K2-V2: полностью открытая модель ИИ превосходит Qwen2.5-72B и приближается к Qwen3-235B
**⚠️ Status: preprint This article is based on a preprint published on arXiv. The work may not have undergone independent peer review. Conclusions reflect the authors' position.
Что произошло
K2-V2 создана как базовая модель для последующей адаптации к задачам рассуждения, но при этом сохраняет способности к диалогу, извлечению знаний и другим функциям универсальной LLM. В ходе обучения разработчики целенаправленно внедряли доменные знания, навыки рассуждения, работу с длинным контекстом и вызов инструментов. Это подготовило модель к сложным задачам, требующим логического вывода.
Простая supervised fine-tuning (дообучение на размеченных данных) уже даёт сильный базовый результат, что указывает на большой потенциал при использовании продвинутых методов согласования (alignment).
Важная особенность K2-V2 — полная открытость. Команда выпускает не только веса модели, но и полную историю обучения, состав данных и другие артефакты инициативы LLM360. Это позволяет исследователям и разработчикам эффективно применять непрерывное обучение — ключевой сценарий в разработке открытых моделей.
Почему это важно
До сих пор открытые модели часто уступали «открытовесовым» (open-weight) аналогам, показывающим высокие результаты, но не раскрывающим данные обучения. K2-V2 доказывает, что полностью открытый подход может конкурировать с best-in-class решениями.
Редакционный анализ: Если модель действительно приближается к Qwen3-235B, у которой 235 миллиардов параметров, при значительно меньшем размере (точный размер K2-V2 пока не раскрыт), это может означать прорыв в эффективности архитектуры и обучения. Публикация полных данных даёт сообществу возможность воспроизвести и улучшить результат, что ускорит развитие открытых ИИ-систем.
Что это даёт пользователю
- Возможность скачать и использовать K2-V2 как локальную или серверную модель для задач, требующих рассуждения (логические цепочки, математика, программирование).
- Дообучить модель на собственных данных: предоставленная история обучения и состав данных позволяют адаптировать K2-V2 под узкие домены без необходимости обучать с нуля.
- Исследовать методы alignment и continuous training, проверять гипотезы на открытых данных.
Что пока неизвестно
В статье пока не раскрыты точное количество параметров, конкретные результаты бенчмарков, дата публичного релиза весов и лицензия распространения. Поскольку это препринт arXiv, информация ещё не прошла рецензирование.