Skip to content
ТехноПульс ТехноПульс
Лаборатория Pathway представила модель BDH-CQ: 150 млн параметров обходят GPT-5.6 Luna по цене в 11 раз
16 августа 00:45 1 Просмотров Новости

Лаборатория Pathway представила модель BDH-CQ: 150 млн параметров обходят GPT-5.6 Luna по цене в 11 раз

#Искусственный интеллект #Бенчмарк #Большие языковые модели

Лаборатория искусственного интеллекта Pathway, специализирующаяся на альтернативных трансформерам архитектурах, опубликовала результаты тестирования своей рассуждающей модели BDH-CQ. Имея всего 150 миллионов параметров, модель набрала 29,5 % в бенчмарке ARC-AGI-1, ориентированном на проверку логического мышления, при затратах всего $0,0007 на задачу — это в 11 раз дешевле, чем использование компактной модели OpenAI GPT-5.6 Luna. логотип лаборатории Pathway и схема архитектуры BDH-CQ

Как работает бенчмарк ARC-AGI-1

Тест ARC-AGI-1 направлен на оценку способности модели выводить правила на основе ограниченного числа примеров и применять их к новым входным данным. Это фундаментальный тест на логическое мышление, а не на запоминание обучающей выборки. В нём участвовали модели различных классов — от сверхкомпактных до флагманских систем последнего поколения.

Сравнение с конкурентами: цена и качество

Результаты тестирования показывают кардинальное различие в соотношении интеллекта и затрат:

  • BDH-CQ (150 млн параметров) — 29,5 % за $0,0007 за задачу;
  • OpenAI GPT-5.6 Luna — 34,2 % за $0,008 за задачу (после снижения цены на 80 %);
  • Anthropic Claude Opus 5 и Google Gemini 3.1 Pro — 97–98 % за $0,5–$0,6 за задачу (почти в тысячу раз дороже BDH-CQ);
  • Alibaba Qwen3 235B — стоимость более чем втрое выше BDH-CQ при худшем результате.

Разрыв в эффективности обусловлен принципиально разными механизмами рассуждений. Большинство современных ИИ-моделей с поддержкой логического мышления генерируют промежуточный текст (chain-of-thought), на который расходуются токены, и только потом выдают окончательный ответ. BDH-CQ же «молча» решает задачи во внутренней памяти, не тратя ресурсы на генерацию промежуточных шагов. сравнительная диаграмма стоимости и точности моделей на ARC-AGI-1

Архитектурное преимущество и законы масштабирования

В Pathway подчёркивают: высокая стоимость работы с ИИ сегодня объясняется архитектурой моделей, а не их способностями. Переход на альтернативную архитектуру «открывает совершенно новое пространство с точки зрения соотношения интеллекта и затрат». Первые эксперименты с BDH-CQ показали соответствие стандартным законам масштабирования, аналогичным тем, что наблюдаются у трансформеров размером от 1 млрд до 600 млрд параметров. Это означает, что при увеличении размера модели качество будет расти предсказуемо, сохраняя преимущество в эффективности. график законов масштабирования для BDH-CQ

Планы развития: от математики до ARC-AGI-3

Разработчики намерены последовательно усложнять задачи для модели. В ближайших планах — добавление математических рассуждений, тестирование на ARC-AGI-2 и, в конечном итоге, полная оценка на ARC-AGI-3. В Pathway не исключают, что на более крупных и сложных задачах преимущество в эффективности также сохранится. Если это подтвердится, индустрию ждёт смена парадигмы: от гонки за триллионы параметров — к поиску архитектур, думающих «в памяти» без лишних токенов.

Поделиться

Похожие публикации