Инженерные команды, внедряющие передовые модели рассуждения (reasoning models), долгое время шли на компромисс: оплачивать непрозрачные счета за API закрытых лабораторий либо довольствоваться открытыми весами без истории обучения. IFM разрушает зависимость от проприетарных поставщиков с помощью линейки K2 Horizon — согласованного семейства из шести моделей для любых задач: от периферийных устройств до корпоративных серверов (375B-A23B, 36B-A4B, 32B, 7B, 3.7B и 0.9B).
«Модели и исходный код опубликованы под свободной лицензией Apache 2.0».
Вместо простой выгрузки изолированных весов IFM предоставляет промежуточные контрольные точки обучения, точные рецепты подготовки данных, спецификации архитектур, пропорции датасетов, код обучения, подробные логи запусков и стандартизированные пайплайны оценки. Для корпоративных архитекторов такой уровень прозрачности превращает ИИ из черного ящика в предсказуемый и проверяемый фундамент для собственного дообучения внутри контура компании.
Производительность на устройствах и механизмы разреженной маршрутизации
В математических бенчмарках, цепочках рассуждений, генерации кода и агентных сценариях компактные модели (до 10 млрд параметров — 0.9B, 3.7B и 7B) демонстрируют впечатляющую эффективность на локальном оборудовании. Версия 0.9B ориентирована на микроустройства с ограниченными ресурсами вроде смарт-часов и AR-очков, а конфигурации 3.7B и 7B обеспечивают локальную обработку данных на мобильных платформах без задержек и затрат на облачные вызовы.
Для дата-центров и рабочих станций IFM предлагает плотную модель 32B и MoE-архитектуру 36B-A4B. В модели 36B-A4B используется механизм Mixture-of-Value-Attention: при прямом проходе активируется всего 4 млрд параметров, что обеспечивает результаты уровня тяжелых плотных сетей при минимальных требованиях к видеопамяти. Флагман линейки 375B-A23B развертывается на приватной инфраструктуре и предлагает корпоративный уровень рассуждений в качестве полноценной альтернативы дорогой потокеновой тарификации закрытых сервисов.
Архитектурное единство для любых сценариев развертывания
Вся линейка построена на общем пайплайне обучения, единой токенизации (со специализированным уменьшенным словарем для версии 0.9B), стандартизированных инструментах оценки и нативной поддержке квантования. Такая архитектурная согласованность устраняет проблемы интеграции и фрагментации стека при переносе нагрузки с периферийных устройств на централизованные серверы.
Публикация промежуточных чекпоинтов вместе с воспроизводимыми рецептами данных раскрывает реальную механику формирования способностей к рассуждению при масштабировании параметров. Для технических директоров, оценивающих совокупную стоимость владения (TCO), запуск парка открытых моделей на собственных серверах становится выгодной альтернативой долгосрочной зависимости от сторонних API.