« L’open source va bien au-delà des poids ouverts » : K2 Horizon bouscule l’opacité de l’IA avec six modèles libres

Fini les boîtes noires : l’IFM dévoile K2 Horizon, six modèles d’IA livrés avec leurs données d’entraînement et leur code sous licence Apache 2.0. Un sortie hors norme.

Six modèles de fondation livrés d’un bloc avec leurs données d’entraînement brutes, l’ensemble de leurs scripts et leurs méthodologies complètes : The Institute of Foundation Models (IFM), laboratoire basé à Abou Dabi issu de la Mohamed bin Zayed University of Artificial Intelligence, pose un acte fort en publiant sa famille K2 Horizon.

De la montre connectée au calcul d’entreprise

Développée à travers des pôles de recherche répartis entre les Émirats arabes unis, la Silicon Valley et Paris, l’architecture présentée sur le site officiel de K2 Horizon couvre l’ensemble du spectre matériel grâce à un système de routage dynamique des requêtes :

• K2 Horizon 0.9B : taillé pour les environnements extrêmes à mémoire restreinte comme les montres ou les lunettes connectées, tout en dominant sa catégorie en calcul mathématique.
• K2 Horizon 3.7B et 7B : optimisés pour le traitement local sur smartphones et ordinateurs portables, avec un accent mis sur l’ingénierie logicielle et le raisonnement agentique.
• K2 Horizon 32B (dense) et 36B (sparse MoVA) : pensés pour l’auto-hébergement sur serveurs d’entreprise sur site, le modèle 36B n’activant que 4 milliards de paramètres par jeton pour réduire le coût d’inférence.
• K2 Horizon 375B-A23B : le modèle phare exploitant une architecture parcimonieuse (23 milliards de paramètres actifs) pour rivaliser avec les modèles propriétaires les plus massifs.

Sur le plan algorithmique, la suite introduit une technique de distillation par diffusion permettant de générer des blocs entiers de jetons en parallèle, multipliant la vitesse d’exécution par près de trois sans dégrader la cohérence logique.

Licence Apache 2.0 et disponibilité immédiate

Pour accompagner les développeurs, le code de post-entraînement devrait être rapidement publié sur le dépôt GitHub horizon-post-train. L’ensemble des poids et des ensembles de données associés sont téléchargeables librement via la collection dédiée sur Hugging Face, avec une compatibilité directe pour les moteurs d’inférence haute performance comme vLLM et SGLang.