Університет Цінхуа та Mianbi відкрили світовий перший підготовчий фреймворк для штучного інтелекту з кодуванням ForgeTrain

ME AI Новина: за даними моніторингу Beating, Beibei Intelligence та лабораторія NLP Цинхуа у співпраці зі спільнотою OpenBMB запустили першу у світі продуктивну систему попереднього навчання великих моделей, повністю створену штучним інтелектом — ForgeTrain, а також випустили невелику модель для кінцевих пристроїв MiniCPM5-1B, навчену за допомогою ForgeTrain. Як перший приклад енжинерного циклу «AI створює AI», ForgeTrain продемонстрував перевагу над Megatron від NVIDIA за тих самих умов обладнання, а також досяг 10% прискорення під час попереднього навчання на Huawei Ascend. Крім того, MiniCPM5-1B посів перше місце у рейтингу відкритих вагових малих моделей Artificial Analysis. Щоб дозволити штучному інтелекту самостійно будувати базову інфраструктуру попереднього навчання, Beibei Intelligence запровадила програмну парадигму «Forge Engineering» — вона відмовляється від універсальних фреймворків, сумісних з усіма апаратними платформами та завданнями, і замість цього використовує здатність AI до низьковитратного генерування коду для створення спеціалізованих кодів для конкретних моделей та апаратних рішень. У своїй архітектурі ForgeTrain застосовує триетапний підхід: спочатку збирає ключові дані з існуючих фреймворків попереднього навчання, формуючи тестову арену (Harness), потім ітеративно генерує бінарно-консистентний код фреймворку в автоматичному замкненому циклі, і нарешті видаляє обмеження, досягаючи переваги над еталонною реалізацією. Цей автоматизований процес відповідає етапам L3–L4 «AI створює AI». Як перша модель, створена за допомогою ForgeTrain, MiniCPM5-1B має 1,08 мільярда параметрів і базується на стандартній архітектурі LlamaForCausalLM, що значно знижує бар’єри для інтеграції та розгортання в нижніх рівнях. У тестах Artificial Analysis модель набрала 18 балів, перевершивши Qwen3.5-2B (16 балів) з розміром 2B, а також Qwen3.5-0.8B (11 балів) і LFM2.5-1.2B-Thinking (8 балів). Модель підтримує формати розгортання MLX 4-bit та GGUF Q4_K_M; після INT4 квантування її ваги становлять лише 0,5 ГБ, а також нативно підтримує довгий контекст до 131 072 токенів і гибридний двомодальний висновок на основі enable_thinking. Завдяки надзвичайно низьким вимогам до обладнання, OpenBMB одночасно випустив десктопний застосунок MiniCPM Desk Pet — автономний настільний додаток-помічник, який підтримує реальний час відповідей на діяльність у розробницьких інструментах, таких як Cursor, а також переключення особистостей за допомогою LoRA. (Джерело: BlockBeats)