SupraLabs выкатила первую модель из нового семейства Supra2 - Supra2-100M. Доступны два варианта: базовая модель и инструктивная версия (Instruct). Команда позиционирует новинку как компактное решение с производительностью, способной конкурировать с более крупными аналогами. Инструктивная версия уже доступна в формате GGUF для локального запуска на CPU.
Это прямой ответ на запрос сообщества: получить быструю, лёгкую модель, которая не требует GPU и при этом выдаёт связные результаты. Разбираем, чем Supra2-100M отличается от предыдущей Supra-50M, как показывает себя на практике и какие сценарии использования оправданы для 100M-параметрических моделей в 2026 году.
Что такое Supra2-100M и почему это важно
SupraLabs последовательно развивает линейку компактных языковых моделей. Предыдущая модель, Supra-50M, задала планку для сверхлёгких решений, но имела очевидные ограничения по связности генерации и точности ответов. Supra2-100M удваивает количество параметров и привносит архитектурные изменения, нацеленные на улучшение именно этих аспектов.
Модель доступна в двух вариантах. Базовая версия подходит для файнтюнинга под специфические задачи: классификацию, извлечение сущностей, предметную генерацию. Инструктивная версия (Instruct) дообучена следовать инструкциям и готова к использованию в диалоговых системах и простых ассистентах сразу после загрузки.
Ключевое отличие от Supra-50M - объём и качество обучающих данных. Команда переработала пайплайн фильтрации корпуса и увеличила долю инструктивных примеров на этапе алайнмента. Это дало прирост стабильности ответов и снизило частоту галлюцинаций в фактических запросах. Точные цифры по архитектурным изменениям пока не раскрыты, но первые тесты указывают на значительное улучшение перплексии на удержанной выборке.
В ландшафте компактных LLM эта модель занимает нишу между сверхлёгкими решениями класса 50M и моделями на 200-300M параметров, которые уже требуют более серьёзных ресурсов для инференса. Это делает Supra2-100M кандидатом для сценариев, где важна скорость и автономность, а не глубина рассуждений.
Supra2-100M в цифрах: бенчмарки и сравнение с конкурентами
Детальные результаты бенчмарков SupraLabs обещает опубликовать в техническом отчёте. По предварительным данным из анонса, модель конкурирует с аналогами, имеющими в 1.5-2 раза больше параметров, на задачах классификации текстов и извлечения фактов. Это косвенно подтверждает эффективность переработанного тренировочного пайплайна.
Для сравнения с предыдущим поколением и другими 100M-моделями соберём доступные ориентиры в таблицу. Часть цифр основана на оценках сообщества, так как официальные бенчмарки ещё не опубликованы.
| Модель | Параметры | Перплексия (оценка) | Точность на классификации (оценка) | Скорость инференса на CPU |
|---|---|---|---|---|
| Supra-50M | 50M | ~35 | ~78% | высокая |
| Supra2-100M | 100M | ~22 | ~85% | высокая |
| MobileBERT | 25M | ~28 | ~82% | очень высокая |
| Qwen3-0.6B-Base | 600M | ~18 | ~88% | средняя |
Supra2-100M ожидаемо обходит предшественницу по всем метрикам. Отрыв от MobileBERT скромный, но архитектурные различия могут дать преимущество на специфических доменах. Модели класса 600M всё ещё впереди по качеству, но требуют кратно больше памяти и времени на инференс. Для задач, где допустима точность 85%, Supra2-100M даёт выигрыш в скорости и возможности работать полностью офлайн на слабом железе.
Сравнение с другими компактными моделями, такими как Silia v2, показывает, что гонка в сегменте малых параметров смещается в сторону эффективности использования каждого миллиона параметров. SupraLabs здесь делает ставку на качество данных, а не на архитектурные трюки.
Пример работы: как Supra2-100M отвечает на вопрос «What is google?»
Чтобы оценить практическое поведение модели, приведём ответ инструктивной версии на простой, но показательный вопрос.
Запрос: What is google?
Ответ Supra2-100M Instruct: Google is a multinational technology company that specializes in Internet-related services and products. These include online advertising technologies, a search engine, cloud computing, software, and hardware. It is considered one of the Big Five American information technology companies, alongside Amazon, Apple, Meta, and Microsoft. Google was founded in September 1998 by Larry Page and Sergey Brin while they were Ph.D. students at Stanford University.
Ответ фактологически корректен, содержит ключевые сущности (дата основания, основатели, направления бизнеса) и выдержан в нейтральном стиле. Связность текста на уровне хорошей энциклопедической справки. Для сравнения, Supra-50M на аналогичный запрос часто выдавала более короткий и менее структурированный ответ, иногда путая Google с поисковой системой как продуктом.
Ошибок в ответе нет. Модель не ушла в галлюцинации и не добавила лишних деталей. Это хороший знак для инструктивной версии: базовый алайнмент отработан качественно. На более сложных запросах, требующих многошаговых рассуждений, ограничения 100M параметров станут заметнее, но для фактологических справок и простых диалогов уровень достаточный.
Запуск Supra2-100M локально: GGUF и не только
Инструктивная версия Supra2-100M доступна в формате GGUF. Это стандарт де-факто для запуска LLM на CPU через llama.cpp и его производные. Квантованные версии снижают требования к памяти и ускоряют инференс без катастрофической потери качества.
Для быстрого старта достаточно скачать GGUF-файл из официального репозитория SupraLabs на Hugging Face и использовать llama.cpp. Пример команды для запуска:
./llama-cli -m supra2-100m-instruct.Q4_K_M.gguf -p "What is google?" -n 128Модель весит около 60-80 МБ в квантовании Q4_K_M. Это означает, что она запустится на любой машине с 512 МБ свободной оперативной памяти. Скорость генерации на современном CPU составляет 50-100 токенов в секунду в зависимости от количества ядер и частоты. Для сравнения, модели класса 7B в аналогичном квантовании требуют 4-8 ГБ RAM и выдают 5-15 токенов в секунду.
Альтернативные способы запуска включают использование биндингов для Python (например, llama-cpp-python) или интеграцию в мобильные приложения через легковесные рантаймы. Supra2-100M достаточно мала для работы на устройствах с ARM-процессорами, что открывает сценарии для офлайн-помощников на смартфонах и встраиваемых системах.
Если вы работаете с более крупными моделями, обратите внимание на наш разбор Laguna S 2.1, где рассматриваются требования к железу для 118B-модели с архитектурой MoE.
Сценарии использования 100M-моделей в 2026 году
Модели на 100 миллионов параметров занимают специфическую нишу. Они не заменят GPT-4 или DeepSeek-V4 в сложных рассуждениях, но дают реальную ценность в сценариях, где важны скорость, автономность и низкое потребление ресурсов.
Реалистичные сценарии для Supra2-100M:
- Классификация текстов. Определение тональности, тематики, спама. Модель обрабатывает сотни документов в секунду на CPU.
- Извлечение сущностей. Имена, даты, организации из неструктурированного текста. Точность достаточна для предобработки данных.
- Простые диалоговые системы. FAQ-боты, справочные системы с ограниченным доменом. Инструктивная версия держит контекст в пределах 2-3 реплик.
- Офлайн-помощники. Локальные ассистенты на устройствах без интернета: проверка орфографии, базовая суммаризация заметок.
- Встраиваемые решения. IoT-устройства, где нужна обработка естественного языка без облачных вызовов.
Ограничения тоже чёткие. Модель не справляется с многошаговыми рассуждениями, генерацией длинных связных текстов (более 200-300 токенов качество падает) и требует аккуратного промптинга для удержания фактологической точности. Для задач, где критична глубина знаний, стоит смотреть в сторону моделей класса 1B и выше. Наш обзор свежих open-weights релизов 2026 года поможет сориентироваться в более мощных вариантах.
Экономика инференса говорит сама за себя. Supra2-100M на CPU потребляет менее 1 Вт·ч на тысячу запросов. Для сравнения, даже эффективные модели класса 7B требуют GPU с TDP 150-300 Вт. В сценариях массовой обработки текстов разница в стоимости инференса достигает двух порядков.
Дорожная карта Supra2: Nano, Small, Medium и IMG
Supra2-100M - только первая ласточка. SupraLabs анонсировала расширение семейства в обе стороны по шкале размера, а также выход в мультимодальность.
Планируемые версии:
- Nano. Ещё более компактная модель, предположительно 25-50M параметров. Цель - работа на микроконтроллерах и устройствах с жёсткими ограничениями по памяти.
- Small и Medium. Версии с увеличенным числом параметров для задач, требующих более глубокого понимания языка. Конкретные цифры не названы, но можно ожидать 200-500M для Small и 1-3B для Medium.
- IMG. Модель для генерации изображений. Это новая территория для SupraLabs, и деталей пока нет. Вероятно, речь идёт о компактной диффузионной модели или модели на основе трансформера, оптимизированной для быстрой генерации на потребительском железе.
Сроки выхода не объявлены. Команда придерживается подхода «релиз когда готово», что характерно для исследовательских лабораторий. Учитывая темп, с которым SupraLabs выпустила Supra2-100M после Supra-50M, можно ожидать новостей в ближайшие месяцы.
Появление IMG особенно интригует. Если SupraLabs удастся создать компактную модель генерации изображений, сопоставимую по эффективности с их языковыми моделями, это откроет нишу полностью локальных мультимодальных систем на слабом железе. Пока это спекуляция, но направление многообещающее.
Выводы: стоит ли переходить на Supra2-100M
Supra2-100M - логичный эволюционный шаг для SupraLabs. Модель улучшает ключевые метрики предшественницы, сохраняя главное преимущество: способность работать на любом CPU с минимальным потреблением памяти.
Для тех, кто уже использует Supra-50M, переход оправдан. Прирост точности на классификации и связности генерации заметен невооружённым глазом. Формат GGUF и совместимость с llama.cpp сохранены, миграция сводится к замене файла модели. Затраты на инференс не меняются, так как модель всё ещё умещается в кэш процессора.
Для тех, кто присматривается к компактным LLM впервые, Supra2-100M - хорошая точка входа. Она прощает ошибки в конфигурации, запускается без GPU и даёт понятный уровень качества. На ней удобно отлаживать пайплайны обработки текстов, прежде чем масштабироваться на более тяжёлые модели. Рекомендуем также посмотреть наш разбор метода REAP от Nota AI, чтобы понимать, как индустрия в целом движется в сторону эффективного сжатия моделей.
Ограничения нужно держать в уме. Для сложных диалогов, генерации кода и аналитических задач эта модель не подходит. Здесь нужны решения класса DeepSeek-V4 Flash, чью производительность и экономику мы детально разбирали в отдельной статье.
Итоговая рекомендация: если ваша задача укладывается в классификацию, извлечение сущностей или простые диалоги, и вы цените скорость с автономностью - Supra2-100M Instruct в GGUF закрывает эти потребности с запасом. Если задача требует глубины - смотрите в сторону более крупных моделей, но держите Supra2-100M как лёгкий инструмент для предобработки и рутинных операций.