The Pulse

IFM rilascia sei modelli di IA K2 Horizon completamente aperti

L’Institute of Foundation Models ha rilasciato K2 Horizon, una famiglia di sei modelli di IA che vanno da 0,9 miliardi a 375 miliardi di parametri. Il rilascio comprende pesi dei modelli, codice, dati o ricette di addestramento, valutazioni

AI.info Team · Scritto con l’IA · verificato · 2026-09-12

Il rilascio di K2 Horizon da parte dell’Institute of Foundation Models comprende sei modelli che vanno da 0,9 miliardi a 375 miliardi di parametri. Il laboratorio con sede ad Abu Dhabi lo descrive come il più grande lancio di modelli completamente open source nella storia dell’IA.

IFM, un laboratorio di ricerca fondato dalla Mohamed bin Zayed University of Artificial Intelligence nel maggio 2025, pubblica la famiglia di modelli per compiti di ragionamento, matematica, programmazione, uso di strumenti e attività agentiche. Il rilascio va oltre i pesi dei modelli: IFM afferma che sviluppatori e ricercatori possono esaminare il codice di addestramento, i dati, le metodologie, le valutazioni e gli strumenti di distribuzione alla base dei modelli.

Dagli orologi ai server aziendali

K2 Horizon comprende modelli densi con 0,9B, 3,7B, 7B e 32B parametri, oltre a modelli sparsi con 36B parametri, di cui 4B attivi, e 375B parametri, di cui 23B attivi. IFM propone il modello più piccolo per dispositivi con risorse limitate, come orologi e occhiali, mentre le versioni da 3,7B e 7B sono destinate agli smartphone e ad altre applicazioni eseguite sul dispositivo.

Il modello da 32B è destinato all’hosting locale su workstation e server on-premises. Il modello 36B-A4B utilizza un’architettura che IFM chiama Mixture of Value Attention, attivando solo 4B parametri per token. Il modello di punta 375B-A23B è progettato per implementazioni aziendali più ampie e carichi di lavoro impegnativi di ragionamento e attività agentiche.

Tutti e sei i modelli condividono un’architettura di base, una metodologia di addestramento, interfacce e strumenti di distribuzione. Il modello da 0,9B utilizza un vocabolario più piccolo. Il sistema di instradamento dinamico dei modelli di IFM può indirizzare i compiti al modello più conveniente in termini di costi, afferma inoltre il laboratorio, consentendo agli sviluppatori di passare da prototipi più piccoli a implementazioni più grandi senza modificare i propri flussi di lavoro.

IFM fa dell’apertura parte del rilascio

Eric Xing, fondatore di IFM e presidente e professore universitario presso MBZUAI, presenta il lancio come una risposta ai limiti dei rilasci a pesi aperti.

«L’open source è molto più dei pesi aperti. La scienza funziona quando altri possono vedere i dati, seguire il metodo, riprodurre il risultato e migliorarlo».

Eric Xing, fondatore dell’Institute of Foundation Models e presidente e professore universitario presso MBZUAI

K2 Horizon comprende i pesi finali, il codice di addestramento, i checkpoint e, per i modelli, i dati di addestramento oppure le ricette per la costruzione dei dati. Il sito del laboratorio descrive il progetto come un approccio «a scatola di vetro», con l’obiettivo di consentire ai ricercatori esterni di riprodurre, sottoporre a fine-tuning ed estendere i sistemi.

I modelli e il codice utilizzano la licenza Apache 2.0. IFM rende disponibili i modelli tramite Hugging Face, con supporto per vLLM e SGLang. Gli sviluppatori possono anche accedere alle API tramite partner per l’inferenza, tra cui Compass, Cerebras e Nebius.

Generazione parallela di token e attenzione sparsa

IFM mette in evidenza due caratteristiche tecniche della famiglia K2 Horizon. Una tecnica di «distillazione per diffusione» genera blocchi di token in parallelo e, secondo il laboratorio, può aumentare la velocità del modello di circa tre volte senza ridurre la qualità delle risposte.

La seconda caratteristica, Mixture of Value Attention, mira a migliorare il ragionamento senza aumentare il calcolo. IFM applica l’architettura in modo più evidente nel modello sparso 36B-A4B, che attiva una piccola parte dei suoi parametri totali durante ogni operazione.

Queste scelte progettuali riflettono la gamma di hardware a cui è destinata la famiglia di modelli. I sistemi più piccoli sono pensati per operare dove memoria, consumo energetico ed elaborazione locale sono limitati, mentre il modello sparso più grande utilizza il calcolo condizionale per ridurre il costo di erogazione di un sistema con centinaia di miliardi di parametri totali.

Le dichiarazioni sulle prestazioni riguardano tre modelli più piccoli

I modelli da 0,9B, 3,7B e 7B stabiliscono nuovi risultati all’avanguardia nelle rispettive classi dimensionali, afferma IFM. Il laboratorio descrive il modello da 0,9B come il suo sistema più valido per matematica, ragionamento e uso di strumenti a quella scala; il modello da 3,7B come il modello di ragionamento migliore sotto i 4B parametri; e il modello da 7B come quello con le migliori prestazioni sotto i 10B parametri.

Si tratta di dichiarazioni contenute nei materiali di lancio di IFM, non di una classifica indipendente. Ogni modello K2 Horizon è stato valutato in compiti di ragionamento, programmazione, uso di strumenti e attività agentiche rispetto a modelli aperti di dimensioni comparabili. I materiali pubblici relativi ai modelli includono tabelle di benchmark e checkpoint intermedi destinati a mostrare come cambiano le capacità durante l’addestramento.

La scheda del modello da 3,7B indica una finestra di contesto da 512K token e riporta punteggi del 70,5 per cento su HMMT February 2026, del 68,6 per cento su SWE-bench Verified, del 65,4 per cento su GPQA Diamond e del 25,1 per cento su Terminal-Bench 2.1. La stessa tabella mostra che il modello è in testa in alcuni confronti, ma resta indietro rispetto a determinati concorrenti nelle risposte a domande scientifiche e nella chiamata di funzioni.

Una famiglia progettata per mantenere gli sviluppatori al suo interno

Hector Liu, direttore del laboratorio di IFM nella Silicon Valley, ha affermato che l’istituto ha scelto di rilasciare una famiglia di modelli anziché un unico sistema di punta.

«Anziché rilasciare un unico modello, rilasciamo un’intera famiglia in una volta sola: sei modelli, da uno abbastanza piccolo da funzionare su un orologio a un modello di punta costruito per il ragionamento aziendale».

Hector Liu, direttore del laboratorio nella Silicon Valley, Institute of Foundation Models

Questa strategia offre a K2 Horizon un vantaggio pratico per i team che devono passare dalla sperimentazione locale a carichi di lavoro di produzione più ampi. Uno sviluppatore può testare un’applicazione su un modello da 3,7B o 7B, eseguire localmente un sistema da 32B o 36B e riservare il modello da 375B ai casi in cui le maggiori capacità giustificano l’infrastruttura.

Le dichiarazioni sull’apertura dei dati e delle metodologie di addestramento determineranno quanto K2 Horizon farà progredire la ricerca riproducibile sull’IA. I modelli sono già disponibili nella raccolta Hugging Face di IFM, insieme alle risorse di supporto pubblicate dal laboratorio per eseguirli e valutarli.