Представлена новая компактная агентная модель Nanbeige4.2-3B, которая при всего 3 миллиардах не-эмбеддинговых параметров демонстрирует выдающиеся результаты в агентских задачах и программировании, обходя модели значительно большего размера.
Что произошло
Разработчики выпустили Nanbeige4.2-3B — модель с архитектурой Looped Transformer и поддержкой контекста до 256k токенов. В ходе тестирования она показала 74.3 балла в бенчмарке GDPval и 63.6 балла в SWE-Bench Verified, что превышает показатели Qwen3.5-9B и Gemma4-12B. Модель оптимизирована для работы через llama.cpp и Ollama.
Контекст
Высокая эффективность модели достигнута благодаря использованию архитектуры Looped Transformer, позволяющей повторно использовать слои для повышения вычислительной плотности, а также применению методов обучения с подкреплением (RL) с комбинированным вознаграждением (combined reward).
Почему это важно для индустрии
Выход Nanbeige4.2-3B демонстрирует эффективность смещения фокуса исследований с простого масштабирования параметров на структурную оптимизацию архитектуры. Это подтверждает возможность создания высокопроизводительных решений для специфических задач (агенты и код) при гораздо меньших вычислительных затратах.
Почему это важно для пользователей
Для пользователей это означает возможность запускать мощных ИИ-агентов для автоматизации задач и планирования прямо на локальном потребительском железе (CPU/GPU) без необходимости использования дорогостоящих облачных API и мощных GPU-кластеров.
Что пока неизвестно / ограничения
Существует различие в оценках эффективности: технические специалисты фокусируются на архитектурной плотности, в то время как бизнес-роли и архитекторы предприятий больше внимания уделяют экономике и снижению порога входа.
Источники
Автор
Look at AI, редакция