En agent i frontstorlek utan licensförhandling
Shanghais laboratorium för artificiell intelligens publicerade vikterna till Atria Dawn Preview på Hugging Face och ModelScope den 11 september, och följde upp den 14 september med en 23 sidor lång artikel på arXiv. Släppet är ovanligt mindre för sin arkitektur än för sina villkor: vikterna bär en MIT-licens, vilket innebär att vilket team som helst med rätt hårdvara kan driftsätta en agentisk modell i frontstorlek utan att fråga någon.
Modellkortet anger 753 miljarder parametrar totalt i en mixture-of-experts-uppsättning, ett kontextfönster på 256 000 tokens och en FP8-variant för team med mindre minne. Basen under den är GLM-5.2, Zhipu AI:s mixture-of-experts-modell på 744 miljarder parametrar — alltså ett kinesiskt labbs efterträningsarbete på ett annat kinesiskt labbs öppna grundmodell, publicerat öppet igen.
Hur den tränades
Artikeln beskriver vad författarna kallar en verifierbar erfarenhetspipeline: i stället för att lära av enbart preferensetiketter tränas modellen på verktygsmedierade interaktioner som körs i exekverbara miljöer och poängsätts mot externt verifierade utfall. De angivna måldomänerna är upptäckt, skapande, leverans och cybersäkerhet — research och informationssökning, mjukvaruutveckling, dokumentarbete och säkerhetsanalys.
Det designvalet spelar roll för hur poängen ska tolkas. En modell som tränas mot utfall som en kompilator, en testsvit eller ett sökindex kan kontrollera bedöms mot något som är svårare att spela än en mänsklig bedömares preferens, men också smalare.
Siffrorna, och vem som tog fram dem
Författarna redovisar resultat på 16 tester, beskriver modellen som konkurrenskraftig med frontagenter och hävdar toppnoteringar på fem av dem. Modellkortet lyfter fram 96,0 på DeepSearchQA och 92,5 på BrowseComp. Samtliga dessa siffror kommer från labbet som byggde modellen; ingen har ännu reproducerats av en oberoende utvärderare, och artikeln är en preprint som inte genomgått kollegial granskning.
Studien med människor är den intressantare halvan
Vid sidan av testerna redovisar artikeln en studie av 769 uppgiftsregistreringar från 56 deltagare som arbetat med modellen. Ungefär en tredjedel av de AI-assisterade uppgifterna bedömdes av deltagarna själva som ogenomförbara utan agenten.
Författarna beskriver också hur arbetsfördelningen förflyttades: agenterna föreslog ofta metoder och genomförde revideringar, medan människorna behöll merparten av de slutliga besluten. Det är ett påstående om arbetspraktik snarare än om förmåga, och det är den sortens underlag fältet har mycket lite av — självrapporterat, från ett blygsamt urval, men dokumenterat i stället för bara hävdat.
Att köra den
Driftsättning sker via SGLang 0.5.13 eller senare, eller vLLM 0.23.0 eller senare, med API-åtkomst erbjuden för internationella regioner och fastlandskina. Modellkortet dokumenterar användning via Codex CLI och Claude Code, med enbart textinmatning i de miljöerna. GitHub-förrådet innehåller driftsättningsanvisningarna.
Vad som bör följas
MIT-licensen är den del som får konsekvenser. En agentisk modell på 753 miljarder parametrar som vilket tillräckligt utrustat team som helst kan köra utan tillstånd är precis det objekt som månadens diskussion om att hålla igen takten vid fronten försöker resonera om, och den är nu publicerad. Det närmaste provet är smalare: om en oberoende utvärderare reproducerar påståendet om de 16 testerna, och om de fem toppnoteringarna överlever kontakt med någon som inte tränat modellen.
