Agents-A1: модель на 35B, созданная для долгой агентной работы

На Hugging Face появился новый файнтюн на 35B от InternScience под названием Agents-A1. Он построен на базе Qwen3.5-35B, и первые отзывы говорят, что вызов инструментов у него заметно точнее, чем у базовой модели. Следование инструкциям описывают как очень аккуратное, в некоторых сравнениях даже лучше, чем у Ornith 35B. Модель также принимает изображения, а Multi-Token Prediction (MTP) работает и с квантованными сборками NVFP4, и с Q4. Сопровождающая статья объясняет, почему она так себя ведёт, и это объяснение важно для всех, кто запускает агентов локально.

Масштабировать горизонт, а не число параметров

Какое-то время отрасль гналась за размером. Kimi-K2.6 дошла до 1 триллиона параметров, следом DeepSeek-V4-Pro. Рабочее допущение было таким: больше параметров — умнее модель.

Agents-A1 идёт другим путём. Вместо того чтобы разрастаться до триллиона параметров, она наращивает то, что в статье называется горизонтом агента: как далеко модель способна провести сложный рабочий процесс от первого шага до последнего, не теряя нити.

Идею хорошо показывает задача на проверку. Дайте агенту на этой модели таблицу с результатами бенчмарков GPU и попросите перепроверить цифры. Модель с длинным горизонтом ищет каждую цифру, сверяет источники, отмечает нестыковки и может даже исправить значение, скопированное с устаревшей закэшированной страницы. Пошаговые инструкции не нужны: модель считает работу незаконченной, пока не подтверждено каждое число.

Короткий и длинный горизонт бок о бок

Таблицы бенчмарков скрывают, насколько по-разному эти два стиля ощущаются в работе, поэтому поможет конкретный случай. Пример ниже иллюстрирует паттерн, а не является измеренным результатом.

Возьмём такой запрос: изучить текущие цены на GPU, сравнить RTX 5090 и R9700 у трёх продавцов, проверить наличие и сказать, что выгоднее для локального инференса ИИ.

Обычная LLM с коротким горизонтом обычно ведёт себя так:

- Generates a generic comparison table from training data
- Lists typical specs and MSRP prices
- Done in ~800 tokens

Ответ аккуратный и примерно верный, но взят из памяти. Запрошенного исследования так и не случилось.

Агентная модель с длинным горизонтом работает иначе:

Step 1: [Reasoning] "Need to check current GPU pricing across multiple retailers"
        → Action: Search Amazon for RTX 5090 listings

Step 2: [Observation] Found RTX 5090 at $4,500-$5,000 range, limited stock

Step 3: [Reasoning] "Now check AMD R9700 pricing and availability"
        → Action: Search Newegg for R9700 Creator listings

Step 4: [Observation] R9700 at $1,340 with better local AI benchmarks per GB

Step 5: [Reasoning] "Cross-reference with local inference performance data..."
        → Action: Pull benchmark comparisons from available sources
... (continues through 8+ steps)
Total trajectory: ~12,000 tokens across multiple search cycles, reasoning steps, and cross-referenced conclusions

Одна модель делает вызов-другой и отвечает. Другая продолжает действовать по запросу. Agents-A1 не останавливается, как только сгенерирован текст. Она рассуждает о том, что нужно сделать, действует, наблюдает результаты, корректирует курс, когда что-то идёт не так, и продолжает, пока работа не будет выполнена.

Как она набирает очки

Вот сравнение с Qwen3.6-27B, Claude Opus 4.8 и GPT-5.4 по данным статьи и публичных страниц бенчмарков:

| Benchmark                | Agents-A1   | Qwen3.6-27B | Opus 4.8  | GPT-5.4     | Winner        |
|--------------------------|-------------|-------------|-----------|-------------|---------------|
| SEAL-0                   | **56.4** ✅ | 44.1        | 54.95     | Not reported| Agents-A1     |
| IFBench                  | **80.6** ✅ | 76.1        | Not tested| 75.9        | Agents-A1     |
| SWE-bench Verified       | Not tested  | **77.2** ✅ | 80.9      | Not reported| Qwen3.6-27B   |
| Terminal-Bench 2.0       | Not tested  | **59.3** ✅ | 59.3      | Not reported| Qwen3.6-27B   |
| BrowseComp               | **75.51** ✅| Not tested  | Not tested| 83.4        | Agents-A1     |
| GPQA Diamond             | Not tested  | **87.8** ✅ | 87.0      | Not reported| Qwen3.6-27B   |
| LiveCodeBench v6         | Not tested  | **83.9** ✅ | 84.8      | Not reported| Qwen3.6-27B   |
| HiPhO                    | **46.4** ✅ | Not tested  | 43.3      | Not reported| Agents-A1     |
| FrontierScience-Olympiad | **79.0** ✅ | Not tested  | 78.0      | Not reported| Agents-A1     |

Цифры раскладываются по навыкам.

• Долгий поиск и исследование. На SEAL-0 прирост в 12,3 пункта относительно Qwen3.6-27B, и она даже чуть обходит Opus 4.8 с его 54,95. Этот бенчмарк измеряет, насколько хорошо модель собирает информацию за много шагов, не сбиваясь с курса.
• Следование инструкциям. На IFBench она добавляет 4,5 пункта и к Qwen3.6-27B, и к GPT-5.4 (75,9). Получив промпт с несколькими ограничениями, она выполняет их все, а не только первое, за которое ухватилась.
• Агенты для браузинга. На BrowseComp результат 75,51. Речь о навигации по реальным сайтам, извлечении данных, работе с динамическим контентом и подстройке, когда страница загружается не так, как ожидалось. Лучший результат у GPT-5.4 — 83,4, но Agents-A1 отстаёт меньше чем на 8 пунктов при размере примерно в двадцать раз меньше.
• Научные рассуждения и планирование. На HiPhO, тесте на долгое планирование, и на FrontierScience-Olympiad она опережает Opus 4.8, хотя каждый раз лишь на несколько пунктов. Больше всего от этого выиграют исследовательские процессы, где рассуждения тянутся через несколько областей.

Если эти цифры подтвердятся, вывод такой: хорошо обученная модель на 35 миллиардов параметров может переиграть гораздо более крупные. Она побеждает не тем, что знает больше, а тем, что думает дальше.

Почему это важно на локальном железе

У запуска моделей на потребительских машинах знакомые ограничения:

• Обычный корпус ПК не вместит установку на 8 GPU.
• Расходы на облачный инференс быстро растут, когда агент делает десятки API-вызовов на задачу.
• Модель покрупнее не становится автоматически лучшим агентом. Часто её просто дороже запускать.

Agents-A1 меняет этот баланс. С 35B параметров и архитектурой Mixture-of-Experts она спокойно работает на чём-то вроде MacBook и при этом на некоторых бенчмарках выходит на агентную производительность, близкую к уровню Opus. Представьте марафонца, который в спринте не быстрее других, но не сходит с дистанции, когда сдаются все остальные.

Где её взять

Прогресс в размере 35B не прекращается, и тенденция указывает на то, что умное обучение побеждает масштабирование в лоб, особенно в агентных нагрузках, где горизонт значит больше, чем голое число параметров. Доступны две конвертации в GGUF от сообщества.

Сборка NVFP4 с MTP:

https://huggingface.co/s-batman/Agents-A1-NVFP4-MTP-GGUF

Обычные кванты GGUF:

https://huggingface.co/LordNeel/Agents-A1-GGUF

Обе загружаются в llama.cpp. Сборка NVFP4 с MTP ускоряет генерацию токенов на совместимом железе, а стандартные файлы дают больше гибкости для разных конфигураций инференса.

Более поздние заметки

• На 2 июля 2026 года Qwen3.6-27B остаётся самой сбалансированной и способной моделью для работы с кодом.
• На 8 июля 2026 года Agents-A1 явно сильнее в исследованиях. Она ищет по более широкому кругу тем и выдаёт лучшие результаты.

Дополнительно: статья на arXiv "Scaling the Horizon, Not the Parameters" (2606.30616) и страница InternScience/Agents-A1 на Hugging Face.