כמעט כל יצרן מודלים גדול הכריז החודש שהוא פותח משהו, והתכוון לקובץ משקולות. IFM עשה משהו אחר: פרסם שישה מודלים ואיתם את נתוני האימון עצמם. פירקתי מה ההבדל בפועל, למי הוא באמת רלוונטי, ולמה לרוב הארגונים בישראל זה עדיין לא ישנה מחר בבוקר.
משפחה של שישה מודלי בסיס שפרסם מכון המחקר IFM (Institute of Foundation Models) מאבו דאבי ב-3 בספטמבר 2026. הטווח הוא מ-0.9 מיליארד ועד 375 מיליארד פרמטרים, עם חלון הקשר של 512K, והכל שוחרר תחת רישיון Apache 2.0.
במשקולות פתוחות אתם מקבלים את המודל המאומן כקובץ להורדה והרצה, אבל לא יודעים על איזה מידע ובאיזה תהליך הוא אומן. בפתיחות מלאה מתפרסמים גם נתוני האימון, הקוד, המתודולוגיות ונקודות הביניים, כך שחוקר חיצוני יכול לשחזר את תהליך הפיתוח ולא רק להריץ את התוצר.
האיש שעיצב חלק מרכזי ממדיניות ה-AI של בריטניה וארגן את פסגת בטיחות ה-AI של 2023 עובר לאנתרופיק. ולסוכנות שהוא עמד בראשה יש רישיון מסחרי עם אותה חברה. זו לא רכילות פוליטית מלונדון, זו שאלה שכל ארגון שבוחר ספק AI צריך לשאול את עצמו.
המודל שמתכנן ומאמת תוך כדי נכנס לזרימת העבודה של המפתחים, בכל סביבות הפיתוח ובכל המסלולים העסקיים. הנה איך בוחרים אותו בפועל, מה עושים כשהוא לא מופיע ברשימה, ואיך בודקים בעצמכם אם הוא באמת מפחית טעויות או רק מכריז שהוא סיים.
הידעת?
הצי של K2 Horizon נמתח מקצה לקצה של עולם החומרה: הדגם הקטן ביותר, 0.9 מיליארד פרמטרים, תוכנן לרוץ על שעונים ומשקפיים, בעוד הדגם הגדול, 375 מיליארד פרמטרים, מיועד לעומסים ארגוניים כבדים. כל שישה חולקים ארכיטקטורה אחת ואותה מתודולוגיית אימון, כך שאפשר לפתח על הקטן ולעבור לגדול בלי לשנות את תהליך ההטמעה.
בשבועות האחרונים כמעט כל יצרן מודלים גדול הכריז שהוא "פותח" משהו לקהילה. כמעט תמיד הכוונה הייתה לדבר אחד בלבד: קובץ משקולות שאפשר להוריד.
ב-3 בספטמבר 2026 מכון המחקר IFM (Institute of Foundation Models) מאבו דאבי עשה משהו אחר. הוא שחרר משפחה של שישה מודלים בשם K2 Horizon, ופרסם לצידם גם את נתוני האימון עצמם.
ההבדל בין שתי הפעולות האלה הוא ההבדל בין לקבל מכונית לבין לקבל גם את תוכניות ההנדסה, רשימת הרכיבים ויומן הייצור שלה.
בקצרה: שישה מודלים בטווח של 0.9 מיליארד עד 375 מיליארד פרמטרים, עם חלון הקשר של 512K, תחת רישיון Apache 2.0. מה שחריג כאן הוא לא הגודל אלא מה שפורסם לצידם: הקוד, המתודולוגיות, נקודות הביניים ונתוני האימון. זה מאפשר לחוקר חיצוני לשחזר את התהליך ולא רק להריץ את התוצר. ולרוב הארגונים בישראל זה לא ישנה מחר בבוקר, אבל זה נותן להם שאלה חדשה לשאול כל ספק.
ההודעה הרשמית על K2 Horizon, כולל הטווח המלא של הצי. צילום מסך: AIwire
IFM פרסם צי של שישה מודלים שחולקים ארכיטקטורה אחת, אוצר מילים אחד ואותה מתודולוגיית אימון. הקטן ביותר הוא 0.9 מיליארד פרמטרים, והגדול ביותר 375 מיליארד.
הקצה הקטן מיועד לסביבות מוגבלות במיוחד, כולל שעונים ומשקפיים. דגמי 3.7 ו-7 מיליארד מכוונים לטלפונים ולמכשירי קצה. דגמי 32 ו-36 מיליארד מתאימים לאחסון מקומי ולשרתים בתוך הארגון, והדגם הגדול מיועד לעומסים ארגוניים כבדים.
הכל שוחרר תחת רישיון Apache 2.0, וזמין דרך Hugging Face ומנועי הרצה כמו vLLM ו-SGLang.
לעובדה שכל שישה חולקים ארכיטקטורה, אוצר מילים וממשקים יש משמעות מעשית שקל לפספס: אפשר לאפיין ולבדוק תהליך על הדגם הקטן והזול, ואז לעלות לדגם גדול יותר בלי לשכתב את ההטמעה. בפרויקטים אמיתיים זה בדיוק המקום שבו נשרפים שבועות, כשמגלים שהמעבר בין מודלים דורש לבנות הכל מחדש.
אבל אף אחד מהמספרים האלה הוא לא הסיפור האמיתי כאן.
זה ההבדל בין לקבל תוצר לבין לקבל את תהליך הייצור שלו. הנה ההגדרה הנקייה:
משקולות פתוחות (Open Weights). אתם מקבלים את המודל המאומן כקובץ. אפשר להוריד אותו, להריץ אותו על השרתים שלכם, לכוונן אותו לצרכים שלכם. מה שאתם לא מקבלים: על איזה מידע הוא אומן, באיזה תהליך, ומה בדיוק נכנס פנימה בדרך. זה מה שרוב המודלים שמכונים היום "פתוחים" באמת מציעים.
פתיחות מלאה. בנוסף למשקולות מתפרסמים גם נתוני האימון, הקוד, המתודולוגיות ונקודות הביניים (checkpoints) שנשמרו לאורך האימון. חוקר חיצוני יכול לקחת את החבילה הזאת, לחזור על התהליך, ולבדוק אם הוא מגיע לאותה תוצאה.
ההבדל הזה אינו סמנטי, והוא לא ויכוח של אנשי רישוי. במשקולות פתוחות אתם יכולים לבדוק מה המודל עושה. בפתיחות מלאה אתם יכולים לבדוק גם למה.
אריק שינג (Eric Xing), מייסד IFM, מסר לרויטרס (Reuters) את הפרטים על השחרור, והציג את העמדה בפשטות: מדע עובד כשאחרים יכולים לראות את הנתונים, לעקוב אחרי השיטה ולשחזר את התוצאה. בלי החלק הזה, מה שיש בידכם הוא מוצר, לא מחקר.
לארגון שנדרש לבצע ביקורת על מקורות המידע, ולא רק על הפלט.
יש הבדל בין ארגון ששואל "האם התשובה נכונה" לבין ארגון שחייב לענות על "מאיפה הידע הזה הגיע". השני הוא זה שהשחרור הזה נוגע בו:
לארבע הקבוצות האלה השחרור הזה הוא לא כותרת טכנולוגית. הוא שינוי בסט הכלים שעומד לרשותן.
שימו לב מה משותף לכולן: אף אחת מהן לא מחפשת מודל חזק יותר. כולן מחפשות מודל שאפשר להגן עליו מול גורם שלישי, בין אם הוא שופט, מבקר, רגולטור או עמית שסוקר מאמר. זו קטגוריה אחרת לגמרי של דרישה, והיא כמעט לא מופיעה בהשוואות ביצועים שמפורסמות בתעשייה.
כי הפער בין "אפשר לבדוק" לבין "אנחנו נבדוק" הוא עצום, ורוב הארגונים לא נמצאים בצד השני שלו.
מודל של 375 מיליארד פרמטרים לא רץ על שרת שיושב בחדר התקשורת. הוא דורש מערך GPU רציני, עם עלות רכש או עלות ענן שרצה כל חודש בין אם השתמשתם ובין אם לא. ומישהו צריך לתחזק אותו, לנטר ולעדכן.
ולשחזר אימון של מודל בסדר גודל כזה זו עבודה של צוות מחקר, לא של מנהל מערכות מידע. העובדה שנתוני האימון פתוחים לא הופכת את הביקורת עליהם לזולה.
אז מה יקרה בפועל? רוב העסקים בישראל ימשיכו לצרוך API מנוהל, וזו הבחירה הנכונה עבורם: משלמים לפי שימוש, בלי השקעה מראש, עם אחריות חוזית מול ספק.
זה אותו הגיון בדיוק שכתבתי עליו כשDeepSeek שחררה מודל ראייה פתוח לפני ימים ספורים. הבחירה בין מודל פתוח למנוהל היא החלטת ארכיטקטורה, לא החלטת רכש.
שאלה אחת שאפשר סוף סוף לשאול כל ספק, ולצפות שתהיה לה תשובה.
עד עכשיו, כששאלתם ספק AI "על מה המודל שלכם אומן", התשובה הסטנדרטית הייתה תערובת של "מקורות ציבוריים" ו"מידע מורשה". אי אפשר היה לאמת אותה, ואי אפשר היה להשוות אותה לכלום.
עכשיו יש קו ייחוס. קיים מודל בסדר גודל תעשייתי שכן מפרסם את הנתונים, ולכן התשובה המעורפלת הפכה מנורמה בלתי נמנעת לבחירה של הספק.
הניסוח המעשי שאני ממליץ עליו בשיחות רכש הוא שלוש שאלות:
אם הספק לא עונה על שלוש השאלות האלה, זה לא אומר שהוא ספק גרוע. זה אומר שאתם יודעים בדיוק איפה הסיכון שלכם יושב, ומי סופג אותו.
אל תחליפו ספק בגלל הכותרת הזאת. תשנו את השאלון.
הצעד המעשי היחיד שכדאי לעשות השבוע לוקח שעה: לעבור על הכלים שכבר בשימוש בארגון, ולסמן ליד כל אחד אם אתם יודעים על מה הוא אומן. ברוב הארגונים שאני נכנס אליהם התשובה היא "לא" כמעט בכל השורות, ואף אחד לא שאל עד היום.
אחרי שיש רשימה, מסננים אותה לפי סיכון אמיתי. כלי שמנסח תשובות למייל הוא לא באותה קטגוריה של כלי שמנתח מסמכים משפטיים או תיקים רפואיים. הפער בין שתי השורות האלה הוא כל התרגיל, וברוב המקרים הוא מצטמצם לשלושה או ארבעה כלים שבאמת דורשים בדיקה.
אם אתם רוצים מיפוי מסודר של המקומות שבהם AI כבר יכול לעבוד אצלכם, ואיפה הוא מוסיף סיכון במקום ערך, סריקת ה-AI עושה בדיוק את זה.
ויש כאן חיבור ישיר לסיפור המשלים של היום. כשמדענים בכירים בתעשייה מתארים את המודלים שהם עצמם בונים כמשהו שאינם מבינים עד הסוף, ההודאה הזאת והדרישה לנתוני אימון גלויים הן שני צדדים של אותה שאלה: כמה באמת אפשר לדעת על המערכת שאתם מכניסים לארגון.
ההבדל בין מי שקורא חדשות AI לבין מי שמקבל החלטות טובות עליהן הוא לא כמות המאמרים. הוא הרגע שבו בנית מערכת אחת בעצמך, וראית מבפנים איפה המודל נכנס, מה עובר אליו, ומה נשבר כשמחליפים אותו.
בדיוק בשביל זה בניתי את מפגש קלוד קוד. זום חי, 16.9.2026 בשעה 21:00, שלוש שעות. בונים ביחד מערכת אמיתית שעובדת, מהבסיס ועד הסוף. בלי רקע בתכנות ובלי שיעורי תיאוריה. אחרי שלוש שעות כאלה, השאלה "פתוח או מנוהל" נשמעת אחרת לגמרי, כי כבר ראיתם במו ידיכם ממה מורכבת התשובה.
המקורות למאמר הזה: ההודעה הרשמית של IFM כפי שפורסמה ב-AIwire, הסיקור של רויטרס (Reuters) שכלל את דבריו של אריק שינג, ודיווח נוסף ב-Asharq Al-Awsat.
כי רוב המודלים שמכונים היום פתוחים הם למעשה Open Weights בלבד. IFM פרסם לצד המשקולות גם את נתוני האימון עצמם, הקוד, המתודולוגיות ונקודות ביניים (checkpoints), וזה מאפשר לשחזר תוצאות ולבדוק על מה המודל אומן.
לרוב הארגונים, לא. מודל של 375 מיליארד פרמטרים דורש מערך GPU כבד, תחזוקה שוטפת ואחריות מלאה על התוצאה, ורוב העסקים ימשיכו לצרוך API מנוהל בצדק. הערך המיידי הוא בעמדת המיקוח ובשאלות שאפשר לשאול ספק.
על אילו מקורות מידע אומן המודל ואיזה חלק מהם מורשה במפורש, מי נושא באחריות אם תיפתח תביעת זכויות יוצרים על פלט של המודל, והאם קיים תיעוד שאפשר להציג לרגולטור או למבקר חיצוני. עד היום התשובה המעורפלת הייתה נורמה, ועכשיו יש קו ייחוס שמראה שאפשר אחרת.
האיש שאחראי על המחקר באופן-איי-איי (OpenAI) כתב בפומבי שהחברה שלו, יחד עם כל מעבדה אחרת, לא פתרה alignment מספיק כדי להמשיך להאיץ במלוא הקצב. הוא גם כתב שתוצאות פנימיות נותנות לו ציפייה חזקה שהקצב הנוכחי יכול להימשך אל תוך שיפור עצמי רקורסיבי. פירקתי מה זה אומר בפועל למי שמריץ AI בארגון.