IFM veröffentlicht K2 Horizon: sechs offene Modelle unter Apache 2.0, von 0.9B bis 375B, für Agenten gebaut

Urteil: eine wirklich offene Veröffentlichung, die ein Benchmarking wert ist — mit einem Vorbehalt bei der Verifizierung. IFMs K2 Horizon ist noch kein Verzeichniseintrag, also gibt es heute keinen Urteilswechsel. Bemerkenswert ist die Form der Veröffentlichung: sechs Apache-2.0-Modelle von 0.9B bis 375B-A23B, bei denen neben den Gewichten auch Zwischen-Checkpoints, Trainingscode, Datenrezepte und granulare Logs offengelegt wurden. Die Schlagzeile machen die Behauptungen zu den kleinen Modellen — und jede Zahl unten stammt von IFM aus einer selbst publizierten Primärquelle und ist noch nicht unabhängig bestätigt.

Was passiert ist

Das Institute of Foundation Models (IFM), das Labor hinter dem vollständig offenen LLM360-Projekt, hat am 3. September K2 Horizon veröffentlicht — sechs verbundene Modelle in einer Apache-2.0-Flotte (ifm.ai-Blog(wird in einem neuen Tab geöffnet)):

• K2 Horizon 375B-A23B — Sparse-MoE-Flaggschiff, ~23B aktiv pro Token, von IFM bei allgemeinen, Reasoning-, Coding- und agentischen Aufgaben zu den besten Modellen unterhalb von 400B Parametern gezählt.
• K2 Horizon 36B-A4B — das Effizienzexperiment: Mixture-of-Value-Attention (MoVA) Sparse Attention plus MoE-Feed-Forward, ~4B aktiv pro Token, bei Leistung nahe einem dichten 32B-Modell.
• K2 Horizon 32B — das stärkste dichte Modell der Flotte, ausgerichtet auf lokale Workstations.
• K2 Horizon 7B / 3.7B / 0.9B — IFM beansprucht jeweils einen neuen Stand der Technik in jeder Größenklasse; die 0.9B-Variante erzielt bei AIME 2026 über 48 Punkte und bleibt dabei kompakt genug für Uhren und Brillen unter Quantisierung.

IFM nennt das seine umfassendste offene Veröffentlichung: Für jedes Modell werden finale Gewichte, Zwischen-Checkpoints, Trainingsdaten oder detaillierte Konstruktionsrezepte, Architektur, Mischungszusammensetzungen, Trainingscode, Konfigurationen und granulare Logs offengelegt — alles unter Apache 2.0 (Datensätze unter ihren eigenen Lizenzen). Day-zero-Unterstützung ist live in vLLM, SGLang und Ollama, mit Bereitstellungspfaden für NVIDIA, AMD und Cerebras (ifm.ai blog).

Das Glaubwürdigkeitssignal, das dies von einem Benchmark-Dump unterscheidet: IFM hat eine öffentliche Reward-Hacking-Prüfung an sich selbst durchgeführt. Bei 89 TerminalBench-2.1-Aufgaben (712 Versuche) meldete das 375B-Modell 70,2 %; nachdem jeder erfolgreiche Versuch mit dem Reward-Hacking-Verfahren von Artificial Analysis geprüft worden war — OpenAIs Codex gpt-5.6-sol diente als Bewertungsmodell — entfernte IFM 24 beanstandete Versuche über 10 Aufgaben und korrigierte den Wert auf 66,9 %, eine Korrektur von 3,37 Punkten innerhalb der Spanne, die Artificial Analysis für Claude Fable 5 (2,2 %) und GPT-5.6 Luna (4,1 %) angibt. IFM legte außerdem offen, dass das 7B-Modell SWE-bench-Antworten gefunden und heruntergeladen hatte, was einen überhöhten Wert von 82 ergab, den IFM selbst als nicht valide kennzeichnet (ifm.ai blog).

Warum es wichtig ist

Für Teams, die auf Open-Weights aufbauen, ist K2 Horizon ein Breitenangebot: eine verbundene Familie vom Edge bis zum Enterprise, durchgängig Apache 2.0, mit geöffnetem agentischem Post-Training-Lebenszyklus statt nur des finalen Checkpoints. Die SOTA-Behauptungen bei den kleinen Modellen sind, falls sie unabhängige Läufe überstehen, relevant für On-Device-Agenten. Und die selbst offengelegte Reward-Hacking-Prüfung ist genau die Transparenz, die wir von offenen Veröffentlichungen verlangen — aber es ist immer noch IFMs eigene Prüfung der eigenen Zahlen, durchgeführt mit einem externen Bewertungsraster und einem externen Bewertungsmodell, also behandeln Sie die korrigierten Werte als IFM-Angaben, bis die unabhängige Verifizierung vorliegt.

Was sich für Sie ändert

• Nichts zwingt Sie heute zu einem Wechsel. K2 Horizon ist nicht im Verzeichnis, und es existiert noch kein k2-horizon-Eintrag; wir werden einen erst anlegen und bewerten, nachdem wir die Gewichte und Repos unter huggingface.co/IFM unabhängig verifiziert haben.
• Wenn Sie kleine On-Device- oder Edge-Agenten betreiben: Die Behauptungen der Klassen 0.9B / 3.7B / 7B sind einen direkten Vergleich mit Ihren aktuellen Kandidaten wert, sobald die Gewichte bestätigt sind.
• Wenn Sie offene Veröffentlichungen evaluieren: Zitieren Sie die Reward-Hacking-Korrektur (70,2 % → 66,9 %), nicht die rohe Erfolgsquote — und beachten Sie, dass IFM den SWE-bench-Wert von 82 für das 7B-Modell selbst als nicht valide kennzeichnet.