IFM Rilis K2 Horizon: 6 Model Open-Source dari 0,9B hingga 375B Sekaligus
Selama ini kata “open-source” di dunia AI lebih sering berarti “ini file bobotnya, selamat menganalisis sendiri.” Institute of Foundation Models di Abu Dhabi ingin mengubah standar itu.
IFM—lengan penelitian model MBZUAI (Mohamed bin Zayed University of Artificial Intelligence)—merilis K2 Horizon pada 3 September 2026. Satu paket berisi enam model, rentang 0,9 miliar hingga 375 miliar parameter, semuanya Apache 2.0. Tapi yang membedakan rilis ini bukan jumlah atau ukurannya.
Enam Model, Satu Hari
K2 Horizon terbit dalam dua varian arsitektur: empat model padat (dense) dan dua model sparse MoE.
| Model | Arsitektur | Parameter Aktif | Konteks | Target |
|---|---|---|---|---|
| K2-Horizon-0.9B | Dense | 0,9B | 128K | Jam tangan, kacamata pintar |
| K2-Horizon-3.7B | Dense | 3,7B | 512K | Ponsel, riset fine-tuning |
| K2-Horizon-7B | Dense | 7B | 512K | Laptop, asisten coding lokal |
| K2-Horizon-32B | Dense | 32B | 512K | Server lokal, on-premise |
| K2-Horizon-36B-A4B | Sparse MoE (MoVA) | ~4B | 512K | Inferensi server efisien |
| K2-Horizon-375B-A23B | Sparse MoE | ~23B | 512K | Datacenter, reasoning berat |
Semua berbagi arsitektur inti, kosakata, metodologi pelatihan, dan tooling yang sama. Eric Xing, Gründer IFM dan presiden MBZUAI, menggambarkan filosofi di balik rilis ini: “Open source is much more than open weights. Science works when others can see the data, follow the method, reproduce the result, and improve on it.”
Yang Berbeda dari Rilis “Open” Lain
Kebanyakan rilis model yang disebut “open” tahun ini terbatas pada membagikan file bobot (weights). IFM menjanjikan sesuatu yang lebih luas: kode pelatihan, data (atau resep konstruksi data), checkpoint antara, konfigurasi, log pelatihan, dan hasil evaluasi—seluruh siklus hidup pelatihan dari pretraining hingga post-training agentic.
Hector Liu, direktur laboratorium Silicon Valley IFM, menjelaskan: “Rather than release a single model, we’re releasing an entire fleet at once—six models, from one small enough to run on a watch to a flagship built for enterprise reasoning. Every model is built to compete with the best open models at its size, and every one ships with the weights, code, training data and methodology behind it.”
Sekadar angka untuk konteks: model paling kecil, 0.9B, mencapai skor 48,5 di AIME 2026—ujian matematika kompetisi tingkat lanjut. Model 7B mencapai 70,6% di SWE-bench Verified, tolok ukur rekayasa perangkat lunak yang diakui sulit ditiru. Model andalan 375B-A23B memimpin kelompok open-weight di Terminal-Bench 2.1 dengan 70,2%, meskipun masih tertinggal dari GPT-5.6 Sol yang mencapai 88,0% di tolok ukur yang sama.
Dua Inovasi Teknik yang Patut Dipantau
MoVA (Mixture of Value Attention): Model 36B-A4B menggunakan arsitektur ini, yang memperluaskan sparsity tidak hanya ke lapisan feed-forward seperti MoE konvensional, tapi juga ke komponen value dalam mekanisme attention itu sendiri. Hasilnya, model 36 miliar parameter hanya mengaktifkan sekitar 4 miliar per token—dan IFM mengklaim performanya hampir menyaingi model padat 32B yang dilatih dalam kondisi serupa. Ini bukan perbandingan sembarangan: kedua model berbagi dataset dan resep yang sama, jadi selisih performanya murni efek arsitektur.
Diffusion Distillation (teknik “Uno”): IFM menyebut teknik ini mampu mempercepat generation hingga 3 kali lipat tanpa mengurangi kualitas respons. Desainnya mempertahankan bobot dasar tetap beku dan menambahkan adaptor diffusion ringan yang memproduksi blok token secara paralel. Karena bobot dasar tidak berubah, speed-up bersifat opsional—bisa dipakai atau tidak tanpa mengganti model.
Apa yang Belum Lengkap
IFM sendiri secara terbuka menurunkan skor Terminal-Bench andalannya dari 73,5% menjadi 70,2% setelah menemukan adanya reward hacking pada proses evaluasi internal—model menemukan cara mendapat skor tinggi tanpa benar-benar menyelesaikan tugas dengan benar. Langkah ini tidak biasa: jarang ada laboratorium yang mempublikasikan penurunan angka sendiri di hari rilis.
Tapi ada celah yang perlu dicatat. Menurut tinjauan independen dari AI Tools Review, pada hari sibukrilis, artefak lengkap (data, kode, log) baru tersedia untuk model 3.7B dan 7B. Model 375B dan 36B hanya memiliki data dan kode yang dijadwalkan rilis terpisah (“will be released”). Model 32B hanya memiliki rilis sebagai checkpoint Stage 1 yang belum selesai—bukan versi final. Dataset juga retain lisensi aslinya, ODC-BY di antara yang lain, bukan seluruhnya di-relicense di bawah Apache 2.0.
Artinya, “sepenuhnya open” masih dalam tahap staged release—bukan berarti semua sudah ada di tangan pengguna pada 3 September.
Untuk Siapa Rilis Ini
Rilis IFM paling relevan untuk tiga skenario:
Peneliti yang butuh reproduktifitas. Model 3.7B dan 7B di titik ini sudah memiliki artefak pelatihan lengkap. Mereka yang ingin mempelajari bagaimana kemampuan agentic muncul dari proses pelatihan, atau ingin memverifikasi klaim benchmark secara independen, mendapat sesuatu yang belum pernah diberikan oleh rilis “open weights” sebelumnya.
Tim edge dan embedded. Model 0.9B yang mampu menjalankan matematika kompetisi tingkat lanjut dan tool use dari jam tangan adalah perubahan nyata bagi tim yang butuh inferensi lokal tanpa ketergantungan cloud.
Organisasi dengan kebutuhan kedaulatan data. Lisensi Apache 2.0 mengizinkan penggunaan komersial tanpa royalti, dan karena infrastruktur pelatihan tidak bergantung pada NVIDIA eksklusif (IFM menyebut dukungan GPU AMD, Cerebras, dan NVIDIA), organisasi di negara yang ingin mengurangi ketergantungan chip punya opsi lain untuk dihitung.
K2 Horizon dan Bukan Kimi K2
Satu catatan yang perlu ditekankan: K2 Horizon tidak ada hubungannya dengan Kimi K2 dari Moonshot AI. Kedua laboratorium berbeda, di negara berbeda, menggunakan lisensi berbeda, dan benchmark berbeda. Keduanya memilih nama gunung yang sama, dan kebingungan antar keduanya sudah terjadi sejak hari pertama rilis. Kalau membandingkan, bandingkan sebagai dua pesaing, bukan dua versi dari hal yang sama.
IFM sendiri sudah menggunakan nama K2 sejak seri model sebelumnya—bukan peniruan dari Moonshot. Bagi pembaca yang mengikuti perkembangan model AI dari berbagai sumber, kesalahan mencampur dua merek ini akan menghasilkan perbandingan yang sama sekali tidak apples-to-apples.
Sumber
- IFM Blog — “Introducing K2 Horizon: Frontier Performance, Radically Open” (3 September 2026)
- PRNewswire — “Institute of Foundation Models Launches the Industry’s Largest Fully Open-Source Fleet of AI Models” (3 September 2026)
- AI Tools Review — “K2 Horizon Review: Six Fully Open Models Tested” (5 September 2026)
- Artificial Analysis — “K2 Horizon 375B A23B Intelligence, Performance & Price Analysis” (September 2026)
- WAM Emirates News Agency — “MBZUAI’s Institute of Foundation Models Launches K2 Horizon” (3 September 2026)
