你在韩国开一家公司，想让 AI 既懂韩语，又能处理跨国业务，还不必把关键能力全押在海外平台上。K-EXAONE 2.0 瞄准的正是这个需求：在韩国推动的“主权 AI”计划中，建设可自主掌握、又能进入全球开发者生态的基础模型。它最醒目的数字是 750B，即 7500 亿总参数；但每次推理实际激活的是 37B，而不是全部参数。
本文数字均来自 LG AI Research 的厂商报告及其模型页面在供稿中的转述，目前只有一个独立信源，尚无第三方复现。
750B 很大，A37B 更关乎实际使用
模型全名是 K-EXAONE 2.0-750B-A37B。它在韩国 Sovereign AI Foundation Model Project（主权 AI 基础模型项目）第二阶段开发。
总参数可以理解为模型拥有的全部“知识部件”；激活参数则是处理一个 token——模型读取和生成文字时使用的基本单位——实际调用的部分。在稀疏 MoE 模型中，系统不会每次都动用所有参数，而是按任务选择一部分参与计算。像一座藏书巨大的图书馆，馆藏规模决定可调用的资源，读一次问题却不需要把每本书都搬到桌上。
因此，750B 描述的是模型总规模，37B 才更能提示单次推理的计算负担。供稿没有解释 K-EXAONE 2.0 的具体架构，也没有交代这两个数字的统计口径，所以不能仅凭型号进一步推断它如何选择参数。厂商称其总参数约为上一代 236B 模型的 3 倍；按数字计算实际约为 3.18 倍，“3 倍”是取整表达。
不只服务韩语
K-EXAONE 2.0 支持 Korean、English、French、Italian、Portuguese、Polish、Spanish、German、Japanese 和 Vietnamese，共 10 种语言。
这体现了主权 AI 的两面：一面是强化本国语言和本地部署能力，减少对外部平台的关键依赖；另一面是不能把模型做成语言孤岛。多语言能力让它有机会处理跨国业务和不同地区的内容。
模型采用 Apache License 2.0。这是一种宽松的开源许可证，通常允许使用、修改和再分发，并包含明确的专利授权条款。对企业和开发者来说，这意味着它不只是一项国家项目成果，也可以成为继续部署和开发的底座。不过，供稿没有提供权重获取方式、运行条件或部署成本。
厂商成绩说明了什么
据材料转述的 LG AI Research 报告，模型在两项长上下文测试 OpenAI-MRCR 和 Ko-LongBench 上分别得到 94.4 和 89.6，并被称为超过 GLM-5.1。长上下文测试考察模型处理较长材料时，能否保留并调用前文信息。
在 Tau3-Bench Banking——一项银行场景下的智能体工具使用测试——K-EXAONE 2.0 得分 14.2，高于报告所列 Qwen 3.5 的 13.4 和 GLM-5.1 的 11.5。厂商还称，相比 v1，其“核心代码能力指标”平均提升 30%；在 ROK-Fortress 与 KGC-Safety 两项安全评测上的平均成绩为 94.6。
这些数字至少展示了项目的目标：它不只追求参数规模，也试图覆盖长文本、工具调用、编程和安全。但现有材料不足以证明这些优势能稳定转化为真实使用体验。
为什么值得关注
K-EXAONE 2.0 的看点，是把三个通常分开讨论的方向放到了一起：国家推动的本土基础模型、750B 总参数与 37B 激活参数的规模设计，以及 Apache 2.0 开放许可。它既是韩国主权 AI 路线的一次阶段性交付，也主动面向全球开发者和多语言应用。
真正值得继续观察的，不只是“韩国造出 750B 模型”这个标题，而是这套规模、开放程度和本国语言能力的组合，能否形成可部署、可复现的实际能力。
局限与未知
- 所有性能结论都来自厂商报告，缺少独立复现；评测版本、提示词、采样参数、日期和重复次数均未披露。
- “代码能力平均提升 30%”没有列出具体基准与平均方法；安全分数 94.6 也未说明两项测试的单项成绩、权重和评分尺度。
- 材料没有解释模型架构、激活参数口径、硬件需求和部署成本，现阶段无法判断 37B 激活在实际运行中意味着怎样的资源门槛。