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

Trois modèles ouverts de pointe sont sortis en l'espace de quatre jours, et chacun est venu avec une définition différente d' « ouvert ».

Kimi K3 est arrivé sous des conditions proches du MIT, avec une clause d'exclusion pour les opérateurs de Modèle-en-tant-que-Service dépassant 20 millions de dollars de revenus. Instella-MoE d'AMD a publié plus d'éléments de son pipeline d'entraînement que quiconque — chaque point de contrôle intermédiaire, les mélanges de données, les recettes — mais a placé les poids sous licence ResearchRAIL : usage académique et de 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 à la pointe de la technologie appartient désormais à une entreprise de télécommunications coréenne.

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

A.X K2 est le second modèle issu de l'initiative coréenne Dopamo — 독자 파운데이션 모델, « modèle de fondation souverain » — l'effort soutenu par le gouvernement pour doter la Corée d'un modèle de pointe qu'elle possède plutôt qu'elle ne loue. A.X K1 est arrivé en février avec 519 milliards de paramètres. Celui-ci en est le successeur, cinq mois plus tard.

Ce contexte explique la licence. Un laboratoire commercial fait payer l'accès ; un programme de souveraineté cherche à établir un écosystème domestique, et Apache-2.0 est le moyen le plus rapide d'amener les fabricants, les entreprises de défense et les hôpitaux coréens à construire sur un modèle qui n'est ni américain ni chinois. La permissivité n'est pas de la générosité, c'est de la politique industrielle — la même logique qui sous-tend le cloud industriel allemand de Soofi et le positionnement de Mistral en France, mais exécutée avec une licence bien plus large que l'une ou l'autre.

Ce qui produit un résultat étrange : la licence la plus restrictive des trois vient du laboratoire chinois commercial, la licence 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 entretient sur les juridictions qui produisent de l'IA ouverte, cette semaine ne les a pas confirmées.

Plus grand, et entraîné sur moins — délibérément

Le rapport technique contient le détail que j'ai trouvé le plus intéressant, et il va à contre-courant de la façon dont on discute habituellement du passage à l'échelle.

A.X K2 est plus grand qu'A.X K1 — 688 milliards contre 519 milliards — mais il a été entraîné sur moins de tokens : environ 8.5T au total, dont environ 8.2T en pré-entraînement, en utilisant ce que SKT décrit comme un mélange plus petit mais de plus haute qualité. L'architecture est guidée par les lois de passage à l'échelle du MoE, et l'objectif affiché est de maximiser la capacité de connaissance dans des contraintes matérielles fixes tout en privilégiant le débit d'inférence plutôt qu'un entraînement strictement optimal en calcul.

C'est un écart délibéré par rapport à l'optimalité de calcul de type Chinchilla, et le raisonnement tient dès qu'on remarque à qui le modèle est destiné. Le passage à l'échelle optimal en calcul minimise la perte d'entraînement par unité de calcul d'entraînement. Il ne dit rien du coût de service. Si votre cible de déploiement est constituée d'usines, de systèmes de défense et d'hôpitaux faisant tourner le modèle en continu pendant des années, l'entraînement est une dépense ponctuelle et l'inférence est celle qui se répète — on achète donc des paramètres (capacité de connaissance) plutôt que des tokens, et on façonne l'architecture autour du débit.

Plus de paramètres, moins de données, une activation plus parcimonieuse. C'est une optimisation du coût de service déguisée en argument de loi de passage à l'échelle.

Attention à portes parcimonieuses (Sparse Gated Attention)

L'architecture est centrée sur une sous-couche d'attention que SKT appelle SGA, un composite de plusieurs idées qui ont convergé entre laboratoires toute l'année :

• Un indexeur léger note et classe les candidats clé-valeur à l'aide de scores de position
• Un sélecteur ne conserve que les k meilleurs indices
• La MLA (attention latente multi-têtes) fonctionne ensuite uniquement sur ce cache KV sélectionné, avec un KV compact et une division RoPE
• Une porte de sortie spécifique à chaque tête, G = σ(W_g q_latent), module la sortie de l'attention avant la projection de sortie
• GatedNorm précède l'ensemble de la sous-couche, effectuant un lissage des valeurs aberrantes et un contrôle des « sinks » pour garder stable le calcul en basse précision FP8/FP4

Deux éléments se détachent. Premièrement, il s'agit d'attention parcimonieuse et d'attention latente combinées plutôt que traitées comme des alternatives — on réduit le nombre d'entrées KV auxquelles on prête attention, puis on comprime ce qui reste. Deuxièmement, la conception de GatedNorm existe spécifiquement pour rendre le calcul FP8/FP4 numériquement viable, ce qui est une autre décision de coût d'inférence intégrée dans l'architecture plutôt qu'ajoutée après coup. À comparer avec Kimi K3, qui est arrivé à la même destination différemment : un entraînement natif conscient de la quantification MXFP4 dès l'étape de SFT.

Tout le monde à la pointe conçoit désormais pour un service en quatre bits. Ils entrent simplement par des portes différentes.

Les benchmarks, lus honnêtement

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

Il est en tête sur les cinq. Mais les cinq ne sont pas également informatifs, et il vaut la peine de les distinguer.

Deux sont un terrain familier. KMMLU-Pro et CLIcK sont des benchmarks en langue coréenne, et qu'un modèle en langue coréenne conçu par une entreprise coréenne les mène est le résultat attendu, pas la preuve d'une capacité générale. Les marges sont aussi modestes — un à deux points sur DeepSeek-V4 Flash.

Un est un terrain familier de façon plus subtile. τ²-Bench Telecom est un benchmark agentique dans le domaine des télécommunications, publié par une entreprise de télécommunications. 98.0 est un score solide, et c'est aussi 0.3 point au-dessus de GLM-5.1 sur un benchmark saturé, dans le secteur même de SKT. C'est le genre de résultat à noter plutôt qu'à mettre en avant.

Un est véritablement frappant. Sur Apex, A.X K2 obtient 45.8 alors que le suivant, DeepSeek-V4 Flash, plafonne à 28.1 — environ 1,6× le reste du champ, avec GLM-5.1 et Qwen3.5 dans les faibles teens. Un écart de cette ampleur sur un benchmark de mathématiques difficile n'est pas un artefact de réglage ni un effet de terrain familier ; soit quelque chose dans le mélange d'entraînement ou le post-entraînement de raisonnement fait un travail réel, soit le benchmark interagit mal avec les harnais des autres modèles. C'est le résultat unique le plus digne d'une réplication indépendante.

Et AIME26 à 97.1 représente une avance de 0.4 point sur DeepSeek-V4 Flash. À ce niveau, le benchmark est effectivement saturé et le classement relève quasiment du bruit.

Tous les chiffres proviennent de SKT elle-même, en mode réflexion, sur un graphique de son propre rapport — la même réserve qui s'applique à tout tableau de benchmark d'un fournisseur, y compris ceux de Celeris et de Microsoft.

Où cela atterrit réellement

Le plan de déploiement est la partie la moins glamour et la plus révélatrice : manufacture, défense et bio, avec des partenaires nommés incluant KG Steel et Connec. Pas un assistant de discussion. Pas un produit de codage. Des agents industriels spécialisés pour l'industrie lourde domestique.

C'est à cela que sert un modèle de souveraineté, et cela clarifie pourquoi la licence Apache-2.0 et l'architecture orientée débit d'inférence relèvent de la même décision. Un sidérurgiste coréen déployant un agent sur le plancher de sa propre usine a besoin de trois choses : aucune condition de licence qui complique l'usage commercial, des coûts de service assez bas pour tourner en continu, et aucune dépendance à une API étrangère. A.X K2 est conçu exactement selon cette spécification, et les scores de benchmark de pointe en sont presque un effet secondaire.

Cela crève aussi une hypothèse bien nette que j'ai formulée ailleurs — que l'ouverture à la pointe se réduit à mesure que les modèles grandissent, les licences sélectionnant discrètement les quelques organisations capables de les faire tourner. A.X K2 compte 688 milliards de paramètres et est plus libre qu'une publication de recherche de 16 milliards d'AMD. Le gradient de licence ne suit pas l'échelle. Il suit ce que l'organisation qui publie veut voir se produire ensuite — et un État bâtissant une base industrielle veut l'adoption plus qu'il ne veut la rente.

Liens

• Poids : skt/A.X-K2 sur Hugging Face
• Prédécesseur : rapport technique d'A.X K1 (arXiv 2601.09200)
• Couverture : Telecompaper · Light Reading sur la poussée manufacturière et défense · Digital Today
• Contexte : Open Weights You Can't Actually Run · Kimi K3 · toutes les publications ci-dessus, dans l'arcade