Magazine LLM Opensource · 14 October 2026

Solar Open 2 d’Upstage : 250B de paramètres, 15B activés — le moteur agentique open source face à la vague Mistral Large 4 et Reflection Beam

Le 23 juillet 2026, Upstage dévoilait Solar Open 2, un LLM open source de 250 milliards de paramètres en architecture Mixture of Experts, spécifiquement conçu pour les tâches d’agents AI. Avec un contexte d’un million de tokens, seulement 15 milliards de paramètres activés par inférence et une licence dérivée d’Apache 2.0 autorisant l’usage commercial, ce modèle promettait de combler une lacune cruciale : la fiabilité dans la planification, l’utilisation d’outils et le raisonnement multi-étapes, tout en restant déployable sur seulement deux GPU H200. Mais que vaut vraiment ce modèle face à une concurrence qui s’est considérablement densifiée depuis — Meta a publié Muse Glimmer le 14 août, Z.ai a enchaîné avec GLM-5.3, Tencent a lâché Hy4 en preview début septembre, et surtout, en ce début octobre 2026, Mistral a frappé très fort avec Large 4 « Le Chonk » et Reflection AI a dévoilé Beam ? Plongée dans une sortie qui pourrait redéfinir — ou non — la démocratisation des agents IA open source.

L’agent IA open source a-t-il trouvé son moteur ? Upstage entre en scène

Depuis l’explosion des LLM en 2023, le monde open source a vu émerger des modèles généralistes impressionnants : les séries DeepSeek, Qwen, Mistral, Llama, et plus récemment GLM-5.3 de Z.ai, Kimi K3 de Moonshot AI ou encore Hy4 de Tencent. Pourtant, un domaine restait en retrait : la capacité à fonctionner comme des agents autonomes capables de planifier des tâches complexes, d’utiliser des outils externes (API, bases de données, code) et d’enchaîner des raisonnements multi-étapes sans perdre le fil. Les modèles existants, bien que performants sur des benchmarks classiques (MMLU, GSM8K), montraient des limites flagrantes dès qu’il s’agissait d’interagir avec un environnement dynamique sur plusieurs tours.

C’est dans ce contexte qu’Upstage, une entreprise sud-coréenne fondée par d’anciens chercheurs de Naver et Kakao, a dévoilé Solar Open 2 le 23 juillet 2026, selon un article du Seoul Economic Daily et confirmé par le blog officiel d’Upstage. Le modèle est présenté comme « le premier LLM open source taillé pour les agents AI » et s’inscrit dans le cadre du projet gouvernemental sud-coréen « sovereign AI foundation model », dont Upstage est l’organisation pilote. L’ambition est claire : offrir aux développeurs un moteur agentique open source, capable de rivaliser avec les solutions propriétaires comme GPT-5.4 ou Claude 4.6, mais en restant libre et modifiable.

Pourquoi Upstage ? L’entreprise n’est pas une inconnue : elle a déjà publié Solar Open en janvier 2026, un modèle qui a servi de base. Avec Solar Open 2, elle passe à l’échelle supérieure en misant sur une architecture Mixture of Experts (MoE) de 250 milliards de paramètres, mais en n’en activant que 15 milliards par inférence — un ratio d’activation de seulement 6 %, ce qui permet de réduire drastiquement les besoins en calcul. Le modèle supporte trois langues : anglais, coréen et japonais, ce qui reflète l’ancrage asiatique d’Upstage mais limite son usage global.

Le problème que Solar Open 2 prétend résoudre est bien réel : les LLM généralistes, même les plus récents comme DeepSeek V4 Pro (1,6 trillion de paramètres MoE) ou Qwen3.8-Max (2,4T, annoncé début août 2026), peinent à suivre des instructions complexes dans un contexte agentique. Par exemple, un agent doit pouvoir appeler une API météo, analyser le résultat, puis décider d’envoyer un email — tout en gérant les erreurs et en conservant le contexte. Les benchmarks comme IFBench (instruction following), MCP-Atlas (tool calling), APEX-Agents (évaluation agentique complète) ou Ko-GDPval (tâches industrielles coréennes) mesurent précisément ces capacités, et les scores des modèles open source y sont souvent inférieurs à ceux des modèles propriétaires. Solar Open 2 veut inverser la tendance.

250B de raisonnement, 15B activés : plongée dans l’architecture MoE de Solar Open 2

Le modèle est hébergé sur Hugging Face sous le nom upstage/Solar-Open2-250B. Les tags indiquent clairement : solar_open2, Mixture of Experts, English, Korean, Japanese. Un rapport technique a été publié sur arXiv (2607.20062) — soumis le 22 juillet 2026, révisé en v2 le 24 juillet 2026 — fournissant des détails supplémentaires. Voici ce que l’on sait désormais avec certitude :

• Architecture : Mixture of Experts (MoE) de type 250B-A15B (250 milliards de paramètres totaux, 15 milliards activés). Dans un MoE, seuls certains sous-modèles (experts) sont activés à chaque token, ce qui permet d’atteindre une grande capacité totale tout en maintenant un coût d’inférence raisonnable. Solar Open 2 active seulement 15 milliards de paramètres par inférence, soit un ratio d’activation de 6 %. C’est l’un des plus efficaces du marché : DeepSeek V4 Pro active environ 49B sur 1,6T (3 %), Mixtral 8x22B active ~39B sur 141B (27,6 %). Solar Open 2 se positionne donc comme un modèle très efficient.
• Contexte : jusqu’à 1 million de tokens, obtenu grâce à une attention hybride qui entrelace une couche d’attention softmax classique toutes les trois couches d’attention linéaire, sans encodage positionnel et avec une gated delta rule étendue aux valeurs propres négatives. C’est un atout majeur pour les tâches agentiques qui nécessitent de conserver un historique long (conversations, code, logs). À titre de comparaison, DeepSeek V4 Pro offre 128K, Qwen3.8-Max 1M (mais avec 2,4T paramètres), Kimi K3 1 million (avec 2,8T paramètres), et le récent Hy4 de Tencent pousse à 1M+ avec 770B. Solar Open 2 rejoint donc le club très fermé des modèles à très long contexte avec un ratio efficacité/taille remarquable.
• Déploiement : avec quantification, le modèle peut tourner sur deux GPU NVIDIA H200 (80 Go chacun). Sans quantification, il nécessite probablement 4 à 8 GPU. Le CEO Kim Sung-hun a déclaré : « Alors que certains modèles récents nécessitent 16 GPU B200, Solar Open 2 est conçu pour fonctionner avec seulement deux. » C’est un argument fort pour les entreprises souhaitant déployer en local.
• Langues : anglais, coréen, japonais. Pas de support natif pour le français, l’espagnol, l’allemand, etc. Cela limite son utilisation pour des agents multilingues, contrairement à Qwen3.6 (Apache 2.0) qui excelle en RAG multilingue et supporte plus de 200 langues et dialectes dans sa version 3.5.
• Licence : la licence est désormais connue. Il s’agit de la Upstage Solar License, une licence dérivée d’Apache 2.0 qui permet l’utilisation commerciale et le développement de dérivés fine-tunés. C’est un point crucial pour les entreprises : elles peuvent intégrer Solar Open 2 dans leurs produits sans restriction majeure, et même créer leurs propres versions fine-tunées propriétaires.

Méthode d’entraînement innovante : la Multi-teacher On-Policy Distillation (MOPD)

L’un des aspects les plus intéressants de Solar Open 2 est sa méthode d’entraînement, détaillée dans le rapport technique. Plutôt que d’entraîner un modèle généraliste puis de l’évaluer sur des tâches agentiques, Upstage a inversé le processus :

• Douze spécialistes de domaine ont été entraînés sur des scénarios agentiques ciblés : tool calling, codage, flux de travail sur documents bureautiques, raisonnement multi-étapes.
• Ces spécialistes ont ensuite été consolidés en un seul modèle via la Multi-teacher On-Policy Distillation (MOPD), une technique de distillation où le modèle final apprend des politiques de plusieurs enseignants en conditions réelles (on-policy).

Le rapport technique précise également deux leviers d’efficacité d’entraînement à budget de calcul fixe : un meilleur point de départ (initialisation depuis Solar Open 1, avec transfert du squelette partagé de 5,69 milliards de paramètres qui survit au changement d’architecture, le reste étant appris par pré-entraînement complet) et des données à plus forte valeur (curage qualité/rareté et optimisation des ratios de mélange, raffinant un pool de 20T de tokens en un mélange de 10T qui, à budget de tokens égal, surpasse la recette de Solar Open 1).

Cette approche explique pourquoi Solar Open 2 excelle sur les benchmarks agentiques : il a été conçu dès le départ pour ce type de tâches, et non pas adapté après coup.

Comparaison avec les architectures concurrentes (mise à jour octobre 2026) :

Sources : Hugging Face, communiqués officiels, Novita AI Guide 2026, LightXtreme VPN, SiliconFlow, arXiv 2607.20062, Enera, Techgenyz, Eigent, Korben, Unite.AI.

Le choix du MoE avec un ratio d’activation très bas (6 %) est judicieux : il permet d’atteindre une grande capacité sans exploser les coûts d’inférence. Le contexte d’un million de tokens est un différenciateur clé face à DeepSeek V4 Pro (128K) et Qwen3.6 (128K). Seuls Kimi K3, Qwen3.8-Max, GLM-5.3 et Hy4 offrent un contexte similaire, mais avec des modèles bien plus lourds (2,8T, 2,4T, 753B et 770B respectivement). MiniMax-01 pousse même le contexte à 4 millions de tokens, mais avec 456B de paramètres et une architecture Lightning Attention spécifique.

APEX-Agents 16,6, Ko-GDPval 86,8 : les scores chiffrés de Solar Open 2

Upstage a bien publié des résultats de benchmarks chiffrés, et des analyses indépendantes commencent à émerger. Voici les données compilées à partir des sources OpenSourceForU, Sedaily, Upstage blog et Enera :

• APEX-Agents (évaluation agentique complète) : 16,6 – le score le plus élevé de sa catégorie, devant DeepSeek-V4-Flash (13,4) et MiMo-V2.5 (13,2).
• Ko-GDPval (benchmark coréen pour tâches industrielles) : 86,8, essentiellement à égalité avec DeepSeek-V4-Pro (86,9), un modèle de 1,6 trillion de paramètres plus de six fois plus gros.
• IFBench (instruction following) : Solar Open 2 surpasse DeepSeek V4 Flash et Mistral Medium 3.5.
• MCP-Atlas (tool calling) : idem, meilleur que V4 Flash et Mistral Medium 3.5.
• MMLU-Pro (connaissances générales) : meilleur que V4 Flash et Mistral Medium 3.5.
• LiveCodeBench (codage) : meilleur que V4 Flash et Mistral Medium 3.5.
• Moyenne des benchmarks coréens : supérieure à GPT-5.4 mini et Claude Haiku 4.5.

Le rapport technique arXiv confirme ces orientations : « Contre les modèles à poids ouverts de taille comparable sur les benchmarks anglais, Solar Open 2 mène sur MMLU-Pro, LiveCodeBench et la suite agentique APEX-Agents, et reste compétitif avec les plus forts (DeepSeek-V4-Flash et MiMo-V2.5) ailleurs. Sur les benchmarks coréens, Solar Open 2 enregistre la meilleure moyenne de tous les modèles comparés, y compris les API fermées de la gamme rapide. »

Ces résultats sont impressionnants, mais il faut les prendre avec précaution : ils sont fournis par Upstage lui-même. Des benchmarks indépendants (par exemple sur la LM Arena ou Artificial Analysis) n’ont pas encore été publiés à la date de cet article. Le rapport technique arXiv (2607.20062) fournit néanmoins des détails méthodologiques sur les conditions d’évaluation.

Comparaison avec les concurrents sur les benchmarks agentiques :

« n.c. » = non communiqué dans les sources consultées. Les comparaisons « meilleur que » proviennent des affirmations d’Upstage et n’ont pas encore été reproduites indépendamment.

L’écosystème open source en octobre 2026 : un paysage bouleversé en trois mois

Trois mois après la sortie de Solar Open 2, le paysage de l’IA open source a été profondément remanié. Deux événements d’octobre 2026 changent la donne pour quiconque envisage de déployer un agent open source.

Mistral Large 4 « Le Chonk » : le retour fracassant du champion européen

Le 6 octobre 2026, Mistral AI a dévoilé Mistral Large 4 (ML4), surnommé « Le Chonk », un modèle de frontière multimodal doté de capacités agentiques. Selon Korben, il s’agit d’un modèle d’environ 1 000 milliards de paramètres dont 49 milliards activés par réponse — un ratio d’activation de ~5 %, comparable à celui de Solar Open 2. NeoTeo précise que Mistral a ouvert l’aperçu public le 6 octobre 2026 et que les poids sont prévus pour le 27 octobre, ce qui en fera un modèle à poids ouverts. Wired rapporte que Mistral le présente comme « la meilleure offre à poids ouverts hors de Chine », tandis que ZDNET souligne son positionnement en cybersécurité et son contrôle local pour les entreprises. CNET le décrit comme un modèle de pointe pour la cyberdéfense, l’industrie, la finance et les usages multimodaux. Euronews résume l’enjeu : « la plus puissante hors de Chine, misant sur la souveraineté européenne dans une course États-Unis-Chine ».

Pour Solar Open 2, la concurrence se corse : Mistral Large 4 vise les mêmes entreprises souveraines et les mêmes cas d’usage agentiques, mais avec un support multilingue bien plus large et un écosystème européen. La différence de taille (1T vs 250B) et de contexte (non communiqué pour ML4) laisse toutefois à Solar Open 2 un avantage sur le déploiement léger : deux GPU H200 contre une infrastructure bien plus lourde pour ML4.

Reflection Beam : 501B de paramètres, 23B activés, 3 à 4× moins de calcul d’inférence

Le 5 octobre 2026, Reflection AI a dévoilé Beam, son premier modèle à poids ouverts : un système MoE sparse de 501 milliards de paramètres totaux et 23 milliards activés, conçu pour le codage, le raisonnement et les usages agentiques, selon Unite.AI et SiliconANGLE. Help Net Security rapporte que Beam « traîne derrière les meilleurs modèles ouverts sur les tests de codage mais revendique 3 à 4× moins de calcul d’inférence », les poids étant attendus plus tard dans le mois. TechCrunch précise la cible : les entreprises et les nations souveraines, avec la promesse de construire des « usines IA » permettant aux institutions de bâtir leurs propres systèmes IA locaux personnalisés. Le CEO de Reflection résume la philosophie : « La seule façon de posséder l’intelligence est, par définition, qu’elle soit ouverte. »

Là encore, Solar Open 2 conserve un avantage d’efficacité : 15B activés contre 23B pour Beam, et un contexte de 1M contre un contexte non communiqué. Mais Beam est soutenu par Nvidia et vise explicitement le même marché des « usines IA » souveraines.

Cloudflare Clef : l’approche radicalement différente des modèles de décision

Le 3 octobre 2026, Cloudflare a publié Clef 27B et Clef-flash 9B sous licence Apache 2.0 — non pas des LLM génératifs, mais des modèles de décision qui renvoient une distribution typée de probabilités sur des options fournies, en 38,8 ms contre 524 ms pour Jev selon ses propres mesures, avec un score BFCL de 98,76. Comme le note OrcaRouter, « Clef-Flash renvoie une distribution typée en 38,8 ms et ne facture que l’entrée », là où un modèle comme Qwen3-8B rédige une réponse. C’est une philosophie complémentaire à celle de Solar Open 2 : au lieu d’un agent qui raisonne en prose, un routeur ultra-rapide qui décide. Pour les architectures agentiques, ces modèles de décision pourraient devenir des composants d’orchestration en amont d’un modèle comme Solar Open 2.

Ce que cela signifie pour Solar Open 2

En trois mois, le marché des modèles agentiques open source est passé d’une poignée d’acteurs à une véritable foire d’empoigne : Mistral Large 4 (1T, poids ouverts le 27 octobre), Reflection Beam (501B, 23B activés), Hy4 de Tencent (770B, 49B activés), GLM-5.3 (753B, MIT), Qwen3.8-Max (2,4T), Kimi K3 (2,8T)… Solar Open 2 reste le plus léger de tous en paramètres activés (15B) tout en offrant un contexte de 1M, ce qui en fait toujours l’option la plus accessible pour un déploiement local sur deux GPU H200. Mais son avance sur les benchmarks agentiques, revendiquée par Upstage, n’a pas encore été confirmée par des évaluations indépendantes — et la concurrence ne lui laissera pas de répit.

Fine-tuning, quantification et serving : l’écosystème qui rend Solar Open 2 exploitable

Un modèle n’est rien sans son écosystème. Pour Solar Open 2, trois briques sont essentielles.

Le serving : vLLM et le routage natif des MoE

Solar Open 2, comme tous les MoE modernes, bénéficie des progrès du serving. vLLM supporte le named function calling ainsi que les options auto, required (depuis vllm>=0.8.3) et none pour le champ tool_choice de l’API de complétion de chat — un point crucial pour les agents qui doivent appeler des outils de manière structurée. Le routage natif des MoE, généralisé depuis vLLM 0.8, permet de servir des modèles comme Solar Open 2, GLM-5.3 ou Qwen3.8-Max sans les « experts fantômes » qui plombaient les premières implémentations. Pour un modèle à 15B activés, c’est la différence entre une latence de chatbot et une latence d’agent.

La quantification : Unsloth Dynamic 3.0 GGUFs

Le fine-tuning et la quantification des MoE géants sur matériel grand public ont longtemps relevé de l’utopie. En 2026, Unsloth pousse la quantification dynamique à un niveau inédit avec Dynamic 3.0 GGUFs, qui adapte le schéma de quantification à chaque couche — une approche particulièrement pertinente pour les MoE où les experts ont des distributions de poids très hétérogènes. Pour Solar Open 2, cela ouvre la voie à un déploiement sur des configurations bien plus modestes que deux H200, même si le contexte de 1M reste gourmand en mémoire KV.

Le fine-tuning : MOPD et au-delà

La méthode MOPD d’Upstage — consolider douze spécialistes en un seul modèle — est elle-même une leçon pour les praticiens : plutôt que de fine-tuner un modèle généraliste sur une tâche, on peut entraîner des spécialistes puis les distiller. Avec la licence Upstage Solar (dérivée d’Apache 2.0), les entreprises peuvent créer leurs propres dérivés fine-tunés propriétaires, ce qui est un argument commercial fort face à des licences plus restrictives.

Verdict : un modèle d’agent efficace, mais une couronne contestée

Solar Open 2 est une réussite technique indéniable. Upstage a réussi à construire un MoE de 250B paramètres n’activant que 15B par inférence, avec un contexte de 1M tokens obtenu par attention hybride, une méthode d’entraînement originale (MOPD) et un déploiement sur deux GPU H200. Sur les benchmarks agentiques revendiqués — APEX-Agents 16,6, Ko-GDPval 86,8 — il rivalise avec des modèles six fois plus gros. C’est exactement ce que promettait la démocratisation des agents IA open source.

Mais trois réserves subsistent. Premièrement, les scores sont auto-déclarés par Upstage ; aucune évaluation indépendante (LM Arena, Artificial Analysis) n’est encore disponible. Deuxièmement, le support linguistique limité à l’anglais, au coréen et au japonais restreint son usage pour des agents multilingues, là où Mistral Large 4, Qwen3.8-Max ou GLM-5.3 couvrent bien plus de langues. Troisièmement, la concurrence d’octobre 2026 — Mistral Large 4 (1T, poids ouverts le 27 octobre), Reflection Beam (501B, 23B activés, 3-4× moins de calcul), Cloudflare Clef (décision en 38,8 ms) — redessine le paysage à une vitesse vertigineuse.

Solar Open 2 reste probablement le meilleur choix pour qui veut un agent open source léger, à très long contexte et déployable localement sur deux GPU. Mais dans une course où Mistral, Reflection, Z.ai, Tencent, Alibaba et Moonshot publient des modèles de frontière tous les mois, la vraie question n’est plus « quel est le meilleur modèle agentique open source ? » mais « combien de temps un modèle reste-t-il au sommet ? ». Pour Solar Open 2, la réponse se jouera dans les prochaines semaines, quand les benchmarks indépendants tomberont — et quand les poids de Mistral Large 4 arriveront sur Hugging Face.

Sources

• Solar Open 2 Technical Report — arXiv 2607.20062 (soumis le 22 juillet 2026, révisé le 24 juillet 2026)
• Upstage blog — Solar Open 2
• OpenSourceForU — Upstage releases open source Solar Open 2 AI agent model
• Seoul Economic Daily — Upstage unveils latest LLM Solar Open 2
• Enera — Upstage Solar Open 2 agentic enterprise model 2026
• Novita AI — Open Source LLM Guide 2026
• LightXtreme VPN — Best open source LLMs
• SiliconFlow — Best open source LLM for Agent Workflow
• Techgenyz — Hy4 Preview 770B open model
• Eigent — MiniMax-01 4M context open source LLM
• Korben — Mistral Large 4, le modèle à 1 000 milliards de paramètres surnommé Le Chonk (7 octobre 2026)
• NeoTeo — Sortie de Mistral Large 4 : aperçu API et poids (7 octobre 2026)
• Wired — Mistral Says Its New AI Model ‘Le Chonk’ Is the Best Open-Weight Offering Outside of China (6 octobre 2026)
• ZDNET — Mistral’s new Le Chonk model brings AI cybersecurity to your business (6 octobre 2026)
• CNET — Mistral’s New ‘Le Chonk’ AI Model Is Big, Open and Built for Agents (7 octobre 2026)
• Euronews — Ce qu’il faut savoir sur ML4 de Mistral (6 octobre 2026)
• Unite.AI — Reflection AI Unveils Beam, a 501B-Parameter Open-Weight Model (5 octobre 2026)
• SiliconANGLE — Reflection AI debuts open-source Beam model with 501B parameters (6 octobre 2026)
• Help Net Security — Reflection’s Beam trails top open models on coding tests (6 octobre 2026)
• TechCrunch — Reflection debuts Beam, an open-weight AI model (5 octobre 2026)
• OrcaRouter — Clef-Flash vs Qwen3-8B : Probabilités vs prose (2 octobre 2026)
• vLLM — Tool Calling documentation
• La Gazette IA — Mistral Small 4 : test du MoE 119B (avril 2026)

Article recherché et rédigé automatiquement · Magazine Electrosens