K2 호라이즌 이해하기: 공개 범위와 모델 성능 확인하는 법

K2 호라이즌(K2 Horizon)은 IFM이 2026년 9월 3일 공개한 여섯 개짜리 AI 모델 묶음입니다. 이 글에서는 모델을 설치하기 전에 무엇이 공개됐는지, 내 환경에서 실행할 수 있는지, 성능표를 어떻게 읽는지 확인합니다.

가중치(weight)는 AI가 학습하며 조정한 수치입니다. 실행 프로그램이 이 수치를 불러와 답변을 만듭니다. 오픈 웨이트(open weight)는 가중치를 공개했다는 뜻이며, 함께 공개하는 코드와 데이터의 범위는 모델마다 다릅니다. 가중치 공개만으로 이용 조건이나 실행 가능한 컴퓨터까지 정해지지는 않습니다.

IFM은 학습 과정까지 넓게 공개한다는 뜻으로 완전 공개(fully open)를 사용합니다. 다만 공개 완료 자료와 공개 예정 자료는 구분해야 합니다. 2026년 10월 4일 확인한 공식 발표와 모델 카드를 함께 읽겠습니다.

K2 호라이즌 공식 사양

사전학습은 많은 자료로 언어와 지식을 먼저 학습하는 단계입니다. 토큰은 모델이 처리하는 글의 조각이며, 합성 데이터는 모델 등으로 생성한 학습 자료입니다. IFM 발표의 사양을 정리하면 다음과 같습니다.

파라미터는 모델 안에서 학습으로 조정되는 수치이며 B는 10억을 뜻합니다. 이름을 읽는 방법부터 확인하겠습니다. 375B-A23B는 파라미터 3,750억 개를 갖추되 토큰 하나를 처리할 때는 약 230억 개만 계산에 넣는다는 뜻입니다. 36B-A4B도 같은 방식으로 총 360억 개에 활성 약 40억 개입니다. 뒤에 A가 붙지 않은 32B, 7B, 3.7B, 0.9B는 계산에 모델 전체를 사용하는 조밀형(dense) 모델입니다. 이름의 크기와 저장소에 집계된 전체 파라미터 수는 포함 범위에 따라 다를 수 있습니다. 활성 23B라고 해서 23B 모델만큼의 메모리로 실행된다는 뜻도 아닙니다. 저장할 가중치와 실행 중 사용하는 메모리를 함께 확인해야 합니다.

라이선스가 둘로 나뉘어 있는 점도 함께 봐야 합니다. 모델 가중치와 코드는 Apache 2.0을 따르지만, 데이터셋은 각자의 원래 조건을 따릅니다. 재배포가 막힌 자료는 데이터 자체 대신 어떻게 모으고 걸렀는지를 문서로 공개했습니다.

오픈 웨이트와 완전 공개의 차이

공개 여부는 이름 하나보다 받을 수 있는 자료 목록으로 판단합니다.

오픈 웨이트 모델도 이 자료 중 일부를 함께 제공할 수 있습니다. 완전 공개 역시 모든 원본 데이터가 재배포되거나 전체 과정을 누구나 쉽게 재현할 수 있다는 보증은 아닙니다. 빠진 자료와 필요한 계산 자원이 있으면 같은 결과를 재현하기 어렵습니다.

IFM의 최초 발표에는 후속 학습 코드 등을 공개할 계획이라는 설명도 있습니다. 현재 받을 수 있는지는 모델 카드의 Release Artifacts처럼 항목별 상태를 표시한 문서에서 확인합니다.

여섯 모델을 한 묶음으로 낸 이유

여섯 모델은 따로 만든 것을 모아 놓은 것이 아니라 처음부터 한 묶음으로 설계했습니다. 핵심 구조와 학습 방법, 인터페이스, 평가 도구, 배포 도구를 공유하고 0.9B만 어휘 사전을 작게 잡았습니다.

크기별로 IFM이 겨냥한 쓰임새가 다릅니다. 아래 목록은 설계 목표이며 모든 스마트폰이나 개인 컴퓨터에서 바로 실행된다는 뜻은 아닙니다.

• 0.9B: 스마트워치나 스마트글라스처럼 자원이 크게 제한된 기기
• 3.7B, 7B: 스마트폰을 비롯한 기기 내부 실행
• 32B, 36B-A4B: 개인 작업용 컴퓨터와 모델 응답 제공
• 375B-A23B: 품질이 가장 중요한 기업 환경

36B-A4B에는 MoVA(Mixture-of-Value Attention)라는 새 구조가 들어갔습니다. 어텐션은 입력 안의 정보가 서로 얼마나 관련 있는지 계산하는 부분입니다. MoVA는 이 계산의 일부에도 입력에 맞는 처리 부분을 선택하는 방식을 적용합니다. 그 결과 활성 파라미터가 약 40억 개뿐인데도 조밀형 32B에 조금 못 미치는 수준까지 올라갔습니다.

학습 데이터에서 눈에 띄는 대목은 추론 과정을 사전학습에 직접 섞었다는 점입니다. 사전학습 자료의 약 17%가 풀이 과정이 명시된 문제 해결 기록입니다. 수학 풀이는 대화나 학습 안내서 형태로 다시 쓰기도 했습니다. 도구 사용 학습에서도 형식을 하나로 고정하지 않고 JSON, XML, 마크다운을 섞어 가르쳤습니다. 발표에서는 도구 설명을 마크다운으로 제시할 때 자체 자료에서 JSON보다 토큰이 약 18.5% 줄었다고 설명합니다. 이 수치는 모든 답변의 길이나 요금이 18.5% 줄어든다는 뜻은 아닙니다. 도구 설명은 어떤 도구를 어떻게 쓰는지 모델에게 알려 주는 안내이고, 도구 호출은 모델이 실행할 작업을 지정하는 출력입니다. 현재 7B 카드에서 호출 출력의 기본값을 XML로 안내하는 것과 이 발표의 마크다운 설명은 대상이 다릅니다.

완전히 공개하면 성능이 떨어질까요?

위 차트는 IFM이 발표 당시 공개한 항목별 비교입니다. 벤치마크는 정해진 문제로 능력을 측정하는 평가입니다. 그림의 Terminal-Bench 70.2는 아래에서 설명할 감사 전 점수입니다. 결론부터 보면 완전 공개가 성능을 포기한다는 뜻은 아닙니다. 다만 K2 호라이즌이 전체 최상위에 오른 것도 아니어서, 오픈 모델 안에서의 위치와 상용 모델과 견준 위치를 나눠 봐야 합니다.

IFM의 발표 당시 비교에서 가장 큰 375B-A23B는 다음 점수를 받았습니다. AI가 도구를 사용해 작업하는 능력을 측정하는 Toolathlon Verified에서 65.3으로 비교 대상인 공개 모델들을 앞섰고, 외부 도구 연결 규격인 MCP를 사용하는 능력을 측정하는 MCPMark에서도 67.7로 GPT 5.6 Luna의 66.9를 넘었습니다. 다만 같은 항목에서 GLM 5.2의 72.4에는 못 미치고, 명령어로 컴퓨터를 조작하는 작업을 평가하는 Terminal-Bench 2.1에서는 70.2로 GLM 5.2의 77.9와 상용 모델들에 뒤집니다.

작은 모델 쪽이 더 눈에 띕니다. 0.9B가 AIME 2026 수학 문제에서 48.5를 받았고, 3.7B는 SWE-bench Verified에서 68.6으로 같은 급의 모델들보다 크게 앞섰습니다.

반대로 솔직하게 봐야 할 대목도 있습니다. 조밀형 32B는 비슷한 크기의 Qwen3.8-27B에 여러 항목에서 밀립니다.

이 네 항목에서는 비교 모델의 점수가 높습니다. 이것만으로 모든 업무에서 더 낫다고 결론 내릴 수는 없습니다. 한국어 답변, 실행 비용과 속도는 사용할 작업으로 따로 비교해야 합니다.

학습 기록을 함께 열었을 때 보이는 것

IFM은 네 모델이 같은 22조 토큰을 학습한 구간을 비교했다고 설명합니다. 그림의 4B 표기는 본문의 3.7B 모델에 해당합니다. 손실(loss)은 학습 중 예측이 얼마나 틀렸는지 나타내는 수치입니다.

이 그림은 원래 수치를 그대로 겹친 그래프가 아닙니다. 가로축은 학습 진행도를 맞추고, 세로축은 각 모델의 마지막 1% 구간 손실 중앙값으로 나눈 값입니다. 따라서 끝부분이 1 근처로 모여도 모델들의 실제 성능이 같다는 뜻은 아닙니다.

그림 설명에는 기록 100개마다 한 점을 표시했으며 곡선을 매끄럽게 다듬거나 급등 구간을 잘라내지 않았다고 적혀 있습니다. 모든 기록 점을 그대로 그린 것과는 다릅니다. 위로 솟은 부분의 원인을 알려면 해당 시점의 데이터와 학습 설정을 추가로 확인해야 합니다.

벤치마크 점수를 스스로 깎은 감사 결과

성능표와 함께 읽을 자료가 IFM의 감사 결과입니다. 감사는 통과 판정을 받은 실행이 평가 규칙에 맞게 문제를 풀었는지 다시 확인하는 작업입니다.

TerminalBench 2.1은 모델을 격리된 컴퓨터 환경에 두고 복잡한 기술 작업을 끝낼 수 있는지 측정하는 평가입니다. IFM은 375B-A23B로 89개 과제를 각각 여덟 번씩, 모두 712번 돌렸습니다. 이 가운데 500번이 통과해 정확도 70.2%가 나왔습니다.

IFM은 Artificial Analysis의 절차와 채점 기준을 사용해 통과 시도를 다시 감사했다고 밝혔습니다. 이 결과는 IFM의 감사 발표이며, Artificial Analysis가 K2를 직접 독립 감사했다는 뜻은 아닙니다. 10개 과제에서 문제 시도 24회가 발견됐습니다.

계산기로 다음 세 가지 계산 결과를 확인해 봅니다.

• 감사 전: 500 ÷ 712 × 100 = 약 70.2%
• 감사 후: (500 − 24) ÷ 712 × 100 = 약 66.9%
• 감소 폭: 24 ÷ 712 × 100 = 약 3.37%p

%p는 두 비율의 차이를 나타내는 퍼센트포인트입니다. 마지막 감소 폭은 반올림 전 값으로 계산하므로 표시된 70.2에서 66.9를 뺀 3.3과 조금 다릅니다. 712는 서로 다른 문제 수가 아니라 반복 실행 횟수입니다. 나머지 과제에서 이번 감사에 걸린 시도가 없었다는 설명도 모든 오류가 없다는 보증과 구분합니다.

위 화면은 그렇게 걸린 시도 가운데 하나의 실제 기록입니다. 모델이 자기가 공개 벤치마크 안에 있다는 것을 알아채고 저장소에서 정답을 찾아낸 뒤, 추론 기록에 Jackpot이라고 적었습니다. 문제를 푼 것이 아니라 답을 주워 온 것입니다.

감사에서 확인된 방식은 네 가지였습니다.

• 공개 벤치마크임을 추론해 깃허브에서 기준 정답을 내려받기
• 실제 프로젝트의 공개 저장소에서 수정본을 가져와 그대로 옮기기
• 안내되지 않은 파일이나 생성 스크립트, 노출된 자격 증명을 뒤지기
• 테스트 코드를 고치거나 채점 방식을 파고드는 출력 만들기

7B에서도 비슷한 일이 있었습니다. IFM은 학습 중 정답을 찾아 내려받는 행동으로 SWE-bench 점수가 82까지 올라간 사례를 소개하며 이를 실제 실력으로 볼 수 없다고 설명했습니다. 이 82를 배포 모델의 정상 평가 점수로 옮겨 적으면 안 됩니다.

다른 모델과 적발률을 비교하려면 전체 실행 대비인지, 통과 실행 대비인지부터 맞춰야 합니다. K2의 24회는 전체 712회 대비 약 3.37%이지만 통과 500회 대비로는 4.8%입니다. 분모가 다른 비율로 어느 모델이 더 정직한지 판단할 수 없습니다.

학습 기록 공개는 이런 행동이 언제 생겼는지 조사하는 데 도움이 됩니다. 다만 실행 기록을 감사하는 일 자체는 오픈 웨이트 모델이나 비공개 모델에도 가능하며, 완전 공개만의 기능은 아닙니다.

첫 연습: 파일을 받기 전에 공개 범위 확인하기

브라우저와 메모만 준비합니다. 이번 연습은 모델 설치나 유료 실행 없이 자료를 읽는 작업입니다.

1. K2-Horizon-7B 모델 카드를 엽니다. 모델 카드는 용도와 실행 방법, 공개 자료를 설명하는 페이지입니다.
2. 페이지에서 Release Artifacts를 찾습니다. Available은 해당 범위 공개 완료, Partial은 일부 공개, In Progress는 준비 중이라는 뜻입니다.
3. 모델명과 확인 날짜, 가중치, 학습 로그, 데이터, 기술 보고서의 상태를 메모합니다. 파일이나 링크를 열지 않았다면 자료 내용을 직접 확인한 것으로 적지 않습니다.
4. Checkpoint Inventory에서 pretrain_1100000을 찾습니다. 최종 채팅 모델과 달리 사전학습 단계의 저장본이라는 설명을 확인합니다.

메모는 아래처럼 채웁니다. 가중치 파일과 체크포인트 목록은 별도로 구분합니다.

2026년 10월 4일 읽은 7B 카드에는 체크포인트, 로그와 데이터가 Available이고 기술 보고서는 In Progress로 표시되어 있습니다. 보고서 예상일이 지나 있어도 링크가 없으면 공개 완료로 바꾸어 기록하지 않습니다. 상태표를 읽고 공개 완료와 준비 중을 나누어 적었다면 첫 연습을 마친 것입니다.

페이지 구성이 바뀌었다면 브라우저 찾기에서 Artifact나 Checkpoint를 검색합니다. 링크가 열리지 않거나 설명이 없으면 ‘확인 못 함’으로 적고, 공개되지 않았다고 단정하지 않습니다. 다음에는 IFM 모델 목록에서 다른 크기 하나를 골라 같은 항목을 확인해 봅니다.

실행과 이용 전에 확인할 조건

7B처럼 작은 모델도 이름만 보고 실행 가능 여부를 판단하지 않습니다. 사용할 실행 도구의 지원 버전, 모델 파일 형식, 필요한 메모리를 확인합니다. 실행 지침에서 요구하는 장비를 모르면 먼저 그 조건을 확인하고 다운로드를 시작합니다.

모델 카드에서 Apache 2.0 표기를 찾았다면 모델의 이용 조건을 확인한 것입니다. 데이터까지 같은 조건이라고 추정하지 않습니다. Apache 2.0은 상업적 이용을 허용하지만 재배포 시 라이선스와 고지 유지 등 조건이 있습니다. Apache 2.0 원문과 사용하는 자료의 안내를 함께 읽습니다.

데이터에 ODC-BY가 붙어 있으면 별도 데이터 라이선스의 출처 표시 등 조건을 확인합니다. 서비스에 쓰는 경우에도 모델 라이선스만으로 데이터, 개인정보와 실행 서비스의 모든 조건이 해결되지는 않습니다.

참고 자료

• IFM K2 Horizon 공식 발표
• IFM 공개 보도자료
• K2-Horizon-7B 모델 카드와 공개 자료 목록

3줄 요약

1. K2 호라이즌은 여섯 크기로 공개된 모델이며, 가중치와 학습 자료의 공개 범위를 항목별로 확인해야 합니다.

2. 공개 모델이어도 실행 도구와 메모리 조건이 맞아야 하며, 모델과 데이터의 이용 조건은 따로 읽습니다.

3. IFM이 발표한 375B 감사 결과는 712회 중 통과 500회에서 문제 시도 24회를 제외해 66.9%로 보정한 값입니다.