K2 Horizon: IFM Rilis Enam Model Open Source Sekaligus, dari 0.9B sampai 375B

Institute of Foundation Models (IFM), institut riset AI yang berafiliasi dengan MBZUAI di Abu Dhabi, meluncurkan K2 Horizon pada 3 September 2026. Ini bukan satu model, tapi satu armada: enam model AI yang saling terhubung, dari 0.9 miliar sampai 375 miliar parameter. Yang membuat rilis ini berbeda dari kebanyakan rilis model open source adalah klaim kelengkapannya: bobot, kode, data training, dan metodologi semuanya dibuka untuk publik.

Menurut IFM, K2 Horizon adalah peluncuran model open source paling besar dalam sejarah AI. Ukurannya bukan cuma soal parameter, tapi soal cakupan: satu keluarga model yang dirancang untuk berjalan dari perangkat paling terbatas seperti jam tangan dan kacamata, sampai deployment enterprise yang berat. Enam model yang dirilis adalah 375B-A23B, 36B-A4B, 32B, 7B, 3.7B, dan 0.9B. Masing-masing punya peran yang jelas dalam spektrum deployment.

Enam Model, Enam Kelas Perangkat

Yang menarik dari K2 Horizon bukan cuma model besarnya, tapi bagaimana IFM mendesain spektrum ukuran yang jelas untuk kelas perangkat berbeda. Model 0.9B dirancang untuk lingkungan yang sangat terbatas seperti jam tangan dan kacamata. Model 3.7B dan 7B membawa kemampuan lebih canggih ke ponsel dan aplikasi on-device lain. Di kelas ukuran masing-masing, IFM mengklaim model 0.9B, 3.7B, dan 7B mencetak state of the art baru.

Untuk kebutuhan lokal dan on-premise, ada model dense 32B dan sparse 36B-A4B. Model 32B yang dense biasanya lebih mudah di-deploy karena tidak butuh infrastruktur khusus untuk sparse inference. Sementara model sparse 36B-A4B menawarkan efisiensi komputasi dengan mengaktifkan hanya sebagian parameternya per token, cocok untuk server yang ingin performa tinggi tanpa biaya inference model 375B. Kombinasi dense dan sparse di ukuran menengah memberi fleksibilitas yang jarang ada di keluarga model lain.

Di puncak armada ada 375B-A23B, model dengan kemampuan terkuat untuk deployment enterprise yang menuntut. Arsitektur MoE, atau Mixture of Experts, dengan 23 miliar parameter aktif memungkinkan model sebesar ini berjalan lebih efisien daripada dense model berukuran sama. Ini pola yang sama dipakai banyak lab AI besar: parameter besar untuk kapasitas pengetahuan, parameter aktif kecil untuk kecepatan inference. Penamaan model seperti 375B-A23B mengikuti konvensi itu: total parameter, lalu parameter aktif.

Open Source Total: Bobot, Kode, Data, dan Metodologi

Klaim paling berani K2 Horizon ada di kelengkapan open sourcenya. Banyak model yang disebut open source sebenarnya cuma membuka bobot, sementara data training dan detail metodologi tetap rahasia. IFM membuka semuanya: bobot, kode, data training, dan metodologi, supaya peneliti dan developer bisa memeriksa, mereproduksi, dan mengadaptasi model untuk kebutuhan sendiri.

Memahami Arsitektur MoE dan Penamaan Model

Untuk membaca spesifikasi K2 Horizon dengan benar, perlu dipahami dulu bagaimana model-model di armada ini disusun. Model seperti 375B-A23B memakai arsitektur Mixture of Experts, atau MoE. Angka pertama, 375B, adalah total parameter yang dimiliki model. Angka kedua, 23B, adalah parameter aktif yang benar-benar dipakai untuk memproses setiap token.

Konsep MoE bisa diibaratkan seperti perusahaan dengan banyak spesialis. Total parameter adalah semua karyawan yang ada, sementara parameter aktif adalah spesialis yang dipanggil untuk menangani setiap tugas tertentu. Dengan cara ini, model bisa punya kapasitas pengetahuan yang besar, seperti model dense 375B, tapi biaya komputasi per token hanya sebesar model 23B. Ini yang membuat model MoE besar lebih ekonomis untuk dijalankan daripada dense model berukuran sama.

Perbedaan ini penting saat membandingkan model. Model dense 32B memakai semua 32 miliar parameternya untuk setiap token, sehingga butuh komputasi yang konsisten tapi boros untuk ukurannya. Model sparse 36B-A4B hanya mengaktifkan 4 miliar parameter per token, sehingga lebih efisien secara komputasi meski total parameternya lebih besar. Untuk deployment dengan GPU terbatas, memahami perbedaan ini menentukan model mana yang realistis untuk dijalankan.

Keluarga model yang berbagi core architecture juga punya keuntungan praktis: teknik yang dipelajari untuk satu ukuran, seperti kuantisasi atau pengaturan inference, biasanya bisa diterapkan ke ukuran lain. Developer yang sudah menyiapkan pipeline untuk model 7B bisa dengan relatif mudah menguji model 3.7B atau 0.9B dari keluarga yang sama tanpa membangun ulang seluruh infrastruktur. Ini nilai tambah yang sering terlupakan dari rilis satu keluarga model.

Bagi komunitas riset, pembukaan data training dan metodologi ini penting. Reproducibility adalah fondasi sains, tapi di dunia AI modern sering dikorbankan demi keunggulan kompetitif. Rilis seperti K2 Horizon memberi peneliti bahan untuk benar-benar memahami bagaimana model frontier dilatih, bukan cuma memakai outputnya. Ini juga memungkinkan audit independen terhadap klaim performa, sesuatu yang jarang bisa dilakukan pada model tertutup.

IFM menempatkan seluruh koleksi model di Hugging Face, dengan kode di GitHub dan log pelatihan di Weights & Biases. Ini membuat audit eksternal terhadap klaim performa jadi mungkin. Untuk developer yang sudah terbiasa memakai ekosistem open source, ketersediaan lintas platform ini menurunkan hambatan adopsi secara signifikan. Tidak perlu akun khusus, tidak perlu menandatangani NDA, tinggal unduh dan jalankan.

Performa di Setiap Kelas Ukuran

IFM mengklaim K2 Horizon memberikan performa top-tier di setiap kelas ukuran untuk reasoning, matematika, coding, dan tugas agentic. Model 0.9B yang mencatat state of the art di kelasnya menarik karena biasanya model sekecil itu kesulitan di tugas reasoning. Kalau klaim ini akurat, implikasinya besar untuk aplikasi edge yang selama ini harus memilih antara kemampuan atau keterbatasan perangkat.

Model 7B yang kuat di reasoning dan coding juga menarik untuk developer yang ingin self-host. Ukuran 7B adalah titik manis: cukup kecil untuk dijalankan di GPU consumer, cukup mumpuni untuk banyak tugas produksi. Dengan data training yang terbuka, developer bisa menilai sendiri apakah model ini cocok untuk kasus penggunaan mereka, tanpa harus percaya marketing semata. Kombinasi kemampuan dan keterbukaan seperti ini jarang tersedia di kelas 7B.

Perlu dicatat bahwa klaim performa dari institusi yang meluncurkan model biasanya perlu divalidasi ulang oleh pihak independen. Benchmark internal sering punya bias, dan hasil nyata di aplikasi spesifik bisa berbeda. Kabar baiknya, karena K2 Horizon open source total, siapa pun bisa menguji klaim ini. Ini kontras dengan model tertutup yang klaim performanya hanya bisa diverifikasi lewat API yang dikontrol vendor.

Relevansi untuk Developer di Indonesia

Ketersediaan model open source sekelas K2 Horizon penting untuk konteks Indonesia. Banyak developer dan perusahaan di sini yang ingin memakai AI tapi terkendala biaya API atau masalah privasi data. Model yang bisa di-self-host dengan lisensi terbuka dan data training yang jelas memberi alternatif yang lebih terkontrol. Ditambah klaim performa state of the art di kelas kecil, K2 Horizon layak masuk daftar model yang perlu dievaluasi untuk kebutuhan lokal.

Model 7B, 3.7B, dan 0.9B sangat relevan untuk skenario dengan sumber daya terbatas. Perusahaan yang ingin menjalankan AI di server sendiri tanpa GPU mahal bisa mulai dari model 7B. Pengembang aplikasi mobile yang ingin fitur AI on-device bisa mengeksplorasi model 3.7B atau bahkan 0.9B. Kemampuan menjalankan model di perangkat pengguna tanpa koneksi internet juga membuka kemungkinan untuk aplikasi yang butuh privasi tinggi.

Data training yang terbuka juga penting dari sisi kepatuhan dan transparansi. Perusahaan yang bergerak di industri yang diatur, seperti keuangan atau kesehatan, sering perlu tahu data apa yang dipakai melatih model yang mereka gunakan. Dengan K2 Horizon, pertanyaan itu bisa dijawab langsung, sesuatu yang mustahil dilakukan dengan model tertutup.

Mengapa Rilis Ini Penting untuk Ekosistem AI

K2 Horizon hadir di tengah perdebatan tentang apa arti open source di dunia AI. Beberapa perusahaan membuka bobot tapi menutup data, yang lain membuka API tapi menutup semuanya. Rilis IFM ini menawarkan satu standar yang lebih tinggi: kalau model mau disebut open source, buka juga data dan metodologinya. Ini tekanan kompetitif yang sehat, karena memaksa pemain lain mempertimbangkan seberapa banyak yang berani mereka buka.

Perdebatan soal definisi open source AI sendiri sedang berlangsung di banyak forum. Open Source Initiative bahkan punya proses untuk mendefinisikan apa itu open source AI, dan salah satu poin perdebatannya justru soal akses ke data training. Dengan membuka data training, IFM secara efektif memposisikan diri di sisi paling terbuka dari spektrum, dan menetapkan standar yang sulit ditandingi kompetitor.

Dari sisi geopolitik AI, kehadiran IFM sebagai institut riset yang serius merilis armada model frontier open source dari Abu Dhabi juga sinyal bahwa lanskap AI global semakin beragam. Perlombaan model besar tidak lagi didominasi segelintir perusahaan Amerika. Institusi riset dengan pendanaan kuat mulai memainkan peran yang lebih besar, dan pilihan open source-nya memberi developer lebih banyak otonomi.

Tantangan yang Masih Ada

Meski rilis ini patut diapresiasi, ada tantangan yang belum terjawab. Pertama, meskipun data training dibuka, biaya untuk benar-benar melatih ulang model sebesar 375B tetap di luar jangkauan hampir semua organisasi. Keterbukaan data lebih bermakna untuk verifikasi dan penelitian daripada untuk reproduksi penuh. Kedua, menjalankan model 375B-A23B tetap butuh infrastruktur serius, jadi manfaat praktisnya paling terasa di kelas model kecil dan menengah.

Ketiga, ekosistem di sekitar model baru selalu butuh waktu untuk matang. Kuantisasi, fine-tuning, dan integrasi dengan framework inference populer belum tentu langsung tersedia di hari pertama. Developer yang ingin langsung memakai K2 Horizon di produksi mungkin perlu menunggu tooling pendukung berkembang, atau berkontribusi sendiri. Ini pola yang umum di setiap rilis model baru, dan komunitas biasanya mengatasinya dalam beberapa minggu.

Terakhir, perlu diingat bahwa klaim state of the art di setiap kelas ukuran harus diverifikasi. Riwayat rilis model open source menunjukkan bahwa benchmark internal sering lebih optimistis daripada hasil pengujian independen. Pendekatan yang sehat: tunggu hasil benchmark komunitas, uji di kasus penggunaan sendiri, baru putuskan apakah model ini layak dipakai di produksi.

Kesimpulan

K2 Horizon adalah rilis model open source yang ambisius: enam model dari 0.9B sampai 375B, dengan bobot, kode, data training, dan metodologi yang dibuka. Bagi developer, artinya ada keluarga model baru yang bisa dievaluasi untuk berbagai kebutuhan, dari edge device sampai enterprise. Bagi ekosistem riset, artinya ada standar keterbukaan yang lebih tinggi yang bisa ditiru.

Belum tentu setiap klaim performanya akan bertahan di pengujian independen, tapi ketersediaan data dan metodologi membuat pengujian itu jadi mungkin. Itu sendiri sudah kemajuan. Untuk developer di Indonesia, K2 Horizon memberi pilihan baru yang layak dievaluasi, terutama model kelas 7B ke bawah yang bisa dijalankan dengan sumber daya terbatas. Era di mana model AI yang serius hanya bisa diakses lewat API vendor besar sedang bergeser, dan rilis seperti ini adalah pendorong utamanya.