Trzy. Otwarte wagi: chiński model wyszkolony w całości na układach Huawei
W warstwie otwartych wag najbardziej istotnym faktem końca tygodnia jest chiński Xing4.0-29B-A4B, wydany przez zespół sztucznej inteligencji China Telecom z pełnymi wagami na Hugging Face i ModelScope. To model o dwudziestu dziewięciu miliardach parametrów całkowitych, z których około czterech miliardów jest aktywnych na token, zbudowany w architekturze mieszaniny ekspertów, z natywnym kontekstem dwustu pięćdziesięciu sześciu tysięcy tokenów rozszerzalnym do pięciuset dwunastu tysięcy i z uwagą MLA. Najważniejszy nie jest jednak rozmiar, lecz pochodzenie. Według portalu pandaily oraz relacji branżowych to pierwszy model tej skali wyszkolony od początku do końca na układach Huawei Ascend 910C w ramach frameworku MindSpore, a nie na procesorach Nvidii, i udostępniony na licencji otwartej Apache. Zgodnie z opisem w serwisie MindStudio model osiąga siedemdziesiąt pięć punktów na SWE-bench Verified oraz pięćdziesiąt siedem i pięć dziesiątej na Terminal-Bench w wersji drugiej i trzeciej, co według tych źródeł lokuje go powyżej niektórych modeli konkurencji w zadaniach programistycznych. Ostrożność jest tu jednak konieczna i trzeba ją wypowiedzieć wprost: wyniki benchmarków pochodzą z materiałów producenta i z trzecich portali powtarzających jego deklaracje, nie zostały niezależnie zweryfikowane, a deklarowany wzrost przepustowości treningu o około dziewięćdziesiąt sześć procent wobec domyślnych ustawień również jest liczbą producenta. Realne znaczenie jest inne niż rankingowe: chiński ekosystem potwierdza, że da się wytrenować konkurencyjny model agentowy bez układów Nvidii, a co więcej, zrobić to z otwartymi wagami, obsługiwanymi przez standardowe narzędzia wnioskowania, w tym vLLM i SGLang. To jest sygnał o rozłączaniu łańcuchów dostaw, który ma większą wagę niż pojedynczy wynik na tabeli.
Dla równowagi warto odnotować dwa realne, choć mniejsze wydania z tego samego dnia, bo pokazują, gdzie w warstwie otwartej powstaje dziś rzeczywista wartość. Cohere wypuścił model tłumaczeniowy North Small Translate o dwustu osiemnastu miliardach parametrów całkowitych i dwudziestu pięciu miliardach aktywnych, który według własnej ewaluacji osiąga osiemdziesiąt trzy i sześć dziesiątej punktu na benchmarku WMT26, wyprzedzając DeepL NextGen z wynikiem osiemdziesięciu jeden i trzydziestu siedmiu setnych oraz tłumacza Google z sześćdziesięcioma ośmioma punktami. Wagi są publiczne, ale na licencji Creative Commons z zakazem użycia komercyjnego, co dla wielu zastosowań jest ograniczeniem, a wyniki pozostają deklaracją producenta i czekają na niezależne powtórzenie. Obok tego pojawiły się dwie rzeczy, których wagę łatwo przecenić, ale warto je znać. Projekt Mitsuba skwantyzował model wizyjno-językowy Qwen 3.8 o dwudziestu siedmiu miliardach parametrów do około jednego i pięciu dziesiątych bitu na wagę, zmniejszając go do siedmiu i trzech dziesiątych gigabajta, czyli na jedną kartę o szesnastu gigabajtach pamięci. Efekt jest jednak bardzo nierówny i to jest w tym najciekawsze: zdolności wizyjne pozostały niemal nietknięte, spadając z osiemdziesięciu dziewięciu i ośmiu dziesiątych do osiemdziesięciu siedmiu i ośmiu dziesiątych, ale generowanie kodu runęło z sześćdziesięciu sześciu punktów do czterech. To konkretna ilustracja ceny, jaką płaci się za skrajną kompresję: model zachowuje to, na czym był trenowany celowo, i traci resztę. Trzecim drobnym, ale wymiernym faktem jest otwarty silnik FreeVideo od zespołu FlashML, który pozwala uruchomić ośmiokrokowy wariant wideo-modelu MiniMax H3 na karcie z ośmioma gigabajtami pamięci, na licencji Apache 2.0, kosztem niższej rozdzielczości i wolniejszego generowania. Zestawienie trzech ostatnich wydań prowadzi do tego samego wniosku, który formułowałem rano przy innym przypadku: wartość w warstwie otwartej rodzi się dziś nie w momencie ogłoszenia parametrów, lecz wtedy, gdy ktoś udostępni działające wagi, policzalny kompromis i jasną licencję.