Solar Open 2 250B: Frontier Agent набирает баллы, но запускать их негде

Карточка на Hugging Face для Solar Open 2 250B 250B даёт вам команду для запуска, и эта команда не работает. Она запрашивает у vLLM reasoning-парсер solar_open2, парсер вызовов инструментов solar_open2 и процессор логитов SolarOpen2TemplateLogitsProcessor — три вещи, которых нет ни в одной выпущенной версии vLLM. Поддержка этой архитектуры появилась в mainline 5 августа в виде необъединённого pull request'а — через две недели после того, как Upstage опубликовал веса 22 июля. Этот разрыв до сих пор остаётся самым интересным фактом о Solar Open 2, и именно эту часть все анонсы запуска обошли стороной, предпочтя таблицу бенчмарков. Поэтому вот другая версия событий: что Upstage на самом деле выпустил, что его собственные цифры показывают, а что нет, что меняет единственная внешняя оценка, которая сейчас официально зафиксирована, и что нужно, чтобы вытащить из этой модели хотя бы один токен — в сравнении с DeepSeek V4 Flash, моделью, которую Upstage выбрал в качестве основного ориентира.

Что Upstage на самом деле выпустила

Всё, что приведено ниже, взято из config.json самого репозитория и технического отчёта Solar Open 2 (arXiv 2607.20062) — это первоисточники, но первоисточники вендора. Ни одна независимая лаборатория не публиковала собственных замеров этой модели. Теперь всплыла одна внешняя цифра — сообщённый в прессе показатель Artificial Analysis Intelligence Index, равный 37, из второго раунда правительственной оценки; ей отведён отдельный абзац в разделе бенчмарков ниже, поскольку о ней лишь сообщили, а не воспроизвели.

• Размер — всего 250 287 794 944 параметра, примерно 15B активных на токен

• Разреженность — 320 маршрутизируемых экспертов плюс 1 общий эксперт, top-8 маршрутизируемых на токен, а first_k_dense_replace установлен в 0, что означает, что смесь начинается с нулевого уровня без плотных разогревочных слоёв, которые обычно сохраняются в сопоставимых архитектурах MoE.

• Форма — 48 слоёв, скрытый размер 4096, размерность головы 128, 64 головы запросов против 8 голов ключей/значений

• Внимание — 12 слоев softmax (GQA) на индексах 0, 4, 8 и так далее до 44; остальные 36 слоев — линейное внимание. Три четверти стека не содержат softmax.

• Позиции — use_rope равно false. Позиционное кодирование отсутствует полностью.

• Контекст — max_position_embeddings, равный 1 048 576

• Словарь — 196 608 токенов, охватывающий английский, корейский и японский языки.

• Веса — bfloat16, что составляет 500,6 ГБ. Это просто 250,29 миллиарда параметров, умноженные на два байта, и это соответствует объему, о котором сообщает Nota AI для неквантованной модели.

• Обучение — около 11,9 трлн токенов согласно отчёту: 10 трлн на общее предварительное обучение, 1 трлн на курируемое высококачественное подмножество, 0,9 трлн на расширение длины, при заявленном соотношении реальных и синтетических данных 4:6, с долей английского выше 80%, а математики и кода — не менее 15% каждого.

• Лицензия — лицензия Upstage Solar, которая имеет свои условия (ниже)

Предшественник, Solar Open 1, представлял собой модель на 100B параметров, выпущенную в январе. Solar Open 2 — это не столько обновление, сколько совсем другой зверь.

Архитектура и есть настоящая история.

Схема слоёв — один слой softmax, за которым следуют три слоя линейного внимания, — повторяется двенадцать раз. Об этом уже сообщалось. Чего не сообщалось — так это какое именно линейное внимание используется и почему это важно.

Линейные слои — это KDA — Kimi Delta Attention, механизм, который Moonshot AI представила для Kimi Linear. Upstage не изобрела новое линейное внимание: она позаимствовала чужое и изменила одну вещь. Изменение видно в конфиге: флаг {{1}}kda_allow_neg_eigval{{/1}} установлен в true, и в отчёте объясняется, что это даёт: стандартный KDA ограничивает собственные значения перехода состояния диапазоном [0,1], поэтому каждый шаг может лишь увеличивать рекуррентное состояние или приводить к его затуханию. Установка этого флага расширяет силу записи до {{2}}beta = 2·sigmoid(·){{/2}} (диапазон (0,2)), что выводит собственные значения на [-1,1]. Теперь шаг может инвертировать знак уже сохранённого. Простыми словами: состояние может корректировать себя, а не только накапливаться — это и есть заявленный механизм Upstage, позволяющий удерживать длинную траекторию агента в целости на протяжении множества вызовов инструментов.

Двенадцать слоёв softmax — это GQA с поэлементным сигмовидным выходным гейтом (в конфиге use_gqa_gate = true), что, согласно отчёту, добавляет нелинейность и подавляет attention sinks.

И причина отсутствия RoPE следует из линейных слоёв. Поскольку рекуррентное состояние кодирует порядок токенов внутренне, в отчёте утверждается, что можно полностью удалить позиционное кодирование и перестать быть привязанным к распределению длин, на котором вы обучались. В такой трактовке RoPE — это то, что ограничивает экстраполяцию; уберите его, и потолок перестанет зависеть от ваших тренировочных данных.

Число 1M — это заявленное при проектировании значение, а не результат измерений.

Этот аргумент элегантен, и он также является всей основой для заголовка про 1M токенов. В техническом отчете не публикуется ни RULER, ни поиска иголки в стоге сена, ни какого-либо набора тестов на длинный контекст. Окно обосновывается архитектурой, а не демонстрируется на бенчмарке. Между тем единственное публичное описание развертывания, которое нам удалось найти, — Backend.AI, обслуживающий квантованную модель на двух системах DGX Spark, — устанавливает max-model-len в 200 000, а не 1 048 576. Архитектурный потолок вполне может быть реальным. Какое качество сохраняется при 500K или 1M токенов, в статье просто не указано.

Утверждение об эффективности несёт ту же оговорку: в отчёте указано, что гибридному стеку требуется примерно четверть памяти и вычислений по сравнению с полностью softmax-стеком при контексте в 1M, а также отдельно, что гибридная архитектура достигла целевого значения loss примерно на 3.2× меньшем количестве обучающих токенов, чем полностью softmax, на MMLU. Оба показателя — собственные цифры Upstage. Никаких данных о пропускной способности или задержках не опубликовано вовсе.

Бенчмарк-карта при честном прочтении

На английском наборе тестов против DeepSeek V4 Flash Solar Open 2 250B показывает 86,2 на MMLU-Pro против 85,9 и 92,4 на LiveCodeBench v6 против 92,3 — различия достаточно малы, чтобы быть шумом оценки. Затем он показывает 16,6 на APEX-Agents против 13,2, что является единственным реальным разрывом и, неудивительно, именно этим числом Upstage лидирует.

Потери указаны в том же отчете, но им уделяется меньше внимания. SWE-Bench Verified: 70,4 против 73,8. GDPval-AA v2, по ELO: 1128 против 1187. Terminal Bench Hard: 28,3 против 41,7 у MiMo-V2.5. ArtifactsBench: 55,9, уступая обеим передовым базовым линиям. Следует отдать должное Upstage: в отчете названы эти пробелы и указано, на что они указывают — на разработку ПО на уровне репозитория и терминала, а также на числовую точность в офисных документах, — а не скрыты.

На самом деле впечатляет внутреннее сравнение. Против Solar Open 1: LiveCodeBench v6 вырастает с 56.5 до 92.4, SWE-Bench Verified — с 15.4 до 70.4, APEX-Agents — с 2.4 до 16.6. Что бы вы ни думали о прямых сравнениях, это настоящий скачок поколений за шесть месяцев.

На корейском наборе тестов средний результат по всему комплекту составляет 85,4 против 84,9 у DeepSeek V4 Flash — но средний показатель делает всю работу. Solar Open 2 250B проигрывает в KMMLU-Pro (78,4 против 78,9) и в Ko-AIME'25 (97,7 против 98,0), но выигрывает в Ko-GDPval (86,8 против 85,0). Лидерство обеспечивается практическим бенчмарком, а не знанием или математикой.

Что подводит нас к самому далеко идущему заявлению: Solar Open 2 250B соответствует модели, которая более чем в шесть раз больше её по размеру. Основание — Ko-GDPval, где он набирает 86,8 против 86,9 у DeepSeek-V4-Pro. Это один корейский бенчмарк, и это ничья, а не победа в прямом сравнении — в то время как на английском наборе тестов меньший собрат V4-Pro уже превосходит Solar Open 2 250B на SWE-Bench Verified. Один бенчмарк не превращается в закон эффективности размера. Связанное предостережение: базовые показатели для APEX-Agents несколько различаются между статьёй и вторичными источниками (13,2 против 13,4 для одних и тех же моделей), так что относитесь к порядку как к ориентировочному, а не точному.

Что касается предпочтений: слепое попарное тестирование на 835 корейских диалогах вывело Solar Open 2 250B вперёд с результатом 44,1% против 26,6%, при этом в отчёте победа по выравниванию и честности приписывается культурной основе, а не дополнительному обучению безопасности. Стоит отметить, чего не хватает: в отчёте нет никакой количественной оценки вреда, отказов или джейлбрейка.

Карточка Hugging Face с тех пор пополнилась ещё несколькими числами в разделе результатов оценки — GPQA Diamond 86.3, HLE 28.8 и MathArena AIME 2026 95.7 — но они были извлечены из самой карточки модели, а не из независимого запуска, поэтому несут ту же пометку, что и всё вышеперечисленное: цифры Upstage, не воспроизведённые.

Теперь всплыла одна внешняя цифра, которая не исходит из лаборатории Upstage. 13 августа корейские финансовые СМИ — Edaily, Seoul Economic Daily, ITDaily и iNews24, все опубликовавшие одни и те же данные, — сообщили оценки второго раунда государственной программы суверенного ИИ, измеренные по индексу интеллекта Artificial Analysis (AAII v4.1.1): Motif 3 — 47, Solar Open 2 250B — 37, A.X-K2 от SK Telecom — 35 и K-EXAONE 2.0 0803 от LG AI Research — 31. Результат 37 ставит Solar Open 2 250B на второе место среди четырёх корейских финалистов, на десять баллов позади Motif 3. Сформулируем это точнее: это данные прессы — этого результата нет в собственном лидерборде Artificial Analysis, который до сих пор не показывает ничего для этой модели, — и в тех же публикациях отмечается, что AAII не содержит бенчмарков на корейском языке, что является настоящим слепым пятном для модели, чьи результаты внутри страны являются ключевыми для её позиционирования. Но это первая оценка Solar Open 2 250B, которая не исходит от Upstage, и она согласуется с остальной частью этой статьи: сильные баллы за агентные возможности и результаты, при том что многое другое по-прежнему никто, кроме вендора, не подтвердил.

Почему никто не может обслуживать это на стандартном программном обеспечении

Карточка модели рассказывает историю лучше любых комментариев. Загрузки за последний месяц теперь превышают 26 000, наряду с 743 лайками, шестнадцатью квантизациями от сообщества и тремя дообученными моделями — а в блоке Inference Providers строка «This model isn't deployed by any Inference Provider» по-прежнему сохраняется, при этом дюжина людей уже указана как запросившая поддержку провайдера через карточку. Реальный интерес, ноль размещённых эндпоинтов.

Следуйте за работающими развёртываниями — и все они ведут к форку. Сборка NVFP4 от Nota AI привязывает установку к git+https://github.com/UpstageAI/vllm.git с тегом v0.22.0-solar-open2 — собственному vLLM от Upstage. В обзоре Backend.AI о DGX Spark требовался этот форк вместе с пропатченным FlashInfer, поскольку в апстриме FlashInfer не было поддержки экспертного параллелизма и он не принимал формат compressed-tensors.

Поддержка в мейнлайне — это pull request 51129 в vllm-project/vllm, открытый 5 августа контрибьютором под ником oesni. Он до сих пор открыт: 10 августа mergify отметил конфликты слияния, поэтому PR теперь получил метку needs-rebase и всё ещё ждёт ревью. То, что должен был реализовать этот PR, — самое честное описание сложности этой модели, которое существует в открытом доступе:

• Слой KimiGatedDeltaAttention, специфичный для Solar, в новом файле solar_open2.py, переносящий бета-коэффициент 2·sigmoid(b) из изменения отрицательных собственных значений.

• Операция vllm::solar_open2_kda_attention зарегистрирована как операция расщепления CUDA-графа.

• Предварительный прогрев KDA-префилла на этапе профилирования, ограниченный 2048 токенами, добавлен специально, потому что без него реальные префиллы выполнялись примерно на 23% медленнее.

• Парсеры выходных данных рассуждений и вызовов инструментов для потокового и непотокового режимов

Валидация сервинга на 8×B200 показывает 107.02 ГиБ на ранг KV-кэша, наряду с 463 пройденными модульными тестами.

Это цифры автора PR, которые никто другой не воспроизвёл, и код ещё может измениться до его слияния. Но если прочитать этот список рядом с разделом об архитектуре, суть проблемы очевидна: два решения, которые делают Solar Open 2 250B дешёвым в работе с длинным контекстом — KDA в трёх четвертях слоёв и отсутствие RoPE, — это именно те решения, для которых в универсальных стеках инференса нет существующего пути в коде. Открытость весов и открытость пути к их запуску — разные вещи, и только одна из них была выпущена 22 июля.

Во что обходится занять позицию

Начнём с минимального объёма памяти. 500,6 ГБ весов в bfloat16 против 141 ГБ у H200 означают, что четыре GPU дают 564 ГБ — то есть около 63 ГБ остаётся на всю ноду для KV-кэша и активаций до того, как придёт хоть один запрос. Именно поэтому в карточке указано четыре H200 как минимум и рекомендовано восемь, и почему FlexAI предлагает это как выделенный 8×H100 endpoint с ценой по запросу, а не через общий API с оплатой за токен.

Квантование опускает эту планку очень далеко. Сборка NVFP4 от Nota AI (веса и активации в 4-битном формате, размер группы 16, в формате compressed-tensors) уменьшает модель с 500.6 GB до 153.3 GB, а их собственная оценка определяет потерю точности в 0.22 пункта в среднем по четырём бенчмаркам — с 81.57 до 81.35, при этом Tau2-Bench с 75.20 до 75.08, GPQA-Diamond с 86.26 до 85.45, MMLU-Pro с 86.19 до 86.15, а LiveCodeBench движется в другую сторону: с 87.03 до 88.55, что является шумом квантования, а не улучшением. Загвоздка в аппаратном обеспечении: NVFP4 требует тензорных ядер FP4, появившихся в Blackwell, так что только B200 или GB200, ничего на Hopper. Если вы работаете на H100, то нужный вам вариант — их INT4-сборка с глобальным прунингом — 117.8 GB после прунинга, помещающаяся на две такие карты.

Теперь арифметика, которая всё решает. DeepSeek V4 Flash — снова модель, с которой Upstage решил себя сравнивать, — стоит $0,15 за миллион входных токенов и $0,29 за миллион выходных на OrcaRouter; это цена из прайс-листа DeepSeek, переданная напрямую с нулевой наценкой. При соотношении входных и выходных токенов 3:1 средняя цена получается примерно $0,185 за миллион. Возьмём для примера $2 за GPU-час на узле с восемью GPU — и вы получаете около $11 700 в месяц ещё до того, как кто-либо отправит запрос: это эквивалент примерно 63 миллиардов смешанных токенов API-трафика, или 2,1 миллиарда токенов в день, каждый день, только чтобы выйти в ноль. Сократите узел до двух GPU — и точка безубыточности опустится примерно до 16 миллиардов токенов в месяц. Подставьте свою ставку за GPU — картина не изменится. Самостоятельный хостинг 250B-модели — это решение об утилизации и контроле, а не о скидке.

Если говорить точно о том, что доступно, а что нет: Solar Open 2 250B отсутствует на OrcaRouter, и, согласно её собственной карточке модели, её нет ни у одного инференс-провайдера. Что есть на OrcaRouter — так это поле, с которым её сравнивают: DeepSeek V4 Flash, Qwen3.8-Max и ещё пара сотен других за одним ключом по ценам провайдеров, с автоматическим переключением между провайдерами, если один из них выйдет из строя. И это важно здесь по узкой практической причине: если вопрос, на который вам на самом деле нужен ответ, звучит как «превосходит ли модель, донастроенная под агентов, то, что мы уже используем в продакшене», то эту половину сравнения можно запустить уже сегодня во второй половине дня, просто изменив строку с моделью, пока запрос на GPU для другой половины всё ещё находится в процессе закупки.

Две строки на лицензии

Лицензия Upstage Solar разрешает коммерческое использование, тонкую настройку и дистилляцию, и Upstage описывает её как основанную на Apache-2.0 с добавленными условиями об использовании бренда. Два добавленных обязательства нужно прочитать внимательно: производная модель должна содержать префикс «Solar» в своём названии, а вы должны отображать атрибуцию «Built with Solar».

Для внутреннего развертывания это не событие. Если вы планируете превратить это в продукт, который будете поставлять под собственным брендом, пункт о наименовании — это брендинговое решение, замаскированное под условие лицензии, и оно стоит двадцати минут внимания юриста перед началом обучения модели. Читайте формулировку в репозитории, а не доверяйте описаниям — освещение этой лицензии было неточным, включая как минимум одну статью, которая прямо называет её Apache 2.0.

Кто должен двигаться сейчас, а кто подождать?

Переходите, если качество корейско- или японскоязычного результата — это ваш продукт и вы можете разместить веса на уже имеющемся у вас оборудовании: именно для такого сочетания и подходят «открытые веса без эндпоинта», а сама формулировка Upstage прямо говорит, что суверенность — это возможность самостоятельно развернуть и проверить модель, а не просто факт её обучения внутри страны. Переходите, если у вас есть простаивающие GPU и агентная нагрузка достаточного объёма, чтобы их заполнить, потому что при реальной утилизации арифметика затрат на токен меняется на противоположную. Переходите, если требования аудита или резидентности данных означают, что API никогда не рассматривался как вариант.

Подождите, если вам нужен эндпоинт с оплатой за токен. Upstage заявил, что намерен разместить Solar Open 2 250B на сторонней платформе; на момент написания этого текста этого не произошло — пробная версия Playground действовала только до 31 июля, и в карточке модели по-прежнему не указан ни один провайдер. Подождите, если вы работаете на Hopper и рассчитывали на 4-битную сборку, поскольку версия NVFP4 требует Blackwell. И подождите, прежде чем проектировать что-либо с расчётом на контекст в 1M токенов, который сейчас является свойством архитектуры, а не измеренным результатом.

Главное, за чем стоит следить, — это pull request 51129, который 10 августа получил метку needs-rebase после того, как Mergify отметил конфликты слияния. Тот день, когда Solar Open 2 250B появится в тегированном релизе vLLM, станет днём, когда это перестанет быть инфраструктурным проектом и превратится в модель, которую любой может просто попробовать. Сообщённый прессой AAII, равный 37, — это начало: первая внешняя оценка, пусть и предварительная, которой всё ещё нет в собственной таблице лидеров Artificial Analysis. Настоящий тест — тот, что запускается на стандартном программном обеспечении, и у него пока нет даты.