Modele decyzyjne i mali lokalni agenci: tydzień, w którym AI podeszła bliżej brzegu

Liquid AI wydała 5 października d1, model decyzyjny. Odpowiada on na pytania o tekst lub obrazy prawdopodobieństwami zamiast generować tokeny. Blog firmy podaje, że decyzja na tekście zajmuje 200 do 300 ms. To twierdzenie producenta, nie niezależny test. Kierunek jest jednak jasny: chodzi o opóźnienie i cenę za decyzję, nie o samą zdolność modelu.

Liquid twierdzi też, że d1 dorównuje GPT-6.1 Sol albo go przewyższa w czterech z sześciu testowanych zastosowań. Model ma kosztować od 19 do 200 razy mniej niż tamten model i Claude Opus 5.5. Firma sprawdziła d1 w sześciu zastosowaniach, od filtrowania zgłoszeń do działu wsparcia po kontrolę płytek drukowanych. Podaje, że model sortuje dobre i wadliwe części z dokładnością 85-97% na publicznym zbiorze VisA, mimo że nie trenowano go do tego zadania. W pokazie agenta kodującego d1 usuwa 52% tokenów wyjściowych narzędzi podczas kompresji kontekstu. Według bloga zachowuje każdy wynik, którego potrzebuje zadanie.

Co właściwie robi model decyzyjny

Liquid opisuje trzy typy pytań: Noul (tak/nie z prawdopodobieństwem), Choice (jedna etykieta z wielu) i Score (pozycja na skali). Jedno zapytanie może nieść kilka pytań o ten sam stan, co zmniejsza liczbę tokenów wejściowych.

Obraz waży tu więcej niż tekst. Dodanie ekranu podniosło wynik d1 w Tetrisie z 70 do 81 usuniętych linii. W Wordlu model czytał planszę bezpośrednio ze zrzutu ekranu i rozwiązał 12 z 12 gier, średnio w 3,8 próby. To gry, ale pokazują, o co chodzi z integracją: środowiska nie trzeba zamieniać na tekst.

Liquid nie jest w tym osamotniona. Sean Goedecke przekonywał 5 października, że tak zwane modele System One, jak Jev, to szybkie klasyfikatory ogólne, które każdy zespół inżynierski może obsłużyć promptem. Gdy prompt jest już dopracowany, pisał, zespół może zebrać pary wejście/wyjście i wytrenować na nich mniejszy klasyfikator szyty na miarę. Jego wpis nazywa taki wynik "zaskakująco łatwym" do zbudowania i znacznie szybszym. To pożyteczna przeciwwaga dla narracji producenta: trwałą wygraną może być destylacja, nie sam model ogólny.

Zakład Reflection na 501 mld parametrów i wydajność wnioskowania

Reflection przedstawiła Beam, swój pierwszy model z otwartymi wagami, 5 października. Beam to rzadki model mieszaniny ekspertów z 501 000 000 000 parametrów łącznie i 23 000 000 000 aktywnych, według bloga firmy. Wstępnie trenowano go na 23 800 000 000 000 tokenów. Przebieg uczenia ze wzmocnieniem wygenerował ponad 100 000 000 rollouts na 10 500 kartach NVIDIA GB300 w ciągu czterech tygodni treningu. Reflection twierdzi, że Beam jest konkurencyjny wobec większych otwartych modeli, jak GLM 5.2, i zbliża się do Qwen 3.8-Max w zadaniach kodowania i pracy agentów. Podaje, że Beam zużywa 3 do 4 razy mniej mocy obliczeniowej na wnioskowanie w zaawansowanych testach rozumowania.

Tabelę producenta trzeba czytać uważnie. W SWE Bench Pro v2-Hard Beam ma 77,2 punktu, a Kimi K3 ma 88,2. W Terminal Bench v2.1 Beam ma 80,1, Kimi K3 ma 88,3, a DeepSeek V4.1 Flash 90,6. Reflection przyznaje, że czołowe otwarte modele, jak Kimi K3, wciąż mają przewagę w surowych możliwościach. Wagi, raport techniczny i karta modelu jeszcze się nie ukazały. Blog zapowiada je na później w tym miesiącu, a model wciąż przechodzi końcowe testy red team. Do tego czasu liczby trzeba traktować jako twierdzenia.

Wydajność to motyw, który spina cały dzień. Reflection wprost opisuje Beam jako "więcej inteligencji na token" dla firmowych zastosowań codziennych. Liquid przedstawia d1 jako sposób na zastąpienie drogich wywołań modeli językowych, gdy odpowiedź ma strukturę. Oba argumenty mówią, że następna runda konkurencji dotyczy kosztu jednej użytecznej odpowiedzi.

Małe modele, małe uprzęże

Dwa wydania na GitHubie z 5 października sprowadzają ten sam pomysł na laptopa. Jeff-Code to fork agenta kodującego Pi autorstwa Mario Zechnera i współtwórców. Wstawia on do pętli agenta model decyzyjny o 0,8 mld parametrów o nazwie Jeff, obok Qwen 3.8-27B. Jeff decyduje, czy sam wykona następny krok i czy Qwen musi w danej turze mocno się zastanowić. Repozytorium podaje 1 242 sparowane zadania. Wskaźnik zaliczeń wyniósł 62,4% wobec 62,8% dla samego Qwen, czyli różnica sparowana minus 0,2 punktu przy przedziale ufności 95% od minus 2,6 do plus 2,1. Czas na zadanie wyniósł 0,68x, mediana 0,70x. Około trzech czwartych tur Qwen działało z wyłączonym myśleniem.

Reika, narzędzie wiersza poleceń do kodowania od alexwkleunga, wychodzi z przeciwnego punktu. Jest zaprojektowana dla lokalnych modeli od 8 000 000 000 do 35 000 000 000 parametrów w kwantyzacji od Q2 do Q4, z oknem kontekstu od 16 do 32 000 tokenów.

Jej opublikowane ustalenia są odświeżająco niepochlebne. Jedno przepisanie w środku kontekstu przetworzyło ponownie 8 453 tokeny promptu, 7,9 minuty prefillu. Dopisanie w tej samej sesji kosztowało 25 tokenów i 3,5 sekundy. Wywołanie grep, które zwróciło "0 matches" dla zapytania, którego nie mogło obsłużyć, kazało modelowi przez pięć rund przeformułowywać poprawny wzorzec. README mówi, że brzmienie promptu to najsłabsza dźwignia. Mówi też, że przy niejasnym zadaniu w Q2 model zbiega do rozwiązania albo się zapętla mniej więcej w proporcji 50/50.

Żaden z projektów nie twierdzi, że czyni małe modele mądrzejszymi. Zastrzeżenie samego Jeff-Code brzmi, że czas całkowity spada mniej niż czas na zadanie. W około 5% zadań działa ponad 30 minut dłużej niż samo Qwen. Reika jest przed wersją 1.0 i ostrzega, że zachowanie może się zmieniać między wydaniami. Razem stanowią osadzoną w praktyce przeciwwagę dla tabel z testami, bo pokazują, gdzie naprawdę idą czas i pieniądze.

Gdzie indziej w stosie

Wydania infrastrukturalne z 5 października były cichsze, ale istotne dla każdego, kto uruchamia wnioskowanie na brzegu sieci. Expat 2.9.0 ukazał się z poprawkami dla CVE-2026-77 214, odczytu poza zakresem w XML_ParseBuffer, według bloga opiekuna. Naprawia też CVE-2026-102 633, przepełnienie liczby całkowitej dotykające platform 32-bitowych. Wydanie dodaje Properties API i 64-bitowe API lokalizacji. Wycofuje makro XML_LARGE_SIZE, które od 2006 roku dzieliło zgodność ABI. Prace sfinansowało Open Source Sabbatical miasta Monachium, trwające obecnie trzeci miesiąc z planowanych sześciu.

mold 3.0.0 pojawił się tego samego dnia, przepisany z C++ na Rust. Notatki do wydania mówią, że to zamiennik 2.42.1 bez zmian w opcjach, celach i wyniku. Wydajność linkowania ma być na tym samym poziomie. Argument o bezpieczeństwie jest konkretny. Wersja w C++ mogła czytać poza zakresem przy uszkodzonych danych wejściowych i kończyć się segfaultem. Wersja w Ruście sprawdza zakres tych odczytów i zamiast tego panikuje przy wadliwym dostępie. Kompilacja korzysta teraz z Cargo i wymaga Rusta 1.95 lub nowszego.

Po stronie modeli Interfaze opublikowała Interfaze 1.1 Lite, model o mieszanej architekturze. Działa na jednej karcie 80 GB bez zewnętrznych usług. Łączy rdzeń rozumowania wizualno-językowego z modelami specjalistycznymi do czytania dokumentów, mowy, układu strony, segmentacji i prognozowania. Karta modelu podaje, że nagranie 95 minut transkrybuje się w około 90 sekund. Raportuje WER 3,01 na VoxPopuli-Cleaned, za własnym wynikiem Interfaze 2,4, ale przed 4,0 Gemini-3-Flash. NASA i IBM wydały też kod do dostrajania NASA-IBM Lunar Foundation Model, z konfiguracjami TerraTorch do wykrywania kraterów i oceny prawdopodobieństwa lodu.

Z tego nie składa się jedna premiera produktu. To grupa wydań z jednego dnia, ciągnąca w tę samą stronę. Mniejsze liczby aktywnych parametrów, tańsze wnioskowanie na decyzję i uprzęże, które traktują kontekst jak budżet.

Otwarte pytanie brzmi, czy twierdzenia o wydajności przetrwają zderzenie z niezależnymi testami. W przypadku Beam zacznie się to, gdy wagi ukażą się później w tym miesiącu.