Команда Maxwell представила Maxwell-V1-Flash — высокопроизводительную MoE-модель, обученную с нуля на 26T токенов, которая демонстрирует превосходство над Qwen3.6 в агентских задачах.

17 ноября 2026 года индустрия открытых моделей пережила тектонический сдвиг. Команда Maxwell официально анонсировала Maxwell-V1-Flash — модель архитектуры Mixture-of-Experts (MoE), которая не является результатом дообучения (fine-tune), а была обучена с нуля на колоссальном массиве данных. Это не просто очередной релиз; это демонстрация того, что открытые веса могут конкурировать с закрытыми проприетарными решениями в самых сложных сценариях использования.
Maxwell-V1-Flash представляет собой 35-миллиардную модель, оптимизированную для скорости и эффективности. В отличие от плотных моделей, архитектура MoE позволяет достичь высокого уровня интеллекта при сохранении низкой вычислительной стоимости на один токен. Это делает модель идеальным кандидатом для развертывания в локальных инфраструктурах и высоконагруженных агентских системах.
В основе Maxwell-V1-Flash лежит сложная иерархическая структура экспертов. Модель использует 256 мелкозернистых (fine-grained) экспертов, из которых 12 активируются для каждого токена. Дополнительно внедрены 4 всегда активных общих эксперта (shared experts), что обеспечивает стабильность базовых знаний и предотвращает потерю контекста при переключении между специализированными узлами.
Одной из самых значимых инноваций является внедрение Manifold-Constrained Hyper-Connections (mHC). Эта технология использует несколько остаточных потоков (residual streams) с обучаемой агрегацией, зависящей от входных данных. В сочетании с механизмом Block Sparse Attention, который обеспечивает 6.7-кратное ускорение при работе с длинным контекстом, Maxwell-V1-Flash демонстрирует беспрецедентную производительность на длинных последовательностях.
Результаты тестирования Maxwell-V1-Flash впечатляют, особенно в сравнении с текущим лидером сегмента — Qwen3.6-35B-A3B. В терминальном тестировании (Terminal-Bench) модель набрала 58.65 балла против 47.42 у Qwen, что составляет относительный прирост в 23%. В задачах программной инженерии (SWE-bench Verified) Maxwell также удерживает лидерство с результатом 65.4 против 63.4.
Наиболее драматический скачок наблюдается в BrowseComp, который оценивает способности модели к агентскому поиску в браузере. Здесь Maxwell-V1-Flash показала 76.3 балла, в то время как Qwen3.6 набрала лишь 47.0 — это колоссальный прирост в 62%. Также модель демонстрирует выдающиеся показатели в работе с длинным контекстом (RULER 256K: 93.35 против 85.75) и логическом рассуждении (Tau3-Bench: 67.37).
Для инженеров и DevOps-специалистов Maxwell-V1-Flash предлагает отличный баланс между мощностью и требованиями к железу. Веса модели составляют примерно 73.6 ГБ, что позволяет ей целиком поместиться в одну карту DGX Spark с объемом памяти 128 ГБ. Это значительно снижает порог входа для локального запуска высокопроизводительных LLM.
Благодаря лицензии Apache 2.0 и отсутствию ограничений (non-gated) на Hugging Face, модель доступна для коммерческого использования и глубокой интеграции в любые производственные циклы без бюрократических задержек.
Благодаря своим выдающимся показателям в кодинге и агентском поиске, Maxwell-V1-Flash идеально подходит для создания автономных AI-агентов, способных выполнять сложные задачи в терминале и веб-браузере. Это делает её незаменимой для автоматизации DevOps-процессов и разработки ПО.
Также модель является отличным решением для систем RAG (Retrieval-Augmented Generation) благодаря поддержке контекста в 256K токенов и высокой точности обработки длинных документов. Её мультиязычная подготовка на 26T токенов позволяет использовать её в глобальных корпоративных чат-ботах и аналитических системах.
Вы можете получить доступ к весам Maxwell-V1-Flash прямо сейчас на Hugging Face. Технический отчет и подробные инструкции по архитектуре доступны в официальном репозитории на GitHub. Для быстрой интеграции рекомендуется использовать стандартные библиотеки трансформеров, поддерживающие архитектуру MoE.
Рекомендуется начать с тестирования модели на задачах агентного поиска, чтобы оценить её уникальное преимущество в BrowseComp перед масштабированием в продакшн.
API Pricing — Context: 256K