OrcaCyber Nano 1.0: pierwszy z 21 na planszy bez sędziego

OrcaCyber Nano 1.0 — wersja 27B Mix-13G, 13,0 GB na dysku — zajmuje pierwsze miejsce na liście rankingowej 21 modeli dla kart GPU 16 GB z wynikiem 89,8 na 100, przy 60 tokenów na sekundę na pojedynczej karcie Tesla V100. Rankingiem zarządza zewnętrzne repozytorium GitHub, a nie my. Ocenia każdą odpowiedź za pomocą kodu, a nie sędziego LLM. A druga rzecz warta powiedzenia to ta, którą dostawca zwykle pomija: OrcaCyber Nano 1.0 nie jest najszybszym modelem na tej liście. MiniCPM-V 4.7 osiąga tam 93,4 tokena na sekundę. Nano wygrywa średnią z siedmiu kategorii, a nie szybkością, a dwóch najbliższych konkurentów — Qwen3.8-27B w dwóch różnych kwantyzacjach społecznościowych — jest 1,2 i 1,4 punktu za nim.

To, co następuje, jest odczytaniem tej oceny w postaci, w jakiej repozytorium publikuje ją 2026-10-19, wraz z opublikowanymi metadanymi samego modelu z 2026-10-19. Gdy liczba pochodzi z własnego ogłoszenia OrcaRouter, a nie z zewnętrznego rankingu strony trzeciej, jest to zaznaczone w zdaniu. Nic poniżej nie zostało przez nas ponownie uruchomione.

Zarząd i kto nim kieruje

Repozytorium V100-LLM zawiera GUI, zestaw silników wnioskowania i pakiet oceniający do uruchamiania lokalnych modeli na jednej karcie NVIDIA Tesla V100 16 GB w systemie Windows. Wybieranie modelu, presetu i silnika, pobieranie brakujących elementów, rozmowa z obrazami i obserwowanie na żywo liczby tokenów na sekundę — wszystko to odbywa się w tym GUI. Pakiet oceniający to część, która wygenerowała ranking, a repozytorium publikuje cały zestaw testowy obok wyników, co jest na tyle nietypowe, że warto poświęcić temu akapit.

Pierwszy zestaw testów tej tablicy był zbyt łatwy. Repozytorium mówi to wprost: większość modeli uzyskała od 90 do 100 punktów w wersji pierwszej, co oznaczało, że nie można było ich od siebie odróżnić, a te starsze wyniki wciąż znajdują się w repozytorium dla każdego, kto chce zobaczyć tę porażkę. Wersja druga — trudny zestaw — została zaprojektowana tak, aby żaden model klasy 16 GB nie rozwiązywał wszystkiego poprawnie. Zawiera 72 zadania w siedmiu kategoriach:

• Kodowanie, 16 zadań — parser wyrażeń bez eval, dopasowywanie regexów, algorytm Dijkstry z rozstrzyganiem remisów, cache LRU z TTL, sortowanie topologiczne, odległość edycyjna, liczby rzymskie, sudoku, problem plecakowy, macierz spiralna, minifikator JSON. Oceniane przez ukryte testy jednostkowe przypadków brzegowych uruchamiane na wygenerowanym kodzie w piaskownicy z limitem czasu.

• Rozumowanie, 20 zadań — wieloetapowe zadania matematyczne, logiczne, daty, kombinatoryka i zadania tekstowe. Dokładna odpowiedź musi pojawić się w ostatnim wierszu.

• Instrukcje, 12 zadań — od trzech do pięciu reguł naraz: liczba słów, zakazane litery, dokładne formaty, kolejność, struktura JSON. Każda reguła zadania musi zostać spełniona, a nie większość z nich.

• Wyszukiwanie w sieci, 8 zadań — pytania wieloetapowe, w których wyszukujesz, czytasz wynik, wyszukujesz ponownie, używając znalezionych informacji, a czasami wykonujesz obliczenia za pomocą kalkulatora — narzędzia. Punktowane za poprawną odpowiedź i minimalną liczbę odrębnych wyszukiwań. „Sieć” to stały indeks offline składający się z 13 stron.

• Agent, 6 zadań — mały symulowany projekt z narzędziami do plików i run_tests: napraw błąd, dodaj funkcję, zmień nazwy w plikach, napraw konfigurację, zbuduj raport CSV. Oceniany na podstawie końcowego stanu plików i własnych testów projektu.

• Widzenie, 8 zadań — wygenerowane obrazy: zsumuj kolumnę tabeli, odszukaj wiersz, odczytaj wykres słupkowy, policz kropki, odczytaj drobny tekst, relacje przestrzenne, zegar analogowy, paragon.

• Długi kontekst, 2 zadania — tekst o długości około 14 000 tokenów, w którym trzy fakty ukryto daleko od siebie, a jeden z nich to kod skarbca podzielony na trzy części. Dokładna odpowiedź.

Ile warte jest „no judge”

Większość tabel wyników tej wielkości jest oceniana przez model językowy, który czyta odpowiedź i decyduje, czy jest dobra. To jest tanie i sprawia, że tabeli wyników nie da się odtworzyć: sędzią jest model, model ma wersję, a ta sama odpowiedź może zostać oceniona inaczej we wtorek niż w poniedziałek. Trudny zestaw usuwa sędziego i podaje pięć zasad, które czynią wynik powtarzalnym.

• Wszystko jest sprawdzane przez kod. Ta sama odpowiedź zawsze otrzymuje ten sam wynik.

• Deterministyczne i offline. Temperatura zero, myślenie wyłączone, brak dostępu do internetu — sieć w kategorii wyszukiwania internetowego to stały indeks 13 stron.

• Ten sam preset, który otrzymuje użytkownik. Każdy model działa z presetem zalecanym przez GUI, więc prędkość i wynik są takie, jakie osoba widzi po instalacji, a nie konfiguracja dostrojona pod wygrywanie.

• Dla każdego zadania udowodniono, że jest rozwiązywalne. Repozytorium zawiera poprawne rozwiązanie referencyjne dla każdego zadania programistycznego i zadania agenta, a dwa skrypty autotestu sprawdzają, czy te rozwiązania przechodzą ocenę. Obliczone odpowiedzi — daty, sumy, kody — są potwierdzane w pliku zadania.

• Odpowiedź to ostatnia linia. Model może myśleć na głos; oceniający czyta ostatnią linię. Wywołania narzędzi są akceptowane w formacie OpenAI oraz w Qwen XML tool_call – formatach tekstowych.

Arytmetyka punktacji jest równie niemodna. Każda kategoria to odsetek zaliczonych zadań. Wynik ogólny to średnia siedmiu kategorii, przy czym każda kategoria ma taką samą wagę. Szybkość to średnie tempo generowania w przypadku odpowiedzi mających 64 tokeny lub więcej w trakcie przebiegu. Każdy przebieg jest zapisywany jako plik JSON dla danego modelu, rejestrujący odpowiedź na każde zadanie i to, czy została zaliczona, więc w przypadku sporu o wynik można odwołać się do zapisu.

Gdzie tak naprawdę trafia OrcaCyber Nano 1.0

Wyniki w siedmiu kategoriach, na 100: programowanie 88, rozumowanie 95, instrukcje 58, wyszukiwanie w sieci 100, agent 100, widzenie 88, długi kontekst 100. Średnia: 89,8.

Ciekawą liczbą jest 58 i to właśnie ją strona marketingowa by zaokrągliła. Instrukcje to kategoria, w której model musi jednocześnie spełniać od trzech do pięciu ograniczeń — liczbę słów, zakazaną literę i dokładny format wyjścia — a Nano nie zalicza tam pięciu z dwunastu zadań. Wszystko inne jest na poziomie 88 lub wyżej. Dwie kategorie są doskonałe.

Najbliższy konkurent to Qwen3.8-27B w kwantyzacji Aggressive IQ3_XS autorstwa HauhauCS z wynikiem 88,6 ogółem i 42,2 tokena na sekundę; trzeci jest build UD-IQ3_S Unsloth tego samego modelu z 88,4 i 52,1 tokena na sekundę. Oba osiągają od 94 do 100 w kodowaniu i rozumowaniu, oba spadają do 50 w przypadku instrukcji — więc słabość w przestrzeganiu instrukcji jest cechą klasy 27B na tym poziomie kompresji, a nie wadą unikalną dla Nano. To, co oddziela pierwsze miejsce od trzeciego, to 1,4 punktu rozłożone cienko: kilka zadań w kategorii, a nie inny poziom modelu.

Sześćdziesiąt tokenów na sekundę — i dlaczego najszybszy model jest gdzie indziej

Podawana w nagłówku prędkość wynosi 60 tokenów na sekundę przy kontekście 32k, a repozytorium starannie wyjaśnia, czym jest ta liczba. To prędkość dostrojonego presetu modelu fast-32k z przewidywaniem wielu tokenów na głębokości 3, mierzona jako 66,6 tokena na sekundę na kodzie i 54,0 na czacie, co daje średnią 60,3. Zwykła średnia ze wszystkich odpowiedzi ewaluacyjnych wynosi 56,9. Obie liczby pojawiają się w przypisie do tabeli, a nie tylko ta pochlebna.

Prędkość spada wraz ze wzrostem kontekstu, a repozytorium publikuje drabinkę: 57 tokenów na sekundę przy 96k, 32 przy 160k i 24 przy 262k po wypełnieniu 20 000 tokenów. Przetwarzanie promptów w przypadku krótkich promptów wynosi 501 tokenów na sekundę. Do 19 600 tokenów każdy preset przechodzi.

Najszybszy model w zestawieniu to inny model. MiniCPM-V 4.7 w kompilacji 35B-A3B Q3 mix osiąga 93,4 tokena na sekundę przy kontekście 128k, a udaje mu się to dzięki przeniesieniu enkodera wizji na CPU, tak aby wszyscy jego eksperci pozostali na karcie. Zajmuje czwarte miejsce ogółem z wynikiem 87,5. Sposób, w jaki repozytorium samo to ujmuje, to kompromis, a nie czyste zwycięstwo: Nano jest tam opisywany jako najszybszy gęsty model 27B w tabeli, co jest węższym twierdzeniem niż najszybszy model — i prawdziwym.

Środowisko pomiarowe opisano raz i dotyczy ono całej tabeli: jeden Tesla V100-SXM2-16GB, procesor Xeon E5-2660 v4, 64 GB pamięci DDR4. Testowane silniki to PXA, llama.cpp z poprawką dedykowaną dla V100, fork Prism ML i Strata, każdy na licencji MIT; pliki DLL CUDA podlegają umowie EULA firmy NVIDIA. Wagi modeli nie są dołączane — każdy model pobiera się z własnej strony autora w Hugging Face.

Czym jest model, na podstawie jego własnych metadanych

Repozytorium Hugging Face orcarouter/OrcaCyber-Nano-1.0 podaje okno kontekstu wynoszące 262 144 tokeny oraz obraz-tekst-do-tekstu pipeline (przyjmuje zarówno obrazy, jak i tekst), bibliotekę GGUF oraz języki angielski i chiński. Jest objęte ograniczeniem dostępu: aby pobrać, trzeba się zalogować. Pole licencji zawiera inne z nazwą licencji qwen. Według stanu na 2026-10-19 repozytorium miało 18 606 pobrań i 151 polubień, a w polu modelu bazowego wskazano OrcaCyber-Nano-1.0-AI-Defense z relacją skwantyzowany — pliki z otwartymi wagami są kwantyzacjami modelu nadrzędnego dostrojonego do obrony, co jest uczciwym sposobem odczytania tego pola.

Są cztery pliki, a ich rozmiary wyjaśniają większość decyzji dotyczących wdrożenia w następnej sekcji:

• Mix-13G — 12 993 304 352 bajtów, kompilacja 13,0 GB, która uzyskała wynik 89,8.

• Mix-15.7G — 15 695 148 832 bajtów, większa kompilacja, wciąż mieszcząca się w budżecie karty 16 GB.

• DFlash2 Q8_0 — 2,056,414,112 bajtów, model roboczy do dekodowania spekulatywnego.

• mmproj F16 — 927,606,848 bajtów, projektor wizyjny, który umożliwia realizację ośmiu zadań wizyjnych.

Dodanie silnika i działającej instalacji zajmuje około 14 GB na dysku: 13,0 GB wag, około 0,9 GB projektora oraz środowisko uruchomieniowe.

Trzynaście gigabajtów mieści się na karcie. Dwieście sześćdziesiąt dwa tysiące tokenów już nie.

To dwa różne twierdzenia, a relacje prasowe często je łączą. Plik wag o rozmiarze 13,0 GB mieści się w 16 GB VRAM, dlatego model działa na V100 z zapasem na pamięć podręczną KV dla kontekstu 32k. Maksymalny kontekst 262 144 tokenów nie mieści się na karcie; wymaga pamięci podręcznej KV w pamięci systemowej, a wymagania repozytorium podają 64 GB pamięci RAM dla ustawienia 262k wobec 32 GB w zwykłym użyciu. Po dopchnięciu do tego pułapu prędkość wynosi 24 tokeny na sekundę z powyższej drabinki.

Reszta wymagań sprzętowych jest skromna i konkretna. Każda karta NVIDIA z 16 GB od architektury Volta wzwyż uruchomi ten stos; sterownik musi być z serii R576 lub nowszy; karta V100 pozostawiona w trybie TCC jest w porządku. Nie ma WSL, Dockera, zestawu narzędzi CUDA, Visual Studio ani Pythona do zainstalowania, ponieważ folder zawiera własne silniki i własny przenośny Python. Na każdy model potrzeba około 20 GB wolnego miejsca na dysku.

Numery dostawców, oznaczone

OrcaRouter ogłosił OrcaCyber Nano 1.0 18 października 2026 r. jako wydanie awaryjne z otwartymi wagami i umieścił go w serii trzech modeli obok OrcaCyber Zero 1.5 i OrcaCyber Ultra 1.0. W tym samym tygodniu firma otworzyła bezpłatny priorytetowy dostęp do swoich modeli OrcaCyber dla zespołów aktywnie reagujących na włamanie. W poście z następnego dnia na pierwszym miejscu znalazł się wynik z rankingu, a Nano opisano jako — według własnych wczesnych ocen dostawcy — model lokalny o największych możliwościach w swojej klasie poniżej 16 GB.

To ostatnie stwierdzenie to twierdzenie dostawcy i nie zostało niezależnie odtworzone. Podobnie rzecz się ma z benchmarkiem, który powtórzyła zapowiedź: 78,4% w SWE-bench Verified, zestawionym z raportowanym przez DeepSeek wynikiem 79,0% dla DeepSeek V4 Flash. Obie te liczby są raportowane przez odpowiednich dostawców; ani 78,4, ani 79,0 nie zostało przetestowane przez tę redakcję, a porównanie jest interesujące głównie dlatego, że model 27B stawia się w odległości 0,6 punktu od znacznie większego modelu hostowanego, na własnym stanowisku testowym dostawcy. Należy to czytać jako zapowiedź, a nie jako wynik.

Sama karta modelu jest warta uwagi ze względu na to, czego nie zawiera. Jej tagi wymieniają cyberbezpieczeństwo, inżynierię odwrotną, wywoływanie funkcji i obsługę wizji, ale karta nie podaje żadnych wyników benchmarków specyficznych dla cyberbezpieczeństwa — ani wyniku reagowania na incydenty, ani wskaźnika wykrywania podatności, ani wyniku CTF. Te znajdują się zamiast tego na stronach Zero. A wynik CyberGym, który krąży wokół naszej linii cyber, należy do konfiguracji łączonej — Zero 1.0 plus DeepSeek V4 Flash plus routing adaptacyjny — a nie do samodzielnego przebiegu któregokolwiek pojedynczego modelu. Jeśli wybierasz ten model do pracy w obronności, uczciwy stan dowodów jest taki: ogólny zestaw testów oceniany przez kod umieścił go na pierwszym miejscu spośród 21 na karcie 16 GB, a dowody specyficzne dla cyberbezpieczeństwa znajdują się gdzie indziej i należą do innych modeli.

Gdzie plasuje się obok hostowanych modeli cyber

OrcaCyber Nano 1.0 to wydanie wag dla lokalnego sprzętu. Pobierasz 13 GB, uruchamiasz je samodzielnie, a wynik powyżej pokazuje, jak radzi sobie na Twojej karcie. To nie jest dziś endpoint w naszym katalogu i nic w tym artykule nie powinno być odczytywane jako sugestia, że jest inaczej. Katalog obejmuje natomiast pozostałą część serii — OrcaCyber Zero 1.5 oraz OrcaCyber Ultra 1.0 — pod tym samym kluczem i tym samym endpointem zgodnym z OpenAI, co ponad 200 innych modeli, w tym Claude Opus 5.5, GPT-6.1 Sol, Kimi K3, Qwen3.8-Max i DeepSeek V4 Flash, bez narzutu na tokeny ponad cenę listową dostawcy i z automatycznym przełączaniem awaryjnym między dostawcami.

Ten podział warto mieć w głowie. Nano to model, który posiadasz i uruchamiasz offline, a żadne dane nie opuszczają maszyny — i o to właśnie chodzi w modelu cyberbezpieczeństwa do reagowania na incydenty, ponieważ maszyny, które najczęściej trzeba sprawdzić, to często te, których nie można wysłać do API. Zero 1.5 i Ultra 1.0 to modele, które wywołujesz. Lokalna warstwa do pracy w odizolowanym środowisku, hostowana warstwa dla przepustowości, jeden słownik nazw modeli dla obu.

Co zrobić z 89.8, zależy od tego, do czego było ci to potrzebne. Jeśli czekałeś na dowód, że model 27B przy 13 GB jest konkurencyjny na karcie 16 GB — nie tylko uruchamialny, ale konkurencyjny wobec 21 alternatyw w zadaniach, które wszystkie są oceniane przez wykonywalny kod — to właśnie ten dowód, z widoczną luką w podążaniu za instrukcjami przy 58 i widocznym limitem szybkości przy 60 tokenach na sekundę. Jeśli potrzebowałeś najszybszej rzeczy na V100, to jest inny model na tej samej karcie przy 93.4 i znajduje się on o jeden wiersz niżej w tabeli.