Pięć. Otwarte wagi: brak odmów jako funkcja produktu i starzenie się sprzętu
W obszarze otwartych wag ostatnie dni przyniosły kilka pozycji, które układają się w spójny obraz. Najbardziej wymowna jest Cyber-Ornith-1.5-9B, model opublikowany przez DuoNeural na licencji Apache dwa zero. To dziewięciomiliardowa konstrukcja oparta na Qwen 3.5, którą poddano ablacji, czyli zabiegowi polegającemu na wyliczeniu kierunku odpowiedzialnego za odmowy i wytłumieniu go w wagach, a następnie douczono metodą QLoRA na czterdziestu pięciu tysiącach trajektorii z zakresu bezpieczeństwa i obsługi terminala. Producent podaje sto procent skuteczności w triażu CyberSecEval, dziewięćdziesiąt pięć procent trafności wywołań narzędzi i sześćdziesiąt dwa i pół procent zaliczeń na Terminal-Bench, co są liczbami własnymi, niesprawdzonymi niezależnie. Praktyczny wymiar jest jednak jasny: kwantyzowana wersja zajmuje około pięciu i siedmiu dziesiątych gigabajta i działa lokalnie, w kilka dni od premiery zebrała ponad trzy tysiące pobrań, a brak mechanizmu odmowy przenosi całą odpowiedzialność za autoryzację poleceń na operatora. To nie jest ciekawostka, to sygnał, że zdolności ofensywne przestają wymagać dostępu do zamkniętego frontieru.
Drugi nurt dotyczy tego, jak długo żyje stary sprzęt. LG AI Research chwali się, że skwantyzowany do czterech bitów model EXAONE 3.5 o siedmiu i ośmiu dziesiątych miliarda parametrów zbliża się do miliona miesięcznych pobrań, mieści się w około pięciu gigabajtach pamięci, utrzymuje kontekst trzydziestu dwóch tysięcy tokenów i według własnych pomiarów wyprzedza starsze modele tej samej klasy. Krytycznie trzeba dodać, że licznik pobrań na Hugging Face nie oznacza użytkowników, a licencja dopuszcza wyłącznie badania, więc komercyjne użycie wymaga kontaktu ze spółką. Trzeci element jest infrastrukturalny: projekt OpenScience od Synthetic Sciences udostępnił na licencji Apache dwa zero środowisko pracy badawcze z ponad dwustu pięćdziesięcioma gotowymi umiejętnościami i bezpośrednimi połączeniami do kilkudziesięciu baz naukowych, co obniża próg wejścia w zautomatyzowaną pracę badawczą do poziomu zwykłego komputera z kluczem API. Wreszcie dwie pozycje o mniejszym ciężarze gatunkowym: InclusionAI rozwinęło swoje Ming-Image o wersję projektową o sześciu miliardach parametrów na licencji MIT, która prowadzi wśród modeli otwartych w rankingu projektowania interfejsów, o czym sygnalizowałem już 24.09, a pojedynczy deweloper uruchomił neuronowe renderowanie DLSS pięć z Nvidii na kartach Radeon z rodziny RX dziewięć tysięcy, przepisawszy jądra na własną implementację i uzyskując w jednym dniu łączny wzrost wydajności o około siedemdziesiąt cztery procent, co sam opisuje jako wynik testów własnych, a nie niezależnych. Wspólny wniosek jest wyraźny: frontier w warstwie wdrożenia lokalnego i w warstwie przetwarzania obrazu przestaje wymagać najdroższego sprzętu, a chińskie laboratorium wypuszcza wyspecjalizowany model projektowy bez rozgłosu (AlphaSignal, 24–28.09).
Źródło: alphasignal