Sage-A1.5 Агентная модель Shanghai AI Lab на 35 млрд параметров с MoE. Ведет долгую работу сама: раздает подзадачи, проверяет себя и доводит научный поиск до результата. • Оркестрация: несколько суб-агентов с изолированным контекстом работают параллельно и оспаривают допущения друг друга • Самопроверка внутри собственной цепочки рассуждений, без внешнего критика: модель смотрит, что вышло и что провалилось, и меняет курс • Инженерия от разбора кода до патчей и прогона тестов • Научный поиск с литературой, анализом данных и проверкой доказательств • Инструменты, браузер, длинное планирование, следование инструкциям • 35B MoE на базе Qwen3.6-35B-A3B и Agents-A1 • Контекст 262 тысячи токенов • Запуск через SGLang или vLLM с OpenAI-совместимым API • GAIA 95,1 и XBench-DS 92,0 • SWE-bench Pro 61,2, MLE-Lite 65,2 huggingface.co/InternScience/Sage-A1.5 #agent MAX

А на каком языке вы общаетесь с LLM? Я часто вижу разные списки «лайфхаков» по работе с нейросетками. Там есть как полезные, так и не очень. Часто в таких списках есть утверждение, что они становятся умнее, если общаться с ними на английском. Мне стало интересно это проверить по бенчмаркам и я нашёл MuBench, опубликованный летом. Исследователи покрыли 61 язык и задали разным LLMкам 3.9 миллиона запросов. Проверяемые модели на данный момент устарели, но они сейчас обновляются так быстро, что большое исследование нынешних мы получим лишь через ещё полгода. А мелкие исследования не так показательны. Выводы: 1️⃣️️️️ Общая разница небольшая, но она есть. Задачи на английском действительно обрабатываются чуть-чуть лучше 2️⃣️️️️ Если вы носитель языка, на котором в интернете много контента, вообще забейте на разницу Серьезное отставание в общем перформансе есть, например, у индонезийского и хинди. Даже несмотря на то, что носителей этих языков много, контента в интернете они оставили мало. Около 1,36% в выборке Common Crawl. Обучаться было не на чем. Немецкий - аномалия. Он - четвёртый язык по популярности в интернете, после английского, русского и китайского. Да, страны пост-СССР прям много в интернете нащитпостили. Тем не менее, GPT-4o плохо с ним работал. Интересно, как там с нынешними моделями. Но для большинства крупных языков разница составляет единичные пункты в бенчмарках 3️⃣️️️️ Ощутимая разница есть в задачах на общую логику повседневного языка Это видно на втором скриншоте. Страшные слова сверху это названия разных бенчмарков, ориентированных на базовое понимание логики текста. Например, бенчмарк SNLI показывает, насколько модель справляется с поиском логической связи в двух предложениях. Довольно важная штука и LLMки явно справляются с такими задачами лучше на английском. 4️⃣️️️️ Модели, заточенные под конкретные языки, справляются с задачами на них лучше. Но хуже работают с другими языками. Лично я чаще всего использую LLM на английском. Но больше для дополнительной практики языка, чем в погоне за эффективностью. Видимо, другого смысла в этом особо и нет.

🤖 GPT-6-Astra прошла порог воплощённой компетентности, но не воплощённого интеллекта, - исследование SenseNova Команда SenseNova вместе с ACE Robotics, Ropedia, Nanyang Technological University и University of Tokyo опубликовала исследование, в котором проверила, достигла ли GPT-6-Astra от OpenAI воплощённого интеллекта (embodied intelligence). Воплощённый интеллект - это способность управлять роботами и выполнять задачи в физическом мире без дообучения. Astra управляла манипуляторами, многопалыми кистями, гуманоидом и навигацией на 12 бенчмарках в симуляции и на 8 реальных роботах. Задачи в основном бытовые: включить плиту и поставить на неё кофеварку, навести порядок на кухне, разблокировать iPad, забить гвоздь молотком, сыграть мелодию на пианино, сложить ткань, найти предмет в здании, вставить вилку в розетку. В симуляции Astra обошла всех конкурентов на 9 из 12 бенчмарков, в том числе специализированные VLA-модели, которые учатся на записях решения тех же задач. На DexJoCo у неё 78.2% успешных эпизодов против 40.3% у π0.5. Помогли два приёма. Перед тестом модель изучает обучающие демонстрации и создает пакет знаний с заметками, эталонными траекториями и Python-кодом. Лимит шагов ей увеличили в 10 раз, и она успевала заметить ошибку и исправить её. На RoboDojo это улучшило результат с 27.6% до 81.9%. Но результаты в физическом мире показали, что это ещё не практический воплощённый интеллект. Лишние попытки здесь не бесплатны, время не безгранично, а роботы уходят в защитную остановку и перегреваются. Переставить твёрдый предмет получилось в 17 попытках из 18, а вставить вилку в розетку 0 раз из 11. Неудачный контакт вызывал защитную остановку, так закончились 2 из 3 попыток вставить вилку на роботе PiPER. Долгая работа перегревает приводы, и на гуманоиде Galaxea R1 Pro перегрев корпуса прервал обе попытки собрать цветы. На гуманоиде Unitree G1 модель около 90% времени думает - один запрос к API занимал около 25 секунд, и робот поднимал игрушку с пола более часа. Многопалые кисти Wuji на роботе Tianji M6S по коду захвата, который написала сама модель, не подняли игрушку ни разу из трёх попыток, а с готовыми скриптами захвата, написанных человеком, подняли все три раза. Отсюда вывод: порог воплощённой компетентности GPT-6-Astra прошла, то есть на бенчмарках она уже решает задачи роботов не хуже, а часто лучше специализированных моделей. А порог практического воплощённого интеллекта пока нет, потому что в физическом мире она работает медленно, дорого и ненадёжно. Авторы выложили пакеты знаний, логи 3180 тестовых эпизодов с 5888 видео (81 ГБ, лицензия MIT) для четырёх бенчмарков. Код обвязки SenseNova-RoboRSI заявлен под Apache 2.0, но пока не опубликован. #Stateoftheart