Qwable-v1: En ny aktør i åpen kildekode-AI

Hvis du følger med på åpen kildekode-AI, har du sikkert lagt merke til en tydelig retning: Utviklere vil ha modeller som ikke bare spinner ut tekst. De vil ha modeller som kan tenke, resonnere og handle. Qwable-v1 fra lordx64 er akkurat det prosjektet.

Grunnlaget: Qwen3.6-35B-A3B-arkitekturen

Qwable-v1 bygger på Qwens Mixture of Experts-arkitektur, nærmere bestemt modellen Qwen3_5MoeForConditionalGeneration. Poenget med MoE er at modellen kun aktiverer relevante «ekspert»-baner under inferens. Resultatet? Bedre effektivitet enn tradisjonelle dense modeller, uten at du mister kapasitet.

De 35 milliardene parametere høres voldsomt ut på papiret. Men takket være MoE-designet trenger du ikke kjøre alle 35 milliarder for hvert eneste token. Det er en stor fordel for deg som kjører modellen på begrenset maskinvare eller i skyen.

Hva gjør denne modellen spesiell?

Her blir det interessant. Qwable-v1 er ikke bare en finjustert Qwen-variant. Den inkorporerer resonnementsmønstre destillert fra Claude Opus 4.7, Anthropics flaggskip for resonnement. Treningsdataen kommer fra lordx64/agentic-distill-fable-5-sft-datasettet – spesielt designet for å lære modellen agentisk atferd.

Sentrale funksjoner

Kjede-av-tenkning-resonnering: Modellen hopper ikke rett til svar. Den går gjennom problemer steg for steg. Det gjør den nyttig for komplekst feilsøkingsarbeid, teknisk skriving eller oppgaver som krever logisk oppdeling.

Agentiske funksjoner: Dette er where it gets spennende for utviklere som bygger AI-applikasjoner. Modellen forstår hvordan den skal operere som en agent – dele opp flerstegsoppgaver, bestemme når den skal bruke eksterne verktøy, og holde kontekst gjennom lengre interaksjoner.

Verktøybruk: Qwable-v1 kan kommunisere med eksterne verktøy og API-er. For startups som bygger automatiseringspipelines eller utviklerverktøy, åpner dette for AI-assistenter som faktisk gjør ting – ikke bare foreslår.

Tekniske detaljer

Modellen bruker <|im_end|> som end-of-sequence token og <|vision_pad|> som padding token. Hvis du integrerer dette i en eksisterende pipeline, må du ta høyde for disse spesielle tokenene i oppsettet.

Lisensen er AGPL-3.0. Det betyr at hvis du modifierer modellen eller integrerer den i en nettbasert tjeneste, må du dele endringene dine. For kommersielle prosjekter: få juridisk avklart AGPL-implikasjonene først.

Hvem bør bry seg?

Startups som bygger AI-agenter: Qwable-v1s agentiske evner kan være et solid fundament for kundeserviceboter, kodeassistenter eller arbeidsflytautomatisering.

Utviklere som eksperimenterer med verktøyforsterkede LLM-er: Den innebygde verktøybruken gjør dette til et flott testmiljø for å utforske hvordan AI-modeller kan samhandle med eksterne systemer.

Åpen kildekode-entusiaster: Med AGPL-lisensen og fellesskapsutviklingen får du full transparens og frihet til å tilpasse modellen som du vil.

Kom i gang

Du finner Qwable-v1 på Hugging Face under lordx64/Qwable-v1. Modellen er klar for inferens, og med riktig prompting-strategi kan du utnytte resonnement- og agentkapasitetene.

Det store bildet

Prosjekter som Qwable-v1 representerer et viktig skifte i AI-økosystemet. Vi beveger oss bort fra «hvilken modell har best benchmarktall» til «hvilken modell gjør faktisk det jeg trenger». Fokuset på agentisk atferd, verktøybruk og resonnering gjør dette til en modell designet for oppgaver – ikke bare benchmarks.

Enten du er en utvikler som vil eksperimentere med nyeste åpne kildekode-muligheter, eller en startup som evaluerer AI-infrastruktur: Qwable-v1 fortjener en plass på radaren din. Kombinasjonen av Qwens effektive MoE-arkitektur med Claude-baserte resonnementsevner skaper noe genuint nyttig for virkelige applikasjoner.

Hva tenker du? Bruker du resonnementsmodeller i prosjektene dine? Del gjerne i kommentarene – la oss diskutere fremtiden for agentisk AI sammen.