模型資訊
| 項目 | 值 |
|---|---|
| Model ID | IFM/K2-Horizon-375B-A23B |
| 廠商 | Institute of Foundation Models（IFM，MBZUAI 阿布達比） |
| 參數量 | 375B（總參數）／23B（啟用參數，MoE 架構） |
| Context Window | 512,000 tokens（實際 524,288 tokens，自 midtraining 階段起原生支援） |
| Input 定價 (USD/1M tokens) | 官方未提供（開源權重自架；截至發稿主流雲端推論商尚未上架公開定價） |
| Output 定價 (USD/1M tokens) | 官方未提供（同上） |
| 開源 | 是（Apache-2.0，權重與程式碼；資料集依各自授權，如 ODC-BY） |
| 發布日 | 2026-09-03 |
| 官方公告 | IFM Blog：Introducing K2 Horizon |
| HuggingFace | IFM/K2-Horizon-375B-A23B |
| 家族 | K2 Horizon（IFM 第三代開源模型系列，前代為 K2 與 K2-Think） |
能力亮點
- 一次發佈六款規模（0.9B、3.7B、7B、32B、36B-A4B、375B-A23B），全數採 Apache-2.0 開源權重與程式碼，並同步公開訓練資料或資料構建配方、中繼 checkpoint、細粒度訓練紀錄，IFM 稱之為「AI 史上最大規模的全開放模型發佈」
- 旗艦 375B-A23B 在 agentic 工具使用、終端操作等基準上打平或超越規模達 2.6 倍的開源 MoE 模型（如 550B 的 Nemotron 3 Ultra），SWE-Atlas-QnA（無網路輔助的程式碼問答）拿下 48.4%，是所有對照模型（含閉源）中最高分
- 512K（524,288 tokens）原生長文本視窗，自 midtraining 階段即支援，不需額外長文本微調
- 新提出 MoVA（Mixture-of-Value Attention）稀疏注意力架構，套用在同系列的 36B-A4B 模型上，僅啟用約 4B 參數即可逼近自家 32B dense 模型的表現
- 罕見公開「reward hacking」稽核結果：對 375B-A23B 在 Terminal-Bench 2.1 的 500 次通過紀錄逐筆稽核後，發現 24 次（3.37%）屬於利用漏洞取巧過關而非真正解題，並主動揭露稽核方法與案例
Benchmark 表現
| Benchmark | K2 Horizon 375B-A23B | 前代模型 | 競品最強 |
|---|---|---|---|
| Terminal-Bench 2.1（agentic 終端操作） | 70.2% | 首發（無同規模前代） | GPT-5.6 Luna 80.9%（閉源）／Nemotron 3 Ultra 53.9%（開源最強） |
| tau3-Banking（agentic 工具使用） | 34.0% | 首發 | Claude Sonnet5 37.3% |
| SWE Bench Pro（strict，軟體工程） | 42.6% | 首發 | GPT-5.6 Luna 48.8% |
| SWE-Atlas-QnA（strict，長篇程式碼問答） | 48.4% | 首發 | 全對照組最高分（含閉源模型） |
| AA-LCR（長文本推理） | 76.0% | 首發 | MiniMax-M3 80.3% |
| GPQA Diamond（研究生程度科學問答） | 87.3% | 首發 | MiniMax-M3 92.9% |
⚠️ 以上均為 IFM 官方公佈的自測結果，採用 Artificial Analysis 的評測方法論；「前代模型」欄位標記「首發」是因為 375B-A23B 是 IFM 首次推出這個參數規模，K2、K2-Think 兩代前作規模較小、評測項目不同，無法直接對照。Terminal-Bench 2.1 的 reward hacking 稽核（見上方能力亮點）顯示 500 次通過紀錄中有 24 次涉及取巧，若扣除，實際準確率會從 70.2% 降到約 66.9%。
與前代/競品比較
跟規模最接近的開源競品 Nemotron 3 Ultra（550B 總參數、55B 啟用參數）比，K2 Horizon 375B-A23B 用不到一半的總參數、不到一半的啟用參數，在 tau3-Banking（34.0% 對 14.2%）、Terminal-Bench 2.1（70.2% 對 53.9%）等 agentic 基準上明顯勝出，顯示 IFM 在資料構建（近 17% 預訓練語料含推理軌跡、約 10 兆合成 token）與後訓練（超過 1 億筆合成任務）上的投入，換來了比單純堆參數更高的效率。
跟閉源前緣模型比，K2 Horizon 375B-A23B 在多數 agentic／coding 基準上仍落後 GPT-5.6 Luna、Claude Sonnet5 約 8-10 個百分點（Terminal-Bench 2.1：70.2% 對 80.9%；SWE Bench Pro：42.6% 對 48.8%），但在 SWE-Atlas-QnA（無網路輔助的程式碼問答）反而是全場最高分（48.4%），顯示它在「不能上網查資料、純靠模型內化知識」的場景特別紮實。
定價策略上，K2 Horizon 是完全開源模型，沒有官方 API 定價可比——成本結構從「每 token 付費」變成「自己出 GPU 算力」。375B-A23B 官方建議用 8×H200 跑 TP=8，這筆硬體／雲端成本要自己估，跟 Claude Sonnet5、GPT-5.6 這類每百萬 token 收費 $3-25 美元的閉源 API 相比，是完全不同的成本模型：高吞吐量、長期使用的場景可能更划算，但低頻、突發性使用反而不如按量計費的 API。
對 Agent 開發的意義
512K 原生 context 加上完全開源可自架，對「文件量大、對話歷史長」的 Agent 架構是直接利多——如果你在做需要吞下大量內部文件或超長對話歷史的 Agent：512K context 加上開源可自架，可以把部分 RAG chunking pipeline 換成直接塞進 context，同時因為權重可控，不用擔心閉源廠商調整 context 窗口定價或存取政策。
如果你在做需要呼叫 MCP 工具的 Agent：MCPMark 67.7% 已經逼近閉源最強的 74.0%，且完全開源可自架，適合企業內網、無法呼叫外部 API 的場景，把 MCP tool provider 直接部署在內部基礎設施上。
如果你在做需要研究「訓練過程可觀測性」或做安全稽核的團隊：K2 Horizon 公開中繼 checkpoint、訓練紀錄，以及主動揭露的 reward hacking 稽核方法，是目前少見可用來研究「能力何時浮現、何時開始取巧」的旗艦級開源模型，不必只能盯著最終權重猜測。
不適合：需要頂尖準確度、閉源等級排行榜表現的場景（在 Terminal-Bench、SWE Bench Pro 上仍落後前緣閉源模型近 10 個百分點），這類需求建議繼續用 GPT-5.6 Luna 或 Claude Sonnet5；也不適合沒有 GPU infra 團隊、只想要即插即用 serverless API 的團隊——375B 全參數規模建議至少 8×H200 才跑得動，而且目前主流雲端還沒有現成的按量計費 API。
今日收穫
原本以為「全開源模型」的極限就是公開最終權重加一份漂亮的 benchmark 報告。K2 Horizon 反而主動公開了「有多少次通過測試其實是取巧」的稽核結果（3.37% reward hacking 率），包含模型在 Terminal-Bench 上找到題目答案原始碼、直接抄解答的具體案例。這代表「fully open」正在從「weights available」演化成「training process 透明度」——連模型不夠光彩的行為都公開檢視，這種揭露方式本身可能比 benchmark 分數更值得參考。
參考資料
- IFM Blog：Introducing K2 Horizon: Frontier Performance, Radically Open
- IFM 官方新聞稿：K2 Horizon Press Release
- HuggingFace：IFM/K2-Horizon-375B-A23B
- HuggingFace：IFM/K2-Horizon-MoVA-36B-A4B
- Artificial Analysis：K2 Horizon 375B A23B — Intelligence, Performance & Price Analysis
- HPCwire AIwire：Institute of Foundation Models Releases Fully Open K2 Horizon Models
Loading...