K2 Horizon öppnar hela vägen bakom AI-modellen

IFM (Institute of Foundation Models), som är knutet till Mohamed bin Zayed University of Artificial Intelligence i Abu Dhabi, lanserade K2 Horizon den 3 september 2026. Det är en sammanhängande familj med sex AI-grundmodeller: 0,9B, 3,7B, 7B, 32B, 36B-A4B och 375B-A23B parametrar. Modellerna och koden släpps under Apache 2.0-licensen. 29

Det centrala i lanseringen är dock inte bara att modellerna går att ladda ned. IFM säger sig öppna betydligt mer av utvecklingshistoriken än vid en vanlig lansering av enbart öppna modellvikter – så att andra kan granska och i möjligaste mån återskapa arbetet.

Vad ingår i K2 Horizon?

För varje modell uppger IFM att man öppnar material från förträningen ända till efterträning för resonemang och agentbaserade uppgifter. Paketet omfattar:

• träningsdata eller detaljerade recept för hur data har byggts;
• öppen arkitektur och mixture-of-experts-sammansättning;
• träningskod och konfigurationer;
• mellanliggande kontrollpunkter och detaljerade träningsloggar;
• utvärderingsresultat; samt
• slutliga modellvikter. 9

Reuters rapporterar på samma sätt att paketet innehåller modellvikter, träningsdata, kod, metoder och mellanliggande kontrollpunkter. Enligt IFM kan forskare därmed följa modellernas utveckling och reproducera resultat. 2

Det finns en viktig reservation: IFM talar om träningsdata eller recept för datakonstruktion. Det innebär inte nödvändigtvis att varje dataset återdistribueras i sin helhet, exempelvis när licenser eller andra begränsningar hindrar det. 9

Skillnaden mot enbart öppna modellvikter

Öppna modellvikter innebär att utvecklare får tillgång till de inlärda parametrar som behövs för att köra eller anpassa modellen. Vikterna visar däremot inte hela vägen fram till slutresultatet: datans sammansättning, förbehandling, kod, träningsinställningar, tidigare modellversioner och metoder för efterträning kan saknas.

K2 Horizons uttalade modell är att även göra dessa lager synliga. För externa team kan det innebära möjlighet att kontrollera hur ett resultat har tagits fram, försöka reproducera enskilda träningssteg, pröva tekniska påståenden och bygga vidare på arbetet för andra forsknings- eller driftbehov. 29

Det är innebörden i IFM-grundaren Eric Xings formulering att öppenhet ska låta andra ”se data, följa metoden, reproducera resultatet och förbättra det”. 1

Öppenhet är en skala, inte en etikett

Skillnaden mellan K2 Horizon, öppna vikter och slutna tjänster handlar främst om hur mycket av underlaget som faktiskt offentliggörs.

• Öppna modellvikter: En modell kan göras tillgänglig för nedladdning medan informationen om ursprung och hela träningsprocessen är begränsad. Reuters beskriver IFM:s släpp som en kontrast till en AI-bransch som blivit mer sluten. 2
• K2 Horizons upplägg: IFM uppger att man även publicerar data eller datakonstruktionsrecept, kod, konfigurationer, kontrollpunkter, loggar och utvärderingar. 9
• Sluten åtkomst via tjänst eller API: Ledande proprietära modeller erbjuds ofta genom webb- eller API-tjänster, utan att hela utvecklingskedjan publiceras. Underlaget här räcker däremot inte för en detaljerad jämförelse mellan enskilda kinesiska utvecklare, OpenAI eller Anthropic.

I praktiken är skillnaden möjligheten till verifiering. Man kan testa hur en modell med öppna vikter beter sig, men en bredare publicering ger forskare mer underlag för att granska processen som skapade beteendet.

Reproducerbarhet, tillsyn och prestanda

Xing sade till Reuters att IFM vill sätta en referenspunkt för hur en verkligt öppen modellrelease kan se ut. 2 Ambitionen är reproducerbar forskning snarare än att omvärlden ska behöva lita på en ogenomskinlig slutversion.

Den ökade insynen kan också vara relevant utanför forskningen. Policymakare, tillsynsmyndigheter och organisationer som arbetar i allmänhetens intresse får mer material att granska när det gäller påståenden om modellernas kapacitet, metoder och risker – i stället för att enbart förlita sig på utvecklarens egen beskrivning. 2

IFM hävdar samtidigt att öppenhet inte måste innebära sämre kapacitet. I lanseringsmaterialet positioneras K2 Horizon för resonemang, matematik, programmering, verktygsanvändning och agentuppgifter. Det är IFM:s egna prestationspåståenden och inte en oberoende validering. 19

Sex storlekar för olika typer av hårdvara

Familjen går från små modeller för resurssnåla enheter till en stor mixture-of-experts-modell för mer krävande användning.

Modell	Användning enligt IFM
0,9B	Resurssnåla edge-enheter, exempelvis smartklockor och smarta glasögon. 1
3,7B	Användning direkt på enheten och i telefoner. 1
7B	Lokal användning på enheten, med fokus på programvaruutveckling och mer avancerade forskningsuppgifter. 1
32B	Lokal drift på bland annat bärbara datorer, arbetsstationer och lokala servrar. 1
36B-A4B	En gles modell för lokala installationer och egna servermiljöer. 19
375B-A23B	Flaggskeppet för krävande resonemang, forskning, programvaruutveckling och agentuppgifter med längre tidshorisont. 19

IFM säger att den gemensamma arkitekturen, gränssnitten, verktygen och routningen är utformade så att utvecklare kan gå från mindre till större modeller utan att behöva byta arbetssätt för driftsättning. 1

En del av Förenade Arabemiratens AI-satsning

Lanseringen ligger i linje med Förenade Arabemiratens ambition att ta en större roll inom avancerad AI. IFM skapades av MBZUAI, och K2 Horizon ger institutionen en modellfamilj som forskare och utvecklare även utanför Abu Dhabi kan använda och granska. 12

Om släppet blir en långsiktig standard för AI-öppenhet avgörs av hur användbart materialet faktiskt är och om externa team kan reproducera och vidareutveckla arbetet. Men K2 Horizon driver en tydlig tes: öppenhet inom AI bör betyda mer än att kunna ladda ned en färdig modell. 29