Watermelon пока фигурирует как предполагаемое кодовое имя следующей крупной AI-модели Meta после Avocado. Компания не объявляла ни сам проект, ни дату запуска, ни технические параметры. Название Hatch тоже нельзя считать подтвержденным продуктом или отдельным этапом публичной линейки.
По имеющимся сообщениям, в июле Meta приостанавливала pretraining, затем возобновила его, а релиз сдвинулся как минимум на октябрь. Это ориентир, а не календарь Meta: публичного подтверждения даты запуска Watermelon или Hatch нет.
На 6 сентября 2026 года разработчикам рано менять рабочую модель, покупать GPU или закладывать Watermelon в production. Ниже разделяем сообщения, технические выводы и сведения, которых пока нет.
Короткий ответ: что известно о Meta Watermelon
Watermelon, Avocado и Hatch: как связаны эти названия
Предполагаемая последовательность выглядит так: Avocado, затем Watermelon. В таком прочтении Avocado выступает предыдущим проектом, а Watermelon, более мощной моделью следующего класса. Однако Meta не представляла эту цепочку как официальную линейку продуктов.
Hatch упоминается рядом с Watermelon, но его точное место неясно. Это может быть рабочее название этапа, связанного проекта или отдельной модели. Подтвержденной связи между Hatch, Avocado и Watermelon нет, поэтому описывать их как готовые версии одной системы рано.
Кодовое имя помогает обсуждать внутренний проект, но ничего не говорит о финальном названии, лицензии и способе доступа. После релиза компания может выбрать другое коммерческое имя или объединить несколько исследовательских разработок под одним продуктом.
Что Meta пока не подтверждала
Публично не подтверждены следующие сведения:
- дата запуска Watermelon;
- дата запуска Hatch;
- размер модели и число параметров;
- архитектура, включая возможное использование MoE;
- контекстное окно и поддерживаемые режимы reasoning;
- мультимодальные возможности и работа с инструментами;
- доступ через API, продукты Meta или локальный запуск;
- формат весов, лицензия и ограничения на использование;
- результаты бенчмарков и сравнение с Anthropic, OpenAI, Google или другими разработчиками.
Формулировка более мощный класс моделей остается оценкой масштаба проекта. Она не заменяет техническую спецификацию. Пока Watermelon корректнее называть предполагаемой AI-моделью Meta, а Avocado и Hatch, кодовыми именами из сообщений о разработке.
Почему релиз Watermelon могли перенести как минимум на октябрь
Что означает пауза на этапе pretraining
Pretraining формирует базовые способности языковой модели. На этом этапе нейросеть обучается предсказывать и связывать элементы больших массивов данных, после чего получает дополнительные настройки для диалога, следования инструкциям, работы с кодом и безопасного поведения.
По сообщениям, в июле этап pretraining Watermelon приостанавливался, а затем возобновлялся. Такая пауза сама по себе не доказывает провал проекта. Она может быть связана с проверкой данных, изменением конфигурации обучения, оценкой промежуточного чекпойнта или техническими проблемами инфраструктуры, но конкретная причина публично не названа.
Для большой модели остановка обучения влияет на календарь сразу по нескольким направлениям. Команда теряет часть вычислительного времени, переносит внутренние оценки и получает меньше запаса для повторного обучения, если промежуточный результат не проходит проверку.
Почему возобновление обучения не означает скорый запуск
Завершение или продолжение pretraining не равно готовому публичному релизу. После базового обучения обычно требуются дополнительные шаги:
- оценка качества базового чекпойнта на внутренних и внешних задачах;
- донастройка поведения и следования инструкциям;
- проверки безопасности, устойчивости к обходу ограничений и утечке данных;
- подготовка серверной инфраструктуры, лимитов и мониторинга;
- выбор формата доступа: API, облачный продукт, открытые веса или закрытая интеграция.
Продолжительность каждого этапа зависит от масштаба модели, числа доступных GPU, результатов проверок и выбранной стратегии распространения. Ни один из этих сроков для Watermelon Meta не раскрывала.
Даже успешное возобновление pretraining может привести к нескольким дополнительным итерациям обучения. Команде нужно убедиться, что новая версия стабильна на длинном контексте, корректно вызывает инструменты и сохраняет качество после настройки поведения.
Октябрь как нижняя граница ожиданий, а не обещание
Фраза как минимум на октябрь означает, что запуск раньше этого горизонта считался маловероятным после паузы и возобновления обучения. Она не означает релиз в первый день октября и не задает точную неделю.
Корректная хронология выглядит так:
- в июле pretraining, по сообщениям, приостановили;
- затем обучение возобновили;
- срок публичного запуска сместился на октябрьский горизонт или позже;
- официальной даты Watermelon и Hatch по-прежнему нет.
Срок может измениться снова. Причиной способны стать результаты внутренних оценок, проверки безопасности, нехватка вычислительных ресурсов или решение Meta сначала выпустить другой продукт. До официального календаря октябрь стоит воспринимать как минимальный ориентир наблюдения.
Что Watermelon может означать для линейки Meta после Avocado
Более мощный класс моделей: что это может значить на практике
Мощность AI-модели измеряют несколькими независимыми характеристиками. Число параметров остается лишь одним из факторов и не позволяет заранее определить качество ответов.
| Критерий | Что проверять после релиза |
|---|---|
| Reasoning | Стабильность многошагового решения задач, работа с ограничениями и способность исправлять собственные ошибки. |
| Программирование | Генерация кода, исправление ошибок, понимание существующего проекта и работа с тестами. |
| Инструменты | Корректность tool calling, последовательность действий и обработка неудачных вызовов. |
| Длинный контекст | Сохранение точности при больших документах, переписках и исходных кодах. |
| Мультимодальность | Работа с изображениями, аудио или другими типами входных данных, если их заявит Meta. |
| Инференс | Скорость ответа, стоимость токенов, требования к памяти и стабильность под нагрузкой. |
Описание более мощного класса может относиться к reasoning, программированию, агентским сценариям или эффективности инференса. Без результатов тестов нельзя выбрать один вариант и приписать его Watermelon.
Каких характеристик недостаточно ждать по одному кодовому имени
Название проекта не раскрывает архитектуру, плотность или разреженность вычислений, размер чекпойнта и доступный контекст. Из него нельзя вывести совместимость с vLLM, llama.cpp или другим runtime.
Для владельца локального AI-сервера критичны четыре группы параметров:
- веса: размер файлов, формат хранения и наличие квантованных вариантов;
- память: требования к VRAM, системной RAM и объему диска;
- контекст: размер KV cache и поведение при длинных запросах;
- доступ: открытая лицензия, официальный API или закрытая работа внутри продуктов Meta.
Пока неизвестен каждый из этих пунктов. Поэтому сравнивать Watermelon с локальными моделями по требованиям к железу или обещать запуск на конкретной видеокарте нельзя.
Meta против Anthropic: почему Watermelon важна для рынка AI
Какие параметры определят реальную конкурентоспособность
Соперничество Meta с Anthropic и другими лабораториями будет зависеть от измеримых условий, а не от названия Watermelon. После публикации понадобится проверить минимум следующие параметры:
- качество на независимых тестах с описанной методикой;
- результаты на программировании, анализе документов и агентских задачах;
- стабильность ответов при повторных запусках;
- поддержку tool calling, structured output и мультимодальных входов;
- latency, стоимость API, лимиты запросов и доступность нужного региона;
- контекстное окно и реальное качество работы внутри длинного контекста;
- приватность, лицензию и возможность самостоятельного развертывания.
Сравнение имеет смысл проводить на одинаковых версиях моделей и одинаковых сценариях. Показатель из рекламной таблицы не заменяет проверку на рабочих задачах, особенно когда речь идет о коде, агентах и больших документах.
Сильная модель и сильная экосистема не совпадают
Рыночный эффект Watermelon определит способ распространения. Закрытый API даст Meta контроль над инфраструктурой и обновлениями. Открытые веса могут привлечь разработчиков локальных решений, исследователей и создателей специализированных производных моделей. Интеграция в продукты Meta расширит пользовательскую базу, но сама по себе не гарантирует удобства для независимых команд.
Значение получат лицензия, стабильность API, документация, лимиты, инструменты наблюдения и совместимость с популярными фреймворками. Эти детали часто определяют выбор компании сильнее, чем разница в одном лабораторном тесте.
Для контекста полезен разбор предыдущих заявлений Meta о стратегии открытых моделей и доступности весов в материале AI-Manual о смене AI-стратегии компании. Он помогает оценивать будущий релиз с учетом курса Meta, но не подтверждает характеристики Watermelon.
Почему одних слухов недостаточно для вывода о смене лидера
Сообщение о внутреннем обучении подтверждает максимум наличие обсуждаемого проекта, если его удается подтвердить отдельно. Оно не доказывает завершение обучения, готовность продукта, превосходство над Claude или пригодность модели для конкретной команды.
Между внутренним чекпойнтом и рыночным продуктом стоят настройка поведения, безопасность, инфраструктура, лицензирование и независимые тесты. Любой из этих этапов способен изменить итоговые характеристики и сроки.
До публикации проверяемых параметров Watermelon корректнее считать потенциальным конкурентным фактором. Смена лидера рынка требует воспроизводимых результатов, доступности для пользователей и устойчивого качества в реальных сценариях.
Что новость означает для разработчиков и пользователей локальных LLM
Почему рано планировать VRAM и локальный запуск
Оценить требования к Watermelon сейчас нельзя. Для расчета нужны размер и формат весов, тип квантования, размер контекстного окна, объем KV cache, поддержка распределенного запуска и накладные расходы runtime.
| Ресурс | Почему его нельзя рассчитать по кодовому имени |
|---|---|
| VRAM | Нагрузка зависит от точности весов, размера модели, длины контекста и числа одновременных запросов. |
| Системная RAM | Потребность меняется при выгрузке части слоев с GPU и работе нескольких процессов. |
| Диск | Размер зависит от числа файлов, формата чекпойнта и наличия отдельных квантованных сборок. |
| Runtime | Нужна информация о поддерживаемом формате и готовых backend для конкретной архитектуры. |
Поэтому покупка GPU под Watermelon была бы решением на основе неизвестных параметров. Рациональнее считать требования после публикации файлов, документации и проверок на выбранном runtime.
Какие рабочие процессы имеет смысл пересматривать только после релиза
Watermelon станет основанием для практического эксперимента, когда появятся одновременно несколько условий:
- официальное описание версии и способа доступа;
- понятная лицензия и правила использования данных;
- стабильный API или рабочий runtime для локального запуска;
- измеренные лимиты контекста, latency и стоимости;
- независимые оценки и проверка на собственных задачах.
До этого Watermelon стоит держать в списке наблюдения. Переписывать RAG-пайплайн, менять агентский стек или сравнивать модель с Qwen и Gemma по runtime преждевременно. Практический чек-лист оценки новых моделей собран в статье о проверке релизов без маркетингового шума.
Для выбора модели под реальные задачи пригодится и разбор критериев оценки новых LLM: в нем отдельно разобраны reasoning, код, длинный контекст, API, стоимость, VRAM и локальный запуск на примере новой модели Mistral.
Как проверять новые сообщения о Meta Watermelon
Что считать подтверждением запуска
Публичный запуск можно считать подтвержденным, когда одновременно появляются несколько признаков:
- официальное сообщение Meta с названием и версией;
- страница модели, технический документ или документация;
- рабочий способ доступа для заявленной аудитории;
- описание лицензии, ограничений и доступных функций;
- результаты тестов с понятной методикой сравнения.
Один пост или пересказ без документации подтверждает лишь появление сообщения. В таком случае корректны формулировки по сообщениям, предположительно и компания пока не объявляла.
Какие данные нужны для технического сравнения
| Данные | Что проверить |
|---|---|
| Версия | Точное имя модели, дата выпуска и отличие от предыдущего чекпойнта. |
| Бенчмарки | Задачи, промпты, версия конкурентов, наличие независимого воспроизведения. |
| Инференс | Latency, пропускная способность, стоимость, лимиты и стабильность под нагрузкой. |
| Функции | Контекст, tool calling, structured output, мультимодальность и режимы reasoning. |
| Локальный запуск | Формат весов, квантование, требования к VRAM и совместимость с runtime. |
| Лицензия | Разрешенные сценарии, коммерческое использование, ограничения на дообучение и распространение. |
Заявленные Meta показатели нужно отделять от независимых измерений. Для рабочего выбора полезнее повторяемый тест на собственных данных, чем единичное место в рейтинге.
Финальный вывод: за чем следить до октября
Watermelon остается предполагаемым следующим крупным проектом Meta после Avocado. Hatch тоже не получил подтвержденной даты запуска. По сообщениям, pretraining в июле приостанавливался и затем возобновлялся, поэтому релиз сдвинулся как минимум на октябрьский горизонт.
Октябрь не дает гарантии запуска. Точные характеристики, архитектура, режимы reasoning, контекст, лицензия, формат доступа и требования к железу неизвестны. Эти пробелы исключают обоснованный выбор Watermelon для локального сервера или production API.
До появления официального анонса следите за четырьмя сигналами: документацией Meta, способом доступа, техническими спецификациями и независимыми тестами. Только их сочетание покажет, стала ли Watermelon реальным конкурентом Anthropic и других разработчиков моделей.