K2 Horizon ouvre jusqu’aux données d’entraînement, en six tailles

Le 3 septembre 2026, l’Institute of Foundation Models (IFM) de MBZUAI, à Abou Dhabi, a lancé K2 Horizon, une famille de six modèles allant de 0,9 à 375 milliards de paramètres. Le communiqué de lancement de MBZUAI confirme la publication des poids et présente une ouverture étendue au code, aux données d’entraînement et à la méthodologie, avec une distribution par Hugging Face et une prise en charge par vLLM et SGLang.

Les six modèles disposent donc de poids téléchargeables sous licence Apache 2.0, mais leur niveau actuel de reproductibilité varie. Les petits formats sont accompagnés de davantage d’éléments d’entraînement, tandis que plusieurs artefacts des grands modèles étaient encore signalés comme futurs au lendemain du lancement.

Une ouverture qui doit se vérifier au-delà des poids

Un modèle à poids ouverts livre principalement l’état obtenu après entraînement. K2 Horizon vise un périmètre plus large : données ou recettes de construction, code d’entraînement, configurations, journaux, évaluations et points de contrôle intermédiaires doivent permettre d’examiner le chemin qui mène au modèle final.

Cette différence compte pour la recherche. Les poids permettent l’inférence, l’hébergement autonome et l’adaptation, mais ils ne suffisent pas à reconstituer le corpus, les choix de filtrage ou les phases successives d’entraînement. L’accès aux artefacts intermédiaires rend ces choix plus observables, sans garantir une reproduction exacte lorsque la puissance de calcul, les dépendances ou certaines ressources manquent.

Le qualificatif « ouvert » ne doit donc pas être évalué uniquement à partir de l’intention affichée pour l’ensemble de la famille. Le critère le plus solide reste la présence effective, dans le dépôt de chaque modèle, des fichiers nécessaires à l’examen ou à la répétition de son entraînement.

Six formats pour trois niveaux d’hébergement

La présentation technique publiée par tbreak recense quatre modèles denses — 0,9B, 3,7B, 7B et 32B — ainsi que deux modèles clairsemés, 36B-A4B et 375B-A23B, qui activent respectivement environ 4 et 23 milliards de paramètres par jeton.

• 0,9B — 0,9 milliard actif : le format dense le plus compact, destiné aux environnements très contraints tels que les montres et les lunettes. C’est le choix cohérent lorsque la consommation, la mémoire et l’exécution locale priment sur la capacité maximale.
• 3,7B — 3,7 milliards actifs : un modèle dense pensé pour l’exécution sur appareil et l’ajustement avec des ressources encore accessibles. Il constitue un palier intermédiaire lorsque le 0,9B est trop limité.
• 7B — 7 milliards actifs : le plus grand des formats présentés pour les téléphones et d’autres déploiements locaux. Il demande davantage de mémoire, mais reste nettement plus abordable que les modèles destinés aux serveurs.
• 32B — 32 milliards actifs : le plus grand modèle dense de la gamme, orienté vers les ordinateurs puissants, l’hébergement local et les serveurs sur site. Le dépôt initial correspond à une première étape d’entraînement plutôt qu’au point de contrôle final annoncé.
• 36B-A4B — environ 4 milliards actifs : un modèle clairsemé qui ne mobilise qu’une fraction de ses 36 milliards de paramètres pour chaque jeton. Il vise les stations puissantes et les serveurs locaux, avec un calcul actif inférieur à celui d’un modèle dense de taille totale comparable.
• 375B-A23B — environ 23 milliards actifs : le modèle phare, destiné aux charges importantes de raisonnement, de programmation et d’agents. Malgré ses 23 milliards de paramètres actifs, il conserve les contraintes de stockage et de distribution d’un ensemble de poids comptant plusieurs centaines de milliards de paramètres.

Les paramètres actifs ne résument pas le coût matériel

Pour les quatre modèles denses, tous les paramètres participent au calcul : la taille totale donne donc une première indication directe de la mémoire nécessaire. Les variantes clairsemées dissocient en revanche la taille stockée de la fraction utilisée pour traiter un jeton.

Dans cette nomenclature, A4B et A23B désignent approximativement le nombre de paramètres activés par jeton. Le 375B-A23B ne devient pas pour autant l’équivalent matériel d’un modèle dense de 23 milliards de paramètres : l’infrastructure doit toujours charger, stocker et, selon la configuration, répartir l’ensemble de ses poids.

La matrice de choix se lit ainsi : 0,9B pour les appareils les plus contraints; 3,7B et 7B pour une exécution locale plus capable; 32B et 36B-A4B pour des machines puissantes ou des serveurs sur site; 375B-A23B pour une infrastructure mutualisée ou équipée de plusieurs accélérateurs. La quantification, la longueur de contexte, le débit recherché et le nombre d’utilisateurs simultanés peuvent cependant déplacer ces frontières.

Une même licence, mais des preuves d’ouverture inégales

La licence Apache 2.0 couvre les modèles et leur code. Elle autorise notamment l’utilisation, la modification et la redistribution sous réserve de ses conditions, mais cette mention ne signifie pas nécessairement que chaque source composant les données d’entraînement possède exactement le même régime juridique. Les licences et restrictions associées aux jeux effectivement distribués doivent être examinées séparément.

Le niveau de preuve est plus simple à établir pour les poids : les six formats sont proposés au téléchargement, avec des voies de déploiement comprenant Hugging Face, vLLM et SGLang. L’accès par API évite de gérer l’infrastructure, alors que l’hébergement autonome donne davantage de contrôle; aucun de ces deux modes ne remplace toutefois les artefacts nécessaires à la reproduction de l’entraînement.

L’examen des cartes de modèles par CellCog relevait le 4 septembre que les versions 3,7B et 7B disposaient déjà de données, de recettes et de code, tandis que les cartes des 36B-A4B et 375B-A23B prévoyaient encore la publication des données, du code d’entraînement et de points de contrôle intermédiaires; le 32B était présenté comme un point de contrôle de première étape.

Les performances restent principalement documentées par le laboratoire

Les résultats disponibles au lancement proviennent encore surtout des évaluations et cartes publiées par l’équipe de K2 Horizon. Ils permettent de comprendre le positionnement recherché pour chaque taille, mais ne suffisent pas à tenir pour acquises la qualité, la vitesse ou l’efficacité économique sur d’autres infrastructures et dans des usages francophones.

La nouveauté vérifiable est donc double : six jeux de poids sont accessibles, et la publication cherche à documenter davantage du cycle d’entraînement qu’une sortie limitée au modèle final. La portée complète de cette ouverture dépend maintenant de la livraison des artefacts encore promis et d’évaluations indépendantes capables de reproduire les résultats dans des conditions explicites.

À lire aussi:

• Twitch ouvre les sponsorings aux Affiliés, sans garantir de campagne
• Divine ouvre ses boucles de six secondes, l’IA reste interdite
• Choisir une IA pour sa TPE : commencez par les données, pas par la marque