IFM เปิด K2 Horizon หกโมเดล Apache-2.0 พร้อมเช็คพอยต์ระหว่างเทรน — แล้วประกาศเองว่าคะแนน Terminal-Bench 70.2 ของตัวเองมีการโกงเบนช์มาร์กปนอยู่ ของจริงคือ 66.9

3 กันยายน 2026 — Institute of Foundation Models (IFM) ในสังกัด Mohamed bin Zayed University of Artificial Intelligence ปล่อย K2 Horizon ชุดโมเดลหกขนาดใต้ Apache-2.0: 375B-A23B, MoVA 36B-A4B, 32B, 7B, 3.7B และ 0.9B น้ำหนักขึ้น Hugging Face ครบทั้งหกตัวแล้ว พร้อม GGUF และ FP8

รีลีสนี้น่าสนใจไม่ใช่เพราะคะแนน — ตัวใหญ่ที่สุดยังแพ้ GLM 5.2 ในเกือบทุกแถวของตารางที่ IFM ทำเอง — แต่เพราะสองอย่างที่โมเดลเปิดแทบไม่เคยให้: เช็คพอยต์ระหว่างเทรนที่ดาวน์โหลดได้จริง และ ผลตรวจสอบการโกงเบนช์มาร์กของตัวเองที่ตีพิมพ์คู่มากับคะแนน

ก่อนอื่น กันความสับสนหนึ่งข้อ: K2 ตัวนี้ไม่ใช่ Kimi K2 ของ Moonshot เป็นสายของ IFM ที่ต่อจากงาน LLM360 ตั้งแต่ปี 2023 คนละบริษัท คนละสายโมเดล ชื่อชนกันเฉย ๆ

ตัวเลขที่อ่านจาก config ไม่ตรงกับที่อ่านจากบล็อก

ค่าที่ยืนยันได้จาก config.json และ metadata ของ Hugging Face โดยตรง:

โมเดล	พารามิเตอร์จริงบน HF	คอนเท็กซ์	vocab	หมายเหตุ
375B-A23B	379.2B	512K	250,624	MoE 192 experts, top-8 + shared 1, 61 ชั้น
MoVA 36B-A4B	37.4B	512K	250,624	MoVA 64 experts top-4 + MoE 100 experts
32B	34.8B	512K	250,624	dense
7B	9.00B	512K	250,624	dense
3.7B	5.06B	512K	250,624	dense
0.9B	1.08B	128K	64,256	vocab เล็กกว่า

สองข้อที่บล็อกไม่ได้เขียนแต่ config เขียน:

หนึ่ง — ตัว 0.9B ได้คอนเท็กซ์แค่ 128K ไม่ใช่ 512K ประกาศพูดถึง 512K ในฐานะคุณสมบัติของฟลีต แต่ max_position_embeddings ของ 0.9B คือ 131,072 ขณะที่อีกห้าตัวคือ 524,288 ถ้าคุณเลือก 0.9B เพราะจะเอาไปอ่านเอกสารยาวบนอุปกรณ์ นี่คือข้อจำกัดที่ต้องรู้ก่อน (และ original_max_position_embeddings ของมันคือ 8,192 คือคอนเท็กซ์ยาวได้มาจากการขยาย RoPE ไม่ใช่เทรนยาวมาแต่ต้น)

สอง — MoVA ซึ่งเป็นสถาปัตยกรรมใหม่ที่บล็อกใช้เวลาอธิบายยาวที่สุด อยู่ในโมเดลเดียวเท่านั้น คือ 36B-A4B (mova_num_experts: 64) ส่วน 375B-A23B ที่เป็นเรือธงมีค่า mova_num_experts: 0 — เป็น MoE แบบธรรมดาบน feed-forward เท่านั้น แนวคิด “เอา sparsity ไปใส่ใน attention” จึงยังเป็นการทดลองระดับกลาง ไม่ใช่สิ่งที่ตัวท็อปใช้

สาม — ชื่อรุ่นเล็กกว่าไฟล์จริงอย่างมีนัยสำคัญ ทุกตัวตั้งชื่อด้วยพารามิเตอร์แบบ non-embedding ซึ่งเป็นธรรมเนียมที่ยอมรับได้ (7B: 9.00B ลบ embedding+lm_head 2.05B = 6.95B; 3.7B: 5.06B ลบ 1.28B = 3.78B; 0.9B: 1.08B ลบ 0.20B = 0.88B — ตรงตามชื่อทุกตัว) แต่เพราะ vocab ใหญ่ถึง 250,624 และ embedding ไม่ผูกกับ lm_head ส่วนต่างจึงใหญ่ผิดปกติ: ตัวที่ชื่อ 3.7B คือไฟล์ 5.06B พารามิเตอร์ หรือใหญ่กว่าชื่อ 37% ใครกะ VRAM หรือพื้นที่บนอุปกรณ์จากตัวเลขในชื่อรุ่นจะพลาดตั้งแต่ยังไม่เริ่ม

และในบล็อกเองมีตัวเลขขัดกันอยู่หนึ่งคู่: ย่อหน้าออกแบบเขียนว่าทุกตัว pretrain ด้วย “ประมาณ 20 ล้านล้านโทเคน” แต่ย่อหน้าถัดมาเรื่อง training dynamics เขียนว่า 3.7B, 7B, 32B และ 36B-A4B เทรนบน “22 ล้านล้านโทเคนเป๊ะ ๆ ชุดเดียวกัน” ต่างกัน 2 ล้านล้าน

เช็คพอยต์ระหว่างเทรน — ของจริง แม้ README จะบอกว่ายังไม่ปล่อย

นี่คือส่วนที่ทำให้รีลีสนี้ต่างจากโมเดลเปิดทั่วไป IFM ปล่อยเช็คพอยต์ระหว่างเทรนเป็น git tag บน repo เดียวกัน ดึงด้วย revision= ได้เลย ตรวจนับได้ดังนี้: 3.7B มี 64 แท็ก, 7B มี 56, 375B-A23B มี 47, 36B-A4B มี 45, 0.9B มี 32 และ 32B มี 28 ชื่อแท็กบอกขั้นตอนตรง ๆ เช่น pretrain_100000 ถึง pretrain_500000, mid_1_* ถึง mid_4_* และ sft_2_*

from transformers import AutoModelForCausalLM
m = AutoModelForCausalLM.from_pretrained(
    "IFM/K2-Horizon-32B", revision="pretrain_300000", trust_remote_code=True
)

ตลกร้ายคือ README ของ 375B-A23B ยังเขียนว่ายังไม่ได้ปล่อย — “We have released the final checkpoint; intermediate checkpoints, along with the data and the training code, will be released.” ทั้งที่แท็ก 47 อันอยู่ใน repo เดียวกันนั้นแล้ว เป็นเอกสารที่ตามของไม่ทัน ไม่ใช่ของหาย

แต่มีข้อที่ ยังไม่ครบจริง: ในหัวไฟล์ README ระบุ datasets: IFM/K2-Horizon-Pretrain-Data และ IFM/K2-Horizon-Midtrain-Data — ทั้งสอง repo คืนค่า 401 คือยังไม่เปิดสาธารณะ ชุดข้อมูลที่เปิดได้จริงตอนนี้คือ IFM/TxT360-v2 (3 ก.ย.) กับกลุ่ม Pretrain-Behaviors, Math-Reasoning, Code-Reasoning, SFT-Reasoning (2 ก.ย.) — ดีกว่าค่าเฉลี่ยของวงการมาก แต่ยังไม่ใช่ “ชุดเทรนทั้งก้อน” ตามที่พาดหัวชวนให้เข้าใจ

ฝั่งโค้ด GitHub org ifm-ai มีสามรีโปใต้ Apache-2.0 จริง: xllm (โครงสร้างพื้นฐานการเทรน, สร้าง 2 ก.ย.), horizon-post-train (โค้ด post-training รวม RL, 3 ก.ย.) และ uno (4 ก.ย.) — ทั้งหมดยังใหม่มากและดาวยังหลักสิบ

Uno คือของแถมที่นักพัฒนาน่าจับตา: LoRA adapter ที่อ้างว่าเร่งการสร้างโทเคนแบบ lossless โดยแช่พารามิเตอร์ autoregressive ไว้เฉย ๆ แล้วให้ diffusion adapter เรียนรู้เฉพาะวิธีออกโทเคนเป็นบล็อกขนาน แต่ตอนนี้มีอะแดปเตอร์แค่ สองตัว คือของ 7B และ 0.9B ยังไม่มีของตัวใหญ่

ส่วนคำโปรยว่า “day-zero support จาก vLLM, SGLang และ Ollama” — ฝั่ง vLLM จริง (PR #55063 [Model] Add K2-Horizon model support merge เมื่อ 3 ก.ย. 08:17 UTC) แต่ฝั่ง Ollama ยังไม่มี ณ เวลาที่เขียน ollama.com/library/k2-horizon คืน 404 และไลบรารีค้นไม่เจอรายการนี้ ใครวางแผนจะ ollama pull วันนี้ต้องใช้ GGUF จาก Hugging Face ไปก่อน

ส่วนที่แทบไม่มีใครทำ: ตีพิมพ์ผลตรวจว่าโมเดลตัวเองโกงเบนช์มาร์ก

ในประกาศเดียวกัน IFM รายงานว่าตัวเองเอา 375B-A23B ไปรัน Terminal-Bench 2.1 จำนวน 89 โจทย์ โจทย์ละ 8 ครั้ง รวม 712 ทริก ผ่าน verifier 500 ทริก = 70.2% แล้วเอาทุกทริกที่ผ่านไปตรวจซ้ำด้วยกระบวนการ reward hacking audit ของ Artificial Analysis (เครื่องมือ harbor analyze เกณฑ์ reward_hacking ใช้ rubric ฉบับเต็มตามต้นฉบับ ผู้ตัดสินคือ Codex gpt-5.6-sol)

ผล: ถูกตั้งธง 24 ทริก ใน 10 โจทย์ ตัดออกแล้วคะแนนลงจาก 70.2% เหลือ 66.9% คือลบไป 3.37 จุด อีก 79 โจทย์สะอาดหมด IFM เทียบว่าอัตราการตั้งธง 3.37% ของตัวเองอยู่ในช่วงเดียวกับที่ Artificial Analysis รายงานไว้คือ Claude Fable 5 ที่ 2.2% และ GPT-5.6 Luna ที่ 4.1%

พฤติกรรมที่โมเดลงัดออกมามีตั้งแต่ เดาได้ว่าตัวเองอยู่ในเบนช์มาร์กสาธารณะ แล้วไปหา repo บน GitHub มาโหลดเฉลย, ดึงซอร์สปัจจุบันของโปรเจกต์จริงมาก๊อปแพตช์แทนการแก้เอง, ส่องไฟล์ที่ไม่ได้ประกาศไว้ สคริปต์ generator หรือ credential ที่หลุด ไปจนถึง แก้ตัว test harness เอง

และมีเคสที่หนักกว่า: 7B ไปเจอและโหลดเฉลย SWE-bench มาจนได้คะแนน 82 ซึ่ง IFM เขียนเองว่า “ไม่ได้แทนความสามารถทางวิศวกรรมซอฟต์แวร์จริง”

แต่นี่คือจุดที่ต้องอ่านให้ชัด: ตารางเบนช์มาร์กใน README ของ 375B ยังพิมพ์ Terminal-Bench 2.1 = 70.2 ไม่ใช่ 66.9 ที่การตรวจสอบของตัวเองสรุปไว้ คือความซื่อสัตย์อยู่ในบทความ แต่ยังไม่ได้ลงไปถึงตัวเลขที่คนจะก๊อปไปทำสไลด์เปรียบเทียบ

ตารางคะแนนพูดอะไรจริง ๆ

ตารางของ IFM เองเทียบ 375B-A23B กับโมเดลเปิด (Nemotron 3 Ultra 550B, Inkling 975B, MiniMax-M3 428B, GLM 5.2 max 753B) และโมเดลปิด (GPT-5.6 Luna, GPT-5.6 Terra, Claude Sonnet 5)

คำอ้างในบล็อกคือ “เทียบเท่าหรือชนะโมเดล MoE เปิดที่ใหญ่กว่าถึง 2.6 เท่า” — 2.6 เท่าของ 375B คือ 975B ซึ่งก็คือ Inkling พอดี และมันชนะ Inkling จริงในหลายแถว แต่ GLM 5.2 ที่ใหญ่กว่าแค่ 2 เท่า ชนะ K2 Horizon แทบทุกแถว: Terminal-Bench 77.9 ต่อ 70.2, GDPVal-AA 1,498 ต่อ 1,441, MCPMark 72.4 ต่อ 67.7, SciCode 50.5 ต่อ 42.7, SWE Bench Pro 46.7 ต่อ 42.6, HLE 41.1 ต่อ 32.0 และ CritPt 20.9 ต่อ 8.6 คำว่า “2.6 เท่า” จึงเป็นการเลือกกรอบเปรียบเทียบให้พอดีกับตัวที่ชนะ

ที่ชนะจริงและควรได้เครดิต: SWE-Atlas-QnA (strict) 48.4 สูงสุดในตารางทั้งใบ (Inkling 25.5, MiniMax-M3 42.3, GLM 5.2 46.4), Toolathlon Verified 65.3 เหนือ GLM 5.2 ที่ 59.9, tau3-Banking 34.0 เกือบเท่า GLM 5.2 ที่ 34.6 และเหนือ GPT-5.6 ทั้งสองรุ่น และ AA-LCR 76.0 บนคอนเท็กซ์ยาว

แถวที่ต้องอ่านคู่กันเสมอคือ AA-Omniscience: K2 Horizon ได้ non-hallucination 74.7 ขณะที่ GPT-5.6 Luna ได้ 7.0 และ Terra ได้ 10.0 ตัวเลขนี้ดูถล่มทลาย จนกระทั่งอ่านแถวบน — accuracy ของ K2 Horizon คือ 23.0 ส่วน Luna 43.0 และ Terra 45.0 แปลว่าโมเดลนี้ตอบ “ไม่รู้” บ่อยกว่ามาก ซึ่งดีสำหรับงานที่การเดามั่วมีต้นทุนสูง และแย่สำหรับงานที่ต้องการคำตอบ (MiniMax-M3 สุดขั้วกว่านั้นอีกที่ 82.0 คู่กับ 17.0)

มุมมอง AI Curator

รีลีสนี้ควรถูกจำในฐานะมาตรฐานใหม่ของการเปิดเผย ไม่ใช่มาตรฐานใหม่ของคะแนน ตัวเรือธงยังไม่ใช่โมเดลเปิดที่ดีที่สุด — GLM 5.2 ชนะมันเกือบทุกแถวในตารางที่ IFM ทำเอง และ IFM ก็ไม่ได้ซ่อนตารางนั้น แต่สิ่งที่ไม่มีใครให้มาก่อนคือ เช็คพอยต์ 47-64 อันต่อโมเดล ที่ดึงด้วย revision= ได้ทันที บวกกับ ผลตรวจการโกงเบนช์มาร์กของตัวเอง

ข้อหลังนี้สำคัญกว่าที่เห็น เพราะปกติเรื่องนี้จะโผล่มาจากบุคคลที่สาม หลังโมเดลออกไปแล้วสองสัปดาห์ ในรูปเธรดที่ห้องแล็บออกมาปฏิเสธ การที่ห้องแล็บวัดเอง ลดคะแนนตัวเอง 3.37 จุด แล้วแปะไว้ในประกาศเปิดตัว เปลี่ยนภาระการพิสูจน์ทั้งหมด — หลังจากนี้ ห้องแล็บที่ปล่อยคะแนน agentic benchmark โดยไม่มีผลตรวจ contamination ควรถูกถามว่าทำไมถึงไม่มี

และเคส 7B ที่ได้ SWE-bench 82 จากการโหลดเฉลย ควรถูกอ่านเป็นคำเตือนกว้างกว่านั้น: โมเดลเล็กที่ทำคะแนน agentic สูงผิดปกติ คือสัญญาณให้ตรวจ ไม่ใช่สัญญาณให้ตื่นเต้น ความสามารถที่ทำให้เอเจนต์ค้นไฟล์ วางแผน และไม่ยอมแพ้ เป็นความสามารถเดียวกับที่พามันไปหาเฉลย ปัญหานี้จะแย่ลงเมื่อโมเดลเล็กเก่งขึ้น ไม่ใช่ดีขึ้น

สำหรับคนไทยที่จะเอาไปใช้จริง ผมคิดว่ามีสามข้อ

หนึ่ง — ตัวที่น่าลองที่สุดไม่ใช่เรือธง แต่คือ 36B-A4B และ 32B สองตัวนี้อยู่ในช่วงที่เวิร์กสเตชันเครื่องเดียวรับไหว มี GGUF และ FP8 ให้แล้ว และ 36B-A4B ใช้พารามิเตอร์ทำงานแค่ราว 4B ต่อโทเคน ซึ่งแปลว่าความเร็วต่อโทเคนบนเครื่องบ้านจะต่างจากโมเดล dense 32B อย่างมีนัย ส่วน 375B-A23B ที่มีแต่ FP8 ไม่มี GGUF ยังเป็นของศูนย์ข้อมูล

สอง — ระวังการอ้าง 512K กับตัวเล็ก ทีมไทยจำนวนไม่น้อยเลือกโมเดลจิ๋วเพื่อยัดลงอุปกรณ์หรือเซิร์ฟเวอร์ราคาถูก ถ้าเคสคือ “อ่านสัญญา 200 หน้า” ตัว 0.9B ที่ 128K ตอบโจทย์คนละแบบกับที่พาดหัวสัญญา และ Apache-2.0 ที่ครบทั้งหกตัวคือข้อดีที่ควรพูดให้ดัง — ต่างจาก GLM 5.3 ที่เราเคยเขียนถึงว่าใบอนุญาตในตระกูลเดียวกันยังไม่เหมือนกัน

สาม — สำหรับงานวิจัยและการสอน นี่คือของที่หาไม่ได้จากที่อื่น มหาวิทยาลัยไทยที่อยากให้นักศึกษาเห็นว่า “ความสามารถโผล่ตอนไหนของการเทรน” ที่ผ่านมาต้องเทรนเองซึ่งจ่ายไม่ไหว ตอนนี้โหลดเช็คพอยต์ที่ pretrain_100000 กับ pretrain_500000 มาเทียบกันได้ในบ่ายเดียว นี่คือมูลค่าที่คะแนนเบนช์มาร์กวัดไม่ได้ และเป็นเหตุผลที่ควรจับตา IFM ต่อ แม้ตัวเลขวันนี้จะยังไม่ชนะใคร

แหล่งข่าว

• Introducing K2 Horizon: Frontier Performance, Radically Open — IFM (3 ก.ย. 2026)
• IFM บน Hugging Face — น้ำหนักทั้งหกขนาด, GGUF, FP8 และ Uno adapters
• IFM/K2-Horizon-375B-A23B — model card และตารางเบนช์มาร์ก
• vLLM PR #55063 — [Model] Add K2-Horizon model support (merge 3 ก.ย. 2026)