ifm.ai가 새벽에 글을 하나 올렸다. K2 Horizon, 부제부터 직설적이다: "Frontier Performance, Radically Open". Hacker News에서 116 포인트, 댓글 31개를 기록했다. 비(非)头部厂商 모델 출시치고는 꽤 뜨거운 반응이다.
먼저 K2 Horizon이 뭔지 정리하고 가자.
K2 Horizon이란
ifm.ai 측 설명으로는 최전선 성능급 LLM이면서 "완전한 오픈소스(radically open)"를 내건 모델이다. HN item id는 49551760, 공개 시점은 2026년 8월.
다만 파라미터 규모, context length, 아키텍처 같은 상세 기술 보고서는 원문 페이지에 없다. 이 자체가 첫 번째 시그널이다. 요즘 오픈소스 커뮤니티는 가중치를 풀었는지를 보는 게 아니라 학습 파이프라인을 어디까지 공개했는지를 본다.
이전 세대 오픈소스 모델과 비교하면:
- Llama 3: Meta는 가중치를 공개했지만 RLHF recipe, 학습 데이터 상세, 데이터 비율은 모호하게 처리. 상용 이용에도条款 제한이 따른다.
- DeepSeek V3: 기술 보고서는 훨씬 상세해서 학습 데이터 구성, 보상 모델 설계까지 명시했지만, 학습 데이터와 reward model의 구체적인 버전은 전부 공개하지 않았다.
- K2 Horizon: 슬로건은 "radically open"이지만 HN 댓글 분위기로는 커뮤니티가 여전히 "공개 항목 리스트"를 기다리고 있다 — 가중치, 학습 데이터, 학습 코드, RLHF recipe 중 진짜로 열린 게 뭔지.
"오픈소스"라는 두 글자는 이미 질릴 만큼 남용됐다.
HN 댓글 116 포인트, 무엇을 논하고 있나
HN 댓글을 쭉 훑어보니 세 갈래의 흐름이 눈에 띈다.
1. 라이선스가 실제로 얼마나 풀렸는가
K2 Horizon의 license가 Apache 2.0인지 자체 커스텀인지 묻는 글이 있다. 커스텀이라면 "radically open"은 그저 마케팅 문구일 뿐이다. 해당 댓글 아래에 누군가 ifm.ai의 공식 답변을 달았지만, 실제 LICENSE 파일 링크는 안 붙어 있었다.
2. 학습 데이터 투명성
또 다른高频 질문은 학습 데이터 출처, 정제 프로세스, 저작권争议 데이터셋 포함 여부다. Llama 3 시절에도 이 지점이 한 차례 욕을 먹었다 — Meta도 "비공개" 출처를 일부 사용했다고 인정한 바 있다.
3. 벤치마크가 로컬에서 재현되는가
누군가 K2 Horizon으로 비주류지만 변별력 있는 테스트를 돌려달라는 prompt를 올렸다. 이 댓글의 추천 수가 꽤 높았다. 즉, "MMLU 점수가 평가 스크립트 안에서만 유효한 거 아니냐"가 커뮤니티의 관심사라는 뜻이다.
한 가지 짚어둘 부분: 논의에서 "K2 Horizon이 GPT-5보다 강한가"를 묻는 사람은 없었다. 전부 "이게 진짜로 뭘 공개한 거냐"였다.
오픈소스 vs 클로즈드, 진짜 분기점은 어디인가
판단을 먼저 내리자: 오픈소스 LLM이 벤치마크에서 클로즈드 헤드급을 따라잡은 건 이미 2024년에 끝난 이야기다.
Llama 3.1 405B의 LMSYS Chatbot Arena Elo와 GPT-4o의 격차는去年 중반부터 한 자릿수로 수렴했고, DeepSeek V3는 "오픈소스는 벤치에서 못 싸운다"는 주장을 완전히 무력화했다.
그럼 클로즈드 업체들의 현재 해자가 뭘까.
파라미터 수가 아니고, 벤치마크 점수도 아니다. RLHF 이후의 제품급 안정성이다.
구체적으로 보면:
- 동일 prompt를 100번 돌렸을 때 출력 분산이 어느 정도인가. 클로즈드 헤드(GPT-4o, Claude Sonnet 4.5, Gemini 2.5 Pro)의 분산은 오픈소스 모델보다显著 낮다.
- 128K+ 장문 컨텍스트에서 검색할 때 오픈소스 모델의 "중간 함몰(middle collapse)" 문제는 여전히普遍적이다.
- JSON / function calling 형식 준수율은 클로즈드 헤드가 99% 이상을 안정적으로 찍는 반면, 오픈소스는 90~95% 수준에 머물러 있다.
이런 차이는 벤치마크 순위표에 안 보이지만, 프로덕션 환경에서는 곧 장애로 이어진다.
따라서 K2 Horizon이 가중치만 풀고 RLHF recipe(보상 모델 가중치, RLHF 학습 데이터, 학습 곡선 포함)를 공개하지 않는다면 "radically open"은 공허한 문구에 불과하다. 오픈소스 커뮤니티가 원하는 건 또 다른 checkpoint가 아니라 재현 경로다.
엔지니어라면 써볼 만한가
마케팅 문구 말고, 구체적인 판단 프레임을 제시하겠다.
K2 Horizon(혹은 유사 오픈소스 LLM)이 적합한 시나리오:
- 데이터 컴플라이언스 요건이 엄격한 경우 — 금융·의료·법률 도메인은 데이터를 외부로 빼낼 수 없다. 오픈소스 모델이라도 최소한 프라이빗 배포는 가능하다.
- 호출량은 많지만 단건 가치가 낮은 경우 — 콘텐츠 검수, 로그 분석,批量 분류 같은 작업. 클로즈드 API는 단가가 높고, 오픈소스 + 자가 호스팅으로 한 자릿수 비용 절감이 가능하다.
- 파인튜닝이 필요한 경우 — 수직 도메인 맞춤이 필요하면서 OpenAI의 fine-tuning 서비스(데이터 프라이버시, 커스터마이즈 깊이 모두 부족)를 쓰고 싶지 않을 때.
여전히 클로즈드 API를 써야 하는 시나리오:
- 제품이 최종 사용자를 직접 상대하는 경우 — 단 하나라도 어긋난 출력이 곧 클레임이 된다. 이 영역은 여전히 클로즈드 헤드가 안정적이다.
- 복잡한 reasoning 작업 — 다단계 추론, 긴 사슬의 planning에서는 오픈소스와 클로즈드 헤드 사이에 가시적 차이가 있다.
- 멀티모달 — 시각·오디오·영상 이해는 오픈소스 생태계가 아직 따라가는 중이다.
추론 비용 비교(대략):
가정: 월 호출량 1B tokens, 평균 입력:출력 = 3:1
클로즈드 API (GPT-4o 급): $2.5/1M input + $10/1M output
= 0.75 * 1B * 2.5/M + 0.25 * 1B * 10/M
= $1875 + $2500 = ~$4375/월
오픈소스 자가 호스팅 (H100 8장):
- 하드웨어: $3/hr * 24 * 30 = ~$2160/월 (온디맨드)
- 또는 예약 인스턴스가 더 저렴
- 거기에 운영 인건비 추가
손익분기점: 대략 월 500M tokens 이하에서는 클로즈드 API가 유리, 그 이상이면 오픈소스가 유리
실제 숫자는 모델 크기와 추론 프레임워크(vLLM, TGI, SGLang)에 따라 달라지지만, 오더는 비슷하다.
구체적인 시험 삼아 쓰는 법:
# vLLM으로 K2 Horizon을 로컬에서 돌리는 최소 코드
from vllm import LLM, SamplingParams
llm = LLM(model="ifm-ai/K2-Horizon") # 가상의 HF repo명
params = SamplingParams(temperature=0.7, max_tokens=512)
outputs = llm.generate(["MCP 프로토콜을 한 문장으로 설명해줘"], params)
for output in outputs:
print(output.outputs[0].text)
돌리기 전에 HuggingFace에 공식 저장소가 있는지, 그리고 구체적인 추론 설정 요건이 뭔지 먼저 확인할 것. 오픈소스 모델의 배포 문서 품질은 들쭉날쭉해서, 이 자체가 클로즈드 API를 선택하는 한 가지隐性 비용이 된다.
에디터 노트
K2 Horizon이 다음 Llama 모먼트가 될 것 같진 않다. 모델이 부족해서가 아니라, 오픈소스 LLM의 경쟁 축이 바뀌었기 때문이다.
2023~2024년 오픈소스 vs 클로즈드 논쟁의 핵심은 "따라잡을 수 있느냐"였다 — 오픈소스가 GPT-4 급 모델을 만들 수 있느냐. 답은 이미 명확하다. 가능하다. DeepSeek V3, Llama 3.1 405B가 입증했다.
지금은 "어떻게 쓸 것인가"의 문제다 — 오픈소스 모델을 프로덕션에 어떻게 들이고, 클로즈드 API와 어떻게 경쟁시키고, 생태계(파인튜닝, 양자화, 배포 툴체인) 격차를 어떻게 메울 것인가. 이번에 새로 의미 있는 지점은 ifm.ai 같은 비(非)头部厂商 플레이어가 클로즈드 헤드를 정면으로 도전하기 시작했다는 점이다. "최전선 모델 만들기"의 진입 장벽이 실제로 낮아지고 있다는 증거다.
반(反)합의적인 관점은 하나 있다: "출시 직후가 전성시대"는 오픈소스 LLM의 전형적인 사인이라는 것. K2 Horizon이 3개월 뒤에도 쓰이는지, 그 기반 파인튜닝 버전이 나오는지, 실제 production 사례가 생기는지는 ifm.ai가 지속적으로 투자하느냐에 달렸다. 이 점에서 DeepSeek는 긍정적 사례(V3 이후에도 꾸준히 업데이트)이고, Llama 3 이후 Meta의 페이스는 느려졌다.
아직 확인 안 된 부분: ifm.ai의 배경은 완전히 검증하지 못했다. 어느 대사의 앞단이라면 이번 출시도 마케팅 이벤트에 불과하다. 진짜로 독립된 중간 규모 팀이라면 의미는 더 크다. 아시는 분은 댓글로 보완 부탁.
출처: