Почему ИИ 17 часов писал компилятор и прошёл 97,8% тестов, если проверить это пока никто не может?

Компилятор здесь — не просто подсказчик, который дополняет строку кода. Он преобразует программу на одном языке в инструкции для компьютера. Lua в этой задаче нужно было превратить в файл формата ELF для процессоров x86-64. Модель не только написала код, но и работала с проверками на протяжении многих часов.

В том же документе Ant Group сравнила результат с другими моделями: Claude Fable 5 прошла 99,0% тестов, а GLM-5.3-Flash — 95,9%. Это сравнение тоже приведено производителем. Оно показывает, как модели справились с конкретной задачей в заданных условиях, но не заменяет независимое повторение эксперимента.

Другие примеры из отчёта выглядят не менее прикладными. Примерно за 20 часов модель перенесла графическую библиотеку с C на Rust и прошла все 30 проверок корректности; заявленное ускорение составило 8,015 раза. Claude Fable 5 в том же сравнении показала ускорение 27,31 раза, GLM-5.3-Flash — 1,396 раза. А на кодовой базе Pyright 1.1.400 Ling-3.1-flash около 10 часов оптимизировала TypeScript-код и, по данным Ant Group, ускорила его в 1,432 раза, пройдя 2279 тестов.

Есть и пример с поиском ошибки безопасности. По материалам разработчика, Ling-3.1-flash обнаружила в открытом коде СУБД OceanBase переполнение стекового буфера в парсере и подготовила исправление; уязвимость уже исправлена. Это конкретнее многих тестов: речь идёт о найденной проблеме и внесённом патче. Но подробностей о независимой оценке работы модели в предоставленных материалах нет.

Как это работает

Ling-3.1-flash использует архитектуру MoE — смесь экспертов. Представьте большую редакцию из 512 специалистов: для каждого слова система выбирает нескольких подходящих, а остальные в этот момент не работают. По описанию архитектуры, на каждый токен выбираются 8 маршрутизируемых экспертов и один общий. Поэтому при общем размере около 560 миллиардов параметров на один токен активны примерно 25 миллиардов.

Это помогает совместить большую ёмкость модели с умеренными вычислениями на каждом шаге. Для длинной задачи важна и память о предыдущей работе. Разработчик заявляет контекст до 1 миллиона токенов. В архитектуре семь слоёв линейного внимания KDA приходятся на один слой Gated MLA: такая комбинация, согласно описанию модели, помогает обрабатывать длинную историю, сохраняя общий взгляд на задачу.

Многочасовая работа строится циклом: написать фрагмент, проверить его, разобрать ошибку и попробовать снова. Именно такой процесс может привести к готовому компилятору. Но продолжительность работы сама по себе не подтверждает качество: важны и содержание тестов, и возможность повторить результат на той же задаче.

Цифры и цена

Независимый индекс Artificial Analysis версии 4.3 оценил модель в 41 балл. Это на два балла выше указанного в материалах результата DeepSeek V4.1 Flash (Max), равного 39; Gemini 3.8 Flash (high) получила те же 41. У предыдущей Ling-3.0-flash в этом индексе было 20 баллов. Это независимый замер общего индекса, но он не подтверждает отдельно историю с компилятором.

В замерах Artificial Analysis доля галлюцинаций снизилась с 44% у предыдущей версии до 38% у новой, а результат теста знаний AAOmniscience вырос с 18% до 29%. Эти показатели не означают, что каждый третий ответ модели обязательно выдуман: доля относится к конкретной методике измерения. Полный прогон индекса, по данным Artificial Analysis, потребовал 218 миллионов выходных токенов — на 16% меньше, чем для предыдущей версии.

Официальной цены Ling-3.1-flash в материалах нет. Бесплатный период, по данным разработчика, действует до 13 октября 2026 года, но контекст в это время ограничен 256 тысячами токенов; миллионный контекст обещан после перехода на платный сервис. Artificial Analysis оценивает стоимость в 0,30 доллара за миллион входных токенов и 0,90 доллара за миллион выходных. Сторонние реселлеры указывают 0,075 и 0,22 доллара соответственно, но это не официальная цена Ant Group.

Веса модели на 7 октября 2026 года не опубликованы. По материалам о модели, разработчик обещает открыть их после перехода на платный сервис, однако ни срок, ни лицензия не названы. Поэтому пока нельзя проверить запуск Ling-3.1-flash на собственном оборудовании или независимо изучить её устройство.

Где подвох

Главный вопрос — подтверждение результатов. Показатели компилятора, переноса библиотеки и оптимизации кода приведены самим производителем; независимой верификации именно этих задач в своде фактов нет. Условия испытаний и полный набор тестов также нельзя воспроизвести по имеющимся материалам. Поэтому 97,8% — точный результат заявленного прогона, но не доказательство того, что модель в целом умеет безошибочно писать компиляторы.

Есть и разница между тестами и повседневным использованием. Пользователи Bilibili описывают модель как сильную в бенчмарках, но не всегда убедительную в обычной работе; встречаются отзывы «можно использовать, но ответы поверхностные». Это мнения пользователей, а не измерение качества. В материалах также отмечено, что сообщество жаловалось на неустранённую проблему пустой генерации у предыдущей Ling-3.0-flash в llama.cpp. Для новой версии поддержка сообщества и формат GGUF пока не подтверждены.

Заявление о вирусном сообщении, будто модель уже полностью открыта и доступна для локального запуска, материалы называют ложным: весов и квантованных версий нет. Оценка, что четырёхбитная версия модели потребовала бы около 280 гигабайт памяти, — расчёт из размера в 560 миллиардов параметров, а не опубликованная конфигурация запуска. Разработчик также не опубликовал результаты испытаний безопасности и red-team-проверок.

А что в России

В предоставленном блоке о российских аналогах нет подтверждённых данных о компаниях, институтах, продуктах или сроках, поэтому сравнить их с Ling-3.1-flash по фактам нельзя. Нет и подтверждения, что модель продаётся в России; её веса пока не опубликованы, а срок и лицензия неизвестны.

Какой результат вы бы хотели увидеть, чтобы поверить в такие возможности модели?

#китай #наукаитехника #технологии #изобретения #лабораторияподнебесной