Atria Dawn Preview: що відомо про відкритого ШІ-агента на 744 млрд параметрів

Shanghai Artificial Intelligence Laboratory представила Atria Dawn Preview — відкриту агентну ШІ-модель для завдань, де недостатньо однієї відповіді в чаті. Її задум — досліджувати інформацію за допомогою інструментів, писати та запускати код, аналізувати результати й повторювати спроби, доки не буде отримано результат, який можна перевірити.

Хоча найбільше матеріалів про реліз з’явилося 16 вересня 2026 року, за повідомленнями, ваги моделі були оприлюднені 11 вересня, а технічний звіт вийшов приблизно 14 вересня. 15

Що таке Atria Dawn Preview

За карткою моделі, це попередня версія агентної моделі на основі GLM-5.2 з архітектурою mixture-of-experts (MoE) і 744 млрд параметрів. Вона приймає та генерує текст, має контекстне вікно 256K токенів і орієнтована на дослідницькі та інженерні сценарії, де потрібні тривале розуміння поточного середовища, виклики інструментів і виконання багатокрокових завдань. 9

Опубліковано дві версії:

• Atria-Dawn-Preview — стандартна instruct-модель;
• Atria-Dawn-Preview-FP8 — instruct-модель, квантизована у форматі FP8.

Для обох заявлено контекст 256K токенів і посилання на Hugging Face та ModelScope. 9

MoE — це архітектура, у якій модель має великий загальний обсяг параметрів, але під час генерації активує лише частину спеціалізованих компонентів, або «експертів». Втім, для потенційних користувачів важливіша не сама цифра у 744 млрд параметрів, а здатність моделі стабільно вести довгий ланцюг дій: планувати, викликати інструменти, виконувати операції та коригувати помилки.

Чим вона відрізняється від попередніх проєктів Shanghai AI Lab

Серед публічних розробок Shanghai AI Lab є сімейство InternLM, а також наукові й мультимодальні проєкти на кшталт Intern-S1 та Intern-S2. Наприклад, у описі Intern-S2 Preview наголос зроблено на масштабуванні переднавчання, охопленні завдань для навчання з підкріпленням та інтерактивних агентних середовищах. 18

Atria позиціонують значно пряміше як агента для довгих послідовностей дій. Заявлений робочий цикл охоплює розуміння завдання, складання плану, використання інструментів, реалізацію коду, запуск експериментів або дій, перевірку результатів і продовження роботи після невдачі. У матеріалах про технічний звіт цей підхід названо Verifiable Experience Pipeline — «конвеєром досвіду, який можна верифікувати»: він має прив’язувати використання інструментів до виконуваних середовищ і зовнішньо перевірюваних результатів. 1315

Різниця суттєва: базова модель може добре відповідати на запитання або писати окремі фрагменти коду. Агентна модель повинна ще й утримувати стан процесу, обирати наступну дію, інтерпретувати відповіді інструментів та відновлюватися після помилок у багатокроковому сценарії. Саме на цьому ширшому циклі Atria робить основний акцент.

Для яких завдань її пропонують

У картці моделі визначено чотири практичні напрями: 9

• Поглиблені дослідження: пошук, упорядкування та синтез доказів і джерел.
• Розробка ПЗ і технічна робота: створення програм, застосунків, візуалізацій та систем машинного навчання.
• Структурована офісна робота: підготовка звітів, презентацій та інших документів.
• Авторизована робота з кібербезпекою: аналіз, перевірка вразливостей, виправлення проблем і повторна валідація у дозволених середовищах.

Останнє уточнення принципове: заявлені можливості з перевірки чи усунення вразливостей не дають підстав для несанкціонованого тестування чужих систем.

Відкриті ваги та розгортання

Ваги Atria доступні за ліцензією MIT через Hugging Face та ModelScope. У документації також вказано локальний запуск через SGLang 0.5.13.post1 або новішу версію чи vLLM 0.23.0 або новішу версію, а також API-варіанти, зокрема конфігурацію Responses API для клієнтів у стилі Codex. 19

Відкриті ваги дають більше контролю над розгортанням, інтеграціями та оцінюванням моделі. Однак це не означає, що її використання буде простим чи безкоштовним: за повідомленнями про реліз, залежно від формату файли ваг займають від сотень гігабайтів до понад терабайта, а витрати переносяться на GPU-інфраструктуру. 5

Для команд компроміс очевидний: самостійне розгортання може забезпечити кращий контроль за даними й інтеграцією, але потребує значних обчислювальних ресурсів, досвіду експлуатації, моніторингу та засобів захисту.

Як виглядають заявлені результати на тлі frontier-агентів

Shanghai AI Lab повідомляє результати на 16 оцінюваннях. Серед опублікованих показників: 53,8 на AutomationBench, 92,5 на BrowseComp, 96,0 на DeepSearchQA, 77,0 на BFCL v4 і 86,5 на CyberGym. Також наведено 59,6 на SWE-bench Pro та 78,3 на Terminal-Bench 2.1. 9

У порівняльній таблиці розробника Atria очолює наведені рядки за першими п’ятьма показниками. Проте її не подано як лідера в кожному наборі тестів: у тій самій таблиці Claude Opus 5 має вищі результати, зокрема на SWE-bench Pro та Terminal-Bench 2.1. 9

Коректне трактування тут вужче, ніж гасло «найкращий агент загалом»:

• заявлені результати роблять Atria помітним претендентом серед відкритих моделей для пошуку й отримання інформації, браузерних завдань, викликів функцій та включеного кібербезпекового бенчмарку;
• ці цифри не доводять загальної переваги над закритими передовими агентами;
• агентні бенчмарки суттєво залежать від версій тестового середовища, промптів, доступів до інструментів, бюджетів, правил повторних спроб і конфігурації середовища.

Найважливіше: у тогочасних публікаціях зазначалося, що бенчмарки є даними самого розробника й на той момент не були незалежно підтверджені нейтральним оцінювачем. 5

Що перевірити перед впровадженням

Atria найцікавіша для організацій, які хочуть протестувати велику модель із відкритими вагами для довгих робочих процесів з інструментами. Але публічні результати не варто автоматично перетворювати на рішення про впровадження.

1. Відтворіть релевантні бенчмарки. Зафіксуйте версію моделі, промпти, доступ до інструментів, часові й токенні бюджети та правила повторних спроб; проведіть серію запусків, а не покладайтеся на один результат.
2. Перевірте повний агентний цикл. Вимірюйте не лише завершення завдань, а й відновлення після невдалих викликів інструментів, хибних припущень, недоступних ресурсів і неоднозначних інструкцій.
3. Оцініть обмеження розгортання. Перегляньте фактичні ліцензійні файли для ваг і репозиторію, потреби в інфраструктурі, стек локального запуску та умови регіональних хостингових кінцевих точок, якщо їх планується використовувати.
4. Перевірте безпеку та захист даних. Оцініть стійкість до prompt injection, межі дозволів для інструментів, логування, зберігання даних і роботу з чутливою інформацією.
5. Порівняйте на власних робочих сценаріях. Запустіть типові для вашої команди дослідницькі, програмні, документні та дозволені безпекові завдання поряд з іншими моделями, які вже використовуються.

Висновок

Atria Dawn Preview привертає увагу поєднанням 744-мільярдної MoE-основи GLM-5.2, контексту 256K, відкритих ваг і виразного фокусу на агентному виконанні, а не лише на діалозі. Ліцензія MIT та наявність стандартної і FP8-версій роблять її серйозним кандидатом для оцінювання командами, які мають ресурси для запуску моделі. 9

Її таблиця бенчмарків виглядає обнадійливо — особливо в пошуку, роботі з інформацією, викликах функцій, автоматизації та кібербезпековому оцінюванні. Та це все ще заяви видавця. Вирішальним тестом буде те, чи здатна Atria надійно виконувати саме ваші довгі завдання з інструментами за прийнятних витрат, затримки, рівня безпеки та здатності виправляти збої. 5