Qwable-v1 – nowy gracz na scenie open-source AI

Jeśli śledzisz społeczność open-source AI, na pewno zauważyłeś kierunek, w którym zmierzamy. Deweloperzy nie chcą już modeli, które tylko generują tekst. Szukają czegoś, co potrafi myśleć, wnioskować i działać. I właśnie tutaj pojawia się Qwable-v1 od lordx64.

Pod maską: architektura Qwen3.6-35B-A3B

Sercem Qwable-v1 jest architektura Mixture of Experts (MoE) od Qwen – konkretnie model Qwen3_5MoeForConditionalGeneration. Co to oznacza w praktyce? Podczas inferencji aktywują się tylko te ścieżki "eksperckie", które są potrzebne w danym momencie. Reszta sobie odpoczywa.

35 miliardów parametrów brzmi poważnie, ale dzięki MoE nie uruchamiasz ich wszystkich przy każdym tokenie. To spora zaleta, szczególnie jeśli pracujesz na ograniczonym sprzęcie albo w środowisku chmurowym.

Co wyróżnia ten model?

Qwable-v1 to nie tylko kolejny fine-tune Qwena. Projekt wchłonął wzorce rozumowania prosto z Claude Opus 4.7 – flagowego modelu rozumowania od Anthropic. Trening odbył się na zbiorze danych lordx64/agentic-distill-fable-5-sft, stworzonym z myślą o zachowaniach agentycznych.

Co potrafi

Rozumowanie krok po kroku: Model nie rzuca się na odpowiedź jak lew na antylopę. Potrafi przechodzić przez problem etapami, co sprawdza się świetnie przy debugowaniu, pisaniu dokumentacji technicznej czy zadaniach wymagających logicznej dekompozycji.

Funkcje agentyczne: Tu robi się ciekawie. Qwable-v1 rozumie, jak działać jako agent – dzieli wielokrokowe zadania na mniejsze części, wie kiedy sięgnąć po zewnętrzne narzędzia i utrzymuje kontekst przez dłuższe interakcje.

Obsługa narzędzi: Model potrafi rozmawiać z zewnętrznymi API i narzędziami. Dla startupów budujących automatyzacje lub narzędzia deweloperskie otwiera to drzwi do tworzenia asystentów AI, którzy faktycznie coś robią, a nie tylko coś sugerują.

Szczegóły techniczne

Model używa <|im_end|> jako tokenu końca sekwencji i <|vision_pad|> jako tokenu paddingu. Przy integracji upewnij się, że Twój pipeline tokenizacji to uwzględnia.

Jeśli chodzi o licencję – mamy do czynienia z AGPL-3.0. Czyli: modyfikujesz model albo włączasz go do usługi dostępnej w sieci? Musisz udostępnić swoje zmiany. Planujesz projekt komercyjny? Konsultacja z prawnikiem to dobry pomysł.

Dla kogo to jest?

Startupy budujące agentów AI: Możliwości agentyczne Qwable-v1 świetnie nadają się jako baza dla botów obsługi klienta, asystentów programistycznych czy narzędzi automatyzujących workflow.

Deweloperzy eksperymentujący z LLM współpracującymi z narzędziami: Wbudowana funkcjonalność tool-use czyni z tego modelu idealne pole do testowania, jak AI może integrować się z zewnętrznymi systemami.

Entuzjaści open-source: Licencja AGPL plus rozwój społecznościowy oznaczają pełną transparencję i możliwość modyfikowania modelu według własnych potrzeb.

Jak zacząć?

Model znajdziesz na Hugging Face: lordx64/Qwable-v1. Jest gotowy do inferencji – wystarczy odpowiednia strategia promptowania, żeby wycisnąć z niego maksimum możliwości rozumowania i działań agentycznych.

Większy obrazek

Projekty takie jak Qwable-v1 pokazują ważną zmianę w ekosystemie AI. Odchodzimy od pytania "który model ma najlepsze benchmarki" w stronę "który model faktycznie robi to, czego potrzebuję". Nacisk na zachowania agentyczne, użycie narzędzi i rozumowanie sprawia, że to model zaprojektowany pod kątem zadań, nie tylko testów.

Niezależnie od tego, czy jesteś deweloperem szukającym najnowszych możliwości open-source, czy founderem startupu oceniającym infrastrukturę AI – Qwable-v1 zasługuje na Twoją uwagę. Kombinacja efektywnej architektury MoE od Qwen z możliwościami rozumowania z Claude to coś, co naprawdę może przydać się w realnych projektach.

A Ty? Gdzie wykorzystujesz modele rozumowania w swoich projektach? Podziel się w komentarzach – chętnie porozmawiamy o przyszłości agentycznego AI.