Shanghai AI Laboratory bünyesindeki InternScience ekibi, yeni bir agentic model duyurdu: Agents-A1. Model, Apache 2.0 lisansıyla açık ağırlıklı olarak yayınlandı ve özellikle uzun horizon agent görevleri için tasarlandı.
Teknik özellikler:
- Toplam parametre: 35 milyar.
- Aktif parametre: Yaklaşık 3 milyar (A3B mimarisi).
- Base model: Qwen3.5-35B-A3B üzerine post-trained.
- Lisans: Apache 2.0 — ticari kullanım tam serbest.
- Context window: 256K token.
- Eğitim odağı: Long-horizon agent work.
- Quantize varyantlar: Dahili olarak yayınlanmış.
Bu model, açık ağırlık agent modeli yarışına yeni bir güçlü oyuncu ekliyor. Nex-N2-Pro, Ornith-1.0 ve Tencent Hy3’ün ardından, ekosistemin agent tarafında ne kadar aktif olduğunun göstergesi.
Shanghai AI Lab InternScience ekibi kim?
Shanghai Artificial Intelligence Laboratory, Çin’in en yüksek profilli AI araştırma merkezlerinden. Kuruluşundan bu yana özellikle bilim, mühendislik ve teknik reasoning cephesinde derin çalışmalar yapıyor.
InternScience ekibi, laboratuvarın bilim odaklı AI grubu. Önceki yayınları:
- InternLM serisi: Genel amaçlı LLM’ler.
- InternVL: Vision-language modelleri.
- Self-Harness framework: Kendini iyileştiren agent harness’ı (bu framework’ü önceki bir yazımızda detaylıca incelemiştik).
Agents-A1, ekibin bu yönteme ilişkin araştırmalarının somut bir modele dönüşmesi. Yani bir laboratuvar makalesi değil, üretim ortamında kullanılabilecek bir open weights ürün.
Qwen3.5-35B-A3B temeli: neden bu seçim?
Agents-A1’in Qwen3.5-35B-A3B üzerine inşa edilmesi ilginç bir seçim. Alibaba’nın Qwen serisi 2026 boyunca açık ağırlık modellerin en güçlü temel platformu haline geldi:
- Cohere North Mini Code, Qwen 3.5 üzerine post-trained.
- Nex-N2-Pro, Qwen3.5-397B-A17B üzerine post-trained.
- Ornith-1.0, Qwen 3.5 tabanlı çeşitli varyantlarla.
- LocateAnything, Qwen2.5 Instruct tabanlı.
Yani Qwen’in 35B-A3B varyantı, orta ölçek MoE için de-facto base olmuş durumda. 35B/A3B kombinasyonu — toplam parametre 35B ama her token başına sadece 3B aktif — inference maliyetini düşük tutarken model kapasitesini yüksek tutuyor.
InternScience’in bu tabanı seçmesi mantıklı: sıfırdan pre-training yapmak yerine, Qwen’in olgun tabanı üzerine agent-özel post-training yapmak, hem daha ekonomik hem de sonuç odaklı.
Long-horizon agent work: ne demek?
Agents-A1’in temel iddiası, uzun horizon agent görevleri için özelleşmiş olması. Bu ne demek?
Klasik LLM chat: tek turluk bir soru-cevap.
Kısa horizon agent: birkaç araç kullanımıyla, 5-10 adımda tamamlanan görevler. Örneğin “bu websiteden fiyatı bul, tabloya kaydet”.
Long-horizon agent: Yüzlerce, hatta binlerce adım sürebilen, saatler veya günler alan görevler. Örnekler:
- Bir codebase’i tamamen migrate etmek.
- Kapsamlı bir araştırma raporu üretmek (yüzlerce kaynağı okuyarak).
- Bir yazılım projesi baştan sona geliştirmek.
- Uzun süreli müşteri destek konuşmasını tamamlamak.
Long-horizon görevlerin klasik sorunları:
- Context birikimi: Her adımda daha fazla bilgi context’e giriyor, model kapasitesi zorlanıyor.
- Hata birikimi: Adım N’deki bir hata, adım N+1’e taşınıyor, çığ etkisi.
- Yön kaybı: Model, başlangıçtaki hedefi unutup detaylara sıkışabiliyor.
- Etkin araç kullanımı: Hangi tool’u ne zaman çağıracağını doğru kararlamak.
Agents-A1’in 256K context’i bu sorunları kısmen adresliyor. Ama asıl özellik post-training reçetesi — ekip muhtemelen uzun horizon tool use trace’leri üzerinden RL yapmış (Self-Harness benzeri bir yaklaşımla).
Açık ağırlık agent modeli manzarası
Agents-A1’in ekosistemdeki yeri:
| Model | Boyut | Aktif | Context | Odak | Lisans |
|---|---|---|---|---|---|
| Agents-A1 | 35B | A3B | 256K | Long-horizon | Apache 2.0 |
| Nex-N2-Pro | 397B | A17B | 256K | Agentic Thinking | Apache 2.0 |
| Tencent Hy3 | 295B | A21B | 256K | Agent + kod | Ticari lisans |
| Ornith-1.0-35B | 35B | MoE | – | Self-scaffolding RL | MIT |
| GLM-5.2 | 744B | A40B | 1M | General frontier | MIT |
| Qwen 3.6-35B-A3B | 35B | A3B | – | General | Apache 2.0 |
Agents-A1’in konumu: orta ölçek, long-horizon uzman, ekonomik inference. Nex-N2-Pro ve Hy3 gibi devlerin altında ama Ornith ve Qwen 3.6 seviyesinde bir MoE oyuncusu.
Kimin işine yarar?
1. Long-horizon coding agent kuran takımlar. Multi-hour task’ları çalıştıran custom agent framework’leri için — OpenClaw benzeri — Agents-A1 makul bir base model.
2. Araştırma pipeline’ı çalıştıran şirketler. Deep research görevleri (mesela pazar analizi, teknik döküman özetleme) için, 256K context ve long-horizon eğitimi ile tercih edilebilir.
3. Self-host isteyen kurumsal müşteriler. A3B aktif parametre sayesinde, tek H100 üzerinde makul hızda serve edilebiliyor. Enterprise deployment için maliyet dostu.
4. Türk startup’ları için Apache 2.0 avantajı. Ticari kullanım için ekstra lisans müzakeresi gerektirmiyor. Türk AI girişimleri için pratik.
Quantize varyantlar: makul donanımda çalışır
InternScience, Agents-A1’i quantize edilmiş varyantlarla birlikte yayınladı. Bu, hızlıca self-host isteyen geliştiriciler için önemli. Muhtemel varyantlar:
- Q4_K_M GGUF: ~20 GB, RTX 4090 veya RTX 5090 tek karta sığar.
- Q8_0 GGUF: ~35 GB, daha yüksek kalite, 40 GB+ VRAM.
- INT4 AutoRound: vLLM ile production-grade serving.
- FP8: H100/H200 için optimize.
Quantize edilmiş versiyonlarla birlikte yayınlanması, InternScience ekibinin “akademik makale” değil “pratik ürün” niyetini gösteriyor.
Test senaryoları için pratik öneriler
Agents-A1’i denemek isteyenler için başlangıç senaryoları:
- Long-horizon coding: Bir 50-100 satırlık Python script’ini refactor etme + test yazma + döngüsel iyileştirme. Nex-N2-Pro ile karşılaştırın.
- Deep research: Kapsamlı bir konuda 20-30 kaynak okuyup rapor üretme. Araç kullanımı doğruluğuna bakın.
- Multi-tool chain: Web search + code execution + file manipulation chain’i. Tool call’lar arasındaki tutarlılığı gözleyin.
- 256K context reuse: Uzun bir doküman koleksiyonundan tekrarlı sorular. Model context’i etkili kullanabiliyor mu?
Sonuç: agentic açık ağırlık ekosistemi olgunlaşıyor
Haziran-Temmuz 2026 dönemi, açık ağırlık agent modelleri için parlak bir dönem oldu:
- Nex-N2-Pro (Nex AGI, Apache 2.0)
- Ornith-1.0 (DeepReinforce, MIT)
- Tencent Hy3 (agent+kod uzmanı)
- Agents-A1 (InternScience, Apache 2.0)
Her biri farklı bir yaklaşımla, farklı boyut sınıfında, farklı lisansla. Bu, ekosistemin sağlıklı bir çeşitlenme aşamasında olduğunu gösteriyor. “Tek bir kazanan var” yerine “farklı use case’ler için farklı optimal seçenekler” manzarası oluşuyor.
Türk AI ekosistemi açısından bu “çoklu seçenek” durumu, model seçimi tarafında kaldıraç sağlıyor. Bugünün senaryosu için Agents-A1, yarınki senaryo için Nex-N2-Pro, tekrar başka bir senaryo için Hy3 — hepsi seçenek. LiteLLM, LangChain, LlamaIndex gibi çerçeveler üzerinden model geçişi giderek kolaylaşıyor.
Modeli denemek için: Shanghai AI Lab Hugging Face deposu üzerinden indirilebilir. Ticari kullanım için lisans engeli yok.
Bir yanıt yazın