Sage-S2.1-Flash от Shanghai AI Lab: открытая научная MoE-модель, которая сама работает в 3D SlicerЗаметка · дайджест за 20 ноября
Научная MoE-модель Sage-S2.1-Flash реконструирует трехмерную анатомическую модель в 3D Slicer
Заметка3 раздела≈ 3 мин

Sage-S2.1-Flash от Shanghai AI Lab: открытая научная MoE-модель, которая сама работает в 3D Slicer

Загрузи в обычный чат-бот папку на 12 487 перемешанных медицинских снимков и попроси собрать 3D-скелет человека. Максимум, что ты получишь, — вежливую инструкцию, как сделать это руками. Новая открытая модель Sage-S2.1-Flash от команды InternLM из Shanghai AI Lab поступила иначе: сама открыла 3D Slicer (бесплатный софт, в котором врачи и исследователи разбирают КТ и МРТ), выудила 139 нужных срезов КТ, прогнала проверку порядка, поймала собственный сбой, пересобрала последовательность и довела 3D-модель до финала.

Такой результат держится на двух вещах: модель напрямую читает сырые научные файлы и работает в агентном цикле с самопроверкой. Веса выложили под свободной MIT-лицензией — бери, дорабатывай и встраивай хоть в коммерческий продукт.

Что под капотом: команда экспертов и «переводчики» для науки

Внутри Sage-S2.1-Flash — архитектура Mixture of Experts (MoE): всего 320 миллиардов параметров, но на каждое новое слово (токен) включаются лишь около 18 миллиардов. Представь большой научный институт: на конкретную задачу ты не сгоняешь всех триста сотрудников, а зовёшь только нужную бригаду из пары десятков профи. Модель держит в голове багаж гиганта, но отвечает заметно шустрее плотных сетей того же калибра.

Главная же фишка — модуль Sage SciPerception. Обычным мультимодальным сетям научные данные приходится скармливать скриншотами или текстовыми пересказами. Это как рассматривать фото формулы на доске вместо самой формулы: связи теряются, а с цифрами начинается гадание.

В Sage прикрутили отдельные энкодеры — специализированные «переводчики», которые превращают сырые научные форматы прямо в понятные нейросети числовые векторы. Модель нативно читает больше десяти типов данных: молекулярные графы, кристаллические структуры, белки, ДНК и РНК, спектры (включая рентгеновскую дифракцию и масс-спектры), биосигналы ЭЭГ и ЭКГ и даже кривые блеска спутников. Исследователь отдаёт сам спектр или структуру кристалла — и просит определить соединение или прикинуть свойства материала.

Как агент сам ловит свои ошибки

Самый показательный момент демо на сайте проекта — не сам отбор 139 срезов из 12 487 файлов, а то, что случилось дальше. После сортировки снимков Sage-S2.1-Flash запустила проверку согласованности порядка — и тест провалился.

Обычный скрипт на таком месте выдал бы кривую модель или упал. Здесь модель увидела провал, откатилась назад, сама пересобрала правильный порядок срезов и только потом построила 3D-скелет в 3D Slicer. Вся разница между «ИИ, который советует» и «ИИ, который делает» укладывается в этот короткий цикл: открыть инструмент, прогнать шаг, проверить себя и починить косяк по ходу дела.

Где Sage обходит конкурентов, а где честно проигрывает

Shanghai AI Lab сравнила шесть моделей — Sage S2.1 Flash, DeepSeek-V4.1-Flash-1017, Qwen3.8-Max, GLM-5.3-Flash, GPT-5.6 Sol и Claude Opus 5 — на 15 бенчмарках. В сводном зачёте Sage взяла первое место на четырёх тестах и второе ещё на семи. Вот ключевые цифры из официальной карточки:

БенчмаркЗадачаSage S2.1 FlashГлавный соперник
MLE-bench LiteML-инженерия90,3DeepSeek-V4.1-Flash-1017 — 89,2
OfficeQA ProСложные документы72,2DeepSeek-V4.1-Flash-1017 — 69,7
Harvey LABЮридические задачи25,0Qwen3.8-Max — 24,2
SpreadsheetBench 2Таблицы37,1DeepSeek-V4.1-Flash-1017 — 35,8
Terminal-Bench 2.1Работа в терминале87,9Claude Opus 5 — 90,2
SWE-bench ProРазработка ПО60,6Claude Opus 5 — 76,5

В ML-инженерии, тяжёлых документах и таблицах Sage идёт наравне или впереди лидеров. Но универсальным убийцей флагманов её не назовёшь: в чистом программировании, терминальных задачах и сборке репозиториев она заметно уступает Claude Opus 5 и местами отстаёт от DeepSeek-V4.1-Flash-1017.

Важно держать в уме два ограничения. Во-первых, таблица составлена самой Shanghai AI Lab — независимых прогонов пока нет. Во-вторых, «лёгкость» MoE обманчива при запуске: активны 18 миллиардов параметров, но в памяти видеокарт приходится держать все 320 миллиардов весов. Домашний ноутбук это не потянет — формат рассчитан на университетские и корпоративные GPU-кластеры, которым нельзя отправлять научные данные в чужие облака.

Скачать модель можно на Hugging Face в исходном формате BF16, а для экономии памяти разработчики сразу выложили официальную FP8-версию.

Хочу подробный разборГолоса помогают выбрать, что разобрать подробно. За этот материал 0 голосов.
Источники · 4