Shanghai AI Lab julkaisi 320 miljardin parametrin Sage S2.1 Flash -tiedemallin
Avointen painojen MoE-malli käsittelee tekstin ja kuvien lisäksi molekyylejä, sekvenssejä ja spektrejä. Tekijöiden mukaan se oli 33 vertailutestistä neljässä paras, kun sitä verrattiin viiteen valittuun malliin.
Shanghai Artificial Intelligence Laboratoryn sekä usean kiinalaisen yliopiston ja tutkimuslaitoksen tiimi kuvaa mallin teknisessä raportissa, joka julkaistiin arXivissa 16. marraskuuta. Raportti on esijulkaisu.
Sage S2.1 Flash on MoE-malli, joka ohjaa jokaisen tokenin vain osalle asiantuntijaverkoistaan. Raportin mukaan erilliset kooderit muuntavat numeerisiksi esityksiksi molekyyligraafit sekä proteiini-, DNA- ja RNA-sekvenssit. Spektri pilkotaan järjestetyiksi mittausikkunoiksi.
Jokaiselle aineistotyypille koulutettu projektori muuntaa nämä esitykset samaan muotoon kuin tekstin tokenit. Siksi malli käsittelee niitä tehtävänannon rinnalla. Esitys säilyttää esimerkiksi aminohappotähteen paikan sekvenssissä. Paikkaa tarvitaan, kun mallilta kysytään proteiinin vuorovaikutuskohtaa.
Tiimi koulutti mallin agenttikyvyt ympäristöissä, joissa onnistuminen tarkistetaan suorituksen tuloksesta, ympäristön tilan muutoksesta tai palautetusta tuotoksesta. Työkalujen käyttöä varten tiimi kokosi 804 ympäristöä, joissa on yhteensä 2 042 työkalua.
Tekijät mittasivat mallin 33 vertailutestillä. Vertailukohtina olivat GLM-5.3-Flash, DeepSeek-V4.1-Flash-1017, Qwen3.8-Max, GPT-5.6 Sol ja Claude Opus 5. Taulukossa on Sagen ja parhaan muun vertailumallin tulos samassa testissä.
| Vertailutesti | Sage S2.1 Flash | Paras muu vertailumalli |
|---|---|---|
| OfficeQA Pro | 72,2 | 69,7 (DeepSeek-V4.1-Flash-1017) |
| MLE-bench Lite (HumanRank) | 90,3 | 89,2 (DeepSeek-V4.1-Flash-1017) |
| SpreadsheetBench 2 | 37,1 | 35,8 (DeepSeek-V4.1-Flash-1017) |
| Harvey LAB | 25,0 | 24,2 (Qwen3.8-Max) |
| OSWorld-Verified | 85,2 | 86,4 (Claude Opus 5) |
| WebArena-Verified | 67,6 | 69,1 (Claude Opus 5) |
| SWE-bench Pro | 60,6 | 76,5 (Claude Opus 5) |
| NL2Repo-Bench | 57,2 | 79,9 (Claude Opus 5) |
Lähde: tekijöiden raportti ja mallikortti. Luvut ovat tekijöiden raportoimia, eikä niitä ole mitattu riippumattomasti. Mittari vaihtelee testeittäin.
Kärkisijat koskevat vain tätä viiden mallin joukkoa, ja erot ovat usein pieniä. MLE-bench Litessa Sage johtaa DeepSeekiä 1,1 pisteellä. Raportissa on erikseen kärkimallien GPT-6 Astran, GPT-6.1 Solin ja Claude Opus 5.5:n muualla julkaistuja tuloksia. Ne eivät kuulu sijoitusvertailuun, ja ne on mitattu eri asetuksilla kuin tekijöiden omat ajot. Ne ovat usein Sagen tuloksia korkeampia: ohjelmistokehitystä mittaavassa SWE-bench Prossa Claude Opus 5.5:n julkaistu tulos on 89,9 ja Sagen 60,6. Tekijöiden mukaan mallilla on parannettavaa kokonaisten repositorioiden koodauksessa ja verkkohaussa.
Mallin painot ovat ladattavissa MIT-lisenssillä Hugging Facesta ja ModelScopesta, myös pienemmän numerotarkkuuden FP8-versiona. Projektorit ovat mallin repositoriossa, mutta tieteelliset kooderit ja esikäsittely pitää asentaa erikseen Sage-SciPerception-repositorion ohjeen mukaan. Yleisiin tehtäviin, kuten koodaukseen, on omat käyttöönotto-oppaansa.
Lue lisää: Mallit