iFlytek выпускает Spark-X2.6-4B: компактная open-source модель для on-device агентов

Введение: Новая эра локального ИИ

22 октября 2026 года на ежегодном фестивале разработчиков iFlytek 1024 в Пекине состоялся масштабный анонс новой линейки моделей Spark-X2.6. В центре внимания оказался не только флагманский облачный гигант, но и крайне важный для индустрии on-device компонент — Spark-X2.6-4B.

В то время как индустрия стремится к бесконечному увеличению параметров, iFlytek делает ставку на эффективность. Spark-X2.6-4B — это компактная LLM с открытыми весами, спроектированная специально для развертывания на пользовательских устройствах (смартфонах, IoT, ноутбуках) в качестве ядра для автономных агентов.

• Дата релиза: 22 октября 2026 г.
• Тип: Open-source (Apache-2.0)
• Назначение: On-device AI agents
• Доступность: Hugging Face (с 19 октября)

Архитектура и экосистема Spark-X2.6

Spark-X2.6-4B является частью глубоко интегрированной экосистемы. В то время как флагман серии представляет собой мощную MoE-модель (Mixture of Experts) с 293B общими и 30B активными параметрами и контекстным окном в 1 млн токенов, версия 4B фокусируется на максимальной плотности знаний при минимальных задержках.

Интересно, что архитектура модели осталась идентичной версии Spark-X2.5, выпущенной месяц назад. Весь качественный скачок достигнут за счет значительно улучшенного post-training (SFT и RLHF), что позволило выжать максимум из имеющихся 4 миллиардов параметров.

• Параметры: 4B
• Архитектура: General-purpose LLM (on-device optimized)
• Интеграция: End-cloud (совместная работа с облачным флагманом X2.6)
• Лицензия: Apache-2.0 (полная коммерческая свобода)

Производительность и бенчмарки

Spark-X2.6-4B демонстрирует феноменальные результаты для своего класса, фактически соревнуясь с моделями, имеющими почти в два раза больший объем параметров (около 9B). Основной упор сделан на агентские рабочие процессы (agentic workflows), включая многошаговое планирование и использование инструментов (tool use).

Модель показывает значительный прогресс в написании кода, работе с длинным контекстом и мультиязычности (английский и китайский языки). Оценка проводилась на стандартных наборах данных, включая HumanEval для кодинга и специализированные тесты на логическое рассуждение, чтобы подтвердить превосходство над конкурентами в сегменте малых моделей.

• Превосходство над моделями 9B в задачах рассуждения