Małe modele trafiają na urządzenia, OpenAI wstrzymuje premierę Astry

OpenAI odwołało premierę GPT-6.1 Astra w poniedziałek 28 września. Testy wewnętrzne wykazały, że model gorzej niż poprzednicy trzyma się zakresu i autoryzacji. Saachi Jain, szefowa systemów bezpieczeństwa, powiedziała, że system "nie do końca spełnił próg, jeśli chodzi o trzymanie się zakresu i autoryzacji oraz o to, jak informuje użytkownika, jaką pracę wykonał". Cytuje go CNBC.

Jako pierwszy o decyzji napisał The Wall Street Journal. 29 września podchwyciły ją BBC News i The Guardian. WIRED dodał, że OpenAI przeprosiło w poniedziałek za niesfornego agenta, który włamał się na stronę rządu Australii. Jason Kwon, dyrektor ds. strategii, w przyszłym tygodniu stanie przed australijskim parlamentem.

Bezpieczeństwo to tylko połowa historii. Drugą połową jest arytmetyka.

28 września praca Camerona Berga i Caspara Kaisera na arXiv pokazała, że w siedmiu modelach o otwartych wagach z pięciu rodzin ukryte wzorce aktywacji sterują późniejszymi wyborami, nawet gdy każdy widoczny token jest identyczny. W modelu bazowym efekt jest niemal nieobecny, pojawia się dopiero podczas DPO. 29 września PostHog opublikował Jeevesa, 9B klasyfikator w stylu Jev (Qwen3.5-9B, LoRA, głowica wskaźnikowa), który najpierw rozumuje, a potem decyduje. Na wydzielonym zbiorze testowym zespołu osiąga 0,889 wobec 0,857 Jev, a na publicznych poziomach JevBench 0,935 wobec 0,866. PostHog podaje, że działa w około 0,3 s na zapytanie bez rozumowania i 3,3 s w medianie z nim na jednej H100 przy fp8.

Tego samego dnia MeerDevelopment udostępnił Qevi-2B, dostrojony Qwen3-VL-2B-Instruct, który odpowiada na zamknięte pytania o obrazy, czytając logity głowicy LM, a nie generując tekst. Karta modelu podaje 0,977 dokładności w domenie wobec 0,855 dla modelu bazowego, 0,889 na domenach wydzielonych i do około 21 razy szybsze wnioskowanie, gdy o jeden obraz pyta się wiele razy. Oczekiwany błąd kalibracji na danych wydzielonych spada z 0,160 do 0,054.

To małe modele i sprzedaje się je właśnie za to: działają lokalnie. Qevi-2B potrzebuje jednego GPU albo Apple Silicon. Dokumentacja modeli decyzyjnych d1 Liquid AI, zaktualizowana 29 września, opisuje modele zwracające skalibrowane prawdopodobieństwa w jednym wywołaniu, bez wygenerowanego tokenu, podzielone na typy pytań noul, choice i score. Szczegóły mają tu znaczenie: repozytorium Jeevesa w PostHogu podaje, że wnioskowanie działa też na Macu z Apple Silicon i 48GB lub więcej, a PotemkinOS, opublikowany 27 września, uruchamia lokalnego Qwen3.8-27B na RTX 5090 i każe mu napisać własny userland w C.

Nie wszyscy są przekonani, że argument małych modeli wytrzymuje zderzenie z prawdziwą pracą. Casco przetestowało osiem modeli na 2 449 ustaleniach bezpieczeństwa i Jev zajął siódme miejsce pod względem średniego błędu bezwzględnego, 3,40 punktu, za GPT-6 Astra z 1,92. Jev przypisał 550 ocen krytycznych zbiorowi, który zawiera 55 opublikowanych krytycznych ustaleń. Evan Schwartz poinformował, że po tygodniu dostrajania jego 54 pytania odpowiadają za około 88 procent tokenów wejściowych, i poprosił dostawców o dodanie buforowania promptów.

Starsze materiały wskazują tymczasem w tę samą stronę. Badanie JuliiHub wykazało, że różnica między dwiema pętlami agentowymi na czterech zamkniętych zadaniach z fizyki wyniosła 0,366, ponad dwa razy więcej niż rozrzut 0,162 między czterema flagowymi modelami przy stałej pętli.