Agents-A1: модель на 35B, створена для довготривалої агентної роботи

На Hugging Face з'явився новий файнтюн на 35B від InternScience під назвою Agents-A1. Його побудовано на базі Qwen3.5-35B, і перші відгуки кажуть, що виклик інструментів у нього помітно точніший, ніж у базової моделі. Виконання інструкцій описують як дуже акуратне, в деяких порівняннях навіть краще, ніж в Ornith 35B. Модель також приймає зображення, а Multi-Token Prediction (MTP) працює і з квантованими збірками NVFP4, і з Q4. Супровідна стаття пояснює, чому вона так поводиться, і це пояснення важливе для всіх, хто запускає агентів локально.

Масштабувати горизонт, а не кількість параметрів

Якийсь час галузь гналася за розміром. Kimi-K2.6 дійшла до 1 трильйона параметрів, слідом DeepSeek-V4-Pro. Робоче припущення було таке: більше параметрів — розумніша модель.

Agents-A1 іде іншим шляхом. Замість того щоб розростатися до трильйона параметрів, вона нарощує те, що в статті названо горизонтом агента: як далеко модель здатна провести складний робочий процес від першого кроку до останнього, не втрачаючи нитки.

Ідею добре показує задача на перевірку. Дайте агентові на цій моделі таблицю з результатами бенчмарків GPU й попросіть перевірити цифри. Модель із довгим горизонтом шукає кожну цифру, звіряє джерела, позначає нестиковки й може навіть виправити значення, скопійоване із застарілої закешованої сторінки. Покрокові інструкції не потрібні: модель вважає роботу незавершеною, доки не підтверджено кожне число.

Короткий і довгий горизонт пліч-о-пліч

Таблиці бенчмарків приховують, наскільки по-різному ці два стилі відчуваються в роботі, тож допоможе конкретний випадок. Приклад нижче ілюструє патерн, а не є виміряним результатом.

Візьмімо такий запит: дослідити поточні ціни на GPU, порівняти RTX 5090 і R9700 у трьох продавців, перевірити наявність і сказати, що вигідніше для локального інференсу ШІ.

Звичайна LLM із коротким горизонтом зазвичай поводиться так:

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

Відповідь охайна й приблизно правильна, але взята з пам'яті. Запитаного дослідження так і не відбулося.

Агентна модель із довгим горизонтом працює інакше:

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 робить виклик-другий і відповідає. Інша продовжує діяти за запитом. Agents-A1 не зупиняється, щойно згенеровано текст. Вона міркує про те, що треба зробити, діє, спостерігає результати, коригує курс, коли щось іде не так, і продовжує, доки роботу не виконано.

Які в неї результати

Ось порівняння з Qwen3.6-27B, Claude Opus 4.8 і GPT-5.4 за даними статті та публічних сторінок бенчмарків:

| 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     |

Цифри розкладаються за навичками.

• Тривалий пошук і дослідження. На SEAL-0 приріст 12,3 пункту відносно Qwen3.6-27B, і вона навіть трохи обходить Opus 4.8 з його 54,95. Цей бенчмарк вимірює, наскільки добре модель збирає інформацію за багато кроків, не збиваючись із курсу.
• Виконання інструкцій. На IFBench вона додає 4,5 пункту і до Qwen3.6-27B, і до GPT-5.4 (75,9). Отримавши промпт із кількома обмеженнями, вона виконує їх усі, а не лише перше, за яке вхопилася.
• Агенти для браузингу. На BrowseComp результат 75,51. Ідеться про навігацію справжніми сайтами, витягування даних, роботу з динамічним контентом і підлаштування, коли сторінка завантажується не так, як очікувалося. Найкращий результат у GPT-5.4 — 83,4, але Agents-A1 відстає менш ніж на 8 пунктів за розміру приблизно вдвадцятеро меншого.
• Наукові міркування й планування. На HiPhO, тесті на довге планування, і на FrontierScience-Olympiad вона випереджає Opus 4.8, хоча щоразу лише на кілька пунктів. Найбільше від цього виграють дослідницькі процеси, де міркування тягнуться через кілька галузей.

Якщо ці цифри підтвердяться, висновок такий: добре навчена модель на 35 мільярдів параметрів може переграти значно більші. Вона перемагає не тим, що знає більше, а тим, що думає далі.

Чому це важливо на локальному залізі

Запуск моделей на споживчих машинах має знайомі обмеження:

• Звичайний корпус ПК не вмістить установку на 8 GPU.
• Витрати на хмарний інференс швидко ростуть, коли агент робить десятки API-викликів на задачу.
• Більша модель не стає автоматично кращим агентом. Часто її просто дорожче запускати.

Agents-A1 змінює цей баланс. Маючи 35B параметрів і архітектуру Mixture-of-Experts, вона спокійно працює на чомусь на кшталт MacBook і водночас на деяких бенчмарках виходить на агентну продуктивність, близьку до рівня Opus. Уявіть марафонця, який у спринті не швидший за інших, але не сходить із дистанції, коли здаються всі решта.

Де її взяти

Прогрес у розмірі 35B не зупиняється, і тенденція вказує на те, що розумне навчання перемагає масштабування в лоб, особливо в агентних навантаженнях, де горизонт важить більше, ніж гола кількість параметрів. Доступні дві конвертації в GGUF від спільноти.

Збірка NVFP4 з MTP:

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

Звичайні кванти GGUF:

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

Обидві завантажуються в llama.cpp. Збірка NVFP4 з MTP пришвидшує генерацію токенів на сумісному залізі, а стандартні файли дають більше гнучкості для різних конфігурацій інференсу.

Пізніші нотатки

• Станом на 2 липня 2026 року Qwen3.6-27B лишається найзбалансованішою й найздібнішою моделлю для роботи з кодом.
• Станом на 8 липня 2026 року Agents-A1 явно сильніша в дослідженнях. Вона шукає ширшим колом тем і видає кращі результати.

Додатково: стаття на arXiv "Scaling the Horizon, Not the Parameters" (2606.30616) і сторінка InternScience/Agents-A1 на Hugging Face.