Sage-A1.5: открытая 36B-модель для агентных и научных задач

01Кратко: что это и для кого

Sage-A1.5 — не чат-модель общего назначения, а агентная VLM: она рассчитана на длинные траектории с инструментами, разбор документов и научные задачи. Карточка модели перечисляет шесть направлений замеров: long-horizon поиск, инженерные задачи, следование инструкциям, научные исследования, общие агентные задачи и научные агентные задачи.

Поддерживаемые входы — текст, изображения и видео (в репозитории есть отдельный video_preprocessor_config.json), выход — текст. Токенизатор на 20 МБ, chat template на Jinja, отдельный модуль MTP для спекулятивного декодирования. Всё лежит в одном репозитории на Hugging Face: 14 шардов весов, индекс, конфиги и скрипты запуска.

02Архитектура и два режима работы

Модель построена на архитектуре qwen3_5_moe: разреженный MoE-трансформер с общим словарём Qwen-семейства, отдельной языковой частью и визуальным энкодером. Точное число активных параметров карточка не раскрывает — известны только общие 35,9 млрд в BF16; число активных на токен в документации не приводится, и притворяться, что оно известно, мы не будем.

Поверх обычного инференса авторы добавили два опциональных режима. Первый — Agentic Orchestration: модель вызывает инструмент spawn_subagent и раздаёт независимые подвопросы суб-агентам, каждый со своим окном контекста и своим набором инструментов. Второй — Verification Mode: модель останавливается посреди траектории, проверяет, что уже установлено и что провалилось, и меняет направление в том же ходе, без внешнего критика.

Практический смысл режимов разный. Оркестрация полезна там, где задача естественно распадается на параллельные ветки — обзор источников, сравнение вариантов, сбор фактов по нескольким документам. Verification Mode дешевле: он не требует дополнительных процессов и работает внутри рассуждения самой модели, но и не даёт независимой проверки — это самопроверка, а не второй агент.

Поддержка инструментов заявлена на уровне serving: в SGLang указываются --reasoning-parser qwen3 и --tool-call-parser qwen3_coder, в vLLM — --enable-auto-tool-choice с тем же парсером. То есть OpenAI-совместимый tool calling получается из коробки, без самописного парсера ответов.

03Бенчмарки: что именно заявили авторы

В карточке 22 бенчмарка и семь моделей сравнения: сама Sage-A1.5, Agents-A1, Qwen3.6-35B-A3B и Ornith-1.5 (класс ~35B), а также Kimi-K3, GLM-5.3 и GPT-5.6-sol (крупнее). Маркер «первое место» стоит у Sage-A1.5 на семи бенчмарках, у GPT-5.6-sol — на пяти, у Kimi-K3 и GLM-5.3 — по четыре, у Agents-A1 — на двух. Внутри своего класса (маркер «лучший среди ~35B») Sage-A1.5 лидирует на 11 из 22.

04Запуск: SGLang и vLLM

Оба движка поднимают OpenAI-совместимый эндпоинт на порту 8000. Авторы дают готовые команды: в SGLang это sglang.launch_server с указанием модели, контекста и парсеров, в vLLM — vllm serve. Контекст по умолчанию 262 144 токена; для 524 288 нужно включить YaRN с фактором 2.0 и разрешить переопределение длины через переменную окружения движка.

uv venv --python 3.12 --seed --managed-python
source .venv/bin/activate
uv pip install sglang

python -m sglang.launch_server
  --model-path InternScience/Sage-A1.5
  --port 8000
  --context-length 262144
  --mem-fraction-static 0.8
  --reasoning-parser qwen3
  --tool-call-parser qwen3_coder

  --speculative-algorithm EAGLE
  --speculative-num-steps 3
  --speculative-eagle-topk 1
  --speculative-num-draft-tokens 4

curl -s localhost:8000/v1/models

05Размер весов и требования к железу

Репозиторий весит около 72 ГБ: 13 полных шардов по 5,37 ГБ, один неполный на 425 МБ, отдельный модуль MTP на 1,69 ГБ и токенизатор на 20 МБ. Это чистый BF16 без квантования — карточка не публикует ни GGUF-сборок, ни AWQ/GPTQ-вариантов, поэтому рассчитывать на компактный запуск на потребительской карте не стоит.

06Плюсы и ограничения

07Кому подходит

Sage-A1.5 имеет смысл пробовать, если у вас есть GPU с 80+ ГБ памяти под BF16, задачи связаны с документами, научными расчётами или длинными агентными траекториями с инструментами, и нужна открытая лицензия без ограничений на коммерческое использование. Если железо скромнее или задача — обычное кодирование в IDE, практичнее взять меньшую MoE-модель с квантованными сборками: разница в качестве на ваших задачах вряд ли окупит стоимость инференса.