En agent i frontstørrelse uden licensforhandling
Shanghais laboratorium for kunstig intelligens offentliggjorde vægtene til Atria Dawn Preview på Hugging Face og ModelScope den 11. september og fulgte op den 14. september med en artikel på 23 sider på arXiv. Udgivelsen er usædvanlig mindre på grund af arkitekturen end på grund af vilkårene: vægtene bærer en MIT-licens, hvilket betyder, at ethvert team med den rette hardware kan sætte en agentisk model i frontstørrelse i drift uden at spørge nogen.
Modelkortet angiver 753 milliarder parametre i alt i en mixture-of-experts-opsætning, et kontekstvindue på 256.000 tokens og en FP8-variant til teams med mindre hukommelse. Basen nedenunder er GLM-5.2, Zhipu AI’s mixture-of-experts-model på 744 milliarder parametre — altså ét kinesisk laboratoriums eftertræningsarbejde på et andet kinesisk laboratoriums åbne grundmodel, offentliggjort åbent igen.
Hvordan den blev trænet
Artiklen beskriver det, forfatterne kalder en verificerbar erfaringspipeline: i stedet for at lære af præferencemærker alene trænes modellen på værktøjsmedierede interaktioner, der køres i eksekverbare miljøer og pointgives mod eksternt verificerede udfald. De angivne måldomæner er opdagelse, skabelse, levering og cybersikkerhed — research og informationssøgning, softwareudvikling, dokumentarbejde og sikkerhedsanalyse.
Det designvalg har betydning for, hvordan pointene skal læses. En model, der trænes mod udfald, som en oversætter, en testsuite eller et søgeindeks kan kontrollere, bedømmes på noget, der er sværere at spille end en menneskelig bedømmers præference, men også smallere.
Tallene, og hvem der producerede dem
Forfatterne fremlægger resultater på 16 tests, beskriver modellen som konkurrencedygtig med frontagenter og hævder topscore på fem af dem. Modelkortet fremhæver 96,0 på DeepSearchQA og 92,5 på BrowseComp. Alle disse tal kommer fra det laboratorium, der byggede modellen; ingen er endnu gengivet af en uafhængig evaluator, og artiklen er et fortryk, som ikke er fagfællebedømt.
Undersøgelsen med mennesker er den mere interessante halvdel
Ved siden af testene rapporterer artiklen en undersøgelse af 769 opgaveregistreringer fra 56 deltagere, der arbejdede med modellen. Omkring en tredjedel af de AI-assisterede opgaver blev af deltagerne selv vurderet som uigennemførlige uden agenten.
Forfatterne beskriver også, hvordan arbejdsdelingen flyttede sig: agenterne foreslog ofte metoder og gennemførte revisioner, mens menneskene beholdt de fleste endelige beslutninger. Det er en påstand om arbejdspraksis snarere end om evne, og det er den slags belæg, feltet har meget lidt af — selvrapporteret, fra et beskedent udvalg, men nedskrevet frem for blot hævdet.
At køre den
Udrulning sker via SGLang 0.5.13 eller nyere, eller vLLM 0.23.0 eller nyere, med hostet API-adgang til internationale regioner og fastlandskina. Modelkortet dokumenterer brug gennem Codex CLI og Claude Code, med kun tekstinput i de miljøer. GitHub-arkivet indeholder udrulningsnoterne.
Hvad der bør følges
MIT-licensen er den del, der får konsekvenser. En agentisk model på 753 milliarder parametre, som ethvert tilstrækkeligt udstyret team kan køre uden tilladelse, er nøjagtig det objekt, månedens diskussion om at holde igen ved fronten forsøger at ræsonnere om, og den er nu offentliggjort. Den nærmeste prøve er smallere: om en uafhængig evaluator gengiver påstanden om de 16 tests, og om de fem topscorer overlever mødet med nogen, der ikke har trænet modellen.
