Den 3 september 2026 släppte ett forskningsinstitut i Abu Dhabi något ingen av Silicon Valleys jättar hade gjort tidigare: sex AI-modeller, från 0,9 till 375 miljarder parametrar, med öppna vikter, öppen kod, öppna träningsdata och en fullständig beskrivning av träningsmetoden. Allt under Apache 2.0-licens. Bakom släppet står Institute of Foundation Models (IFM), en del av Mohamed bin Zayed University of Artificial Intelligence (MBZUAI). Modellfamiljen heter K2 Horizon, och den ställer en obekväm fråga till OpenAI, Google, Anthropic och Meta: om ett universitet i Förenade Arabemiraten kan bygga en 375-miljarders-modell och ge bort den gratis, vad är då egentligen värdet i att hålla vikterna stängda?
Det här är inte ett litet forskningsprojekt. K2 Horizon konkurrerar på pappret med etablerade modeller på tester som GPQA Diamond och Terminal-Bench, samtidigt som hela paketet, från träningskod till checkpoints under vägen, ligger fritt tillgängligt på Hugging Face. För svenska och nordiska företag som brottas med GDPR, datasuveränitet och kostnader för AI-API:er öppnar det en väg som inte fanns för bara några veckor sedan: kör en toppmodell på egen infrastruktur, utan licensavgift och utan att skicka data till en amerikansk eller kinesisk molntjänst.
Vad är K2 Horizon och vem ligger bakom den?
Institute of Foundation Models grundades 2025 och beskrivs av Technology Innovation Institute (TII) som en organisation utspridd över Abu Dhabi, Paris och Silicon Valley. Institutet är knutet till MBZUAI, universitetet som Abu Dhabis regering startade specifikt för AI-forskning. K2 Horizon är IFM:s första stora modellsläpp, och enligt institutets egen beskrivning handlar det om “det största helt öppna AI-modellsläppet i historien”, ett påstående som bygger på att både vikter, kod, träningsdata, metodik och mellanliggande checkpoints följer med i paketet, inte bara den färdiga modellen.
Det skiljer K2 Horizon från de flesta konkurrenter. Meta släpper Llama-vikter under en egen community-licens med användarvillkor. Många Qwen- och DeepSeek-modeller är öppna, men licensvillkoren varierar mellan enskilda versioner. IFM väljer istället att lägga ut hela receptet, ner till träningsdatan, även om vissa datamängder bär egna licenser som ODC-BY snarare än Apache 2.0. Modellerna och koden är dock konsekvent Apache 2.0-licensierade, vilket ger företag rätt att använda, modifiera och sälja produkter byggda på dem utan royalty.
Sex modeller i en familj, från fickstorlek till flaggskepp
K2 Horizon är inte en enskild modell utan en hel svit byggd för olika användningsfall, från mobila appar till datacenterdrift. Flaggskeppet, K2-Horizon-MoVA-375B-A23B, använder en gles Mixture-of-Experts-arkitektur (MoVA) där bara 23 miljarder av de 375 miljarderna parametrarna aktiveras per token. Det gör modellen billigare att köra än storleken antyder, samtidigt som den behåller kapaciteten hos en betydligt större tät modell. Varje modell i familjen är, enligt IFM, förtränad på ungefär 20 biljoner token.
| Modell | Totalt antal parametrar | Aktiva parametrar | Typ | Kontext |
|---|---|---|---|---|
| K2-Horizon-MoVA-375B-A23B | 375 miljarder | 23 miljarder | Gles MoE (MoVA) | 512K token |
| K2-Horizon-MoVA-36B-A4B | 36 miljarder | 4 miljarder | Gles MoE (MoVA) | 512K token |
| K2-Horizon-32B | 32 miljarder | 32 miljarder | Tät modell | 512K token |
| K2-Horizon-7B | 7 miljarder | 7 miljarder | Tät modell | 512K token |
| K2-Horizon-3.7B | 3,7 miljarder | 3,7 miljarder | Tät modell | 512K token |
| K2-Horizon-0.9B | 0,9 miljarder | 0,9 miljarder | Tät modell | 512K token |
Alla sex modellerna stöds från dag ett av vLLM, SGLang och Ollama, och finns tillgängliga som FP8- och GGUF-byggen på Hugging Face. Det gör att en utvecklare kan gå från nedladdning till en körande lokal instans på samma dag som modellen släpptes, utan att vänta på community-portering.
Så presterar K2 Horizon i oberoende tester
Flaggskeppsmodellen 375B-A23B redovisar 70,2 poäng på Terminal-Bench 2.1, 87,3 på GPQA Diamond, 1 441 Elo på GDPVal-AA och 67,7 på MCPMark. På SWE-Atlas-QnA toppar den sin egen jämförelsetabell med 48,4 poäng, men ligger efter GPT-5.6 Luna och Claude Sonnet 5 på de flesta agentbaserade uppgifter. Det ger en tydlig bild: K2 Horizon är starkt på kunskapstunga och resonerande uppgifter, men har inte tagit över täten inom agentisk kodning, där Anthropic och OpenAI fortsatt leder.
Det säger fortfarande en hel del att en öppen modell från ett universitet matchar eller slår kommersiella system på flera tunga benchmarks bara veckor efter lansering. För två år sedan var gapet mellan öppna och stängda modeller ofta sex till tolv månader. Med K2 Horizon och tidigare släpp som Qwen och GLM handlar skillnaden numera snarare om veckor.
Öppen källkod med skärpa: vad “helt öppen” faktiskt betyder
Termen “öppen källkod” har blivit uttänjd i AI-branschen. Många modeller kallas öppna trots att bara vikterna är nedladdningsbara, medan träningsdata, exakt förträningsmetodik och mellansteg förblir hemliga. IFM gör tvärtom och publicerar hela kedjan: kod, data, metodik och intermediära checkpoints, alltså modellens tillstånd vid olika punkter under träningen. Det gör det möjligt för externa forskare att faktiskt reproducera resultaten, inte bara ladda ner en färdig fil och lita på leverantörens ord.
Eric Xing, professor och rektor vid MBZUAI samt grundare av IFM, formulerade det så här i samband med lanseringen: “Open source is much more than open weights. Science works when others can see the data, follow the method, reproduce the result, and improve on it.” (tbreak.com) I en separat kommentar till The National beskrev Xing att K2 Horizon släpptes “fully open, making it possible for other researchers, developers and institutions to develop and inspect code, training data and methodology” (The National).
Prisjämförelse: gratis självhosting mot API-jättarna
Priset är där skillnaden blir konkret för ett företags budget. IFM tar inte ut någon licensavgift alls, eftersom man inte säljer inferens utan ger bort vikterna för självhosting. Artificial Analysis noterar detta som “0 dollar per miljon token”, med reservationen att den siffran döljer de faktiska kostnaderna för GPU-kapacitet, drift och underhåll som krävs för att köra en 375-miljarders-modell själv. Ställer man K2 Horizon mot de stora API-leverantörernas prislistor från september 2026 blir spannet tydligt.
| Modell | Leverantör | Indata per miljon token | Utdata per miljon token | Släppt |
|---|---|---|---|---|
| K2 Horizon 375B-A23B | IFM (självhostas) | 0 USD (egen infrastruktur) | 0 USD (egen infrastruktur) | 3 sep 2026 |
| DeepSeek V4.1 Flash | DeepSeek | 0,30 USD | 1,20 USD | 10 sep 2026 |
| Gemini 3.8 Flash | 0,75 USD | 3,75 USD | 2 sep 2026 | |
| Mistral Medium 3.5 | Mistral AI | 1,50 USD | 7,50 USD | 2026 |
| GPT-5.2 | OpenAI | 1,75 USD | 14,00 USD | feb 2026 |
För en organisation med egen GPU-kapacitet, eller tillgång till europeisk molndrift, kan totalkostnaden för K2 Horizon bli lägre än att betala per token hos en amerikansk leverantör, särskilt vid stora, förutsägbara volymer. För mindre team utan infrastruktur blir dock självhosting av en 375-miljarders-modell fortfarande dyrare i praktiken än att betala DeepSeeks eller Googles API-priser.
Marknadspåverkan: vad händer med AI-branschens affärsmodeller?
Den mest direkta effekten av K2 Horizon syns inte i benchmarksiffror utan i prissättning. När en frontier-klassad modell blir tillgänglig utan licenskostnad tvingas kommersiella leverantörer motivera sina priser på annat sätt än ren kapacitet, till exempel genom support, drifttid, integrationer och färdiga verktyg runt modellen. DeepSeeks prissänkning på 32 procent för indata i samband med V4.1 Flash-lanseringen den 10 september visar redan hur snabbt konkurrenstrycket från öppna alternativ sprider sig till hela marknaden, även bland leverantörer som själva inte är helt öppna.
För molnleverantörer som Google, Amazon och Microsoft blir K2 Horizon dessutom en produkt att hantera snarare än bara en konkurrent att bekämpa. Eftersom modellen är fritt nedladdningsbar kan vilken molnleverantör som helst paketera och sälja hosting av K2 Horizon som en tjänst, ungefär som redan sker med Llama och DeepSeek. Det flyttar konkurrensen från vem som äger den bästa modellen till vem som kan driftsätta den billigast, snabbast och mest tillförlitligt, ett skifte som gynnar aktörer med egen datacenterkapacitet snarare än de som enbart licensierar modeller.
För inköpsansvariga på europeiska bolag betyder det här i praktiken fler alternativ vid varje upphandling. Där valet tidigare stod mellan ett fåtal amerikanska API-leverantörer finns nu ett växande fält av öppna modeller som kan köras på egen, europeisk infrastruktur, med Falcon, DeepSeek, Qwen, GLM och nu K2 Horizon som konkreta exempel. Det pressar ner totalkostnaden för AI-projekt över tid, samtidigt som det ökar kraven på intern kompetens för drift och underhåll, eftersom en självhostad modell inte längre är någon annans problem när något går fel.
Från Falcon till K2 Horizon: Abu Dhabis AI-resa
K2 Horizon är inte Abu Dhabis första öppna AI-satsning, men den är den mest ambitiösa. Redan 2023 släppte Technology Innovation Institute (TII), en systerorganisation till MBZUAI inom samma statliga forskningsekosystem, modellerna Falcon 7B, Falcon 40B och det uppmärksammade Falcon 180B, då en av de starkaste öppet tillgängliga modellerna i världen. TII följde upp 2024 med Falcon 2, inklusive en 11-miljarders modell och en vision-språk-variant. Samma år lovade Abu Dhabis forskningsråd ATRC 300 miljoner dollar till Falcon Foundation för att finansiera fortsatt öppen utveckling av Falcon-serien.
MBZUAI grundades runt 2019 med det första studentcohortet 2020, som ett direkt svar på emiratens ambition att bli ett globalt AI-nav snarare än enbart en oljeekonomi. K2 Horizon bygger vidare på den strategin, fast med IFM som en fristående institution inriktad specifikt på grundmodeller. Jämfört med Saudiarabiens statsledda investeringar via Public Investment Fund, eller Kinas industripolitiskt styrda AI-satsning, sticker Emiratens modell ut genom att kombinera statligt kapital med akademisk öppenhet och internationell publicering, snarare än att hålla resultaten inom landets gränser.
Konkurrensen: hur ställer sig K2 Horizon mot Llama, DeepSeek, Qwen och Mistral?
Öppen AI är inte längre en nisch. Under 2026 har öppna modeller stängt en stor del av avståndet till de stängda alternativen på flera ledande benchmarks. Skillnaden mellan familjerna ligger snarare i vad “öppen” faktiskt inkluderar. Metas Llama-serie är öppen i bemärkelsen nedladdningsbar, men styrs av en egen community-licens med användarvillkor som skiljer sig från Apache 2.0, något som redan skapat friktion i jämförelser mellan Mistral och Llama 4 kring exportregler och licensvillkor i EU. DeepSeeks modeller varierar i licens mellan versioner, ofta MIT för kod men med separata villkor för vikter. Qwen-familjen är till stor del Apache 2.0-licensierad, men inte konsekvent genom hela modellserien. Mistral blandar Apache 2.0-modeller med kommersiella och forskningslicensierade varianter beroende på produkt.
K2 Horizon skiljer sig genom bredden i vad som släpps öppet, inte bara genom vilken licens som används. Att publicera träningsdata och intermediära checkpoints tillsammans med vikterna är fortfarande ovanligt bland de stora labben, oavsett om de kallar sig öppna eller inte.
Benchmark-kaoset som gör jämförelser svåra
En sak komplicerar hela bilden: AI-branschens benchmarks pekar allt oftare åt olika håll beroende på vem som mäter. Under september 2026 har flera leverantörer och oberoende utvärderare publicerat sinsemellan motstridiga topplistor för samma test, SWE-bench Pro, med olika modeller i täten beroende på om siffrorna kommer från en standardiserad, oberoende körning eller från leverantörens egen rapportering. Det gör det svårt att uttala sig definitivt om exakt var K2 Horizon hamnar mot varje enskild konkurrent på just det testet.
Lärdomen för inköpare och utvecklare är enkel: fråga alltid vilken testuppsättning, vilken agent-inramning och vilken part som körde utvärderingen, innan en enskild procentsiffra styr ett köpbeslut. En modell som toppar en leverantörs egen tabell kan hamna på en helt annan placering i en oberoende, standardiserad körning.
Vad betyder K2 Horizon för EU och Norden?
Att en modell kommer från Förenade Arabemiraten stoppar inte i sig europeiska företag från att använda den. Eftersom vikterna och koden är öppna kan en svensk eller nordisk organisation ladda ner K2 Horizon och köra den helt på egen, europeisk infrastruktur, utan att en enda prompt lämnar landet. Det löser en del av de datasuveränitets-frågor som redan diskuterats kring DeepSeeks GDPR-utmaningar, eftersom GDPR-ansvaret då hänger på hur företaget själv hanterar personuppgifter, inte på var modellen ursprungligen tränades.
Samtidigt kvarstår frågor kring EU:s AI-förordning. Öppna vikter fritar inte automatiskt ett företag från skyldigheter som teknisk dokumentation, riskhantering eller, för modeller som klassas med systemrisk, ytterligare utvärderings- och rapporteringskrav. Ansvaret kan också delas mellan IFM som ursprunglig utvecklare och det europeiska företag som finjusterar eller driftsätter modellen vidare. Exportkontroll är ytterligare ett område att bevaka, eftersom regler kring avancerad GPU-kapacitet och beräkningsresurser kan påverka hur en modell tränas och distribueras, även om själva modellfilen är fritt nedladdningsbar.
För Sverige, som redan satsar statliga medel på en egen AI-modell genom KBLab och där norska NorMistral redan visat att en öppen, mindre modell kan konkurrera med dyra proprietära alternativ, passar K2 Horizon in i ett mönster: nordiska och europeiska aktörer letar aktivt efter alternativ till amerikanska molnjättar, både av kostnadsskäl och av oro för digital suveränitet.
Så kör du K2 Horizon själv
Tack vare dag-ett-stöd i Ollama, vLLM och SGLang är tröskeln för att testa modellen låg jämfört med tidigare stora modellsläpp. För den minsta varianten, K2-Horizon-0.9B, räcker vanlig konsumenthårdvara. Flaggskeppet 375B-A23B kräver betydligt mer minne, men den glesa MoVA-arkitekturen gör att bara 23 miljarder parametrar behöver hållas aktiva samtidigt under inferens.
# Ladda ner och kör den lilla modellen lokalt via Ollama
ollama pull ifm/k2-horizon:0.9b
ollama run ifm/k2-horizon:0.9b
# Servera flaggskeppsmodellen med vLLM (kräver GPU-kluster)
vllm serve IFM/K2-Horizon-MoVA-375B-A23B --tensor-parallel-size 8Modellerna finns även som kvantiserade GGUF-byggen, vilket sänker minneskravet ytterligare för team som vill testa flaggskeppsmodellen utan ett fullskaligt GPU-kluster.
Reaktioner från forskarvärlden
MBZUAI och IFM har själva varit tydliga med ambitionen bakom släppet. I institutets officiella tillkännagivande beskrivs att “all six models are being released fully open, including weights, code, training data and methodology, enabling researchers and developers worldwide to inspect, reproduce and adapt them” (WAM). Samma källa citerar MBZUAI:s egen beskrivning av K2 Horizon som “the largest fully open model release in AI history.”
Vad som ännu saknas i det offentliga materialet är oberoende kommentarer från forskare utanför MBZUAI och IFM själva, samt konkreta siffror på hur många gånger modellerna faktiskt laddats ner eller hur många organisationer som redan driftsatt dem. Det gör det för tidigt att dra slutsatser om hur stor praktisk spridning K2 Horizon får utanför forskarvärlden, även om den tekniska tillgängligheten är på plats från dag ett.
Risker och kritik
Öppenhet löser inte alla problem. Att träningsdata släpps med egna licenser, inte alltid Apache 2.0, betyder att juridiska team fortfarande måste granska varje datakälla innan en kommersiell produkt byggs ovanpå modellen. En statligt finansierad modell från Emiraten väcker också frågor för organisationer i känsliga sektorer, där ursprungslandets geopolitiska relationer kan spela roll för upphandlingsbeslut, oavsett hur öppen licensen är.
Benchmarksiffrorna bör också läsas med viss försiktighet, eftersom flera av dem kommer direkt från IFM:s egna mätningar snarare än en fullständigt oberoende tredjepartsutvärdering. Det gäller för övrigt de flesta nya modellsläpp i branschen just nu, inte bara K2 Horizon, men det är ändå värt att hålla isär leverantörsrapporterade siffror från oberoende körningar innan man fattar ett inköpsbeslut.
Fem förutsägelser för öppen AI 2027
- Fler statligt finansierade universitet och forskningsinstitut, inte bara techbolag, kommer släppa frontier-klassade modeller med fullt öppna träningsdata under 2027, eftersom K2 Horizon visar att modellen fungerar även utan en kommersiell affärsmodell bakom.
- Prispressen från gratis självhostbara alternativ tvingar sannolikt ner API-priserna hos Google, OpenAI och Mistral ytterligare under kommande kvartal, en trend som redan syns i DeepSeeks prissänkning i september.
- Fler europeiska myndigheter och banker kommer utreda självhostade öppna modeller som ett sätt att minska beroendet av amerikansk molninfrastruktur, med Sveriges KBLab-satsning som ett tidigt exempel på mönstret.
- Benchmark-fragmenteringen tvingar fram nya, mer standardiserade oberoende utvärderingar under 2027, i takt med att köpare tröttnar på motstridiga topplistor.
- Falcon Foundation och IFM kommer sannolikt knytas närmare varandra organisatoriskt, givet att båda är del av samma Abu Dhabi-finansierade AI-ekosystem och redan delar mål kring öppen grundmodellsutveckling.
Vanliga frågor om K2 Horizon
Vad är K2 Horizon för AI-modell?
K2 Horizon är en familj av sex öppna AI-modeller, från 0,9 till 375 miljarder parametrar, släppta den 3 september 2026 av Institute of Foundation Models vid MBZUAI i Abu Dhabi. Både vikter, kod, träningsdata och metodik är öppet publicerade under Apache 2.0.
Är K2 Horizon helt gratis att använda?
Modellen kostar ingenting i licensavgift och kan laddas ner fritt från Hugging Face. Att köra den kräver dock egen GPU-kapacitet eller molnresurser, vilket innebär en faktisk driftskostnad även om själva modellen är gratis.
Hur skiljer sig K2 Horizon från Llama och Qwen?
Llama styrs av Metas egen community-licens, medan Qwen varierar mellan Apache 2.0 och andra villkor beroende på version. K2 Horizon är konsekvent Apache 2.0-licensierad för modell och kod, och publicerar dessutom träningsdata och mellanliggande checkpoints, vilket få konkurrenter gör.
Kan svenska företag använda K2 Horizon utan GDPR-problem?
Att modellen är öppen gör det möjligt att köra den helt på europeisk infrastruktur, vilket förenklar datasuveränitet. GDPR-ansvaret ligger dock fortsatt hos företaget som behandlar personuppgifterna, inte på var modellen ursprungligen tränades, så egna rutiner för loggning, lagring och rättslig grund krävs fortfarande.
Vilken hårdvara krävs för att köra flaggskeppsmodellen 375B-A23B?
Den kräver ett GPU-kluster snarare än en enskild konsumentdator, även om den glesa MoVA-arkitekturen begränsar antalet aktiva parametrar till 23 miljarder per token. De mindre modellerna i familjen, ner till 0,9 miljarder parametrar, kan köras på betydligt enklare hårdvara.
Vem ligger bakom Institute of Foundation Models?
IFM lanserades 2025 och är knutet till Mohamed bin Zayed University of Artificial Intelligence i Abu Dhabi. Institutet leds av professor Eric Xing och verkar enligt egen beskrivning över Abu Dhabi, Paris och Silicon Valley.
Är K2 Horizon bättre än DeepSeek eller GPT-5.2?
Det beror på uppgiften. K2 Horizons flaggskeppsmodell presterar starkt på kunskapstester som GPQA Diamond, men ligger efter ledande modeller från Anthropic och OpenAI på agentbaserad kodning. Eftersom flera benchmarks dessutom ger motstridiga resultat beroende på testmetod bör köpare jämföra på egen hand innan de drar en definitiv slutsats.
