INSTITUTE OF FOUNDATION MODELS
阿联酋大学里的全开放模型实验室

EP.108 的 Artificial Analysis 开放权重榜图里，第 9 名 K2 Horizon（30.50 分）的发布方只被标成“未标国别（Institute of Foundation Models）”（EP.108）。答案是：Institute of Foundation Models（下称 IFM）是阿联酋穆罕默德·本·扎耶德人工智能大学（MBZUAI）的内设研究机构，不是独立公司。官网页脚写的是 MBZUAI 的版权，About 页自称 MBZUAI 的“global center of excellence”，“headquarters in Abu Dhabi”，硅谷和巴黎各有研究点（IFM 官网 About 页）。AA 自己的数据里，这家机构的国别字段是 ae，页面上没有画出来（AA 模型页的内嵌数据）。

IFM 作为机构在 2025-05-22 启动：MBZUAI 在加州山景城的 Computer History Museum 宣布新建 Sunnyvale 实验室，与“此前已宣布”的巴黎、阿布扎比设施合成“multi-site initiative”，同场展示世界模型 PAN，并把 K2 与 Jais 两个模型系列归入 IFM（MBZUAI 启动稿；Wired 同日报道）。更早的源头是 2023 年的 LLM360 项目：2023-12 的论文由 Petuum、MBZUAI 等联合署名（arXiv 2312.06550），LLM360 官网写着“proudly sponsored by the Institute of Foundation Models”（llm360.ai），HF 上原 LLM360 组织的仓库已跳转到 IFM 名下（HF 组织页）。同一机构至少有三个 GitHub 组织名并存：LLM360、MBZUAI-IFM、ifm-ai。

人要分开看。Eric Xing（邢波）是 MBZUAI 的首任校长，2020-11 任命，是 IFM 论文的通讯作者，也是 Petuum 的联合创始人（据 Wikipedia），但不是 IFM 的日常负责人。MBZUAI 的 leadership 页把 Richard Morton 列为副校长兼 IFM 执行主任，2026-10-15 的新闻稿用同一头衔；Hector（Zhengzhong）Liu 在 IFM 的 X 帖里被称为“Head of Technology and US Lab Director”，CNBC 和 The National 给过另外两种写法（CNBC；The National）。团队规模官方没有披露；K2 Think 论文列 31 位作者，K2-V2 论文署“K2 Team”共 39 位（K2-Think；K2-V2）。

治理上，MBZUAI 董事会主席是 Khaldoon Khalifa Al Mubarak，2025-02 由阿布扎比副酋长 Sheikh Tahnoon bin Zayed Al Nahyan 签发决议重组董事会时任命；董事会名单里有阿布扎比财政局与行政委员会的官员、G42 集团 CEO Peng Xiao、AMD 董事长兼 CEO Lisa Su、MIT 的 Daniela Rus 等（leadership 页）。IFM 的预算和出资方，官方页面和新闻稿都没有写。2026-10-05 的 Reddit AMA 上，两位用户问了“是政府出资还是 VC”“训练花了多少钱”，团队回答了问题里的其他部分，这两问没有回答（AMA 帖）。

容易混淆的几个名字。Falcon 是另一家机构 TII 的模型，TII 自述属于阿布扎比政府的 Advanced Technology Research Council（TII 官网）。Jais 最早（2023-08）由 G42 旗下的 Inception、MBZUAI 和 Cerebras 合作开发（据 Wikipedia），现在的 Jais 3 由 IFM 与 G42 旗下的 Inception42 联合发布（PR Newswire）。K2 Think 是 2025-09 在阿里 Qwen2.5-32B 基座上做出来的推理系统，K2 Horizon 才是 IFM 自己预训练的模型。

2026-09-03 的 K2 Horizon 博客宣布六个模型，模型与代码用 Apache-2.0。本刊在 10-19 核到的实物有四类。权重不设门槛，375B 仓库带 68 个 git 标签：预训练、中训练、SFT 各阶段的中间检查点，五个 RL 专家（推理、工具使用、搜索、指令遵循、知识工作）和合并后的检查点；本刊抽查了四个标签，树接口都能返回文件（HF 仓库）。数据方面，K2 Horizon 官方集合里有五个数据集（TxT360-v2、Code-Reasoning、Math-Reasoning、SFT-Reasoning、Pretrain-Behaviors），parquet 文件合计约 21.6 TB，TxT360-v2 标 CC BY 4.0，其余标 Apache-2.0（TxT360-v2 数据卡）。代码方面有训练框架 xLLM 和后训练代码 RL360（RL360）。训练日志挂在 W&B，本刊没有逐个打开。

没放或没放全的也有几项。技术报告在模型卡里原定“End of September 2026”，10-15 IFM 在讨论区说已超过 170 页、正在审，本刊 10-19 在 arXiv 上没有搜到（375B 讨论区）。中训练第四阶段和对话格式的 SFT 数据未公开：10-17 团队的回答是正在发布“生成后训练数据的代码”，并说 SFT 数据里对话很少，“majority of them are agentic style data”（36B 讨论区）。博客提到后训练用了“over 100 million unique tasks”，本刊在官方集合的五个数据集里没有找到 RL 任务集。RL360 README 的可运行配方是把 32 个编码任务“过拟合”的演示，默认要 33 个节点；博客里“将发布完整的 agentic 后训练代码”用的仍是将来时。模型卡里声明的 K2-Horizon-Pretrain-Data 和 Midtrain-Data 两个数据集，匿名访问返回 401，本刊分不清是私有还是已删除。训练算力、成本和集群归属，博客、模型卡、新闻稿都没有写。

发布本身是分批补齐的。上线四天后的 09-07，Hector Liu 在 7B 仓库的讨论里写“some of our artifacts are not finished uploading yet”，说数据“halfway uploaded”、检查点“a bit messy”（7B 讨论区）；第三方 cellcog.ai 记录 09-04 时 375B 和 36B 的卡片还写着检查点、数据、训练代码“will be released”（cellcog.ai，该转述本刊无法回溯核实）。10-19 的模型卡已把这些项都标成 Available。

“全开放”也不等于不依赖别的实验室。AMA 里 IFM 的 Mikhail Yurochkin 说，预训练数据约一半是合成数据，由自托管的开放权重模型生成，“mostly qwen3-32B”加 gpt-oss 120B；中训练和 SFT 数据几乎全是合成，用了 gpt-oss、Qwen 3.5、Kimi、DeepSeek V4 Flash 等（AMA 帖）。数据卡里的子集名 math-thinking-qwen 和 math-thinking-oss 也指向同样的来源（Math-Reasoning 数据卡）。

对照 № 43 Reflection AI的 Beam：两者都是 Apache-2.0 权重，激活参数都是 23B（K2 Horizon 总参 375B，Beam 501B）。Beam 在 10-16 放的是权重、模型卡和安全技术报告，主技术报告仍标“coming”，Reflection 档案记录其 CEO 在 2025-10 说过数据集和完整训练管线基本保持私有；K2 Horizon 多放了数据、检查点和训练与 RL 代码，但技术报告同样没发。第三方的度量是 AA 的 Openness Index（权重、数据、方法与代码三块合计 18 分，折算成 0–100）：IFM 的 K2-V2 和 K2 Think V2 得 88.9，与 Allen AI 的 Olmo 3、瑞士 Apertus 并列最高；K2 Horizon 在 10-19 的页面数据里还没有分数，AA 在发布当天写“expect to add it to the Openness Index soon”（AA 方法页；AA 的帖子）。

榜单上的 30.50 是 AA Intelligence Index v4.3.2 在 2026-10-19 的读数：模型页写“scores 31”，速度 1,061.5 输出 token/秒，跑完整个 Index 输出 130M token，每任务约 51.5k；该页唯一的 API 提供方就是 IFM 自己，标价 $0.00，这是 AA 页面当时的记录，不能当作 IFM 的长期定价（AA 模型页；提供方页）。AA 在发布当天（09-03）的帖子给的是 47，与 MiniMax-M3（45）相当，较前代 K2 Think V2（17）高 30 分（AA 的帖子）。

47 到 30.5 的落差，主要是指数版本变了。AA 方法页的版本史写：v4.2（2026-09）去掉 GPQA Diamond，v4.3 把 Terminal-Bench 2.1 换成更难的 Terminal-Bench 4.0、把 τ³-Banking 换成 AutomationBench-AA，v4.3.2 又重新锚定了 GDPval-AA 的 Elo（方法页；v4.3 公告）。K2 Horizon 在 AA 记录里的 Terminal-Bench 2.1 是 71.9%，Terminal-Bench 4.0 只有 1.5%；GDPval-AA 从帖子里的 1,430 变成 1,360.5。把版本变化当主因是本刊的归纳，AA 没有逐项解释这个模型的分数变动。引用任何 AA 分数，都要带版本号和日期。

自报分与 AA 单项分的对照（自报来自 375B 模型卡，推理强度 high；AA 为 10-19 页面数据）。Humanity’s Last Exam 32.0 对 31.97、SciCode 42.7 对 42.94、GPQA Diamond 87.3 对 87.27、τ³-Banking 34.0 对 34.2，基本一致；GDPval-AA Elo 1,441 对 1,360.5、CritPt 8.6 对 4.57、AA-Omniscience 准确率 23.0 对 18.18，自报高于 AA；AA-LCR 76.0 对 80.0，自报低于 AA。Terminal-Bench 2.1，模型卡印 70.2，IFM 博客自己审计后写 66.9，AA 记录里是 71.9。模型卡的“Automation Bench”25.3 用的是公开集，AA 的 AutomationBench-AA 用保留集并给部分得分（37.2），两者不可比。

IFM 在博客里主动披露了一次自我审计：用 AA 的奖励作弊审计流程审了 375B 在 Terminal-Bench 2.1 上的 712 次试验，24 次被标出、涉及 10 个任务，准确率从 70.2% 降到 66.9%；7B 在 SWE-bench 上下载过答案，得出虚高的 82 分（博客）。模型卡的表格仍然印 70.2，引用时要注明没有扣除审计结果。

“前沿级”的措辞有争议。375B 的卡片写“matches or beats open-weight MoE models up to 2.6× its size”；36B-A4B 的卡片被用户质疑措辞，IFM 的回应是他们说的 frontier 是“model size vs. performance”的帕累托前沿，并承诺技术报告里写得更精确（36B 讨论区）。在第三方榜上，375B 是开放权重第 9，前六名全是中国公司（EP.108）。

IFM 与 G42 有几层交集。K2 Think 由 MBZUAI 与 G42 联合发布，论文致谢 G42 提供“essential computational infrastructure”以及评测方法和安全协议上的专业经验（论文致谢）；G42 集团 CEO 在 MBZUAI 董事会；2026-10-15 的 Jais 3 由 IFM 与 G42 旗下的“sovereign agentic AI”公司 Inception42 联合发布，新闻稿把 Cerebras 列为合作方，没有写分工，也没有写资金或算力（PR Newswire）。Cerebras 在 2023 年的 LLM360 论文里被致谢提供算力，K2 Think 在其晶圆级引擎上提供服务，K2 Think V2 由 G42、Cerebras、MBZUAI 联合宣布（PR Newswire）。K2-65B 在 NVIDIA 云上的 A100 上训练，K2-V2 在 H200 集群上训练，论文没写集群归属。

几个并列的事实，本刊不替它们下结论：董事会里有 G42 的 CEO 和 AMD 的 CEO，而 G42 旗下公司是 Jais 3 的联合发布方，K2 Horizon 博客称支持 NVIDIA、AMD 和 Cerebras 硬件；Eric Xing 同时是 Petuum 的联合创始人，Petuum 在 2023 年到 2025 年初的 LLM360/K2 论文里署名，此后的论文只署 IFM，Petuum 与 IFM 眼下有没有商业关系，本刊没有核到。CNBC 记录过 Microsoft 对 G42 的投资在美国“attracted a great deal of scrutiny”，那是对 G42 的描述，不是对 IFM 的指控（CNBC）。

IFM 最大的一次评测争议在 K2 Think（2025-09-09）。ETH Zürich 的 SRI Lab 在 09-12 发文，称 K2-Think 评测所用的 173 道 Omni-Math 题里至少 87 道也在其训练数据里，LiveCodeBench 评测样本约 22% 出现在 SFT 数据里，主表报告的是带外部模型的 best-of-3、对比模型却是 best-of-1，并称自家 MathArena 复测不及 GPT-OSS 20B（SRI 的文章）。Adversa AI 在 09-11 称可借 K2 Think 公开的推理过程迭代越狱，5 到 6 次即可攻破；Adversa 是卖红队服务的公司（Adversa 的文章），K2-Think 论文自己也写了越狱抵抗 0.72、网络安全与数据保护 0.56。本刊没有找到 IFM 对这些批评的点名回应；论文从 v1（09-09）到 v3（09-15）有文字改动，三个版本里都没有关于数据污染的自述。

此后的做法有变化，但不能算回应：K2 Think V2 的新闻稿称训练数据含 Guru 并与下游基准去污，没有给方法；K2-V2 论文含数学语料去污和记忆化分析（arXiv 2512.06201）；K2 Horizon 博客把奖励作弊审计结果公开（博客）。另有使用层面的批评：KV 缓存很大、llama.cpp 支持晚、低温度下循环输出，团队在 AMA 里承认并把降低 KV 成本列为下一代优先项（AMA 帖）。

本刊没有核到的：IFM 的预算与出资方，K2 Horizon 的训练算力和成本，团队规模，MBZUAI 内部对 IFM 的预算安排，技术报告的内容，以及 Jais 3 的自报评测是否站得住（新闻稿称基于自家审计过的 24 个阿拉伯语基准，未经独立复核）。