K2 Horizon vil gøre AI-modeller gennemskuelige helt ned til træningsforløbet

IFM, Institute of Foundation Models med tilknytning til Mohamed bin Zayed University of Artificial Intelligence i Abu Dhabi, lancerede K2 Horizon den 3. september 2026. Det er en sammenhængende familie på seks AI-grundmodeller: 0,9B, 3,7B, 7B, 32B, 36B-A4B og 375B-A23B parametre. Modellerne og koden udgives under Apache 2.0-licensen. 29

Det centrale ved lanceringen er ikke blot, at modellerne kan downloades. IFM siger, at K2 Horizon åbner en langt større del af udviklingsforløbet end en typisk udgivelse med åbne modelvægte. Målet er, at andre kan undersøge og genskabe arbejdet bag modellerne.

Hvad følger med K2 Horizon?

For hver model oplyser IFM, at det frigiver materiale fra prætræning til eftertræning for ræsonnering og agentbaserede opgaver. Pakken omfatter:

• træningsdata eller detaljerede opskrifter på datakonstruktion
• åben arkitektur og modelblandinger
• træningskode og konfigurationer
• mellemliggende checkpoints og detaljerede træningslogge
• evalueringsresultater
• de endelige modelvægte. 9

Reuters beskriver tilsvarende, at pakken rummer vægte, træningsdata, kode, metoder og mellemliggende checkpoints, så forskere kan følge modellernes udvikling og forsøge at reproducere resultaterne. 2

Der er dog en vigtig nuance: IFM lover træningsdata eller opskrifter på data. Det betyder ikke nødvendigvis, at hvert enkelt datasæt kan videredistribueres fuldt ud, eksempelvis hvis licenser begrænser det. 9

Derfor er det mere end “åbne vægte”

Åbne modelvægte giver udviklere adgang til de lærte parametre, der skal til for at køre eller tilpasse en model. Men vægtene fortæller ikke i sig selv, hvordan modellen blev til. Sammensætningen og forbehandlingen af data, træningskoden, indstillingerne, tidligere modeltilstande og eftertræningen kan stadig være skjult.

K2 Horizons erklærede ambition er at synliggøre disse ekstra lag. Det kan i praksis gøre det muligt for uafhængige hold at kontrollere, hvordan et resultat er frembragt, gentage dele af træningen, afprøve tekniske påstande og bygge videre på arbejdet til forskning eller drift. 29

Det er baggrunden for IFM-grundlægger Eric Xings formulering af, at åbenhed bør gøre det muligt at “se dataene, følge metoden, reproducere resultatet og forbedre det”. 1

Åbenhed findes på et spektrum

Forskellen mellem K2 Horizon, åbne vægte og lukkede modeller handler bedst set om, hvor meget dokumentation der faktisk følger med.

• Åbne vægte: En udvikler kan gøre en model tilgængelig for download, men kun oplyse begrænset om modellens oprindelse og det fulde træningsforløb. Reuters skriver, at IFM's udgivelse er tænkt som en kontrast til en AI-branche, der bliver mere lukket. 2
• K2 Horizons tilgang: IFM siger, at det udgiver vægte samt data eller dataopskrifter, kode, konfigurationer, checkpoints, logge og evalueringer. 9
• Lukket adgang via tjenester: Førende proprietære modeller leveres ofte gennem hostede produkter eller API'er frem for med et komplet offentligt udviklingsforløb. Det foreliggende kildemateriale dokumenterer ikke en detaljeret sammenligning virksomhed for virksomhed, så konkrete påstande om bestemte kinesiske udviklere, OpenAI eller Anthropic bør behandles varsomt.

Den praktiske forskel er verificering: Man kan teste, hvordan en model med åbne vægte opfører sig, men en mere komplet udgivelse giver forskere væsentligt mere materiale til at vurdere, hvorfor den opfører sig sådan.

Reproducerbarhed, tilsyn og ydeevne

Xing sagde til Reuters, at IFM vil sætte et pejlemærke for, hvordan en reelt åben modeludgivelse kan se ud. 2 Den erklærede ambition er reproducerbar forskning frem for tillid til et uigennemskueligt slut-checkpoint.

Den større gennemsigtighed kan også være relevant uden for forskningen. Politikere, tilsynsmyndigheder og organisationer, der arbejder for offentlighedens interesser, kan få mere materiale til at efterprøve påstande om modellernes evner, metoder og risici i stedet for alene at basere sig på udviklerens egen beskrivelse. 2

IFM argumenterer samtidig for, at åbenhed ikke behøver at koste på kapabilitet. I lanceringens materiale placeres K2 Horizon som stærk inden for ræsonnering, matematik, programmering, brug af værktøjer og agentbaserede opgaver. Det er IFM's egne påstande om ydeevne, ikke uafhængig validering. 19

Seks størrelser til alt fra wearables til servere

K2 Horizon spænder fra små modeller til hardware med begrænsede ressourcer til en stor mixture-of-experts-flagskibsmodel.

Model	Anvendelse, som IFM beskriver
0,9B	Ressourcebegrænsede edge-enheder, herunder wearables som ure og smarte briller. 1
3,7B	Brug direkte på enheden og mobilorienterede anvendelser. 1
7B	Brug på enheden, med fokus på softwareudvikling og mere dybdegående research-opgaver. 1
32B	Lokal afvikling på blandt andet bærbare computere, workstations og on-premise-servere. 1
36B-A4B	En sparsom model til lokale og on-premise-installationer. 19
375B-A23B	Flagskibet til krævende ræsonnering, research, softwareudvikling og længerevarende agentbaseret arbejde. 19

IFM oplyser, at fælles arkitektur, grænseflader, værktøjer og routing skal gøre det muligt at gå fra mindre til større modeller uden at ændre arbejdsgangen for implementering. 1

En del af Emiraternes AI-ambition

Udgivelsen understøtter De Forenede Arabiske Emiraters ambition om at spille en større rolle inden for avanceret AI. IFM er lanceret af MBZUAI, og K2 Horizon giver institutionen en globalt anvendelig familie af grundmodeller, hvis udviklingsmateriale er tiltænkt forskere og udviklere også uden for Abu Dhabi. 12

Om udgivelsen bliver en holdbar standard for åben AI, afhænger af, hvor anvendeligt materialet viser sig at være, og om eksterne hold faktisk kan reproducere og videreudvikle arbejdet. Men K2 Horizon fremsætter et klart argument: Åbenhed i AI bør betyde mere end muligheden for at hente en færdig model ned. 29