Shanghai Artificial Intelligence Laboratory представила полную версию своей агентно-ориентированной крупной модели Atria Dawn. Этот релиз состоялся примерно через месяц после появления предварительной версии Atria Dawn в середине сентября.
Модель была обучена на базовой модели GLM-5.2, которая содержит 744 миллиарда параметров в формате mixture-of-experts. Она предназначена для поддержки научно-исследовательской и инженерной работы, требующей понимания окружения, использования инструментов и выполнения многоэтапных задач.
Основное изменение, отмеченное лабораторией, заключается в увеличении контекстного окна с 256 тысяч токенов, доступных в превью, до 512 тысяч токенов в полной версии. Тем не менее, таблица загрузки модели в репозитории проекта на GitHub по-прежнему указывает 256K как для полной модели, так и для ее версии FP8, поэтому разработчикам рекомендуется сверяться с документацией хостируемого API для уточнения применимого лимита.
Лаборатория теперь классифицирует возможности модели по четырем направлениям. Обнаружение (Discovery) включает сбор и систематизацию данных, проведение глубоких исследований и преобразование исследовательских вопросов в исполняемые планы экспериментов. Создание (Creation) охватывает разработку программного обеспечения, интерактивных приложений, игр, систем машинного обучения и визуализаций данных. Доставка (Delivery) позволяет преобразовывать технические задания, данные и требования к дизайну в структурированные отчеты и презентации. Кибербезопасность (Cybersecurity) фокусируется на анализе проблем безопасности, проверке уязвимостей, применении исправлений и повторном тестировании, при этом ограничена авторизованными средами.
По сравнению с превью, лаборатория подчеркивает значительные улучшения: прирост на 7,2 балла в JobBench (57,5 против 50,3), рост на 2,7 балла в WideSearch (84,6 против 81,9) и увеличение на 2,6 балла в PaperBench (89,6 против 87,0). Однако в таблице оценки репозитория, которую лаборатория утверждает как соответствующую ее веб-сайту, показаны меньшие улучшения по большинству других бенчмарков, включая AutomationBench (54,7), SkillsBench (67,8) и SWE-bench Pro (61,7). В некоторых тестах превью показало равные или более высокие результаты, например, в BrowseComp, где 92,5 превью опережает 91,3 полной версии.
Модель доступна через хостинговые API с отдельными международными и китайскими конечными точками. Репозиторий содержит руководства по настройке для SGLang, vLLM и Codex. Модель принимает только текстовый ввод. Код выпущен под лицензией MIT, но веса для полной версии на Hugging Face и ModelScope пока помечены как «Скоро появится»; на данный момент можно загрузить только веса превью.