Meituan LongCat-2.5 ni chiqardi, u uzoq gorizontli agentlarni kodlash uchun 1,6 trillion parametrli multimodal model

ShengShu Technology kompaniyasining global modellar jamoasi Motubrain 2.0 ning toʻliq oʻquv jarayonini jonli efirda boshladi. Bu robotlar uchun jasadlangan sunʼiy intellektining modelining keyingi versiyasi hisoblanadi. Efir 21-oktabrda boshlandi va taxminan ikki hafta davom etishi rejalashtirilgan.

Kompaniya Motubrain 2.0 tez orada ochiq foydalanish uchun chiqarilishini maʼlum qildi va ushbu chiqarishdan oldin oʻquv jarayonini namoyish etishga qaror qildi.

Motubrain modellar ShengShu tomonidan yaratilgan robotlarning fundamental modellar oilasini tashkil etadi. Ularning maqsadi robotlarga turli vazifalar, ssenariylar va turli xil robotlarda koʻnikmalarni qoʻllay oladigan universal miya berishdir. Motubrain ning birinchi versiyasi aprelda jahon miqyosidagi model sifatida taqdim etilgan. Shuni taʼkidlash kerakki, ShengShu koʻproq Vidu video generatsiya modellar bilan mashhur.

Efirning tuzilmasi

Jonli efir toʻrtta bosqichga boʻlingan. Oldingi oʻquv bosqichi oʻquv hajmi samaradorlik va nol zarba sharoitida umumlashtirish qobiliyatiga qanday taʼsir qilishini oʻrganadi. Keyingi oʻquv aniq vazifalarni bajarishga eʼtibor qaratadi, bu esa ijro etilishni yaxshilaydi. Keyin agent vazifalari bosqichi keladi, u model olingan bilimni boshqa vazifalarga oʻtkazish qobiliyatiga ega yoki yoʻqligini tekshiradi. Yakuniy bosqich rekursiv oʻz-oʻzini takomillashtirishga bagʻishlangan boʻlib, model oʻz harakatlarini bajarish natijasidagi qayta aloqaga asoslanib baholashi va ularni yaxshilashi mumkinligini aniqlash maqsadida oʻtkaziladi.

Jonli efir sahifasida oʻquv bosqichlari va baholash muvaffaqiyat darajalari yangilanib borayotgan holda koʻrsatiladi.

Bu namoyishning asosiy gʻoyasi – shaffoflik. Odatda, jasadlangan AI sohasidagi taraqqiyot tashqi kuzatuvchilar tomonidan robotlarning raqamli namoyishlari, benchmark jadvallari va ilmiy maqolalar orqali baholanadi, ular oʻquv jarayonida qanday qilib imkoniyatlar shakllanayotgani yoki qanday muammolar yuzaga kelayotgani haqida kam maʼlumot beradi. ShengShu efir nafaqat muvaffaqiyatlarni, balki xatolarni, sinov va xato jarayonini ham, shuningdek, tuzatishlarni koʻrsatishini daʼvo qiladi va kengroq tadqiqotchilar bilan miqyoslash, vazifaaro umumlashtirish va avtonom takomillashtirishga oid ochiq masalalarni baham koʻrishga umid qiladi.

Bu qadam Xitoydagi AI sohasidagi jamoalar orasidagi kengroq tendensiyaga mos keladi, ular oʻquv jarayonidagi taraqqiyotni ommaviy ravishda baham koʻrishadi. Avval Xiaomi ning MiMo modellarining rahbari Luo Fuli MiMo-V2.6 uchun kuchaytirish oʻquv bosqichining batafsil maʼlumotlarini eʼlon qilgan edi.

Biroq, jonli efir orqali isbotlash mumkin boʻlgan cheklovlar mavjud. Model vaznlari hali chiqarilmagan va kompaniya oʻzi tadqiqotning ilmiy maqsadlarda qolganini taʼkidlaydi, natijalar tasdiqlanishi uchun keyingi tajribalar va baholash talab qilinadi. Eʼlon ShengShu tomonidan kiritildi va Xitoy texnologik OAVlari tomonidan yoritildi. Haqiqiy sinov ochiq foydalanishga chiqarilishi va uning benchmarklari efirda koʻrsatilgan narsalarga mos kelishidir.

Tongyan Lingzhi kompaniyasi Pekin umumiy sunʼiy intellekt instituti (BIGAI) sanoat platformasining farqiy tuzilmasi boʻlib, shaxsiy AI konsepsiyasiga yondashuvini taqdim etdi. Bu yondashuv faqat soʻrovlar va maʼlumotlarni qidirishga tayanmasdan, aniq shaxs, loyiha yoki kompaniya maʼlumotlari asosida uzluksiz oʻrganadigan modellar yaratishni nazarda tutadi.

Bugungi kunda mavjud koʻpgina korporativ AI tizimlari tashqi foydalanuvchilarga moslashadi. Ular qoidalar oʻrnatish uchun soʻrovlardan foydalanadilar, qidiruv orqali hujjatlarni ajratib oladilar, holatni xotirada saqlaydilar va qayta ishlatiladigan bosqichlarni paketlaydilar. Biroq, modelning oʻzi oʻzaro aloqa paytida kamdan-kam hollarda oʻzgaradi.

Tongyan Lingzhi daʼvo qiladiki, barqaror odatlar, masalan, jamoaning muhandislik standartlari yoki investitsiya guruhining xavfni boshqarish disiplinasi bevosita model parametrlari ichiga integratsiya qilinishi mumkin. Kompaniyaning arxitekturasi umumiy bilimlar va fikrlashni qayta ishlash uchun umumiy asosiy modelni saqlashni nazarda tutadi, unga har bir alohida foydalanuvchi, loyiha yoki tashkilot uchun yengil LoRA shaxsiy adapterlari qoʻshiladi. Kompaniya bu individual imkoniyatlar asosiy model almashtirilgan taqdirda ham saqlanib qolishi kerakligini taʼkidlaydi.

Bu adapterlarni oʻqitishni saqlab turish uchun jamoa rekursiv oʻz-oʻzini takomillashtirish (RSI) mexanizmini ishlab chiqmoqda. Vazifalar izlanmalari, inson tomonidan tuzatishlar va olingan natijalar oʻquv uchun potentsial maʼlumotlar boʻladi. Har bir foydalanuvchi yoki kompaniya standartlariga sozlanadigan maxsus baholovchi, inkremental LoRA yangilanishi kiritilishidan oldin oʻrganilishi kerak boʻlgan signallarni tanlab oladi. Yangilangan model keyin shu vazifalarda avvalgi versiya kabi ishga tushiriladi va faqat yaxshilanishlar ish muhitiga chiqariladi, regressiyalar esa bekor qilinadi.

Texnik direktor Chu Binbin taʼkidlaganidek, bitta chetga chiqqan variant shunchaki signaldir va faqat takrorlanuvchi naqshlar oʻquv maʼlumotlari boʻlishi kerak. Bundan tashqari, kompaniya minglab bunday adapterlarni mavjud qilish imkonini beradigan infratuzilmani yaratish ustida ishlamoqda. TIP tizimi bir xil GPUlar ustida oʻqitish va inferensni parallel ravishda bajaradi, Paged LoRA esa adapter xotirasini sahifalar orqali boshqaradi. Qwen2.5-72B-Instruct dan foydalangan holda sakkizta Nvidia H800 GPU va 5,79 GB adapter xotira byudjeti bilan oʻtkazilgan bir sinov bosqichida, Paged LoRA, LoRA soʻrovlari trafikning 1% dan 30% gacha boʻlgan holatida, tekis sxemaga qaraganda yaxshiroq kechikish va «quyinda» xatti-harakatni namoyish etdi, ammo 50% ga yetganda samaradorlik pasaydi.

Tongyan Lingzhi ishning dastlabki bosqichda ekanligini tan oladi. RSI ning texnik yoʻli va mahsulot arxitekturasi aniqlangan va modullar dizayn bosqichida boʻlsa-da, toʻliq avtomatlashtirilgan oʻquv sikli hali ham ishlab chiqilmoqda. Ochiq muammolar orasida katastrofik unutish, qayta aloqani ifloslantirish va modelning suzib ketishi qolmoqda.

Tripo platformasining yaratuvchisi boʻlgan va 3D sohasidagi generativ AI ga ixtisoslashgan VAST kompaniyasi EdenLive modelini jamoatchilikka ochiq qildi. Ushbu model real vaqt rejimida ishlaydi va soddalashtirilgan oʻyin kadrlarini yoki mavjud videoni olib, ularni fotorealistikdan animega qadar oʻzgarishi mumkin boʻlgan tanlangan uslubdagi batafsil tasvirlarga uzluksiz qayta chizishga qodir.

Chiqarish 5B va 14B hajmdagi modellar vaznlarini, real vaqtda inferens uchun kodni, texnik hisobotni va toʻliq foydalanish namunalarini oʻz ichiga oladi. Muhim jihati shundaki, EdenLive dunyoni mustaqil simulyatsiya qilmaydi; buning oʻrniga, yuqori darajadagi dastur, masalan, oʻyin dvigateli yoki kodlash agenti tomonidan yozilgan kod, qoidalarqa rioya qilish, dunyo holatini kuzatish va xom referans videoni chiqarish uchun javob beradi.

Bu referans video olingandan soʻng, EdenLive belgilangan birinchi kadr va matnli soʻrov asosida renderlashni amalga oshiradi. VAST taʼkidlashicha, bunday ajratish oʻyin mantiqini aniq va sinovdan oʻtkazish uchun mos holatda saqlashga imkon beradi, shu bilan birga real vaqt rejimidagi modelning cheklangan imkoniyatlarini faqat tashqi koʻrinishga yoʻnaltirish mumkin.

Bu yondashuv avvalgi iyul oyida Eden Loyihasi deb nomlangan kengroq dunyo tadqiqoti doirasida taqdim etilgan. VAST bayonotlariga koʻra, 5B model 720p aniqlikda bitta Nvidia RTX 5090 video kartasida sekundiga 24 dan yuqori frekatsiyada ishlashga qodir. GitHubdagi README faylida bu raqam LightX2V inferens freymvorkidan foydalangan holda 1280x704 piksel aniqligida taxminan 24.7 FPS sifatida koʻrsatilgan.

Texnik hisobot bir H100 da shu aniqlikda 29.8 FPS, shuningdek, sakkizta H100 da 14B modeli 832x480 aniqlikda 26.8 FPS ni koʻrsatishini bildiradi. VAST foydalanuvchi kiritmasidan tegishli kadrgacha boʻlgan umumiy kechikish bir necha yuz millisekundni tashkil qilishini va tizimning kontentni bir necha daqiqa davomida uzluksiz yaratishini taʼkidlaydi.

Ikkala model ham Wan2.2-TI2V-5B va Wan2.1-I2V-14B video modellariga asoslangan. Inferens kodi va difuziya, VAE va dekoderning asosiy vaznlari Apache 2.0 litsenziyasi ostida tarqatiladi, ammo barcha komponentlar bunday litsenziyaga ega emas. Vizual enkoder DINOv3 litsenziyasidan foydalanadi, va soʻrovdan oʻyin maydoniga qadar ishchi muhitda qoʻllaniladigan tasvir modeli Kommersiya qilinmaydigan FLUX litsenziyasi ostida joylashgan, bu esa ushbu ishchi muhitdan tijoriy maqsadlarda foydalanishni cheklaydi.

VAST shuningdek, matnli soʻrovni xom oʻynaladigan oʻyinlarga aylantiradigan va keyin EdenLive tomonidan renderlanishi mumkin boʻlgan Game Prototype Turbo — mahoratni taqdim etdi. VAST namunalari platformer, bunda personaj lava ni toʻxtatib, tayanch nuqtalarini yaratadi, sogʻliq vaqtlari va raund vaqti yuqori darajadagi tizim tomonidan kuzatiladigan ikki oʻyinchi jangovar oʻyini, shuningdek, koʻk fon ustida suratga olingan odamni multfilm personajiga aylantiruvchi video renderlashni oʻz ichiga oladi. Bundan tashqari, model birinchi shaxs kadrlari boʻyicha inson qoʻllarini robot qoʻllar bilan almashtirib, jismoniy AI uchun qoʻshimcha oʻquv maʼlumotlarini yaratadi.

VAST taʼkidlashicha, hozirda EdenLive sahnalarni koʻrib chiqish va qutilarni itarish jumboqlar kabi past chastotali oʻzaro aloqalar uchun eng yaxshi mos keladi. Tez, intensiv oʻyin rejimi, bir nechta personajlarning uygʻunligini saqlash, kichik obʼektlar ustidan nozik nazorat va uzoq sessiyalardagi vizual barqarorlik hali ham takomillashtirilishi kerak.