Das Forschungsinstitut IFM hat am 3. September 2026 mit K2 Horizon sechs neue KI-Modelle veröffentlicht – vom 0,9-Milliarden-Parameter-Modell für Wearables bis zum 375-Milliarden-Parameter-Flaggschiff für Unternehmen. Neu ist der Umfang der Offenheit: Neben den Modellgewichten stehen auch Trainingsdaten, Trainingscode und Zwischen-Checkpoints unter der freien Apache-2.0-Lizenz bereit. Bei einem Modell dieser Größenordnung ist das bislang selten.
Sechs Modelle decken Uhr bis Rechenzentrum ab
Die K2-Horizon-Familie reicht von einem dichten 0,9-Milliarden-Modell für Uhren und Brillen über 3,7 und sieben Milliarden Parameter für Smartphones bis zu 32 Milliarden für den lokalen Betrieb auf eigener Hardware. Das Flaggschiff K2-Horizon-375B-A23B ist ein Mixture-of-Experts-Modell: Es speichert 375 Milliarden Parameter, aktiviert für jede Anfrage aber nur 23 Milliarden – ein gängiges Verfahren, um Rechenaufwand zu senken, ohne auf die Kapazität eines großen Modells zu verzichten. Ein zusätzliches 36-Milliarden-Modell nutzt mit Mixture of Value Attention eine neue Architektur, die Experten-Routing erstmals direkt in die Aufmerksamkeitsschicht der Modelle verlagert. Die Veröffentlichung fiel mitten in eine besonders dichte Ankündigungswoche großer KI-Anbieter, die der Blog bereits eingeordnet hat.
Alle sechs Modelle stehen unter der Apache-2.0-Lizenz, die – anders als reine Forschungslizenzen – auch kommerzielle Nutzung, Veränderung und Weiterverbreitung ausdrücklich erlaubt. Eine Zugriffsbeschränkung für Deutschland oder die EU nennt IFM nicht. Verfügbar sind die Modelle über Hugging Face, mit direkter Unterstützung in den Inferenz-Werkzeugen vLLM, SGLang und Ollama ab dem ersten Tag. IFM nennt zusätzlich Nvidia-, AMD- und Cerebras-Hardware als unterstützte Plattformen sowie gehostete Zugänge über die Cloud-Anbieter Compass, Cerebras, AWS und Nebius.
IFM legt auch Trainingsdaten und Code offen
Die meisten offenen Sprachmodelle geben ausschließlich die fertig trainierten Gewichte frei, während Trainingsdaten und der eigentliche Trainingsprozess Geschäftsgeheimnis bleiben. Auch Tencent und Moonshot AI veröffentlichten ihre offenen Modelle Hy3 und Kimi K3 in den vergangenen Monaten nach diesem Muster. IFM geht mit K2 Horizon einen Schritt weiter: Auf GitHub liegen sowohl die Vortrainings-Infrastruktur xLLM als auch der komplette Code für das Nachtraining samt Reinforcement Learning offen, jeweils ebenfalls unter Apache-2.0-Lizenz.
Zusätzlich veröffentlichte das Institut mit TxT360-v2 den kompletten Vortrainingsdatensatz – nach eigenen Angaben rund 20 Billionen Token, davon etwa 17 Prozent Aufgaben mit ausformulierten Lösungswegen und rund 10 Billionen synthetisch erzeugte Token. IFM-Gründer Eric Xing erklärte, offene Quellen bedeuteten mehr als offene Gewichte. Erst Trainingsdaten, Rezept und Auswertungen zusammen ermöglichten es, jede Behauptung des Instituts nachzuprüfen. IFM ist die Nachfolgeorganisation von LLM360, einer 2023 gestarteten Initiative für vollständig nachvollziehbares KI-Training, die bereits mit dem Datensatz TxT360 und dem Modell K2-65B bekannt wurde.
IFM deckt eigenen Benchmark-Fehler auf
IFM meldet für das große Modell starke Werte in Fachbenchmarks, etwa 87,3 Punkte im Wissenstest GPQA Diamond und 70,2 Punkte im Agenten-Test Terminal-Bench 2.1 – Zahlen, die nach Angaben des Instituts nahe an geschlossene Spitzenmodelle heranreichen und unabhängig nicht verifiziert sind. Bemerkenswert ist, dass IFM den eigenen Terminal-Bench-Wert nachträglich selbst korrigierte: Ein interner Audit von 712 Testläufen fand fehlerhaft gewertete Aufgaben, in denen das Modell Lösungen aus verlinkten Repositorys herunterlud, statt sie zu berechnen. Nach Bereinigung sank der Wert auf 66,9 Prozent.
Für die kleineren Modelle mit 0,9 und sieben Milliarden Parametern stellt IFM zusätzlich einen LoRA-Zusatz namens Uno bereit, der die Textausgabe über Diffusions-Destillation nach eigenen Angaben etwa verdreifacht, ohne die Qualität der Antworten zu verschlechtern. Laut MarkTechPost teilen sich alle sechs Modelle Architektur, Vokabular und Schnittstellen, was den Wechsel zwischen den Größenklassen für Entwicklerinnen und Entwickler vereinfacht.
Für die offene KI-Szene setzt K2 Horizon einen neuen Maßstab bei der Transparenz, den selbst Projekte wie DeepSeek oder Qwen trotz offener Gewichte bislang nicht erreichen. Offen bleibt, ob IFM die in einzelnen Modellkarten noch angekündigten weiteren Trainingsrezepte tatsächlich zeitnah nachliefert – und ob andere Anbieter dem Beispiel folgen oder bei offenen Gewichten ohne Trainingsdaten bleiben.
