En 2026, la première question à propos de l'« accès à l'API Llama depuis la Chine » n'est pas le choix d'une ligne réseau, mais la couche dont vous parlez : l'interface hébergée par Meta elle-même, ou l'« API qui appelle un modèle Llama ». La première a cessé de fonctionner ; la seconde reste accessible par plusieurs voies. Cela influence directement l'achat, la migration et l'analyse de conformité.
Cet article compare réseau, paiement et facturation, conformité, matériel et bascule, et fournit une checklist de validation avant mise en service.
Remarque : Meta, Llama et Llama 4 sont des marques de Meta Platforms, Inc. ; AWS, Azure, Google Cloud et Oracle sont des marques de leurs détenteurs respectifs. Cet article est purement technique, n'implique aucune affiliation ni coopération avec ces sociétés et ne constitue pas un avis juridique. Les modèles, régions et prix sont à vérifier dans la documentation des plateformes et sur la page tarifs ; les prix évoluent.
1. Clarifier ce qu'est l'« API Llama » en 2026
Meta a lancé en 2025 un aperçu public de l'API Llama, offrant une interface hébergée vers ses modèles Llama. Cet aperçu s'est arrêté le 6 juillet 2026 ; les requêtes vers l'ancienne adresse reçoivent un message de fin de service. Il faut préciser que c'est l'interface hébergée de première partie de Meta qui s'arrête, pas le modèle.
Les poids des modèles Llama restent téléchargeables depuis la page Meta Llama et Hugging Face, sous licence communautaire Llama ; AWS, Azure, Google Cloud et plusieurs fournisseurs d'inférence continuent de proposer des modèles Llama. Meta dispose par ailleurs d'une API Model destinée à la gamme Muse Spark, qui n'est pas la même ligne de produits que Llama : ne mélangez pas les noms lors d'un achat.
Aujourd'hui, une équipe en Chine qui dit « intégrer l'API Llama » choisit donc généralement entre trois rôles : hébergement cloud, fournisseur d'inférence ou passerelle locale, autohébergement. Examinons chacun.
2. Voie un : hébergement par un fournisseur cloud
Les choix courants sont AWS Bedrock, Azure AI Foundry, Google Cloud Vertex AI Model Garden, et parfois Oracle OCI Generative AI. Leur point commun : comptes, permissions, audit et facturation rattachés au compte cloud, ce qui convient aux équipes disposant déjà d'un contrat cloud et d'engagements de consommation.
Trois points demandent attention. D'abord, les régions et modèles ne sont pas synchronisés partout : la disponibilité de Llama 4 Scout, Maverick et d'autres modèles dépend du catalogue régional de chaque cloud. Ensuite, les interfaces diffèrent : Bedrock utilise souvent Converse ou InvokeModel, Azure et Vertex ont leurs propres SDK, et la couche compatible OpenAI doit souvent être ajoutée ou passer par une passerelle. Enfin, le paiement se fait souvent en devise étrangère, et l'entité de facturation, la devise et l'échéance dépendent du contrat.
Les fournisseurs cloud offrent des dossiers de conformité, un accès réseau privé et un support entreprise relativement complets ; en contrepartie, l'activation est longue et les transferts interrégionaux doivent être confirmés à l'avance.
3. Voie deux : fournisseurs d'inférence et passerelles IA locales
Les fournisseurs d'inférence incluent Groq, Together AI, Fireworks, DeepInfra et OpenRouter. Groq se distingue par sa faible latence ; Together AI, Fireworks et DeepInfra proposent du paiement à l'usage ou du déploiement dédié ; OpenRouter agrège plusieurs amonts. La plupart offrent une interface compatible OpenAI : la migration ne demande souvent que l'URL de base, la clé et l'identifiant de modèle.
Les passerelles IA locales regroupent ces amonts derrière un point d'entrée unique, avec recharge en yuans et gestion des clés sur la plateforme. ZSQH AI Gateway appartient à cette catégorie ; l'inscription se fait sur la page d'inscription. Les modèles disponibles, le contexte et la facturation sont à vérifier dans la liste de modèles et sur la page tarifs. Avant de choisir une passerelle, demandez qui est l'amont, si le modèle est quantifié, comment sont facturées les requêtes en échec et combien de temps les données sont conservées.
4. Voie trois : autohébergement
En autohébergement, l'amont est le poids du modèle, pas une API. Les poids proviennent de la page Meta Llama ou de Hugging Face ; les frameworks d'inférence courants incluent vLLM, SGLang, TGI, llama.cpp et Ollama. Après la sortie d'un nouveau modèle, le support dans les frameworks demande généralement une ou deux versions ; consultez les notes de version avant de déployer.
Pour estimer le matériel, deux ordres de grandeur suffisent : les poids en BF16 occupent environ 2 Go par milliard de paramètres, la quantification INT4 environ 0,5 à 0,6 Go par milliard de paramètres, auxquels s'ajoutent le KV Cache, le framework et la marge de concurrence. Meta indique pour Llama 4 Scout une exécution INT4 sur un seul H100, tandis que Maverick nécessite un nœud multi-H100 ; Llama 3.3 70B en BF16 demande aussi plusieurs cartes. La fiche du modèle et la documentation du framework font foi.
L'autohébergement règle la conservation des données dans votre salle, le contrôle des versions et les charges stables ; en contrepartie, GPU, pilotes, frameworks, monitoring, montée en charge et sécurité restent à votre charge.
5. Les trois voies en un tableau
| Dimension | Hébergement cloud | Fournisseur d'inférence ou passerelle locale | Autohébergement |
|---|---|---|---|
| Point d'entrée réseau | Point de terminaison régional, réseau privé possible | Point d'entrée du fournisseur, passerelle locale souvent accessible en Chine | Votre salle ou un hôte cloud |
| Activation et paiement | Compte cloud, devise étrangère ou contrat entreprise | Inscription et recharge, yuan fréquent | Achat ou location de GPU, plus électricité et exploitation |
| Facture | Selon l'entité signataire du cloud | Selon les règles du fournisseur | À gérer soi-même |
| Données et conformité | Régions, audit et documents contractuels complets | Dépend du fournisseur, à vérifier point par point | Périmètre de données le plus clair |
| Contrôle des versions | La plateforme décide de la mise en ligne et du retrait | L'amont décide, vérifier la correspondance | Vous fixez la version des poids |
| Coût d'exploitation | Faible | Faible à moyen | Élevé |
| Élasticité | Bonne, sous réserve de quota | Bonne, sous réserve de limitation amont | Dépend de vos GPU |
| Équipe adaptée | Contrat cloud existant, forte exigence de conformité | PME locales, besoin de plusieurs modèles | Données sensibles, charge stable, compétence GPU |
6. Vérifier réseau, paiement et facture
« Le réseau répond » ne signifie pas « les appels sont stables ». Aux heures de pointe, une liaison transfrontalière subit hausses de latence, timeouts occasionnels et coupures de flux. Mesurez le temps du premier octet, la durée totale p95, le taux de timeout et le taux d'interruption de flux ; un simple ping ne suffit pas.
export LLAMA_BASE_URL="https://your-gateway.example.com/v1"
export LLAMA_API_KEY="sk-..."
curl -o /dev/null -sS \
-w "dns=%{time_namelookup}s tcp=%{time_connect}s tls=%{time_appconnect}s ttfb=%{time_starttransfer}s total=%{time_total}s code=%{http_code}\n" \
"$LLAMA_BASE_URL/models" \
-H "Authorization: Bearer $LLAMA_API_KEY"
Lancez une série le matin, à midi et le soir, sur plusieurs jours. Un DNS lent oriente vers la résolution, un TCP lent vers la ligne, un TLS lent vers la poignée de main, et un premier octet lent vers une file d'attente en amont.
Pour le paiement et la facture, clarifiez à l'avance : devise, type de carte, remboursement du solde, intitulé de facture, échéance et consommation minimale. Consignez ces éléments dans le dossier d'achat pour éviter de découvrir un blocage financier après la mise en ligne.
7. Conformité et licence : trois sujets distincts
Premier sujet, la conformité du service. Fournir un service d'IA générative au public en Chine peut impliquer un enregistrement ou une évaluation de sécurité au titre des réglementations applicables aux services d'intelligence artificielle générative ; les exigences diffèrent entre recherche interne et service commercial. L'autorité de régulation et le service juridique tranchent.
Deuxième sujet, la conformité des données. Un appel transfrontalier transmet prompts et sorties à l'étranger ; déterminer s'il s'agit de données personnelles ou importantes, et si des clauses contractuelles ou une évaluation de transfert sont nécessaires, relève de la loi sur la protection des informations personnelles et des règles applicables. L'autohébergement garde les données dans votre salle, mais ne suffit pas à assurer la conformité à lui seul.
Troisième sujet, la licence du modèle. La licence communautaire Llama permet l'usage commercial, avec des exigences d'usage acceptable, de nommage et d'attribution ; au-delà d'un certain nombre d'utilisateurs actifs mensuels (700 millions dans la licence Llama 4), une licence séparée est requise. Les clauses varient selon les versions : faites lire le texte original par le juridique avant tout usage commercial.
8. Bascule : ne pas dépendre d'une seule liaison
Un amont unique connaîtra forcément maintenance, limitation et panne régionale. La pratique consiste à prévoir un amont principal et un amont de secours par type de tâche, avec une table de correspondance des modèles unifiée ; basculer vers le secours en cas d'échec du contrôle de santé ; fixer des timeouts raisonnables, un backoff exponentiel avec jitter ; utiliser un disjoncteur pour éviter la tempête de retries ; dégrader vers un modèle plus petit si nécessaire ; journaliser le nom de l'amont et l'identifiant de requête pour le rapprochement et le diagnostic.
Attention : un retry peut être facturé deux fois, les écritures doivent être idempotentes et les requêtes en flux doivent conserver la partie déjà émise. Mieux vaut répéter la procédure de bascule avant l'incident.
9. Checklist de validation avant mise en service
- Lister les modèles Llama nécessaires, la longueur de contexte, les appels d'outils et les exigences de streaming.
- Confirmer la disponibilité de l'amont cible dans la région voulue et noter l'identifiant et la version du modèle.
- Vérifier le protocole : compatible OpenAI, SDK propriétaire ou protocole spécifique au cloud.
- Exécuter une évaluation sur des échantillons métier réels et relever précision, latence p95 et taux d'échec.
- Comparer niveau de quantification, sortie maximale, prompt système et filtrage de contenu.
- Confirmer paiement, facture, remboursement, limitation et facturation des requêtes en échec.
- Confirmer conservation des données, journaux, transfert transfrontalier et clauses contractuelles.
- Configurer bascule principal/secours, timeouts et retries, alertes budgétaires et journaux de requêtes.
- Ouvrir à un petit pourcentage de trafic pendant une à deux semaines, puis augmenter progressivement.
10. Questions fréquentes
Peut-on encore appeler directement l'API Llama de Meta ?
Non. L'aperçu public de l'API Llama de première partie de Meta s'est arrêté le 6 juillet 2026. Les poids Llama restent téléchargeables et peuvent être appelés via un cloud tiers, un fournisseur d'inférence ou un déploiement interne.
Une équipe en Chine doit-elle toujours s'enregistrer pour appeler Llama ?
Cela dépend de l'usage. Recherche interne, outils internes et service au public relèvent d'exigences différentes ; le service au public peut impliquer un enregistrement ou une évaluation de sécurité. Faites confirmer par le juridique dès la phase de choix.
Combien de GPU au minimum pour autohéberger Llama ?
Il n'y a pas de réponse unique : tout dépend de la taille du modèle, de la quantification, du contexte et de la concurrence. Partez de « BF16 environ 2 Go par milliard de paramètres, INT4 environ 0,5 à 0,6 Go », ajoutez le KV Cache et le framework, puis vérifiez avec la fiche du modèle et la documentation du framework.
Cloud, passerelle ou autohébergement : comment choisir ?
Avec un contrat cloud existant et un fort besoin de documents de conformité, privilégiez le cloud ; pour une facture en yuans et un accès rapide à plusieurs modèles, évaluez une passerelle locale ; pour des données sensibles, une charge stable et une compétence GPU, envisagez l'autohébergement. Les trois peuvent se combiner.
Le Llama d'une passerelle est-il identique à l'original ?
Pas forcément. Un modèle de même nom peut correspondre à un niveau de quantification, une longueur de contexte, voire un ajustement ou un filtrage différents selon l'amont. Vérifiez avec un jeu d'évaluation et les métadonnées de l'interface, sans vous fier au seul nom.
En résumé
En 2026, intégrer Llama consiste surtout à gérer trois chaînes d'approvisionnement : cloud, passerelle et autohébergement. Mesurez le réseau, confirmez paiement et facture à l'avance, distinguez conformité du service, des données et de la licence, et répétez la bascule. Validez d'abord à faible trafic, puis fixez la solution durable.
Lectures associées : Accès à l'API OpenAI depuis la Chine, Accès à l'API DeepSeek depuis la Chine, Tarifs des modèles. Pour un point d'entrée unifié, commencez par l'inscription ; les prix sont sur la page tarifs.
