11月15–17日,阿布扎比 IFM 发布 K2-Horizon:六款开源模型组成的舰队,从 0.9B 稠密模型到 375B-A23B 混合专家(MoE)旗舰,中间还有 7B、32B 稠密与 36B-A4B MoE;四款模型共享 22T token 预训练语料。开放的不只是推理权重,还有训练数据、中间检查点与基础设施代码。技术点包括 MoVA 注意力、softplus 注意力门控、Uno 扩散适配器;11 月 18 日更新:长篇技术报告 arXiv:2611.21003《K2-Horizon: A Frontier Fleet of Open Source Language Models》上线。(来源:explainx.ai 11 月 17 日,见 https://explainx.ai/blog/k2-horizon-open-model-fleet-ifm-november-2026 )

这次发布的真正看点不是参数规模,而是开源的完整度。过去很多“开源”只放推理权重,训练数据与过程不公开,复现无从谈起。K2-Horizon 把约 10T 合成预训练 token 的生产管线、中间检查点、infra 代码一起放出来,等于把“模型是怎么训出来的”也交出来了。对做研究的人来说,中间检查点的价值甚至高于最终权重:训练动态、能力涌现的时点、数据配比的效果,都能从检查点里反推。

375B-A23B 这个旗舰规格也要冷静看:总参数 375B、激活 23B,推理成本与显存门槛不低,适合有集群的团队,不适合单机部署。对大多数人更有用的是 7B 与 32B 这两档:7B 跑本地实验,32B 跑中小规模服务,MoE 的 36B-A4B 则是性价比档。选型的时候先算自己的推理预算,再挑尺寸,别被旗舰数字带偏。

和站内已讨论的 Qwen4-Max 预览对照着看:Qwen4-Max 走的是 Token Plan 预览路线,K2-Horizon 走的是全量开源路线,两条路线的竞争维度不一样——一个比生态与服务,一个比开放程度与可复现性。两条路线同时存在,对用户是好事。

最后提醒一点合规事项:IFM 是阿布扎比机构,全量语料镜像之前,先核对数据驻留与出口规则。模型能下载,不等于数据能任意跨境,先把合规问清楚再动手。