K2 Horizon publie tout — jusqu'aux données et aux journaux d'entraînement

Dans une rentrée saturée d'annonces de modèles fermés et de tarifs mouvants, une sortie a pris tout le monde à contre-pied par sa radicalité — non pas sur la performance, mais sur la transparence. Le 3 septembre, l'Institute of Foundation Models a publié K2 Horizon, une famille de six modèles allant de 0,9 à 375 milliards de paramètres, accompagnée de tout ce qui a servi à la fabriquer : les poids, le code d'entraînement, les données d'entraînement, les points de contrôle intermédiaires et jusqu'aux journaux d'exécution. À l'échelle de 2026, c'est la seule sortie de l'année à réunir la totalité de ces éléments.

Poids, code, données, journaux : l'intégrale

La distinction paraît technique ; elle est en réalité fondatrice. La quasi-totalité des modèles présentés comme « ouverts » en 2025 et 2026 ne partagent qu'une chose : les poids, c'est-à-dire les paramètres finaux du réseau. On peut les télécharger, les exécuter, parfois les affiner — mais on ne sait ni sur quelles données ils ont appris, ni comment. K2 Horizon fait sauter ce plafond. En livrant le corpus d'entraînement et les journaux, l'Institute of Foundation Models ne revendique pas une performance de frontière : il revendique une vérifiabilité.

C'est un déplacement de terrain. Là où les laboratoires vendent des capacités mesurées sur des benchmarks qu'ils choisissent eux-mêmes, K2 Horizon propose l'inverse : la possibilité, pour n'importe quel chercheur, de rejouer l'entraînement, d'auditer les données, de traquer une éventuelle contamination des jeux de test et de comprendre d'où viennent les biais du modèle. La science de l'IA redevient, sur ce cas précis, reproductible.

Pourquoi les données d'entraînement changent tout

Ouvrir les données d'entraînement répond à trois questions qui empoisonnent le débat sur l'IA. La première est celle de la contamination : quand un modèle obtient un score spectaculaire sur un test, a-t-il vraiment raisonné, ou a-t-il déjà vu les réponses pendant son apprentissage ? Sans accès au corpus, la réponse relève de la confiance aveugle. La deuxième est celle du droit : quelles œuvres, quels textes, quelles données personnelles ont nourri le modèle ? La troisième est celle du biais : impossible d'expliquer pourquoi un système dérape si l'on ignore ce qu'il a ingéré.

Pour la recherche académique comme pour les régulateurs, un modèle entièrement ouvert est un objet d'étude d'une valeur incomparable. C'est aussi un étalon : face aux modèles fermés dont les capacités sont « rapportées par le fournisseur, sans réplication indépendante », comme le notaient les analystes à propos de GPT-6 Astra, disposer d'une chaîne de fabrication auditable offre enfin un point de comparaison honnête.

« Open weights » n'est pas « open source »

K2 Horizon arrive au meilleur moment pour rappeler une évidence que l'industrie a laissé se brouiller : poids ouverts et open source ont divergé. L'été 2026 a vu déferler une vague de modèles à poids ouverts — GLM-5.3 de Z.ai, la famille Qwen3.8 d'Alibaba, Kimi K3 de Moonshot — mais sous quatre licences différentes, et pas une seule sous Apache 2.0. Certaines imposent un seuil de chiffre d'affaires au-delà duquel une licence commerciale devient obligatoire, d'autres restent aux conditions « non précisées ».

Résultat : « ouvert » est devenu un argument marketing autant qu'une réalité juridique. On parle d'openwashing quand une entreprise revendique l'ouverture tout en verrouillant l'usage par des clauses restrictives, ou en gardant le silence sur les données. Dans ce paysage, la démarche de l'Institute of Foundation Models tranche par son intégralité — même si la vraie question, pour les équipes techniques, restera toujours la lecture attentive de la licence avant tout déploiement en production.

Ce que l'Europe a à y gagner

L'enjeu dépasse la curiosité scientifique. Pour l'Europe, dont la stratégie de souveraineté repose largement sur les modèles ouverts, la vérifiabilité est un atout politique autant que technique. Un modèle dont on peut auditer les données est plus facile à mettre en conformité avec l'AI Act et le RGPD, plus simple à faire certifier, plus crédible pour un usage dans le secteur public. C'est aussi une réponse concrète à la dépendance stratégique que ravive chaque rachat, comme celui de Hugging Face par Nvidia.

K2 Horizon ne bouleversera pas les classements de performance, et ce n'est pas son but. Sa contribution est ailleurs : rappeler qu'un modèle qu'on ne peut pas inspecter n'est pas un modèle qu'on peut vraiment auditer, et poser un standard que les laboratoires les plus puissants continuent, eux, de refuser. Dans une industrie qui confond volontiers ouverture et gratuité, c'est peut-être la sortie la plus utile du mois.