Le modèle de pointe à la licence la plus ouverte est coréen

Trois modèles ouverts de pointe sont sortis en quatre jours, chacun avec sa propre définition d'« ouvert ».

Kimi K3 est arrivé sous des conditions proches de la licence MIT, assorties d'une clause excluant les opérateurs de modèle en tant que service dépassant 20 millions de dollars de chiffre d'affaires. Instella-MoE, d'AMD, a publié plus d'éléments de son pipeline d'entraînement que quiconque — tous les checkpoints intermédiaires, les mélanges de données, les recettes — mais a placé les poids sous licence ResearchRAIL : usage académique et recherche uniquement, aucun déploiement commercial. Puis, le 29 juillet, SK Telecom a publié A.X K2 : 688 milliards de paramètres, Apache-2.0, recherche et commerce, sans condition.

La licence la plus permissive de tout le haut du panier appartient désormais à un opérateur télécom coréen.

C'est un programme d'État, et c'est précisément le sujet

A.X K2 est le deuxième modèle issu de l'initiative coréenne Dopamo — 독자 파운데이션 모델, « modèle de fondation souverain » —, l'effort public destiné à doter la Corée d'un modèle de pointe qu'elle possède plutôt qu'elle ne loue. A.X K1 était sorti en février avec 519 milliards de paramètres ; celui-ci lui succède cinq mois plus tard.

Ce contexte explique la licence. Un laboratoire commercial fait payer l'accès ; un programme de souveraineté cherche à faire naître un écosystème national, et Apache-2.0 est le moyen le plus rapide d'amener industriels, entreprises de défense et hôpitaux coréens à construire sur un modèle qui ne soit ni américain ni chinois. Cette permissivité n'est pas de la générosité, c'est de la politique industrielle — la même logique que celle du cloud industriel allemand derrière Soofi ou du positionnement de Mistral en France, mais appliquée avec une licence bien plus large.

D'où un résultat inattendu : la licence la plus restrictive des trois vient du laboratoire chinois commercial, l'intermédiaire d'un fabricant de puces américain, et la plus libre d'un champion national soutenu par l'État. Quelles que soient les intuitions que l'on entretenait sur les juridictions qui produisent de l'IA ouverte, cette semaine ne les a pas confirmées.

Plus gros, entraîné sur moins — et c'est voulu

Le rapport technique contient le détail que j'ai trouvé le plus intéressant, et il prend le contrepied du discours habituel sur le passage à l'échelle.

A.X K2 est plus gros qu'A.X K1 — 688 milliards de paramètres contre 519 — mais il a été entraîné sur moins de tokens : environ 8,5 billions au total, dont 8,2 billions en pré-entraînement, avec ce que SKT décrit comme un mélange plus réduit mais de meilleure qualité. L'architecture suit les lois d'échelle propres aux MoE, avec un objectif assumé : maximiser la capacité de connaissance sous contrainte matérielle fixe, tout en privilégiant le débit d'inférence sur un entraînement strictement optimal en calcul.

C'est un écart délibéré à l'optimum de calcul façon Chinchilla, et le raisonnement s'éclaire dès qu'on regarde à qui le modèle est destiné. L'optimum de calcul minimise la perte d'entraînement par unité de calcul consommée à l'entraînement. Il ne dit rien du coût de service. Si votre cible de déploiement, ce sont des usines, des systèmes de défense et des hôpitaux qui feront tourner le modèle en continu pendant des années, l'entraînement est une dépense unique et l'inférence une dépense récurrente. On achète donc des paramètres — c'est-à-dire de la capacité de connaissance — plutôt que des tokens, et on dessine l'architecture autour du débit.

Plus de paramètres, moins de données, une activation plus parcimonieuse : une optimisation du coût de service déguisée en argument de loi d'échelle.

L'attention à portes parcimonieuses (Sparse Gated Attention)

L'architecture s'organise autour d'une sous-couche d'attention que SKT nomme SGA, composite de plusieurs idées qui ont convergé d'un laboratoire à l'autre tout au long de l'année :

• Un indexeur léger note et classe les candidats clé-valeur à partir de scores de position ;
• Un sélecteur ne retient que les k meilleurs indices ;
• La MLA (attention latente multi-têtes) opère ensuite sur ce seul cache KV sélectionné, avec un KV compact et une séparation RoPE ;
• Une porte de sortie propre à chaque tête, G = σ(W_g q_latent), module la sortie de l'attention avant la projection finale ;
• GatedNorm précède toute la sous-couche et assure le lissage des valeurs aberrantes ainsi que le contrôle des attention sinks, pour garder stable le calcul en basse précision FP8/FP4.

Deux choses ressortent. D'abord, attention parcimonieuse et attention latente sont ici combinées, au lieu d'être présentées comme des alternatives : on réduit le nombre d'entrées KV auxquelles on prête attention, puis on comprime ce qui reste. Ensuite, GatedNorm n'existe que pour rendre le calcul FP8/FP4 numériquement viable — encore une décision de coût d'inférence inscrite dans l'architecture plutôt qu'ajoutée après coup. À comparer avec Kimi K3, arrivé au même point par un autre chemin : un entraînement nativement adapté à la quantification MXFP4, dès l'étape de SFT.

Tout le haut du panier conçoit désormais pour un service en quatre bits. Chacun y entre par sa propre porte.

Les benchmarks, lus honnêtement

SKT publie des résultats en mode réflexion face à quatre modèles ouverts des six mois précédents :

Il l'emporte sur les cinq. Mais les cinq ne se valent pas, et il vaut la peine de les distinguer.

Deux se jouent à domicile. KMMLU-Pro et CLIcK sont des benchmarks en langue coréenne ; qu'un modèle coréen conçu par une entreprise coréenne les remporte est le résultat attendu, pas la preuve d'une capacité générale. Les marges restent d'ailleurs modestes : un à deux points sur DeepSeek-V4 Flash.

Un troisième se joue à domicile de manière plus discrète. τ²-Bench Telecom est un benchmark agentique dans le secteur des télécommunications, publié par un opérateur télécom. Un score de 98,0 est solide, mais c'est aussi 0,3 point au-dessus de GLM-5.1 sur un test saturé, dans le domaine même de SKT. À noter, plutôt qu'à mettre en avant.

Un seul est vraiment frappant. Sur Apex, A.X K2 obtient 45,8 quand le suivant, DeepSeek-V4 Flash, plafonne à 28,1 — environ 1,6 fois le reste du plateau, GLM-5.1 et Qwen3.5 stagnant autour de 10 à 13. Un écart pareil sur un benchmark de mathématiques difficile n'est ni un artefact de réglage ni un avantage de terrain : ou bien quelque chose dans le mélange d'entraînement ou le post-entraînement de raisonnement produit un effet réel, ou bien le benchmark s'accorde mal aux dispositifs d'évaluation des autres modèles. C'est le résultat qui appelle le plus une réplication indépendante.

Enfin, AIME26 à 97,1 représente 0,4 point d'avance sur DeepSeek-V4 Flash. À ce niveau, le benchmark est saturé et le classement relève du bruit.

Tous ces chiffres viennent de SKT, en mode réflexion, sur un graphique tiré de son propre rapport — la réserve habituelle pour n'importe quel tableau de benchmarks fourni par un éditeur, y compris ceux de Celeris ou de Microsoft.

Où tout cela atterrit

Le plan de déploiement est la partie la moins spectaculaire et la plus révélatrice : industrie manufacturière, défense et biotechnologies, avec des partenaires nommés, dont KG Steel et Connec. Pas d'assistant conversationnel. Pas d'outil de programmation. Des agents industriels spécialisés pour l'industrie lourde nationale.

C'est à cela que sert un modèle souverain, et cela montre pourquoi la licence Apache-2.0 et l'architecture orientée débit relèvent d'une seule et même décision. Un sidérurgiste coréen qui déploie un agent dans ses propres ateliers a besoin de trois choses : aucune clause de licence qui complique l'usage commercial, un coût de service assez bas pour tourner en continu, et aucune dépendance à une API étrangère. A.X K2 répond exactement à ce cahier des charges, et ses scores de premier plan en sont presque un effet secondaire.

Cela fait aussi tomber une hypothèse bien nette que j'avais formulée ailleurs : que l'ouverture se réduirait à mesure que les modèles grossissent, les licences éliminant discrètement les rares organisations capables de les faire tourner. A.X K2 pèse 688 milliards de paramètres et se révèle plus libre qu'une publication de recherche de 16 milliards signée AMD. Le gradient de licence ne suit pas l'échelle. Il suit ce que l'organisation qui publie veut voir advenir ensuite — et un État qui bâtit une base industrielle préfère l'adoption à la rente.