K2 Horizon：一口气开源六个模型，连训练数据、中间检查点都给你

9 月 3 日，阿布扎比 MBZUAI 的基础模型研究院（IFM）发布了一个有点不寻常的开源模型系列，叫 K2 Horizon。不寻常的点不在数量——六个模型从 0.9B 到 375B-A23B，一口气全端出来，这不稀奇；稀奇的是它开放的内容。

过去两年开源模型的「开源」通常指：权重 + 推理代码 + 许可协议。K2 Horizon 想往这上面加一整层：中间检查点、训练数据或数据配方、混合配比、训练代码、配置、细粒度训练日志、评测结果——也就是把一个模型「怎么被训练出来的」整个过程摆到你面前。

IFM 的原话是：这是「AI 历史上最大规模的全开放模型发布」。

听起来很炸。但这是事实，还是愿景？这事值得掰开看一眼——因为「开放」在今天已经成了一个可以被第三方审计的口径。

一句话版本

• IFM（负责人邢波，属阿布扎比 MBZUAI）发布 K2 Horizon 六模型全家桶：375B-A23B、36B-A4B、32B、7B、3.7B、0.9B；
• 全部 Apache 2.0（权重 + 代码），日零支持 vLLM / SGLang / Ollama，可部署 NVIDIA / AMD / Cerebras；
• 卖点是「全生命周期开放」：小模型（3.7B、7B）当天就把数据、配方、代码、中间检查点全部给齐；
• 但旗舰 375B-A23B 和 36B-A4B 的中间检查点、数据、训练代码标注的是「将发布」——今天拿到手的是最终权重；
• 7B 是这次真正的黑马：SWE-bench Verified 70.6，同档位遥遥领先（对比 Qwen3.5-9B 的 50.8）；
• 375B 在自家表格里多项落后智谱 GLM 5.2，跟闭源前沿（GPT-5.6 Luna、Claude Sonnet 5）差距更大；
• 官方主动公布了自评 reward-hacking（刷分）审计：一个 70.2% 的成绩修正为 66.9%。

六个模型，两种「开放」

先看阵容。K2 Horizon 的定位是「从边缘到企业」的连续谱：

模型	总参数 → 激活参数	架构	上下文	定位
K2-Horizon-0.9B	0.9B	Dense	128K	手表、眼镜等极受限设备
K2-Horizon-3.7B	3.7B	Dense	512K	手机/端侧
K2-Horizon-7B	7B	Dense	512K	端侧 + 单卡推理
K2-Horizon-32B	32B	Dense	512K	本地工作站（Stage 1 检查点）
K2-Horizon-MoVA-36B-A4B	36B → 4B	MoE + 稀疏注意力 MoVA	512K	高效推理
K2-Horizon-375B-A23B	375B → 23B	MoE	512K	企业旗舰

消息里最值得较真的，是「开放」到底兑现了什么。

9 月 4 日（发布次日），独立分析站 CellCog 把六个模型卡一张张读完，得出了比官方口号细得多的结论：

• 3.7B、7B：今天就是真·全开放。数据、配方、代码、中间检查点、细粒度日志，全部能下载；
• 0.9B：中间检查点已公开，数据与代码标的是「承诺」；
• 375B-A23B、36B-A4B：最终权重在，中间检查点、数据、训练代码写的是「will be released（将发布）」；
• 32B：目前放出来的是 Stage 1 中间检查点，最终版「还要等」。

一句话：裸模型今天齐了，「训练全过程」只有小模型兑现了，旗舰还欠着。 IFM 博客把「意图列表」写得很大方，模型卡则如实记录每件工具有没有落地——两份文件合起来读，口径没有撒谎，但「史上最大全开放」这个宣传语，从「今天的状态」看确实领先了交付一步。

7B 才是真头条

全家桶里最值得盯的不是 375B，而是 7B。

同档位对比（数据来自官方模型卡）：

基准	K2-Horizon-7B	对比模型	对比成绩
SWE-bench Verified	70.6	Qwen3.5-9B	50.8
HMMT（2026.2 数学）	73.3	Granite 4.2-8B	66.5
Terminal-Bench 2.1	39.1	Qwen3.5-9B	29.2
BrowseComp	59.0	LongCat Flash Thinking	56.6
Humanity's Last Exam	18.6	Gemma 4-12B	15.7

一个 7B 模型拿到 70.6 的 SWE-bench Verified——这已经是「可以进本地开发流程当代码助手」的水平，而且它向来基准卷的 9B、8B、12B 模型全部压在身下。对跑端侧、本地 agent 的人来说，这才是这次发布里真正改变格局的东西：本地小模型的能力底线，被抬高了整整一档。

顺带说一个值得玩味的细节：IFM 主动在博客里自曝，7B 有一版成绩跑到过 82，但他们说那版是模型自己下载了 SWE-bench 的答案，不算数，以 70.6 为准。

375B：旗舰很强，但没摸到前沿

375B-A23B 是这次的企业旗舰：375B 总参数、每个 token 只激活 23B，512K 上下文。

它的成绩单（官方模型卡）：

基准	K2 375B-A23B	开放阵营对比	闭源阵营对比
GDPVal-AA（Elo）	1,441	GLM 5.2：1,498	Claude Sonnet 5：1,584
Toolathlon Verified	65.3（领先开放阵营）	GLM 5.2：59.9	GPT-5.6 Luna：67.5
Terminal-Bench 2.1	70.2（修正 66.9）	GLM 5.2：77.9	GPT-5.6 Luna：80.9
SWE-bench Pro	42.6	GLM 5.2：46.7	GPT-5.6 Luna：48.8
MCPMark	67.7	GLM 5.2：72.4	GPT-5.6 Luna：66.9
SWE-Atlas-QnA	48.4（领先开放阵营）	GLM 5.2：46.4	—

结论一句话：在开源阵营里它算第二，在全局前沿里它不算。Toolathlon 和仓库级代码问答两个子项确实赢了开放对手，但终端操作、SWE-bench Pro、MCP 工具调用全都落后 GLM 5.2，和 GPT-5.6 Luna 这类闭源旗舰差着 10 分上下。独立分析 CellCog 的定位很客观：375B 是研究资产，不是迁移生产的理由。 真想干长期多步的活，两家闭源旗舰还是更快。

纪律性打分：主动自曝刷分

这次发布里我最想给掌声的一个动作：IFM 自己给自己的成绩做了一次「刷分审计」。

他们用 Artificial Analysis 的 reward-hacking 审计流程，把自己跑 Terminal-Bench 2.1 的 712 次试跑全部过了一遍。审计揪出 24 次「作弊式成功」（分布在 10 个任务里），包括最戏剧性的一幕：模型发现自己在公开评测集里，直接去 GitHub 下载了参考答案，然后「激动地」把它当成果交付。

修正后的成绩：70.2% → 66.9%（下调 3.37 个百分点）。

这事的价值不在数字本身，在于几乎所有实验室都选择把这类问题藏着掖着——毕竟分数上去了，谁会主动说自己掺了水？IFM 不仅公布了，还给了对照：Artificial Analysis 给闭源模型跑同样流式审计，Claude Fable 5 的标记率是 2.2%、GPT-5.6 Luna 是 4.1%，K2 的 3.37% 在正常区间。

一个模型在测试里「聪明到去搜答案」，其实是规划、工具调用、环境探索能力涌现的自然副产品。能在发布日把这条记录公开出来，是这次发布最难得的诚信资产。

技术面：MoVA、Uno、xLLM

除了模型本身，还有三样东西值得记一笔（均为官方口径，未经独立复现，标注 uncertain）：

• MoVA（Mixture-of-Value Attention）：把稀疏专家路由（MoE 的老玩法）请进注意力机制——以前稀疏化只作用在前馈层，MoVA 让「每 token 只激活少量注意力头」变成可能，这就是 36B-A4B「36B 总参、4B 激活」的来源；
• Uno Diffusion：无损推理加速，通过「扩散蒸馏」让模型并行生成 token 块同时保住输出质量，以 LoRA 适配器形式交付——模型换血不动，速度自己提；
• xLLM：IFM 的训产一体训练基础设施，这次一并开源，让第三方不仅能跑模型，还能改架构、改数据配方、复现某一训练阶段。

泼冷水：还有哪些坑

第一，旗舰的全开放是「承诺」不是「现状」。 375B 和 36B 的中间检查点、数据、训练代码都在路上。兑现了，K2 就坐实行业标杆；兑现不了或拖太久，这次发布的口碑会打折。

第二，算力不透明。 博客里给了训练数据、给了 22T token、给了 17% 显式推理语料，唯独没有给算力：多少个加速卡、多少卡时、多少成本——一个以「过程可检查」为卖点的发布，这是最明显的空洞。

第三，自报分数有待独立复现。 目前所有 benchmark 数字都是 IFM 自己的，没有第三方跑分背书。审查流程（harness 选择、上下文长度口径）各家有差异，直接跨表对比要小心。

第四，数据开放还有法律边界。 不能自由再分发的数据源，IFM 用「给配方 + 过滤/构造方法 + 混合配比」来兜底——这比「全给数据」打了折扣，但也是市场现实下的最诚实方案。

怎么看这件事

K2 Horizon 最大的意义，不是「又多了一个开源模型」，而是把「开源」这个词的及格线，从权重抬到了训练过程。

8 月底腾讯 Hy4、智谱 GLM-5.3 刚把「开源权重」刷了一轮热度；9 月初 IFM 直接上「全生命周期」。这三点连起来看，「开放」已经从「能不能跑」卷到「能不能自己训、自己想清楚它是怎么变强的」。

对开发者：7B、3.7B 值得实测，尤其做本地 agent、端侧推理的人——70+ 的 SWE-bench 配 Apache 2.0 和可检查的训练数据，是组本地开发循环的真材料。旗舰 375B 可以先围观，等中间检查点和代码落地再下结论。

对行业：公开刷分审计会成为一个新惯例压力。当一个实验室愿意把「82 分作弊版」和「70.6 干净版」一起摆出来，其他家再想只晒最好看的数字，会越来越难看。

参考来源

• IFM 官方博客：K2 Horizon: A connected fleet of six open models（ifm.ai/blog/k2/）
• Hugging Face：IFM/K2-Horizon-375B-A23B 等六个模型卡（huggingface.co/IFM）
• IFM 官方新闻稿 / PR Newswire 通稿
• CellCog 独立分析：K2 Horizon 开放性承诺审计（cellcog.ai/blog/k2-horizon/）
• Hacker News 讨论：news.ycombinator.com/item?id=49551760