Ai2 представила SERA: открытые модели для кодинг-агентов и работы в репозиториях

Введение

ИИ-стартап Ai2 представила SERA — семейство из трех открытых языковых моделей, ориентированных на кодинг-агентов и работу с реальными репозиториями. Разработчики позиционируют SERA как доступную альтернативу закрытым агентным моделям, способную адаптироваться к частным кодовым базам без дорогостоящей инфраструктуры.

Подробнее о Ai2 SERA

Линейка SERA включает модели с объемом от 8 до 32 млрд параметров, построенные на базе Qwen 3 с длиной контекста до 32 тысяч токенов. Ключевой особенностью семейства является ориентация на агентное поведение: модели обучаются не только генерации кода, но и выполнению многошаговых задач, включая отладку, рефакторинг, анализ репозиториев и подготовку пулл-реквестов.

Если легкая модель SERA-8B ориентирована на легких инференс на слабом железе, SERA-14B закрывает нишу между компактной и флагманской версиями. Она рассчитана на проекты, где требуется баланс между качеством агентных навыков и стоимостью инференса. При этом архитектурно и методологически она полностью совместима с остальными моделями линейки и может обучаться или дообучаться тем же конвейером. Флагман SERA-32B демонстрирует 54,2 % на SWE-Bench Verified, опережая другие открытые модели сопоставимого размера и длины контекста. Важный акцент сделан на способности SERA адаптироваться к закрытым кодовым базам. По данным Ai2, после дообучения всего на нескольких тысячах примеров модель способна догонять и даже превосходить более крупные агентные модели с параметрами порядка 100+ млрд при работе с реальными репозиториями, такими как Django и SymPy.

Отдельно подчеркивается эффективность обучения. Для получения конкурентоспособных результатов SERA не требует масштабного обучения с подкреплением или дорогостоящих вычислительных кластеров. Воспроизведение уровня лучших открытых моделей достигается за сотни долларов вычислительных затрат, а выход на производительность, сравнимую с проприетарными агентами того же масштаба — на порядок дешевле традиционных подходов. Это стало возможным благодаря методу мягкой верификации и оптимизированной генерации синтетических данных.

Обновленные датасеты SERA теперь распространяются в универсальном формате, не привязанном к конкретной модели. Они включают пороги валидации для каждого примера и расширенные метаданные, что упрощает анализ, фильтрацию и повторное обучение моделей. Все веса, данные и рецепты обучения остаются полностью открытыми, а сами модели оптимизированы для эффективного инференса на современных ускорителях NVIDIA, включая Hooper и Blackwell.

Выводы

Линейка SERA формирует полноценную открытую экосистему агентных моделей для программирования, ориентированную на практическую работу с реальными и закрытыми репозиториями. Появление SERA-8B и SERA-14B расширяет диапазон сценариев применения, а результаты SERA-32B показывают, что компактные открытые модели способны конкурировать с гораздо более крупными системами. В совокупности это делает SERA одним из наиболее заметных открытых проектов в области кодинг-агентов на текущий момент.