PyTorch a gagné la recherche. La place qui reste à TensorFlow et MLX

La guerre des frameworks est terminée, et PyTorch a gagné la partie qui compte le plus : la recherche et les grands modèles de langage. Les nouveaux articles, les tutoriels et les poids pré-entraînés y apparaissent en premier. Le choix est donc plus simple qu'il n'y paraît, mais pas inexistant, car deux autres frameworks occupent encore des créneaux qui échappent à PyTorch, et la plupart des lecteurs de ce site n'ont besoin d'aucun framework.

Le choix par défaut : PyTorch

PyTorch (4,9) est l'endroit où vit l'écosystème. Associé à Transformers (4,8) de Hugging Face, c'est le chemin direct d'un modèle publié à son affinage sur vos propres données, et l'écrasante majorité des poids ouverts sont publiés d'abord pour PyTorch. Si vous apprenez un seul framework pour l'apprentissage profond ou le travail sur les LLM en 2026, apprenez celui-ci ; la question n'est pas de savoir s'il est le meilleur en théorie, mais où se trouvent déjà le code, les poids et l'aide.

Le créneau de la production et de l'embarqué : TensorFlow

TensorFlow (4,0) n'est plus le choix par défaut pour les nouveaux projets, et Keras 3 l'admet discrètement en tournant aussi volontiers sur PyTorch ou JAX que sur TensorFlow. Ce qu'il fait encore mieux que la plupart, c'est déployer un modèle entraîné sur un téléphone ou un microcontrôleur : la filière TensorFlow Lite et LiteRT est plus mûre que les alternatives. Si votre projet aboutit sur un appareil plutôt que dans un data center, ou si vous maintenez déjà une base de code TensorFlow, il n'y a aucune raison de migrer. Pour tout ce qui ressemble à un LLM, il y a peu de raisons de commencer avec lui.

Le créneau Apple Silicon : MLX

MLX (4,4), le framework de tableaux d'Apple, existe pour une seule situation et la gère bien : entraîner et faire tourner des modèles en local sur Apple Silicon, en utilisant la mémoire unifiée pour qu'un Mac doté d'assez de RAM puisse contenir des modèles qui exigeraient ailleurs un GPU dédié. Ce n'est pas un framework multiplateforme généraliste et il ne cherche pas à l'être ; sur une machine Linux équipée de cartes NVIDIA, c'est le mauvais outil. Sur un MacBook, c'est celui qui traite le matériel comme une cible de premier plan.

L'option que veulent vraiment la plupart des gens

Voici ce que le débat sur les frameworks occulte : si votre objectif est de faire tourner un modèle existant plutôt que d'en construire ou d'en entraîner un, vous n'avez besoin ni de l'un ni de l'autre. llama.cpp (4,8) et les outils construits dessus font tourner des modèles ouverts quantifiés sur du matériel ordinaire, sans installation de framework ni code d'entraînement. La plupart des gens qui pensent avoir besoin de TensorFlow ou de PyTorch ont besoin d'un moteur d'inférence et d'une clé d'API.

Lequel utiliser

Construire ou affiner des modèles, en particulier des LLM : PyTorch avec Transformers, sans regarder en arrière. Déployer un modèle personnalisé sur un appareil : TensorFlow et LiteRT. Travailler entièrement sur Mac : MLX. Simplement faire tourner des modèles entraînés par d'autres : un moteur d'inférence, pas un framework. Le framework est la plus petite des décisions ; la vraie consiste à savoir si vous construisez un modèle ou si vous en consommez un.