Comment une équipe de trente personnes a construit un modèle ouvert dans le top cinq mondial : le pari de la souveraineté IA sud-coréenne

L'histoire commence par un nom donné par la Corée du Sud à son effort d'intelligence artificielle. L'initiative KAI menée par le ministère des Sciences et des TIC construit une infrastructure de calcul à grande échelle pour permettre au pays de développer ses propres modèles de fondation. Cette capacité, bâtie sur des GPU NVIDIA, est ouverte à des équipes sélectionnées via des partenaires d'infrastructure et de cloud locaux, ce qui permet aux équipes de s'entraîner sans construire leurs propres centres de données. L'objectif affiché est moins de produire quelques modèles puissants que de créer un socle de capacités commun, des services publics aux startups. Le ministère publie lui-même ces résultats de deuxième tour dans ce cadre, sur msit.go.kr.

Le résultat concret se lit dans le parcours de Motif Technologies, invitée sur la chaîne NVIDIA Developer. Motif est une équipe d'une trentaine de personnes, filiale du fabricant de puces Moreh. L'entreprise a rejoint le programme par un appel complémentaire après l'élimination de deux équipes, Naver Cloud et NC AI, en janvier 2026 ; elle a été retenue en février 2026 et a reçu la même allocation de calcul que ses concurrentes, environ 768 GPU NVIDIA B200. Une équipe d'une trentaine de personnes, avec un budget de 768 GPU et une origine publique, a obtenu un score indépendant supérieur à celui des gammes de produits des plus grandes entreprises technologiques du monde.

De zéro, en cinq mois, avec sa propre architecture

La structure de paramètres de Motif-3 montre un équilibre intéressant. Le modèle compte 314 milliards de paramètres au total mais n'en active qu'environ 13,2 milliards par jeton, en sélectionnant 8 experts parmi 384, plus un expert partagé. La capacité de connaissances reste grande tandis que le coût d'inférence demeure proche de celui d'un modèle dense de 13 milliards de paramètres. Il compte 53 couches, une dimension cachée de 4096, un vocabulaire de 220 160 jetons et une fenêtre de contexte de 262 144 jetons. L'entraînement préalable a consommé environ 12,5 billions de jetons. Toutes ces valeurs d'architecture proviennent de la fiche modèle officielle publiée sur huggingface.co. La partie la plus commentée de l'architecture est la GDLA, ou attention latente différentielle groupée. L'attention multi-têtes standard a un problème connu : les jetons sans rapport accumulent un poids d'attention disproportionné et dégradent la concentration du modèle. Motif combine ce mécanisme avec une représentation latente compressée des clés et valeurs, afin de supprimer le bruit tout en portant un contexte de 256 K sans surcharge mémoire proportionnelle. La fiche modèle indique que cette conception a été pensée de zéro, sans reparamétrage d'une architecture open source existante.

L'après-entraînement est tout aussi original. Après un affinage supervisé général, six enseignants spécialisés entraînés par renforcement, un enseignant dédié à l'ingénierie logicielle et une distillation multi-enseignants en politique on-policy sont fusionnés dans un modèle unique. Le tableau de résultats de la fiche modèle attire l'attention sur la longueur des sorties : lors de l'évaluation indépendante, Motif-3 a produit 190 millions de jetons de sortie contre une médiane de 61 millions chez ses pairs. Le modèle atteint ses réponses en parlant davantage, ce qui relève le score et le coût dans la même proportion. À la même période, le modèle occupait la 34e place sur 577 systèmes évalués, pour une médiane de 15 ; aiweekly.co a consigné cette position. Un dernier détail : le recours à six enseignants spécialisés et à un enseignant distinct pour l'ingénierie logicielle montre qu'une part du budget d'entraînement est allée à enseigner plutôt qu'à apprendre. Pour une équipe aux ressources limitées, c'est un pari habile : distiller le savoir de modèles déjà forts dans sa propre architecture plutôt que de faire pousser un modèle géant de zéro. Le secret de la réussite est peut-être exactement là.

Premier sur un indice indépendant, éliminé par l'État

Le cabinet d'évaluation indépendant Artificial Analysis a accordé à Motif-3 un score de 47 à l'indice d'intelligence. Cela en fait le meilleur modèle sud-coréen, le neuvième parmi les grands modèles de langage au monde et le quatrième parmi les modèles à poids ouverts. L'entreprise le présente aussi comme le meilleur score atteint par un modèle développé hors des États-Unis et de Chine. Ses rivaux suivent sur le même indice : Solar Pro 4 d'Upstage à 42, A.X K2 de SK Telecom à 35 et K-EXAONE 2.0 du LG AI Research Institute à 31. artificialanalysis.ai précise dans sa méthodologie que les tests d'agent et de code pèsent ensemble 58 %.

Le résultat au sein du programme public est presque inverse. L'évaluation du deuxième tour pondère les tests de référence à 40 points, l'évaluation experte à 35 et l'évaluation utilisateur à 25, cette dernière reposant sur un panel public de 200 personnes. en.sedaily.com rapporte la même répartition des points et le même ordre des rivaux. Lors de l'annonce du 18 août, Upstage, SK Telecom et le LG AI Research Institute sont passés au tour suivant, tandis que Motif a été éliminé de très peu. asiae.co.kr rattache cette marge très étroite directement au briefing ministériel. Le ministère a attribué cela à des scores d'ergonomie faibles. Les caractéristiques du modèle figurent dans l'annonce officielle msit.go.kr. Le panel expert a récompensé ce que Motif maîtrise le mieux : les tâches d'agent et le code, des capacités spécialisées réunies dans un seul modèle.

Cet écart résume la question la plus difficile du secteur. Un indice indépendant mesure ce qu'un modèle sait faire ; une évaluation publique mesure ce qu'il apporte à ses citoyens. Un modèle qui résout les tâches d'agentalité les plus complexes peut être mal noté comme produit si son interface est inachevée, son réglage incomplet ou sa distribution non résolue. C'est précisément là que Motif s'est arrêté. Avec le recul, ce déficit ressemble moins à un échec d'architecture qu'à un déficit côté produit.

La décision de licence et la place dans les classements

La version bêta publiée le 14 juillet avait des poids librement téléchargeables mais une licence limitée à la recherche et aux usages non commerciaux. Avec la version finale arrivée en août, la donne a changé : Motif-3-Base, Motif-3 réglé pour les instructions et la variante quantifiée NVFP4 sont publiés sous licence MIT, avec le code d'entraînement et les bibliothèques. MIT est la norme la plus permissive qui existe. Le changement se lit mieux depuis l'autre côté : en juillet, une startup voulait utiliser le modèle commercialement devait négocier avec l'entreprise ; en août, cette porte s'est ouverte. venturesquare.net indique que l'entreprise a publié les poids comme le code d'entraînement sous cette licence, plaçant le modèle au neuvième rang mondial.

Le calendrier compte. Trois dépôts et un rapport technique sont apparus en quelques minutes, sans communiqué de presse ni annonce de l'entreprise. techtimes.com a documenté cette publication discrète et le nombre de dépôts à l'époque. Une équipe d'une trentaine de personnes qui publie non seulement les poids mais aussi son code d'entraînement et ses bibliothèques partage une chaîne de production, pas une simple version. Le résultat est un vivier croissant de développeurs indépendants capables de l'exécuter sur leur propre infrastructure partout dans le monde. La critique la plus forte du score de Motif tient au fait que l'indice ne contient aucun test en langue coréenne. Les acteurs du secteur le rappellent aussi, et ce manque rend difficile de vérifier la qualité réelle du modèle sur son marché d'origine. Au-delà, un soupçon plus large traverse l'industrie mondiale : des scores délibérément gonflés par des données et un après-entraînement ciblés sur chaque test. Le débat vise la fiabilité de la mesure elle-même, pas une entreprise en particulier. Quant à la qualité réelle sur son marché d'origine, motiftech.io affirme sur son propre site qu'un modèle antérieur a battu GPT-4 au KMMLU avec 64,74.

Les risques que le classement ne voit pas

Il y a aussi un conflit d'intérêts à considérer. Motif a produit l'un des meilleurs modèles à poids ouverts au monde grâce au calcul public, avec le même budget que ses concurrents. techtimes.com détaille toute la séquence, y compris l'allocation de 768 GPU. Or le véritable objectif du programme public n'est pas de récompenser une entreprise, mais de donner au pays un socle de capacités. Le ministère défend son choix exactement sur ce terrain : ce qui est perdu, c'est un modèle ; ce qui est gagné, c'est un écosystème. La première place au classement devient alors un argument très utile pour contester cette décision. L'évaluation d'Artificial Analysis de fin août est allée plus loin, qualifiant la Corée du Sud de troisième place indiscutable derrière les États-Unis et de la Chine, et non pas grâce à une seule entreprise mais parce que Motif, Upstage, SK Telecom, LG et des acteurs hors programme comme Trillion Labs et KT ont tous franchi 30 simultanément. newsis.com a repris cette analyse en la rattachant à Artificial Analysis. Le vrai récit n'est donc pas la victoire d'une startup mais la vitesse à laquelle la capacité de construction de modèles d'un pays s'est multipliée.

Ce que la signature d'une petite équipe mesure vraiment

La leçon la plus honnête ne porte pas seulement sur l'efficience. Motif a démontré une conception réellement plus efficace, tirant parti de 314 milliards de paramètres accumulés avec 13,2 milliards actifs, et c'est une vraie réussite d'ingénierie. Mais la même équipe n'a pas reproduit la performance produit des géantes sur le même calcul. Un classement mesure l'intelligence d'un modèle ; l'industrie mesure la durabilité d'une organisation. Ce ne sont pas la même chose.