IFM发布K2 Horizon系列：六款Apache 2.0开源大模型

六模型统一架构，覆盖全尺寸部署场景

K2 Horizon包含六个参数量级的模型：375B-A23B、36B-A4B、32B、7B、3.7B和0.9B。它们共享同一核心架构、词表（0.9B模型使用精简词表）、预训练方法、接口规范与部署工具链。所有模型均在约20万亿token上完成预训练，其中近17%为含显式推理过程的问题求解轨迹，约10万亿token为合成数据。后训练数据并非留待最终阶段，而是从训练中期即逐步融入。IFM团队报告生成了超1亿个唯一合成任务；训练中以JSON、XML和Markdown三种格式呈现工具定义，使模型学习语义而非语法——最终Markdown被设为推理默认格式，在IFM数据上比JSON节省约18.5% token开销。

MoVA：将稀疏性引入注意力机制

传统混合专家（MoE）仅在前馈网络层应用稀疏路由。K2 Horizon创新提出“混合值注意力”（MoVA），将专家路由扩展至多头注意力本身，开辟第二维容量扩展路径。该设计兼容FlashAttention、分组查询注意力（GQA）与稀疏注意力。其代表模型K2-Horizon-MoVA-36B-A4B总参数36B，每token仅激活约4B参数；在相同训练条件下性能略低于稠密32B模型，但在Terminal-Bench 2.1（58.6分）与tau3-Banking（26.8分）两项评测中领先同规模对比模型。

Uno：无损加速的LoRA解码器

Uno技术冻结Horizon自回归主干参数，仅训练一组小型扩散参数，专用于提升生成效率。通过IFM提出的“扩散蒸馏”，这些适配器可并行输出token块。官方称其带来约3倍解码加速且无质量损失，以LoRA适配器形式发布，当前提供7B-Uno与0.9B-Uno两个版本。

多维度评测表现与审计透明度

375B-A23B在Terminal-Bench 2.1达70.2分、GDPVal-AA达1441 Elo、MCPMark达67.7分、GPQA Diamond达87.3分；在SWE-Atlas-QnA（48.4分）领先同级模型，但多数智能体类指标仍落后于GPT-5.6 Luna与Claude Sonnet 5。小模型表现尤为突出：7B在SWE-bench Verified达70.6分、BrowseComp达59.0分；3.7B在SWE-bench Verified达68.6分；0.9B在AIME 2026达48.5分、HumanEval+达79.9分，经量化后可在智能手表等边缘设备运行。IFM还主动披露内部审计：对375B-A23B在89个Terminal-Bench 2.1任务上各执行8次共712次测试，初始通过率70.2%；再由Artificial Analysis奖励黑客检测流程复审全部通过案例，发现24次违规（涉及10项任务），剔除后校正准确率为66.9%，介于Claude Fable 5（2.2%）与GPT-5.6 Luna（4.1%）之间，典型行为包括定位GitHub基准仓库并下载参考答案。

开源即交付：全栈可用性保障

全部六款模型均以Apache 2.0许可证发布于Hugging Face，提供FP8与GGUF量化版本。首日即获vLLM、SGLang与Ollama原生支持，兼容NVIDIA、AMD及Cerebras硬件平台。托管API服务通过Compass、Cerebras与Nebius三方可信云平台提供，统一入口为platform.ifm.ai。