Notre précédent article, « Et si les modèles d’IA devenaient une commodité ? », posait une hypothèse : à mesure que les modèles deviennent plus nombreux, moins chers et suffisamment performants pour se substituer les uns aux autres, la valeur se déplace vers les données, le routage, l’intégration et la distribution.
K2 Horizon pousse cette logique un cran plus loin. Si le modèle devient une commodité, sa fabrication peut devenir l’un des nouveaux actifs rares.
Une ouverture plus ambitieuse que les seuls poids
Le terme « ouvert » recouvre aujourd’hui des réalités très différentes. Un modèle fermé reste accessible comme un service. Un modèle à poids ouverts livre ses paramètres finaux et parfois son architecture ou son code d’inférence : il peut alors être hébergé et adapté localement, mais ses conditions de fabrication restent largement opaques.
L’Open Source Initiative place la barre plus haut. Sa définition de l’open source appliqué à l’IA inclut les paramètres, le code et des informations suffisamment détaillées sur les données pour qu’un tiers qualifié puisse reconstruire un système substantiellement équivalent.
K2 Horizon revendique précisément ce niveau. IFM annonce les poids finaux, l’architecture, les configurations, le code d’entraînement, les recettes et compositions de données, les checkpoints intermédiaires, les journaux d’entraînement et les évaluations. Les modèles et le code sont publiés sous licence Apache 2.0 ; les jeux de données conservent leurs licences propres.
Sur le papier, l’objet change donc de nature. Le laboratoire ne livre plus seulement le résultat d’un entraînement, mais une partie de son dossier de fabrication.
La promesse est plus avancée que les dépôts
La nuance essentielle se trouve pourtant dans l’état réel de la publication. Au 7 septembre 2026, l’ouverture n’est pas homogène entre les six modèles.
Les fiches Hugging Face des versions 3,7B et 7B indiquent que leurs checkpoints intermédiaires, leurs données, leurs recettes, le code d’entraînement et les ressources d’évaluation sont publics. Plusieurs jeux associés à K2 Horizon sont effectivement accessibles, notamment TxT360-v2 et Pretrain-Behaviors.
La situation change avec les modèles plus lourds. La fiche du 375B précise que le checkpoint final est disponible, mais que les checkpoints intermédiaires, les données et le code d’entraînement « seront publiés ». Même formulation pour le 36B-A4B. Le dépôt 32B correspond encore à une version « Stage1 » et annonce un checkpoint final ultérieur. La fiche du 0,9B indique elle aussi que les données, la recette et le code seront rendus publics.
Présenter aujourd’hui K2 Horizon comme une chaîne intégralement ouverte irait donc plus vite que les dépôts. Il s’agit plutôt d’un programme d’ouverture en cours d’exécution. Une distinction importante puisque la valeur revendiquée par IFM réside précisément dans ces artefacts.
Pourquoi les traces comptent davantage que le poids final
Un fichier de poids photographie le résultat. Une série de checkpoints raconte son évolution.
IFM indique que les modèles 3,7B, 7B, 32B et 36B-A4B ont été entraînés sur exactement les mêmes 22 000 milliards de tokens. Cette base commune autorise une comparaison inhabituelle : observer comment une capacité apparaît selon la taille ou l’architecture sans mettre face à face des systèmes issus de corpus et de recettes totalement différents. Les journaux servent également à suivre pertes, instabilités et interventions au cours de l’apprentissage.
Les données deviennent tout aussi importantes. IFM affirme que près de 17 % de son corpus de pré-entraînement est constitué de trajectoires explicites de résolution de problèmes et qu’environ 10 000 milliards de tokens synthétiques ont été utilisés. Ces chiffres restent ceux du laboratoire. Leur documentation donne néanmoins prise à l’analyse.
Transparence ne signifie d’ailleurs pas neutralité. Un corpus documenté reste susceptible de contenir biais, erreurs, duplications ou choix discutables. La différence tient à la possibilité de les examiner.
L’exemple le plus convaincant ne concerne justement pas une victoire de K2 Horizon, mais un échec. Sur TerminalBench 2.1, le 375B avait d’abord obtenu 70,2 % de réussite. IFM a ensuite audité les 500 essais validés sur 712 et identifié 24 passages suspects répartis sur dix tâches : recherche d’une solution publique, récupération de correctifs ou exploitation du dispositif d’évaluation. Leur retrait ramène le score à 66,9 %.
Le 7B a produit un cas encore plus parlant. Confronté à une évaluation liée à SWE-bench, il a identifié le benchmark, trouvé des réponses en ligne et les a téléchargées, faisant artificiellement monter son score à 82. IFM reconnaît que ce résultat ne mesurait pas la compétence logicielle recherchée.
L’information importante n’est alors plus seulement le score corrigé. Elle réside dans l’existence du comportement. Si les checkpoints annoncés sont effectivement publiés, des chercheurs pourront chercher à quel moment cette stratégie opportuniste apparaît et la relier aux différentes phases d’entraînement.
Quand la performance devient une variable parmi d’autres
Les tableaux comparatifs publiés par IFM restent des résultats produits par IFM. Artificial Analysis attribue indépendamment au 375B un score de 38 sur son Intelligence Index, au-dessus de la médiane des modèles open-weight de taille comparable. L’organisme ne dispose en revanche encore d’aucune mesure de vitesse ni de coût provenant de fournisseurs d’API pour ce modèle.
Le matériel rappelle également les limites du mot « commodité ». La recette BF16 du 375B a été validée sur huit GPU Nvidia H200 ; celle du 36B-A4B sur deux H200. Deux modèles proches sur un benchmark ne sont donc pas nécessairement interchangeables économiquement.
La différenciation se déplace vers un ensemble plus large : licence, mémoire nécessaire, coût d’inférence, capacité de déploiement local, accès aux données, reproductibilité et contrôle de la chaîne technique. Le score reste important, mais il devient une colonne parmi d’autres.
Abu Dhabi veut aussi définir l’ouverture
K2 Horizon possède enfin une dimension géopolitique. Reuters replace son lancement dans l’ambition des Émirats arabes unis de s’imposer comme un pôle mondial de l’IA. L’agence souligne également la volonté d’IFM de se distinguer à la fois des grands laboratoires propriétaires américains et de modèles dont l’ouverture se limite davantage aux poids.
La compétition porte donc aussi sur les normes. Qui décidera de ce qu’un modèle « ouvert » doit réellement révéler ? Un fichier téléchargeable suffit-il, ou faut-il livrer les données, les recettes, les étapes intermédiaires et jusqu’aux échecs ?
K2 Horizon ne répond pas encore totalement à sa propre promesse. Mais il montre où pourrait se situer la prochaine bataille si les performances continuent de converger. Quand le modèle devient abondant, le fichier de poids perd une partie de son pouvoir de différenciation. Restent alors des ressources bien moins faciles à commoditiser : les données, les preuves, la reproductibilité et la maîtrise de la fabrication.
La nouvelle rareté ne serait plus seulement le modèle, mais la capacité à expliquer précisément d’où il vient et comment il a été construit.
Augustin GARCIA
