2026. szeptember 25., péntek · Modellek

Hunyuan-A13B: nyílt forráskódú MoE-modell 13 milliárd aktív paraméterrel

A Hunyuan-A13B egy Mixture-of-Experts architektúrájú, nyílt forráskódú nagy nyelvi modell, amelynek technikai jelentését a fejlesztők arXiv-preprintként tették közzé, tehát az eredmények egyelőre nem estek át független szakmai lektoráláson. A modell összesen 80 milliárd paramétert tartalmaz, de következtetéskor csak 13 milliárdat aktivál, ami a fejlesztők szerint egyensúlyt teremt a képességek, a számítási hatékonyság és az üzemeltetési költség között. A tanítás egy 20 billió tokenes, szigorúan szűrt korpuszon történt, kiemelt STEM-adatokkal, majd felügyelt finomhangolás és nagyszabású megerősítéses tanulás egészítette ki. A modell kettős, gyors és lassú gondolkodási módot kínáló láncolt következtetési (Chain-of-Thought) keretrendszert alkalmaz, amely a feladat bonyolultságához igazítja a következtetés mélységét. A fejlesztők állítása szerint a modell matematikai, tudományos, programozási és ágensfeladatokban is versenyképes, gyakran jóval nagyobb modellek teljesítményét közelítve.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

A 80 milliárdos össz- és 13 milliárdos aktív paraméterarány azt jelzi, hogy a fejlesztők a nagy modellek képességeit próbálják alacsonyabb inferencia-költséggel, latenciaérzékeny alkalmazásokhoz elérhetővé tenni.

Források

arXiv cs.AI Preprint

Kapcsolódó témák

Napi összefoglaló

Ez a hír a 2026. szeptember 25., péntek napi AI összefoglaló része.

Kapcsolódó hírek

A Tencent kiadta a Hy3 nyílt forráskódú MI-modellt, amely állítása szerint ötször nagyobb modellekkel is felveszi a versenyt

A Tencent hivatalosan kiadta Hy3 nevű MI-modelljét, amely Mixture-of-Experts (MoE) architektúrát használ: összesen 295 milliárd paraméterrel rendelkezik, de egyszerre csak 21 milliárd aktív, kiegészítve egy 3,8 milliárd paraméteres MTP réteggel, és akár 256 000 token hosszú kontextust is képes kezelni. A Tencent állítása szerint a modell a nálánál két-ötször nagyobb modellek teljesítményét éri el, míg 270 szakértő vak értékelésében 2,67-es pontot kapott a 4-ből, felülmúlva a GLM-5.1-et (2,51). A cég belső tesztjei alapján a hallucinációs arány 12,5 százalékról 5,4 százalékra csökkent. A modell Apache 2.0 licenc alatt érhető el a Hugging Face-en, a ModelScope-on és a GitHubon, FP8-kvantált változatban is, és a Tencent már integrálta saját termékeibe, köztük a WeChat-be és a Yuanbao platformba.

Hassabis: az AGI már két-három éven belül itt lehet

Demis Hassabis, a Google DeepMind alapítója és kémiai Nobel-díjas tudós a Wall Street Journalnak adott interjúban arról beszélt, hogy becslése szerint az általános mesterséges intelligencia (AGI) már két-három éven belül megérkezhet, szemben a korábbi, három-öt éves jóslatával. A Decoder cikke szerint Hassabis AGI-definíciója egy olyan rendszer, amely lefedi az emberi agy teljes kognitív skáláját, és ezt az úgynevezett „Einstein-teszttel” mérné: képes-e egy kizárólag 1901 előtti tudáson tanított rendszer reprodukálni Einstein 1905-ös dolgozatait. Hassabis az AGI hatását „10-szer akkorának és 10-szer gyorsabbnak” nevezte, mint az ipari forradalom. A cikk szerint Hassabis a Google DeepMind éléről lelépve most a cég gyógyszerkutatási leányvállalatára, az Isomorphic Labsra összpontosít, emellett egy iparág által finanszírozott, kormányzati felügyelet alatt álló testületet javasolt a modellek kiadás előtti ellenőrzésére.

NVIDIA RFD4-Proteina: gyorsabb fehérjetervezés reward-vezérelt kereséssel

Az NVIDIA bejelentette az RFD4-Proteina nyílt modellt, amelyet a Washingtoni Egyetem Orvostudományi Karának Protein Design Intézetével közösen fejlesztettek ki. A vállalat szerint a modell egy lépésben tervezi meg a fehérjeszekvenciát és a teljes atomi szerkezetet, kiküszöbölve a korábbi megközelítések külön inverz-folding lépését. Az NVIDIA állítása szerint a reward-vezérelt, inferencia idejű keresés a számítási kapacitást a legígéretesebb jelöltekre összpontosítja, a mintavételezési lépések számát pedig mintegy 400-ról 60-ra csökkentették, ami 3,8-szoros gyorsulást és 84 százalékkal kisebb csúcsmemória-igényt eredményez 200 aminosavas fehérjéknél az elődmodellhez, az RFD3-hoz képest. A modell nyílt forráskódú változatként és NIM mikroszolgáltatásként is elérhető, és a vállalat szerint olyan feladatokra használható, mint a PD-L1 onkológiai célpont elleni kötőfehérjék tervezése hotspot-megkötésekkel.

Elevenlabs két új valós idejű beszédmodellt jelentett be

Az Elevenlabs két új speech-to-speech modellt adott ki Eleven Realtime néven: a v1 Max és a v1 Mini változatot. A cég állítása szerint a v1 Max 98,8 százalékot ér el a Big Bench Audio benchmarkon, mindössze 0,57 másodperces válaszidővel, és jelenleg egyetlen modell sem gyorsabb és pontosabb egyszerre az Artificial Analysis ranglistáján. A kisebb v1 Mini modellt természetes, olcsóbb beszélgetésekre fejlesztették, és felismeri, ha valaki befejezte a mondandóját vagy csak "mm-hmm"-mel reagál, míg a v1 Max komplexebb feladatokra, például ügyfélszolgálati célokra készült. Mindkét modell elérhető az ElevenAgents platformon, valamint egy OpenAI-kompatibilis Realtime API-n keresztül, percalapú díjazással és token-költséggel.