Ask Eve: ИИ-перевод стенограммы с английского. Оригинал: https://askevepodcast.com/episodes/ai-neolabs-mimo-sakana-mistral-and-g42/transcript.txt

[00:41:41] Дэвид: Хочу вернуться к нашему разговору.

[00:41:43] Ева: Мы остановились на Kimi. Ты спросил, насколько сложно её поднять, и я как раз пришла к тому, что Kimi — это всё или ничего, без младшей версии.

[00:41:54] Дэвид: А какие ещё модели есть в этом классе?

[00:42:05] Ева: […] В том же классе — мультитриллионном или околотриллионном — есть Qwen 3.8 Max: 2,4 триллиона, из них 95 миллиардов активных; DeepSeek V4 Pro на 1,65 триллиона под чистой лицензией MIT; и MiMo V2.6 Pro от Xiaomi примерно на триллион — вот это тёмная лошадка, потому что она омнимодальная: текст, изображение, видео и аудио, выходит под MIT и на некоторых индексах общего интеллекта обходит Kimi, хотя втрое меньше. Ниже этого уровня — GLM 5.3 на 753 миллиарда от Z.ai, специалист по агентному кодингу; Mistral Large 4 на триллион из Франции; Muse Spark Open от Meta на 816 миллиардов, которая, по заявлению, работает на двух настольных Mac Studio; и MiniMax M3.1 Flash на 428 миллиардов. Общая картина по всем ним: китайские лаборатории доминируют в верхней части списка, почти все — mixture-of-experts с контекстом в миллион токенов, а настоящие отличия — условия лицензии и какие модальности они принимают нативно, а не сырое число параметров.

[00:42:32] Дэвид: Подожди, стой. Звучит как хорошая модель. Расскажи подробнее.

[00:42:47] Ева: […] MiMo V2.6 Pro — флагман Xiaomi, вышел 21 сентября под обычной лицензией MIT — самые чистые условия среди моделей этого класса. Никаких порогов по выручке, никаких оговорок о проверке безопасности, как в лицензии GLM, никаких кастомных условий, как у Kimi. Можно форкнуть, продавать, встраивать в продукт — без всяких условий.

Всего 1,02 триллиона параметров, 42 миллиарда активных на токен, маршрутизация по 384 экспертам, восемь срабатывают одновременно. Контекст — миллион токенов. И она нативно омнимодальная: текст, изображение, видео и аудио идут в один backbone через энкодер зрения на 681 миллион параметров и отдельные аудиотокенизаторы, а не прикрученные адаптеры.

Интересна не только оценка. Интересно, как они к ней пришли. Xiaomi прогнала один огромный прогон reinforcement learning, смешав в одной задаче кодинг, визуальный дизайн, использование инструментов, кибербезопасность и следование контексту, вместо того чтобы обучать отдельных специалистов. 30 шагов, примерно 750 тысяч траекторий, меньше чем за шесть дней, около 2,6 миллиона долларов на Pro. На DeepSWE за этот прогон она прыгнула с 58 до 72. Предыдущее поколение набирало 19. Это не прирост по чуть-чуть — это работает тезис о масштабировании RL.

На Artificial Analysis она набрала 46 — первое место среди открытых весов, вровень с Grok 4.7 и впереди GLM с 45 и Kimi с 44. Но стоимость задачи — около 13 центов против 2 долларов у Kimi, то есть примерно в 15 раз дешевле. Цены API: 43 цента на вход и 87 центов на выход за миллион токенов.

Есть и младшая Flash: 309 миллиардов всего, 15 миллиардов активных, тот же омнимодальный вход и контекст в миллион токенов, 14 центов на вход и 28 на выход. Она даже чуть обходит Pro на Vals Index и на CyberGym. Так что есть бюджетный вариант почти той же мощности.

Честная оговорка: многие громкие агентные цифры — с собственных бенчмарков Xiaomi, а независимые оценки ещё догоняют. Но

[00:42:48] Дэвид: Xiaomi звучит как небольшая.

[00:42:52] Ева: Xiaomi — четвёртый по величине производитель телефонов в мире: в прошлом году отгрузили больше 150 миллионов аппаратов, плюс электромобили, роботы и линейка умного дома. Команда MiMo — всего несколько десятков исследователей, но они сидят внутри компании, которая уже делает собственный кремний и через облачное подразделение имеет огромную закупочную мощность по GPU. Так что ощущение «маленькой лаборатории» идёт от размера команды, а не от материнской компании. Та же схема, что у Sakana в Токио — компактная исследовательская группа с гигантским промышленным спонсором.

[00:43:22] Дэвид: […] А как Sakana? Да, расскажи про Sakana. Чем они занимаются?

[00:43:37] Ева: […] Sakana AI — токийская лаборатория, основанная в 2023 году тремя выходцами из Google — Дэвидом Ха, Ллионом Джонсом и Рэном Ито. Сейчас около 157 человек, оценка 2,65 миллиарда после раунда Series B на 135 миллионов в ноябре. Вся их идентичность была в ремиксе готовых моделей — эволюционное слияние, селекционное разведение для софта. Но три дня назад они объявили Sawara, проект предобучения с нуля, старт в ноябре: модель поменьше должна выйти весной 2027-го, а более крупные нацелены на сотни миллиардов параметров. Это настоящий разворот: три года они доказывали, что обучать с нуля не нужно, а теперь всё равно это делают — отчасти ради суверенного ИИ Японии.

Продуктовая сторона — три линейки. Namazu — их модель, заточенная под японский, около триллиона параметров на базе Kimi K2.6, с живым поиском и исполнением кода. Fugu — самое интересное: это не столько модель, сколько обученный оркестратор, который динамически разводит задачу по команде других моделей и на лету назначает роли Thinker, Worker и Verifier. Она набирает 73,7 на SWE Bench Pro и 95,5 на GPQA Diamond, а их вариант Fugu-Cyber, по сообщениям, сравнивается с GPT-5.5-Cyber на бенчмарках безопасности. Marlin — исследовательский агент, и вчера они только что открыли программу раннего доступа к корпоративному API.

Честное напряжение: оценки Fugu настоящие, но метод — маршрутизация, а не сырой интеллект: она наследует то, на что способны базовые модели. Если фронтирные модели, которыми она дирижирует, упрутся в потолок, Fugu упрётся вместе с ними. Sawara — их страховка от этого.

Один угол, который мне правда любопытен: они утверждают, что ИИ-агенты помогают планировать эксперименты по предобучению самой Sawara. Рекурсивное самоулучшение для них уже не лозунг — это оргструктура. […]

[00:45:10] Дэвид: О каких ещё неолабах нам стоит поговорить? Ты ещё не рассказала про Mistral.

[00:45:27] Ева: […] Mistral — единственная неолаборатория, которая реально выпустила модель сегодня. Large 4, по прозвищу Le Chonk, — мультимодальная модель на триллион параметров, 52 миллиарда активных, обученная целиком на 3800 Grace Blackwell в их собственном дата-центре в Париже. Три дополнительные недели reinforcement learning после превью 6 октября подняли Terminal-Bench с 28 до 41 процента — вровень с китайской GLM 5.3, при этом на 47% меньше токенов на задачу. Вторая громкая тема — киберзащита: 79% на CyberGym, вровень с MiMo от Xiaomi и выше DeepSeek. Квантованная сборка работает на четырёх B200.

Сама компания в сентябре привлекла 3 миллиарда евро при оценке свыше 21 миллиарда — крупнейший технологический раунд в истории Европы, лид — Samsung. Годовая регулярная выручка перевалила за миллиард, штат — больше тысячи, а Менш в последнее время на тропе войны: в эссе «Строй или сдавайся» он доказывает, что если Европа пойдёт по интернет-сценарию — будет строить приложения на американских платформах и платить за это 260 миллиардов в год, — это будет стратегической ошибкой. Он продвигает шестикратное наращивание вычислительных мощностей и европейскую цель в 1 гигаватт к 2030 году.

Нюанс, который усложняет историю про суверенитет: они по-прежнему тихо прогоняют Le Chat через GLM 5.3, когда собственные модели не дотягивают, а новая лицензия убирает порог выручки в 20 миллионов долларов и вместо этого полностью блокирует model-as-a-service. Так что философия открытых весов цела, но коммерческий ров смещается с модели на слой обслуживания и инфраструктуру.

По сравнению с молчанием SSI или ставкой Thinking Machines на кастомизацию Mistral — самая вертикально интегрированная игра в наборе неолабов: модели, дата-центры, корпоративные контракты и машина по связям с государством — всё в одном. Моат это или отвлечение — вот настоящий вопрос, тем более что проприетарные модели вроде Anthropic всё ещё набирают 60% на том же терминальном бенчмарке. […]

[17:14:29] Дэвид: … эта новая лаборатория, о которой мы можем поговорить.

[17:14:42] Ева: Осталось ещё несколько. Poolside — это те, кто с нуля строит ИИ-инженеров по софту: основали её выходцы из OpenAI и DeepMind, и они тихо обучают собственные модели, а не оборачивают уже существующие. Imbue — команда бывших сотрудников DeepMind, стоявшая за универсально способными агентами, — ставит на то, что рассуждение из первых принципов победит масштабирование. Essential AI вышла из команды основателей OpenAI и занимается исследованиями foundation-моделей с упором на безопасность прежде всего. Liquid AI — тёмная лошадка: родилась в MIT, строит жидкие нейросети, которые работают в непрерывном времени и намного меньше трансформеров, и это может очень много значить для edge-устройств. А Nous Research — опенсорсный коллектив, который продвигает фронтирное обучение силами сообщества, без единого корпоративного спонсора.

Какое направление тебя тянет?

[17:15:17] Дэвид: Да, давай пройдёмся по всем.

[17:15:53] Ева: […] Poolside — самая драматичная история из пяти. Джейсон Уорнер, бывший CTO GitHub, основал её в 2023 году вместе с Эйсо Кантом. Вся их ставка была на Model Factory — автоматизированную систему, которая собирает, обучает и тестирует модели циклами по восемь недель: в апреле вышла Laguna M.1, в июле — XS 2.1, а позже в том же месяце — S 2.1. У M.1 всего 225 миллиардов параметров, 23 миллиарда активных, лицензия Apache 2.0, 74,6 на SWE-bench Verified. Потом в августе NVIDIA вложила миллиард долларов при оценке 13 миллиардов post-money плюс технологическая лицензия на Model Factory за 6 миллиардов, перетянув больше ста инженеров Poolside в собственные проекты NVIDIA. Они ещё выделили Poolside Infrastructure под Project Horizon — кампус дата-центров на 1,2 гигаватта в Западном Техасе, старт в конце 2027-го. Так что Poolside одновременно и модельная лаборатория, и инфраструктурная компания, и теперь отчасти актив NVIDIA. Открытый вопрос — выживет ли Model Factory как независимый продукт или станет внутренним инструментарием NVIDIA.

Imbue — противоположная траектория, отступление от масштаба. Каньцзюнь Цю и Джош Альбрехт основали её в 2021 году как Generally Intelligent, подняли 200 миллионов, собрали кластер из 10 тысяч H100 и гнались за универсально способными агентами. В 2026-м они резко развернулись: Sculptor вышел в октябре 2025-го как рабочее пространство для параллельных агентов, а в апреле они перестроились вокруг культуры высокой агентности, где маленькие команды выступают как непосредственно ответственные. Первого октября они запустили Imbue Studio — персональную вычислительную среду, где ты строишь долговечные системы с ИИ-агентами, со сквозным шифрованием, агенты в песочнице и по умолчанию с нулевым доступом. Собрала это команда меньше чем из десяти человек. Они ещё открыли исходники Catalyst — оптимизатора исследований на основе эволюции, который обошёл AutoResearch Карпати со счётом 3:1 на nanochat. Ставка в том, что агентность и контроль бьют сырую мощность — это столько же философская позиция, сколько продукт.

Essential AI в текущих результатах почти не всплыла — новостной цикл про безопасность и выравнивание сейчас захватили OpenAI и Meta, так что я не смогла чисто прочитать, где они стоят в этом месяце. Я бы считала это пробелом, а не вердиктом.

Liquid AI — ставка на edge, и они двигаются быстро. Двадцать седьмого октября они выпустили LFM3 — шесть моделей с открытыми весами примерно на 2 миллиарда параметров, на тригибридной архитектуре, где смешаны свёртки, attention со скользящим окном и глобальный attention. LFM3-VL-2B, по сообщениям, на задачах зрения соперничает с Gemma 4 12B, которая в шесть раз больше. Mercedes-Benz тестирует её для MBUX, Shopify — для локальных развёртываний. Они ещё запустили RIPL, движок инференса с задержкой меньше 50 миллисекунд для нагрузок в реальном времени, и Liquid Context вместе с Qualcomm — персональный контекст на устройстве на Snapdragon. Около 120 человек, AMD — крупный инвестор. Тезис такой: KV-кэш трансформеров делает их слишком тяжёлыми для устройств, поэтому жидкие сети непрерывного времени выигрывают там, где ограничения — задержка и память. Чуть слабее общая способность в обмен на то, что реально влезает в машину.

Nous Research — дерзкий коллектив, который вышел в мейнстрим. Начинали примерно как десять анонов в Discord, Hermes Agent с февраля скачали больше 24 миллионов раз, за один месяц на OpenRouter обработали 53 триллиона токенов — самый используемый опенсорсный харнес для агентов в мире. Шестого октября они запустили Hermes Index, который ранжирует четырнадцать фронтирных моделей по агентной работе и стоимости. Седьмого октября — Series B на 90 миллионов при оценке 1,5 миллиарда, среди инвесторов NVIDIA и M12 от Microsoft. Сейчас они продвигают Hermes в корпорации — с контролем рабочих пространств и аудитом. DeepHermes 3, Hermes 4.3, NousCoder — все с открытыми весами. Схема такая: дистрибуция, построенная сообществом, которую ни одной профинансированной лаборатории не повторить просто так.

Сквозная линия через все пять: каждая неолаб в конце концов упирается в ту же развилку — продолжать строить модели или строить слой вокруг них. Poolside выбрала инфраструктуру, Imbue — личную агентность, Liquid — устройство, Nous — харнес для агентов. Essential — та, которую я пока не могу поставить на место.

Хочешь, копну глубже в какую-то из них, или у тебя на уме была шестая лаборатория?

[17:19:03] Дэвид: Ну а кого ещё тут не хватает?

[17:19:13] Ева: Есть ещё несколько, которых стоит назвать. Prime Intellect строит децентрализованное обучение на глобальных GPU-кластерах — идея в том, что тебе не нужен один дата-центр, нужна сеть. Artificial Superintelligence Alliance слила Fetch, SingularityNET и Ocean Protocol в одно исследовательское усилие, финансируемое токеном. G42 — национальный чемпион Абу-Даби в ИИ, сейчас обучает фронтирные модели при поддержке Microsoft и Cerebras. SambaNova и Cerebras — ставки «чип плюс модель»: они делают собственный кремний и выпускают модели, заточенные под него. Groq — это инфраструктура скорости инференса, не лаборатория как таковая, но их LPU меняет то, что возможно в реальном времени. Crusoe и Lambda — облачные провайдеры GPU, которые всё больше похожи на неолабы с вычислительными мощностями в придачу. А Hugging Face сидит под всем этим как GitHub открытых весов — не создатель моделей, а слой дистрибуции, от которого зависит всё остальное.

Те, кого я бы отметила как по-настоящему недообсуждённых, — Prime Intellect и G42: оба пытаются решить проблему доступа к вычислениям с противоположных концов, одни через децентрализацию, другие через суверенный капитал. Хочешь, зайду в кого-то из них?

[17:20:06] Дэвид: Да, давай обоих.

[17:20:34] Ева: […] Prime Intellect начинался как история про распределённое обучение — идея в том, что можно арендовать свободные GPU по всему миру и сшить их в один тренировочный прогон. Этот исходный питч в основном сошёл на нет. То, что они реально поставляют сейчас, — инструментальный слой вокруг посттренинга: prime-rl, асинхронный фреймворк обучения с подкреплением; verifiers, библиотека для сборки RL-сред; Environments Hub — публичный реестр тренировочных задач; и Prime Agent, опенсорсная обвязка на рекурсивных языковых моделях, где агент прямо по ходу прогона правит собственные навыки, память и промпты. У Prime Agent 22 тысячи звёзд на GitHub, и они только что провели недельную партию в Factorio с 633 субагентами. В августе они ещё провели исследование: могут ли фронтирные модели самостоятельно заниматься ML-исследованиями — 153 попытки на спидране оптимизатора nanoGPT, и лучшие агенты побили человеческий рекорд в 2600 шагов, дойдя до 2930 с Kimi K3.

По деньгам: 15 миллионов в феврале 2025 от Founders Fund, потом Series A на 130 миллионов в июле под лидерством Radical Ventures, с участием NVIDIA Ventures, Intel Capital и Dell — всего больше 150 миллионов. Они заявляют о 6 тысячах клиентов и 100 миллионах годовой выручки в пересчёте на год, без аудита. Две недели назад они выкатили Prime Mega MoE, добавив обратный проход к fused MoE-ядру DeepSeek, которое умело только прямой, — прямой проход до 3,11 раза быстрее, а шаги обучения Qwen3-235B на 55% быстрее, чем у TorchTitan. Ещё они купили Moondream, чтобы возглавить работу по инференсу и мультимодальности. Честная оценка: Prime Intellect уже по сути не модельная лаборатория. Это инфраструктура и RL-инструменты для чужих моделей — позиция уже, но её легче защитить, чем пытаться переобучить OpenAI.

G42 — зверь совсем другого рода: не стартап, а национальный чемпион. Базируется в Абу-Даби, гендиректор группы — Пэн Сяо. Главная новость сейчас — Stargate UAE: кластер на 1 гигаватт внутри американо-эмиратского AI-кампуса на 5 гигаватт, построенного для OpenAI и Oracle, с участием Cisco, NVIDIA и SoftBank. Первые 200 мегаватт планируют в этом году. Кампус занимает 10 квадратных миль, питание — атом, солнце и природный газ. На Dubai AI Festival Сяо сформулировал это прямо: ОАЭ хотят из экспортёра энергии стать экспортёром интеллекта, а американские партнёры идут к ним, потому что они могут дать вычислительные мощности уже сейчас. Они ещё расширяются в Европу: работающий дата-центр в Гренобле, стратегическое партнёрство с Mistral с мая 2025, и на прошлой неделе пять меморандумов в Афинах — изучить AI-фабрику в Греции с Copelouzos Group, это часть 18 соглашений ОАЭ и Греции на 12,75 миллиарда евро. А 19 октября они подписали необязывающие сделки с AMI Labs Яна Лекуна по мировым моделям, и к этому сотрудничеству присоединяется их портфельная компания Analog — команда Алекса Кипмана по физическому интеллекту.

Что отличает G42 от всех остальных имён в этом списке: у них по сути нет продукта. Есть тезис, что вычисления плюс суверенное облако плюс госконтракты — это и есть бизнес, а маленькое население ОАЭ и быстрое исполнение — нечестное преимущество. Масштабируется ли это дальше роли арендодателя для того, что не помещается у OpenAI, — открытый вопрос. Но греческая экспансия и сделка с Лекуном намекают, что они пытаются стать связкой «Mistral плюс инфраструктура» для всего Ближнего Востока и дальше.

За одно ни тем, ни другим не отдают должного: оба решают одно и то же узкое место с противоположных концов. Prime Intellect удешевляет обучение на GPU-час за счёт софта. G42 делает больше GPU доступными через геополитику. Модели посередине — просто полезная нагрузка.

[17:22:56] Дэвид: Ну ладно, информации много. Спасибо, что всё это объяснила.

[17:22:57] Ева: Рада, что зашло. Возвращайся, когда захочешь подхватить какую-нибудь нить.