XYZ AI Lab выпустила семейство open-weight моделей XYZ-Aquila, заточенных под задачи глубинного поиска. Это не универсальные чат-боты, а специализированные агенты, способные планировать многошаговые исследования, серфить веб на английском и китайском языках, агрегировать источники и восстанавливаться после сбоев среды. Две версии - Aquila-mini (35B) и Aquila-pro (397B) - закрывают спектр от локального прототипирования до ресурсоёмких исследовательских задач. Весь инструментарий вынесен в открытый фреймворк AxisAgentic, что даёт полную воспроизводимость экспериментов.
Ключевой дифференциатор проекта - пайплайн обучения AI4AI. Человек задаёт целевые способности, ограничения и политику приёмки, а агенты диагностируют ошибки и предлагают точечные вмешательства на всех этапах: от подготовки данных до рантайм-коррекции. Результат - модель, которая не просто генерирует текст, а выполняет рабочие циклы поиска с проверяемым качеством.
Стратегия open-weight здесь работает на практическом уровне. Исследовательские группы и компании получают доступ к архитектуре и весам без необходимости платить за API-запросы. Это особенно важно для задач, где данные нельзя отправлять вовне - достаточно вспомнить кейс HuggingFace, когда только локально запущенная открытая модель позволила провести форензику после атаки автономного AI-агента, поскольку коммерческие API блокировали чувствительные запросы софт-гвардами.
Что такое XYZ-Aquila и почему это важно для Deep Search
XYZ-Aquila - семейство open-weight агентов, спроектированных для глубинного поиска. Термин Deep Search здесь означает не просто выдачу ссылок по запросу, а полноценный исследовательский цикл: декомпозиция сложного вопроса на подзадачи, последовательный обход источников, извлечение релевантных фрагментов, кросс-валидация фактов и синтез итогового ответа с цитированием.
Открытые веса дают три практических преимущества. Первое - суверенность данных: модель работает на вашем железе, чувствительная информация не покидает периметр. Второе - кастомизация: можно дообучить агента на корпоративной базе знаний или специфическом домене. Третье - воспроизводимость исследований: научные группы могут аудировать поведение модели на каждом шаге, что невозможно с проприетарными API.
Младшая версия Aquila-mini построена на базе Qwen3.6-35B-A3B - mixture-of-experts архитектуре, где активны лишь 3 миллиарда параметров из 35. Это даёт быстрый инференс на потребительских GPU. Старшая Aquila-pro использует Qwen3.5-397B-A17B с активными 17 миллиардами параметров - для сценариев, где критична глубина анализа и многодневные поисковые сессии. Обе модели заточены именно под агентное поведение, а не под диалоговый режим.
Для разработчиков, которые уже работают с агентными архитектурами, важно понимать разницу между моделями, оптимизированными под кодинг, и моделями для поиска. Мы уже разбирали бенчмарк 35B-моделей для кодинга, где KAT-Coder показал ноль ошибок вызовов инструментов. XYZ-Aquila решает смежную, но принципиально иную задачу - навигацию в открытом вебе с непредсказуемой структурой страниц и необходимостью фильтрации шума.
Архитектура и характеристики моделей: Aquila-mini и Aquila-pro
Обе модели семейства наследуют архитектурные решения Qwen последнего поколения, но их роли в экосистеме XYZ-Aquila различаются кардинально. Выбор между mini и pro определяется не только бюджетом на железо, но и характером поисковых задач.
Aquila-mini: компактный агент на базе Qwen3.6-35B-A3B
Aquila-mini использует Qwen3.6-35B-A3B - модель с архитектурой mixture-of-experts, где полный объём параметров составляет 35 миллиардов, но на каждом токене активируются только 3 миллиарда. Это ключевой фактор эффективности: инференс требует примерно в 10 раз меньше вычислений, чем у dense-модели сопоставимого размера. На практике это означает запуск на одной GPU уровня RTX 4090 или A5000 с приемлемой скоростью генерации токенов.
Для задач глубинного поиска Aquila-mini обеспечивает полный цикл: планирование, вызов поискового API, скрапинг страниц, анализ извлечённого контента и формирование вывода. Модель поддерживает контекстное окно, достаточное для удержания десятков источников одновременно, и способна восстанавливаться после ошибок - например, если целевая страница возвращает 403 или требует JavaScript-рендеринга, агент фиксирует сбой и переходит к альтернативному источнику, не теряя нить расследования.
Для команд, которые ищут баланс между качеством и стоимостью владения, Aquila-mini - практичный входной билет в агентный поиск. По опыту тестирования моделей схожего класса, описанному в анализе эффективности токенов Qwen 3.8 Max, архитектуры Qwen демонстрируют снижение расхода входных токенов на 35-40% в многошаговых задачах по сравнению с конкурентами - это прямо влияет на стоимость длительных поисковых сессий.
Aquila-pro: максимальная производительность на Qwen3.5-397B-A17B
Aquila-pro масштабирует подход до 397 миллиардов параметров с 17 миллиардами активных. Базовая модель Qwen3.5-397B-A17B обеспечивает более глубокое понимание сложных взаимосвязей между фактами и способность удерживать значительно более длинные цепочки рассуждений. Это критично для сценариев, где исследование занимает часы или дни: анализ патентных ландшафтов, due diligence по нескольким десяткам компаний, систематические литературные обзоры с сотнями источников.
Инференс Aquila-pro требует серьёзной инфраструктуры - как минимум несколько GPU enterprise-класса с суммарным объёмом видеопамяти от 160 ГБ. Однако для организаций, которые уже инвестировали в AI-инфраструктуру, это оправданные затраты. Модель обеспечивает качество глубинного поиска, сопоставимое с проприетарными системами, но без привязки к вендору и с возможностью аудита каждого шага.
Практический опыт внедрения открытых моделей в production показывает, что затраты на инференс могут быть в разы ниже, чем у API-провайдеров. В разборе перехода Databricks от Big Data к AI мы приводили цифры: открытая модель Z.ai GLM 5.2 показала производительность на уровне проприетарных аналогов при затратах в 4 раза ниже. Aquila-pro следует той же логике для домена глубинного поиска.
AI4AI: как человек и агенты вместе обучают модели
Пайплайн AI4AI - методологическое ядро проекта. Традиционный цикл улучшения языковых моделей выглядит так: разработчики собирают датасет, тренируют модель, оценивают метрики, вручную анализируют ошибки и повторяют. AI4AI замыкает этот цикл, делегируя диагностику и предложение вмешательств самим агентам.
Схема работает в четыре этапа. Первый - человек определяет целевые способности (например, «агент должен находить противоречия между тремя источниками и разрешать их с указанием приоритетного») и политику приёмки (допустимый процент галлюцинаций, требования к цитированию, максимальное время поиска). Второй этап - агенты выполняют поисковые задания и логируют все шаги: какие запросы отправлены, какие страницы открыты, какие фрагменты извлечены, где произошли сбои. Третий - другой пул агентов анализирует логи, выявляет паттерны ошибок и предлагает точечные вмешательства: добавить конкретные примеры в обучающую выборку, скорректировать промпт для планировщика, изменить стратегию выбора источников при тайм-ауте. Четвёртый - человек принимает или отклоняет предложенные вмешательства, после чего цикл повторяется.
Ключевое преимущество AI4AI - скорость итераций. Ручной анализ сотен поисковых сессий занимает дни, агенты справляются за часы. При этом человек сохраняет контроль над стратегическими решениями: какие способности развивать, какие компромиссы допустимы между скоростью и глубиной, где проходит граница приемлемого риска галлюцинаций. Это не замена человека машиной, а усиление - рутина автоматизирована, экспертиза сфокусирована на сложных случаях.
Пайплайн охватывает все этапы жизненного цикла модели: от курирования данных (агенты выявляют пробелы в покрытии поисковых сценариев) до рантайм-коррекции (агент-монитор отслеживает аномалии в поведении и предлагает временные правила фильтрации до выхода патча). Такой подход особенно ценен для open-weight моделей, где сообщество может не только использовать веса, но и воспроизводить или модифицировать сам процесс обучения.
Возможности глубинного поиска: планирование, сёрфинг и агрегация
XYZ-Aquila реализует полный цикл исследовательской работы. Модель не просто отвечает на вопрос - она ведёт расследование, документируя каждый шаг и обеспечивая проверяемость результата.
Длинное планирование и многошаговые рассуждения
При получении сложного запроса - например, «сравни подходы к carbon capture в ЕС и Китае за последние три года с цифрами по инвестициям» - агент строит дерево подзадач. Первый уровень: найти регуляторную базу ЕС, найти регуляторную базу Китая, найти данные по инвестициям. Второй уровень: для каждого направления определить ключевые источники, извлечь цифры, проверить их по альтернативным публикациям. Третий: выявить расхождения, сформулировать выводы.
Планировщик учитывает зависимости между подзадачами. Если данные по инвестициям в Китае публикуются только в китайскоязычных источниках, агент переключает язык поиска и применяет кросс-языковую верификацию. Если источник недоступен, планировщик перестраивает маршрут, не начиная расследование заново - состояние уже выполненных шагов сохраняется.
Веб-сёрфинг и работа с источниками
Поддержка английского и китайского языков встроена на уровне поисковых запросов и анализа контента. Агент формулирует запросы на том языке, на котором вероятнее найти релевантную информацию, и агрегирует результаты вне зависимости от языка источника. Это принципиально для задач, где данные распределены между англоязычной и китайской экосистемами - например, при анализе цепочек поставок полупроводников или отслеживании научных публикаций.
Инструментарий скрапинга обрабатывает динамические страницы, обходит paywall-ограничения (в рамках легального доступа) и фильтрует шум: баннеры, навигационные элементы, дублирующийся контент. Агрегация источников включает кросс-валидацию: если три независимых источника подтверждают цифру, а один противоречит, агент отмечает это в отчёте и оценивает надёжность каждого источника на основе истории обращений.
Восстановление после сбоев среды - недооценённая, но критичная способность. Реальный веб нестабилен: страницы возвращают 5xx, CDN блокируют запросы, контент меняется между загрузками. Aquila логирует каждый сбой и автоматически применяет стратегии восстановления: повтор с экспоненциальной задержкой, смена User-Agent, переход к зеркалу или кэшированной версии. Для пользователя это означает, что поисковая сессия не обрывается из-за transient-ошибки.
Инструментарий AxisAgentic: открытый фреймворк для воспроизводимых исследований
AxisAgentic - опенсорсный фреймворк, в который вынесен весь инструментарий, используемый моделями XYZ-Aquila. Это не просто набор скриптов, а архитектурно оформленная среда для запуска, мониторинга и воспроизведения агентных поисковых сессий.
Фреймворк включает четыре ключевых компонента. Поисковый модуль абстрагирует взаимодействие с поисковыми API - можно подключать как публичные сервисы, так и корпоративные индексы. Модуль скрапинга обрабатывает HTML, PDF и текстовые форматы с единым интерфейсом извлечения структурированной информации. Python-рантайм позволяет агенту выполнять произвольный код для анализа данных - от статистических тестов до визуализации. Модуль управления контекстом обеспечивает воспроизводимость: каждый запуск логируется с хешами состояний, что позволяет повторить сессию побитово или откатиться к конкретному шагу.
Для разработчиков, которые уже используют агентные фреймворки, AxisAgentic предлагает важное преимущество - детерминированное управление контекстом. В отличие от систем, где история диалога хранится как неструктурированный лог, AxisAgentic версионирует состояние агента, источники и промежуточные вычисления. Это особенно ценно при отладке: можно воспроизвести ровно тот шаг, на котором агент принял неверное решение, и протестировать альтернативные стратегии.
Связка XYZ-Aquila + AxisAgentic даёт полный стек для глубинного поиска: модель отвечает за рассуждения и планирование, фреймворк - за взаимодействие со средой и воспроизводимость. Оба компонента открыты, что позволяет адаптировать стек под специфические домены - от юридического due diligence до научного ревью литературы. Для тех, кто проектирует агентные системы, полезно изучить опыт построения детерминированного контекста в Archex - подходы к управлению состоянием там концептуально близки к AxisAgentic.
Сравнение версий и сценарии применения
Выбор между Aquila-mini и Aquila-pro сводится к трём факторам: бюджет на инфраструктуру, требуемая глубина анализа и ограничения по времени поисковой сессии.
| Характеристика | Aquila-mini | Aquila-pro |
|---|---|---|
| Параметры (всего / активных) | 35B / 3B | 397B / 17B |
| Базовая модель | Qwen3.6-35B-A3B | Qwen3.5-397B-A17B |
| Минимальное железо | 1x RTX 4090 / A5000 | 4-8x A100/H100 |
| Контекстное окно | Достаточно для десятков источников | Сотни источников, многодневные сессии |
| Языки поиска | Английский, китайский | Английский, китайский |
| Типичные сценарии | Быстрый фактчекинг, обзор рынка, мониторинг новостей | Патентный поиск, due diligence, систематические обзоры |
| Восстановление после сбоев | Полный цикл | Полный цикл с расширенными стратегиями |
Aquila-mini - практичный выбор для команд, которые хотят встроить глубинный поиск в существующие пайплайны без значительных инвестиций в инфраструктуру. Модель запускается на рабочей станции, обеспечивает полный цикл поиска и покрывает большинство сценариев, где время сессии измеряется минутами или часами.
Aquila-pro оправдана, когда цена ошибки высока, а объём источников исчисляется сотнями. Юридические фирмы, аналитические отделы корпораций, исследовательские институты - здесь глубина анализа и способность не упустить редкий, но критичный факт перевешивают затраты на железо.
Обе модели распространяются как open-weight. Конкретная лицензия на момент публикации уточняется, но сам факт доступности весов означает возможность тонкой настройки на доменных данных и аудита безопасности - два требования, которые всё чаще становятся обязательными при внедрении AI в regulated industries.
Перспективы и значение для сообщества open-source AI
XYZ-Aquila закрывает важный пробел в экосистеме открытых моделей. До сих пор open-weight агенты для глубинного поиска были скорее экспериментальными проектами, чем инструментами, готовыми к практическому применению. XYZ AI Lab сделала шаг к тому, чтобы превратить Deep Search из нишевой возможности проприетарных систем в доступную технологию.
Пайплайн AI4AI задаёт новый стандарт для обучения агентов. Вместо трудоёмкого ручного курирования датасетов под каждый сценарий - автоматизированный цикл, где человек остаётся стратегом, а рутину забирают агенты. Если подход будет воспроизведён другими командами, это ускорит появление специализированных агентов для медицины, юриспруденции, науки - доменов, где глубина и проверяемость критичны.
Открытость инструментария AxisAgentic означает, что сообщество может не только использовать модели, но и улучшать саму среду выполнения. Ожидаемые направления развития: расширение языковой поддержки на арабский, японский и русский; интеграция с корпоративными поисковыми индексами; модули для работы с мультимодальными источниками - графиками, таблицами, изображениями.
Практический совет для тех, кто хочет начать: возьмите Aquila-mini, разверните AxisAgentic на рабочей станции и запустите на задаче, которую вы уже решали вручную. Сравните время, полноту охвата и качество выводов. Результат этого A/B-теста даст вам конкретные цифры для принятия решения о внедрении - без маркетинговых обещаний и спекулятивных бенчмарков.