Trois sorties de poids et un modèle fermé qui revendique le trône des modèles ouverts, en quarante-huit heures. Voilà le programme. Moonshot a publié ceux de Kimi K3.1 Pro, Ricursive a livré Ripple-65B en Apache 2.0, Tencent promet ceux de Hy4 pour plus tard. Pendant ce temps, Cognition affirme que son SWE-2 Flash bat tous les modèles ouverts américains, y compris des modèles trois fois plus gros, et garde les siens au coffre. Le mot « ouvert » vient de servir à désigner quatre choses différentes.
Kimi K3.1 Pro, 2,8 billions de paramètres dans un carton
J’ai noté la promesse d’un 4 novembre. Elle est tenue. Kimi K3.1 Pro, décrit par Modal comme une mise à jour de post-entraînement de K3 avec du renforcement élargi au code, à la recherche financière et au travail agentique long : 2,8 billions de paramètres au total, 104 milliards actifs, un million de tokens de contexte, texte et images en entrée. Sur Agent Arena, classement indépendant, il sort premier des modèles ouverts et treizième tous modèles confondus, avec +5,1 % de gain net sur plus de 17 500 sessions agentiques, soit 4,2 points de plus que K3, et la première place ouverte en fiabilité Bash comme en pilotabilité.
Le support au jour zéro, voilà le signal utile : vLLM et SGLang sur AMD, NVIDIA, Rubin et TPU, Trainium 2 et 3 côté SGLang. Hébergement chez Ollama Cloud avec zéro rétention de données, chez Databricks, chez SkyPilot.
Sauf que tu ne vas pas le faire tourner. 2,8 billions de paramètres, même avec 104 milliards actifs par token, ça n’entre pas dans une tour avec une carte graphique de joueur. Ce que Moonshot met sur le marché, c’est un fichier pour labos et hébergeurs, pas un modèle pour ton dimanche après-midi. La nuance compte : « les poids sont disponibles » est devenu la phrase la plus surinterprétée du secteur.
Et si tu prends au mot la définition défendue par NVIDIA, il manque la moitié du colis : les données d’entraînement et la recette. On a déjà raconté ici que DeepSeek et Moonshot avaient entraîné leurs modèles sur les sorties de GPT-6 Astra. Des poids, oui. La provenance du gâteau, beaucoup moins.
Ripple-65B, le petit qui dit avoir battu les gros
Ricursive annonce 65 milliards de paramètres, dense, entraîné de zéro, 12 000 milliards de tokens, un million de contexte, licence Apache 2.0. Le chiffre mis en avant : 80,5 % sur Terminal-Bench 2.1, contre 80,1 % pour Beam-501B, qui active 23 milliards de paramètres par token. Dans le tableau de la boîte, Ripple-65B passe devant Muse Spark Open-816B, Beam-501B, Inkling-975B et Nemotron 3 Ultra-550B.
Budget déclaré : 32 millions de dollars, R&D comprise, de l’échelle de scaling aux données et aux runs finaux. Prime Intellect, qui a fait tourner les clusters de pré-entraînement, avance 16x d’efficacité de calcul. Côté architecture, value residuals et attention à fenêtre glissante, avec deux ablations sur l’échelle : environ 3x de gain pour la nouvelle architecture sur les données d’Olmo3, environ 4x pour le nouveau jeu de données sur la même architecture.
Les sceptiques répondent deux choses. Ripple perd encore contre DeepSeek V4 Flash, 284 milliards de paramètres, et le titre de « SOTA ouvert américain » masque l’écart avec les modèles chinois. Aucune comparaison avec Qwen n’apparaît dans la note de sortie. Deux remarques qui tiennent debout, et qui n’annulent pas le résultat : un 65B dense qui vient chercher des MoE cinq à dix fois plus gros avec 32 millions de dollars, c’est le genre de courbe qui devrait faire tousser les budgets à trois chiffres de milliards.
Cognition et Tencent, deux façons de ne pas publier
SWE-2 Flash est post-entraîné sur Inkling-Small de Thinking Machines, coûte 20 % du prix de SWE-2, tourne environ trois fois plus vite, et c’est le premier modèle de Cognition avec une étape de mid-training, construit en six semaines. Poids non publics. Un programme de partage sécurisé pour partenaires et chercheurs, risque d’usage cyber à l’appui. Gratuit jusqu’à fin novembre pour les utilisateurs de Devin Pro, Max et Teams.
Donc un modèle qui revendique le meilleur score ouvert américain sans qu’aucun poids ne soit téléchargeable. Sauf que « open-weight », ça veut dire poids disponibles. À partir du moment où il faut signer un contrat pour les voir, ce n’est plus la même catégorie, c’est un modèle fermé avec un argument de vente.
Tencent Hy4 : 75,2 sur APEX-Agents contre 72,1 et 72,9 pour DeepSeek V4.1 Flash, API à 0,834 et 2,501 dollars le million de tokens, poids « prévus ». Chez Vals, quatrième ouvert, derrière Kimi K3.1 Pro, DeepSeek V4.1 Flash et GLM-5.3, pour environ un cinquième du coût par tâche de ce dernier. « Prévus », c’est le mot. On a déjà vu des promesses de poids glisser de plusieurs semaines.
Chez NVIDIA, l’apôtre a un chapeau de sorcier
NVIDIA a publié le portrait de son évangéliste maison : Chris Alexiuk, senior product research engineer à Toronto, « No. 1 Nemotron Fan » sur LinkedIn, llm_wizard sur X, avatar de sorcier hilare avec baguette. Sa ligne : « We should be shouting about this technology from the rooftops », et « fully open source AI is necessary for the democratization of intelligence », avec les poids, les données, les recettes, tout. Le type est cohérent, il enseigne sur YouTube, il prêche pour la bonne paroisse.
Son modèle fétiche, Nemotron 3 Ultra-550B, figure pourtant dans le tableau de Ricursive à la place du battu, derrière un 65B. Alexiuk réclame les recettes, Moonshot livre les poids et garde la cuisine, Cognition ne lâche rien et vend quand même du « ouvert ». Trois positions et un seul mot, ça fait beaucoup pour une semaine.
Le jour où un labo publiera les poids, les données et la recette, avec les 32 millions de facture qui vont avec, on arrêtera peut-être de discuter du sens du terme. D’ici là, « open weights » veut surtout dire « fais-moi confiance, j’ai mis un fichier en ligne ».
Sources :
Comments are closed