification permettent de tenir sur des GPU grand public, mais seulement pour des modèles de taille moyenne.

Le bilan reste simple pour l'instant : un nom connu, une idée intéressante et presque aucun détail technique. Quand les poids, le jeu de données et les évaluations seront publiés, on saura s'il s'agit d'un projet open source sérieux ou d'une expérience médiatique.