IFMが公開した「K2 Horizon」は、単なる新しいLLMの発表ではない。6つのモデルをひとまとめにした“fleet”として出し、しかも性能だけでなく学習の中身までかなり広く開いたのが特徴だ。今回のポイントは、edgeからenterpriseまでを一続きの設計でつなぎ、しかもその作り方まで外から追えるようにした点にある。モデルの強さと透明性を同時に押し出す、この出し方はかなり珍しい。
IFMは2026年9月3日に、K2 Horizonという6モデル構成のAI群を公開した。構成は375B-A23B、36B-A4B、32B、7B、3.7B、0.9Bの6種類で、推論、数学、coding、agentic tasks、一般能力のすべてで高い性能をうたっている。とくに0.9B、3.7B、7Bは、それぞれのサイズ帯で新しいstate of the artだとしている。
この発表で目を引くのは、性能だけではない。IFMは「最も包括的なopen release」として、pretrainingからreasoningやagentic post-trainingに至るまで、学習の各段階を開示すると明言した。具体的には、中間checkpoint、training dataもしくは詳細なdata construction recipe、open architecture、mixture compositions、training code、configurations、fine-grained logs、evaluation results、最終weightsまで出す。モデルとコードはApache 2.0、datasetはそれぞれのライセンスに従って公開し、再配布できない場合でもどう作って混ぜたかは説明するという。
性能面では、0.9B、3.7B、7Bが各サイズ帯でトップ級の評価を得たとされる。36B-A4Bは、新しいMixture-of-Value-Attention、略してMoVAを使い、活性化されるパラメータを約4Bに抑えながら、もっと大きなモデルに匹敵する効率を示したという。32Bと375B-A23Bも、それぞれの比較対象の中で上位に入る。小型モデルの中では、0.9BがAIME 2026で48超のスコアを出し、tool-useやagentic能力も示したとされる。3.7Bと7Bは、SWE-benchやBrowseCompで、より要求の厳しいソフトウェア開発や多段の作業にも対応できることを示した。一方でTerminalBenchのような、探索と復旧を何度も繰り返す難しい課題は、小型モデルにはまだ厳しいとも書いている。
設計思想としては、6モデルを最初から一つのfamilyとして作った点が強調されている。core architecture、vocabulary、training methodology、interfaces、evaluation infrastructure、deployment toolingを共有し、0.9Bだけは語彙を小さくしている。全モデルはおよそ20兆tokensでpretrainingされ、reasoningを含む学習データが約17%を占める。合成データは約10兆tokens使われた。さらに、各モデルの学習記録をcheckpointとlogで追えるようにしていて、最終checkpointだけではなく、そこに至る途中も見えるようにしたのがK2 Horizonの売りだとしている。
私はこの発表でいちばん大きいのは、モデルの出来そのものより、開示の粒度だと思う。多くのopen modelは、最終weightsを配るところで終わる。研究者や開発者は動かせるが、どうやってその能力が立ち上がったのかは見えにくい。K2 Horizonはそこを崩そうとしている。checkpoint、data recipe、log、evaluationまで開くのは、再現性のためだけでなく、能力の生成過程を研究対象にするためだろう。
これは地味に見えて、かなり野心的だ。たとえば「このモデルは推論が得意です」と言われても、普通はそれが事前学習の産物なのか、post-trainingの成果なのか、あるいはデータの偏りなのかを外から切り分けにくい。ところが学習の各段階が見えるなら、どこで何が効いたのかを検証しやすい。私は、IFMがここで狙っているのは“良いモデルを配る”こと以上に、“良いモデルの作り方を共有する”ことではないかと思う。
一方で、ここまで開くことには難しさもある。実際の運用では、データの収集経路やミキシング、合成データの生成法まで詳細に出すのは手間が大きいし、企業にとってはノウハウの開示にもなる。にもかかわらずIFMが踏み込んだのは、closedな最先端モデルへの対抗軸を、性能だけでなく研究の透明性でも作りたいからだろう。AI分野では「強いがブラックボックス」なものが当たり前になりつつあるので、この方向はかなり意識的だと見ている。
小型モデルの扱いも印象的だった。0.9B、3.7B、7Bが単に軽いだけでなく、それぞれのサイズ帯で実用的な推論やtool-use、agentic taskをこなすとされている。しかも0.9Bは、watchやglassesのような極端に制約の強い端末まで視野に入れている。これはかなり今っぽい。AIの競争が「巨大モデルの覇権」だけではなく、「どこまで小さくして賢さを残せるか」に移っているからだ。
ここで大事なのは、ローカル実行が単なる趣味の領域ではなくなったことだと思う。企業にとっては、クラウドに全部送らずに済むことがセキュリティやコストに直結する。個人開発者にとっては、手元で動くモデルのほうが試行錯誤しやすい。0.9BがAIME 2026で48超という話は、そのままでは大規模モデルには及ばなくても、「このサイズでも数理推論はここまで行くのか」というラインを押し広げる意味がある。
ただし、記事自身が触れているように、TerminalBenchのような反復的で探索の深い課題は小型モデルにはまだ難しい。ここを見落とすと、「小さいのに万能」という誤解が生まれる。私は、K2 Horizonの小型モデルは万能化の証明ではなく、適材適所の幅を広げたものだと受け止めている。つまり、軽量端末で使うには十分賢くなったが、複雑な長時間作業はまだ上位モデルの仕事だ。サイズごとの役割がよりはっきりしてきた、というのが実態に近い。
36B-A4Bに入ったMoVAも面白い。MoE、つまりMixture-of-Expertsは、全部のパラメータを毎回動かさず、一部だけを活性化して効率を上げる発想だが、IFMはそれをattention側にも広げた。Mixture-of-Value-Attentionという名前からも分かる通り、情報を集める側の仕組みにスパース性を入れている。これは、単純に「もっと大きくした」ではなく、「どこに計算を使うか」をいじっている。
私がここに価値を感じるのは、これが将来のモデル設計の方向を示しているからだ。大規模化の競争は、むやみに総パラメータを増やすだけでは限界が見えてきた。そこで重要になるのが、活性化パラメータあたりの性能、つまりどれだけ少ない計算でどれだけ賢く見えるかだ。36B-A4Bが約4Bの活性パラメータで32B dense modelにかなり迫る、というのは、その方向性の実験として意味がある。
ただ、こうした効率化は万能ではない。MoVAがどの条件で効くのか、逆にどのようなタスクで不利になるのかは、公開されたtraining logsやcheckpointがあって初めてきちんと検証しやすい。だからこそ、IFMが“モデルだけでなく作業記録も出す”ことに意味がある。私は、MoVAそのものより、MoVAを検証可能な形で出している点に、この発表の実力を感じる。
この発表は、結局のところ「強いモデルを出しました」という話に見えて、実際には比較可能性を作る宣言だと思う。6つのサイズを共通設計で束ね、同じtraining methodology、同じevaluation infrastructureで並べる。そうすると、モデルサイズが上がると何が伸び、どこで頭打ちになるのかを見やすい。研究としても、製品としても、かなり扱いやすい形だ。
同時に、これは競争の仕方が変わったことの表れでもある。今や最先端のAI企業は、単発の大きなモデルではなく、複数サイズをそろえた“fleet”で勝負する。用途別に最適なモデルを出し、必要なら上位機に逃がす。この流れに対して、IFMは「しかも中身まで見せる」と言ってきた。私はここに、open model陣営がただ追随しているのではなく、研究のやり方そのものを提示しにいっている感触を持った。
もちろん、openにしたからすぐ優位になるわけではない。実運用の安定性、推論コスト、エコシステム、ツール連携まで含めると、公開の美しさだけでは勝てない。ただ、少なくとも研究者や開発者にとっては、K2 Horizonはかなり魅力的だろう。性能の高いモデルを触れるだけでなく、その作り方まで追えるからだ。私は、この“触れる”と“学べる”を同時に満たそうとした点に、今回の発表のいちばんの価値があると思う。
参考: Introducing K2 Horizon: Frontier Performance, Radically Open
