Maxwell-V1.0-Flash: открытая ИИ-модель, веса 74 ГБ
Maxwell-V1.0-Flash: 35 млрд параметров, Apache 2.0, веса 73,6 ГБ. Что нужно для запуска и где модель сильнее и слабее соперников.
Команда Maxwell выложила на Hugging Face открытую языковую модель Maxwell-V1.0-Flash: 35 млрд параметров всего, из них 3 млрд активны на каждый токен, контекст до 256 тысяч токенов. Это текстовая модель с архитектурой «смесь экспертов»: в каждом слое 256 экспертов, на токен работают 12 из них плюс 2 общих. Лицензия Apache 2.0, доступ к весам без запроса. Разработчики описывают цель так: сильные рассуждения, работа в роли агента и длинный контекст при приемлемой стоимости запуска.
Веса занимают 73,6 ГБ в формате BF16. Для запуска разработчики дают готовый образ Docker с vLLM (maxwellmodel/vllm-openai v0.30.0), который поднимает сервер, совместимый с API OpenAI. Нужен драйвер NVIDIA версии 580 или новее (CUDA 13.0), в примере запуска указана одна видеокарта, а модель грузится с пользовательским кодом (флаг trust-remote-code). Режим рассуждений включён по умолчанию, вызов функций поддерживается. Есть и онлайн-песочница на maxwell-llm.ai/playground.
Для длинных текстов в модели стоит блочно разреженное внимание MBSA: каждая группа ключей смотрит на блоки в начале текста, ближайшие блоки по 128 токенов и до 16 удалённых блоков, которые выбирает обучаемый индексатор. Основное внимание при этом ограничено 4096 токенами, а полная история остаётся в кэше. По данным разработчиков, ядро MBSA в 6,7 раза быстрее обычного плотного внимания на 256 тысячах токенов. Обучение шло на примерно 26 трлн токенов многоязычных данных, а токенизатор, по описанию, компактно кодирует тайский, лаосский, бирманский, кхмерский и шанский языки.
Сильнее всего результаты там, где модель работает как агент. В SWE-Bench Verified (доля реальных программных ошибок, которые модель исправила в связке с Claude Code) у Maxwell 65,4 против 63,4 у Qwen3.6-35B-A3B, 47,6 у Muse-Glimmer-30B и 39,2 у Gemma-4-26B-A4B-it. В Terminal-Bench (задачи в командной строке) у неё 58,65 против 48,50 у Muse-Glimmer-30B. В BrowseComp (поиск ответов в интернете) 76,3, а с управлением контекстом 82,2, тогда как у Muse-Glimmer-30B 55,6, у Qwen3.6 47,0. В сравнение вошла и Nemotron-3.5-Lightning.
Слабее модель в точном следовании инструкциям: средний балл 76,37 против 84,60 у Muse-Glimmer-30B и 83,07 у Gemma 4, а в тесте IFBench 64,8 против 83,2 у Muse-Glimmer-30B. Muse-Glimmer-30B впереди и по многоходовым диалогам (в среднем 81,46 против 79,36) и по логическим задачам (78,03 против 73,58). У базовой версии, до дообучения, на китайских тестах CMMLU и C-Eval 79,41 и 77,41 против 86,17 и 86,33 у Qwen3.5-w35a3-base. Все замеры сделала сама команда Maxwell по собственной методике.
Класс «35 млрд всего, 3 млрд активных» тот же, что у Qwen3.6-35B-A3B из таблицы разработчиков. Сжатых (квантованных) версий Maxwell на странице пока нет, а у репозитория, созданного 13 октября 2026 года, 154 загрузки и 43 лайка. О том, какое железо тянет локальные модели, KRAKOBIT писал в разборе локальной модели на 27B, а о запуске крупной модели на одной RTX 3090 с 64 ГБ оперативки в новости про DeepSeek V4.1 Flash.