Qwen3.6-35B-A3B

2026-10-21

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Фреймворк Navalia использует верифицируемую генерацию задач и долгосрочную дообучку для улучшения Cowork-агентов

Navalia — это фреймворк, который формирует верифицируемые аналитические задачи на основе корпоративных финансовых отчётов и применяет долгую дообучку (SFT и RL) для повышения эффективности Cowork-агентов. Инициализированный с Qwen3.6-35B-A3B, подход использует семантический отбор доказательств, исполняемые вычислительные цепочки и независимую верификацию для генерации траекторий обучения и демонстрирует стабильные улучшения по пяти бенчмаркам (OfficeQA Pro, FinSearchComp, Finance Agent Benchmark, APEX-Agents-AA, Workspace-Bench-Lite).

7.0

2026-10-20

CODING · 1 ИСТОЧН. · Hugging Face

PyTorch 2.15 добавляет FP8, ускоренную декодировку LLM и новые Metal‑ядра MPS для Mac

В PyTorch 2.15 (с вкладом Hugging Face) улучшен бэкенд MPS для Apple Silicon: добавлена поддержка torch.float8_e4m3fn (FP8) с F.scaled_mm, ускорены одиночные линейные операции и grouped matmul — декодировка MoE стала в 5–6.5× быстрее (например, Qwen3.6‑35B‑A3B с 9.4→61.3 ток/с на M3 Ultra), ускорен softmax примерно в 8×, а новые Metal‑ядра значительно снизили память драйвера при декодировании видео (Wan2.2) с ~270 ГиБ до ~8 ГиБ. Требования обновлены до macOS 15+ и Python 3.11+; в 2.16 планируются новые миграции MPSGraph→Metal.

7.0

2026-10-13

MODELS · 1 ИСТОЧН. · Hugging Face

LFM2.5-24B-A2B: MoE‑модель 24B (2B активных) для быстрых частных агент‑запусков на устройстве — открытые веса

LFM2.5-24B-A2B — MoE‑модель с 24 млрд параметров, из которых за токен активны только 2 млрд; модель рассчитана на вывод цепочек рассуждений и оптимизирована для непрерывной приватной работы агентов на устройстве. Контекст вырос до 131K токенов, словарь увеличен до 128K, заявлены высокие скорости вывода (напр., 184 ток/с на Apple M5 Max и >21K ток/с на NVIDIA B300), модель конкурентна с более крупными решениями по агентным задачам и доступна как open‑weight на Hugging Face с поддержкой популярных рантаймов.

8.0

2026-09-24

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Статья VHD-Play: генерация решённых верифицируемых агентных сред и обучение LLM-агентов

В статье arXiv:2609.27321v1 представлен VHD-Play — конвейер, который сначала выбирает и решает математические механизмы, а затем рендерит их как корпусно-обоснованные состояния среды с унаследованной исполняемой динамикой и оценкой траекторий; авторы сообщают о создании 3 300 разнообразных агентных сред по цене несколько центов каждая. Обучение Qwen3.6-35B-A3B на трёх семействам, по их данным, повысило средний агентный балл с 0.204 до 0.815 в пятисемейном диагностическом тесте, обобщилось на отложенные и восемь невиданных семейств механизмов и улучшило внешние бенчмарки (на E-Commerce Bench контрольная точка завершила все прогоны без банкротства и превзошла Qwen3.7-Max).

8.0