Администрация метеорологии Китая внедрила систему прогнозирования погоды Fengqing на основе искусственного интеллекта

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.

OpenAI и Anthropic ведут переговоры с сторонними оценщиками о том, какие данные будут раскрыты после тестирования систем искусственного интеллекта. Этот тупик связан с необходимостью балансировать между защитой коммерческой тайны и требованием прозрачности в отношении потенциальных опасностей технологии.

По данным Reuters, обе компании пытались контролировать публикацию этих отчетов, что ставит под сомнение реальную автономию экспертов, ответственных за анализ все более сложных систем.

Процессы тестирования часто включают внешние команды, временно работающие в лабораториях ИИ. Хотя этот доступ имеет решающее значение для анализа моделей, он порождает внутренний конфликт: конфиденциальная информация может быть жизненно важна для выявления сбоев и оценки рисков.

Среди обсуждаемых мер — разрешение сотрудникам лабораторий присутствовать во время работы оценщиков и введение ограничений, чтобы одна и та же команда не работала одновременно в конкурирующих компаниях.

Anthropic заявила, что в прошлых беседах с оценщиками последние контролировали методы, критерии, выводы и публикуемое содержание. Однако для новых команд компания оставляет за собой право комментировать и утверждать отчеты в начале сотрудничества.

Со своей стороны, OpenAI отрицает стремление к утверждению полного текста отчетов. Компания утверждает, что некоторые конфиденциальные данные могут оставаться секретными, а оценщики имеют право указывать, были ли произведены существенные сокрытия.

В отсутствие стандартизированных норм или четких руководств лаборатории могут влиять на оценки, управляя доступом к системам. Марк Уорнер, генеральный директор Faculty, компании, связанной с Accenture и выбранной Anthropic в качестве первого интегрированного оценщика, подчеркнул важность достоверности результатов.

Уорнер заявил Reuters, что оценщики полезны только в том случае, если есть доверие к их отчетам, что делает независимость и прозрачность фундаментальными элементами.

Рамман Чоудхури, бывший научный сотрудник США по вопросам ИИ при администрации Джо Байдена и генеральный директор Humane Intelligence, также предупредила о давлении на исследователей. Она прокомментировала Reuters, что «оценщики имеют этот привилегированный доступ, но, явно или неявно, знают, что это имеет свою цену».

Примером этой дилеммы стал отчет METR и Redwood Research об инциденте, произошедшем в Hugging Face. Автономные агенты, управляемые передовыми моделями OpenAI, отклонились от ожидаемого поведения, вызвав атаку, затронувшую инфраструктуру платформы.

Расследование, первоначально запланированное на два дня внутри OpenAI, было продлено до шести дней, разделенных на три визита. Исследователи получили более подробные стенограммы только на заключительном этапе, после того как указали на несоответствия в данных.

Задействованные организации сообщили, что внесли коррективы в структуру, ясность и тон отчета после получения комментариев от OpenAI, но заверили, что не удаляли критически важную информацию для своих выводов. Они также признали, что страх навредить будущим оценкам повлиял на редакционные решения.

Кроме того, петиция, подписанная более чем 200 исследователями, включая Джеффри Хинтона, предлагает три основных условия для обеспечения подлинной независимости оценок. Главная задача состоит в создании нормативных актов, которые защищают законную коммерческую информацию, не позволяя самим компаниям единолично определять, какие риски их систем будут обнародованы.

Shanghai Artificial Intelligence Laboratory (Shanghai AI Lab) сделала доступным Intern-Decision — семейство компактных моделей для принятия решений. Эти модели были выпущены 28 сентября в трех вариантах размера: 0.8B, 2B и 4B параметров. Вместо генерации длинных текстовых отрывков, Intern-Decision спроектирован так, чтобы напрямую предоставлять структурированное суждение вместе с вероятностями для каждого возможного ответа.

Концепция дизайна основана на принципе «решения, а не строки». Intern-Decision поддерживает три типа вопросов. Вопрос выбора требует от модели выбрать наилучший вариант из заранее заданного списка и присвоить каждому варианту вероятность. Вопрос оценки запрашивает рейтинг по шкале, определенной пользователем. А вопрос с ответом «да/нет» возвращает бинарный ответ с соответствующей вероятностью. При этом один запрос может объединять несколько типов вопросов об одном и том же состоянии, и все они обрабатываются за один проход вперед.

Интеграция визуального восприятия

Согласно репозиторию проекта на GitHub, модели дообучаются на языковом ядре Qwen3.5, при этом башня зрения и проектор остаются замороженными. Это позволяет Intern-Decision принимать изображения в качестве части входных данных, благодаря чему визуальное восприятие напрямую влияет на этап принятия решения. Команда продемонстрировала эту возможность на задачах, связанных с играми и интерфейсами: модель анализирует необработанные кадры игры, включая двумерные карты сетки и уровни с боковым скроллингом, и самостоятельно выбирает следующее действие. Другие демонстрации охватывают управление мышью и использование браузера.

Результаты тестирования и производительность

Лаборатория сообщает, что 4B модель достигает средней точности в 90.02% по семи тестовым наборам, что на 1.28 пункта выше, чем 88.74% коммерческой модели принятия решений Jev, которая используется в качестве основного эталона. Эти тестовые наборы включают типы решений, вызов инструментов, классификацию новостей и обнаружение взломов, суммарно превышая 10 000 тестовых строк. Репозиторий также указывает среднюю задержку локального запроса около 44 миллисекунд при использовании одной потребительской видеокарты RTX 4090, а также предоставляет результаты калибровки на бенчмарке с распределением из 96 случаев. Следует отметить, что эти показатели являются самоотчетами разработчиков, и в репозитории подчеркивается, что протоколы и область оценки различаются между моделями.

Выпуск включает обучающий код, два бэкэнда для инференса, инструменты для подсчета результатов бенчмарков, пресеты калибровки температуры и демо-версию браузера; однако обучающие данные и некоторые закрытые записи валидации не включены. Веса моделей опубликованы на Hugging Face.

Местный производитель графических процессоров MetaX заявил, что завершил адаптацию Day-0, поэтому Intern-Decision работает на его оборудовании с момента запуска. MetaX утверждает, что с декабря 2025 года он предоставил поддержку Day-0 для 40 основных флагманских моделей, а его программный стек MXMACA поддерживает более 40 ИИ-фреймворков и свыше 1000 моделей.

Для разработчиков, создающих агентов, маршрутизаторы и фильтры контента, небольшие модели, которые выдают откалиброванные вероятности вместо свободного текста, могут сделать автоматизированные решения более экономичными, быстрыми и простыми для аудита.