Strona głównaSztuczna InteligencjaQuasar 1.1 wykorzystuje dane treningowe generowane kwantowo

Quasar 1.1 wykorzystuje dane treningowe generowane kwantowo

Ostatnia aktualizacja: 15 września 2026 r.

Krótka odpowiedź: Quasar 1.1 438B nie jest modelem AI działającym na komputerze kwantowym. Multiverse Computing twierdzi, że część danych użytych do ponownego treningu i poprawy klasycznego modelu językowego została wygenerowana przez hybrydowy quantum language model z użyciem procesora IBM Quantum. Etap kwantowy odbył się wcześniej, w pipeline treningowym; deweloperzy nadal korzystają z Quasara przez klasyczne API.

Quasar 1.1dane generowane kwantowoQuasar API

To rozróżnienie jest sednem całej historii. Ogłoszenie jest interesujące, bo sprzęt kwantowy wykorzystano do wygenerowania danych, które później wpłynęły na duży model językowy. Mniej precyzyjne byłoby opisanie Quasara jako kwantowego LLM-a, modelu wymagającego QPU przy każdej odpowiedzi albo dowodu, że komputery kwantowe zastąpiły już klasyczną infrastrukturę AI.

Multiverse Computing ogłosiło Quasar 1.1 15 września 2026 r. jako przebudowaną wersję swojego reasoningowego modelu z 438 miliardami parametrów. Firma twierdzi, że nowa wersja ponownie przeszła przez pipeline CompactifAI, obejmujący szersze dane healing, tuning krótszych odpowiedzi i komponent wygenerowany kwantowo. Wyniki oraz słowo „pierwszy” należy traktować jako deklaracje firmy, dopóki niezależne testy nie oddzielą wpływu danych kwantowych od pozostałych zmian.

Czym jest Quasar 1.1 438B?

Quasar 1.1 438B to reasoningowy model firmy Multiverse Computing z siedzibą w Hiszpanii. Jest kierowany do kodowania, użycia narzędzi i agentów działających w przedsiębiorstwach. Oznaczenie „438B” opisuje skalę parametrów modelu; nie oznacza liczby parametrów aktywnych przy każdym tokenie ani ilości sprzętu kwantowego stojącego za projektem.

Ważne jest pochodzenie modelu. W technicznym opisie Multiverse podaje, że Quasar 438B zbudowano na bazie GLM-5.2, modelu open weights firmy Z.ai, a następnie przekształcono go za pomocą CompactifAI. Firma opisuje ukierunkowany expert pruning, etap healing i kwantyzację uwzględniającą docelowy format. Quasar jest więc europejskim produktem i ofertą wdrożeniową, ale nie europejskim foundation modelem wytrenowanym od zera.

To rozróżnienie pomaga przy porównywaniu produktów określanych jako sovereign AI. Model może być rozwijany, udostępniany i zarządzany przez firmę europejską, a jednocześnie korzystać z checkpointu pochodzącego z innego kraju. W Quasarze lineage modelu i europejski stack wdrożeniowy to dwie różne części produktu.

Co zmieniło się w Quasar 1.1?

Według Multiverse wersja 1.1 nie jest tylko nową etykietą na tym samym skompresowanym checkpointcie. Firma twierdzi, że ponownie przeprowadziła model przez szerszy zbiór retreningowy lub „healing set”, zawierający ślady rozumowania, sekwencje wywołań narzędzi i wiedzę ogólną. Dodatkowo dostroiła model tak, aby zużywał mniej tokenów wyjściowych, oraz zmieniła część zachowania odmów odziedziczonego po modelu bazowym.

Deklarowana zmianaCo twierdzi firmaCzego to nie dowodzi
Szersze dane healingPo pruning dodano ślady rozumowania, sekwencje tool calls i wiedzę ogólną.Nie wiadomo, które źródło danych odpowiada za konkretną poprawę.
Dane generowane kwantowoCzęść healing set powstała przy użyciu hybrydowego quantum language model.Nie oznacza to, że cały model trenowano na komputerze kwantowym.
Krótsze odpowiedziŚrednia liczba tokenów spadła z 3322,9 do 2074,3 w pięciu wymienionych ewaluacjach, czyli według firmy o 37,6 proc.Mniej tokenów nie oznacza automatycznie lepszego rozumowania ani niższego kosztu agenta.
Zachowanie odmówOdmowy przy tematach politycznych miały spaść, a odmowy przy szkodliwych promptach pozostać wysokie.To osobna zmiana post-trainingu i steeringu, nie dowód quantum advantage.

Ta lista chroni przed częstym błędem atrybucji. Jeśli Quasar 1.1 osiąga lepszy wynik albo tworzy krótsze odpowiedzi, efekt może wynikać z połączenia danych, pruning, healing, kwantyzacji, tuningu długości odpowiedzi i sterowania odmowami. Porównanie przed i po nie pokazuje, ile wniosły same próbki kwantowe.

Co naprawdę oznaczają dane treningowe generowane kwantowo?

W opisie release procesor kwantowy pojawia się na etapie generowania danych, a nie w ścieżce udostępniania modelu. Multiverse podaje, że jedna szósta warstw Qwen3-30B-A3B została zastąpiona przez quantum neural network w hybrydowym quantum language model. Obwody uruchomiono na IBM Quantum System Two w Donostia-San Sebastian, wykorzystując 156-kubitowy procesor IBM Heron oraz model szumu skalibrowany na tym urządzeniu.

Pipeline w praktyce:
IBM Heron QPU → hybrydowy quantum language model → wybrane przykłady syntetyczne → część healing dataset → post-training Quasar 1.1 → klasyczna inferencja przez CompactifAI API.

„Generowane” nie znaczy, że komputer kwantowy napisał cały korpus Quasara. Chodzi o wykorzystanie modelu kwantowo-klasycznego do utworzenia części przykładów użytych później w treningu lub healing. Release nie podaje rozmiaru tej części, dokładnych promptów, filtrów ani niezależnego audytu jej rozkładu.

Dlatego Quasar sam nie potrzebuje komputera kwantowego, aby odpowiedzieć na prompt. Według opisu etap kwantowy odbywa się wcześniej, podczas generowania danych. Po zakończeniu treningu wagi można udostępniać na klasycznej infrastrukturze AI. Klient CompactifAI wysyła zwykłe żądanie API i otrzymuje zwykłą tekstową odpowiedź. QPU jest częścią eksperymentu upstream, a nie zależnością codziennej inferencji.

Czy Quasar 1.1 jest kwantowym modelem AI?

To zależy od tego, co oznacza „quantum AI”. Pod tym hasłem kryje się kilka różnych architektur i sposobów pracy.

TerminZnaczenieCzy pasuje do Quasara 1.1?
Quantum-generated dataPrzykłady, cechy lub próbki utworzone z pomocą procesora kwantowego i użyte później przez model klasyczny.Tak, według release Multiverse.
Quantum-inspired AIKlasyczny algorytm inspirowany ideami kwantowymi lub tensor-network, działający bez QPU.Tak, w części lineage kompresji CompactifAI.
Hybrid quantum-classical AIPipeline, w którym QPU i klasyczny sprzęt wymieniają dane podczas obliczeń.Tak, dla opisanego eksperymentu generowania danych.
Quantum-native LLMModel językowy, którego główna reprezentacja i inferencja działają na komputerze kwantowym.Brak dowodów na taki opis.

Najdokładniejszy krótki opis brzmi więc: Quasar 1.1 to klasyczny duży model językowy, którego pipeline post-trainingu zawiera dane wygenerowane przez hybrydowy quantum language model. To węższe określenie niż „kwantowy LLM”, ale technicznie znacznie lepsze.

Dlaczego dane generowane kwantowo mogłyby pomóc LLM-owi?

Potencjalna korzyść nie polega na magicznym przyspieszeniu inferencji. Komponent kwantowy może generować próbki o rozkładzie lub strukturze, które trudno, drogo albo po prostu inaczej uzyskać klasycznym generatorem. Jeśli takie próbki pokrywają użyteczne wzorce rozumowania lub użycia narzędzi, mogą wzbogacić healing set.

„Inne” nie znaczy jednak „lepsze”. Dobry test powinien porównać co najmniej trzy warunki: Quasar 1.0, wariant w stylu Quasar 1.1 trenowany na tych samych klasycznych danych, ale bez podzbioru kwantowego, oraz pełny wariant 1.1 z tym podzbiorem. Checkpoint, budżet treningowy, prompty ewaluacyjne i ustawienia dekodowania powinny pozostać kontrolowane.

Takiego ablation study nie ma w publicznym release. Firma raportuje poprawę HLE, GPQA i IFBench oraz krótsze odpowiedzi, ale jednocześnie opisuje szersze dane i kilka niekwantowych interwencji. Dopóki zmienne nie zostaną rozdzielone, quantum-generated data należy traktować jako interesującą technikę treningową, a nie dowód przewagi kwantowej dla LLM-ów.

Na ile Quasar jest naprawdę europejski?

Nazywanie Quasara europejskim modelem AI jest uzasadnione, jeśli mówimy o jego twórcy, produkcie i środowisku wdrożeniowym. Multiverse Computing jest firmą europejską, release opisuje pracę w San Sebastian, a produkt jest przedstawiany jako opcja wdrożeniowa dla europejskich organizacji. Nie oznacza to jednak, że bazowy foundation model powstał w Europie.

Lineage w jednym widoku:
Z.ai → open-weights GLM-5.2
Multiverse Computing → kompresja CompactifAI, ukierunkowany healing, kwantyzacja i produkt Quasar
Kontekst IBM Quantum → sprzęt użyty w opisanym eksperymencie hybrydowego generowania danych

Techniczny opis z 3 września mówi o redukcji liczby ekspertów w warstwie z 265 do 148. Release z 15 września podsumowuje tę redukcję jako 256 do 148. Ponieważ dwa oficjalne teksty podają różne liczby, nie traktujemy żadnej z nich jako precyzyjnego niezależnego pomiaru. Bezpieczniejszy wniosek brzmi: CompactifAI redukuje ekspertów celowo, a następnie naprawia model pod określony typ pracy.

Jak dobry jest Quasar 438B?

Wyniki benchmarków wymagają etykiet. Artykuł premierowy Multiverse z 2 września podawał wynik 43 w Artificial Analysis Intelligence Index według wcześniejszego porównania oraz 15,3 sekundy na wygenerowanie 500 tokenów wraz z reasoningiem. Release 1.1 opisuje poprawę w wybranych ewaluacjach, ale nie przedstawia publicznego, niezależnego ablation study dla danych kwantowych.

Artificial Analysis utrzymuje obecnie kartę Quasar 438B opisaną jako „max, based on GLM-5.2”. W chwili sprawdzania karta podawała 27 punktów w nowszej prezentacji Intelligence Index, 167 tokenów wyjściowych na sekundę, kontekst 1M tokenów, wejście wyłącznie tekstowe i wagi proprietary. Nie oznacza jej jasno jako Quasar 1.1, dlatego nie należy przedstawiać tego wyniku jako bezpośredniego wyniku wersji 1.1.

MetrykaAktualny odczytInterpretacja
Parametry438 miliardówSkala modelu podawana dla rodziny Quasar.
KontekstOkoło 1 miliona tokenówPrzydatne przy długich dokumentach i trace agentów, ale nie gwarantuje lepszego rozumowania.
Modalność wejściaTekstArtificial Analysis nie podaje obecnie obsługi obrazów.
Cena API sprawdzona 15 września0,60 USD input / 1,80 USD output za milion tokenówOficjalna oferta CompactifAI; ceny mogą się zmienić.
Niezależna karta27 na aktualnej stronie AABrak etykiety 1.1 i bezpośredniej porównywalności z wcześniejszym wynikiem 43.

Dla zespołów produkcyjnych jakość modelu to tylko część decyzji. Znaczenie mają także długi kontekst, niezawodność tool calls, opóźnienie, długość odpowiedzi, polityka danych, warunki umowy i możliwość śledzenia działania. Analiza The New Stack wskazuje podobny problem: szybkie generowanie tokenów nie oznacza automatycznie szybkiego agenta end-to-end, jeśli wąskim gardłem są narzędzia i powtarzane wywołania modelu.

Czy deweloperzy mogą korzystać z Quasara?

Tak. Strona CompactifAI wymienia Quasar 438B jako dostępny w hostowanej usłudze, a dokumentacja opisuje zgodny z OpenAI projekt API. Aktualny cennik pokazuje 0,60 USD za milion tokenów wejściowych i 1,80 USD za milion tokenów wyjściowych, a nowym użytkownikom oferuje pierwszy miesiąc bez opłat. Przed budżetowaniem trzeba sprawdzić aktualną nazwę modelu i ceny.

Typowa integracja umieszcza API za gatewayem aplikacji:

WordPress lub aplikacja AI
        ↓
Gateway zgodny z OpenAI albo własny adapter
        ↓
CompactifAI API
        ↓
Quasar 1.1

W przypadku WordPressa korzystającego z wtyczki AI najważniejsze nie jest samo pojawienie się nazwy modelu na liście. Trzeba sprawdzić, czy wtyczka pozwala ustawić własny base URL, identyfikator modelu, timeout, retry policy i zasady logowania. Klucz API powinien pozostać po stronie serwera. Warto też ograniczyć budżet i zapisywać wersję modelu dla każdej odpowiedzi.

Kompatybilność z OpenAI nie oznacza, że każda funkcja OpenAI będzie działać. Wywołania narzędzi, streaming, kontrola reasoning, pola usage i structured outputs trzeba przetestować z aktualną dokumentacją CompactifAI przed wdrożeniem produkcyjnym.

Czego to ogłoszenie nie dowodzi?

  • Nie dowodzi, że Quasar 1.1 działa na komputerze kwantowym.
  • Nie dowodzi, że każda odpowiedź korzysta ze sprzętu IBM Quantum.
  • Nie dowodzi, że dane generowane kwantowo spowodowały raportowaną poprawę benchmarków.
  • Nie dowodzi ogólnej przewagi kwantowej nad klasycznymi metodami tworzenia synthetic data.
  • Nie czyni Quasara europejskim foundation modelem wytrenowanym od zera.
  • Nie gwarantuje, że ceny API, limit kontekstu i zachowanie modelu pozostaną takie same.

Ogłoszenie nadal ma znaczenie. Przenosi pomysł quantum language model do komercyjnego pipeline treningu modelu i czyni eksperyment testowalnym w zasadzie. Najcenniejszym kolejnym dowodem nie będzie kolejny superlatyw, lecz powtarzalny opis danych, podziału quantum/classical, ablation study i niezależnych wyników.

Wniosek: eksperyment z synthetic data, nie quantum advantage

Quasar 1.1 najlepiej rozumieć jako klasyczny reasoningowy model 438B przebudowany przez Multiverse Computing z użyciem hybrydowego pipeline post-training. Firma twierdzi, że część danych healing wygenerowano za pomocą quantum language model uruchomionego na sprzęcie IBM. To realne i interesujące użycie obliczeń kwantowych, ale odbywa się przed inferencją.

Czy zobaczyliśmy początek quantum AI? Być może, ale mocniejsza jest odpowiedź węższa: zobaczyliśmy nową próbę wykorzystania danych generowanych kwantowo jako składnika pracy nad synthetic data i poprawą modeli. Jeśli kontrolowane eksperymenty pokażą, że takie próbki konsekwentnie podnoszą możliwości albo zmniejszają klasyczny compute przy tej samej jakości, może powstać ważna gałąź treningu AI. Na podstawie publicznych danych z 15 września 2026 r. jest to obiecujący eksperyment, nie dowód przewagi kwantowej dla LLM-ów.

FAQ

Czy Quasar 1.1 jest kwantowym modelem AI?

Nie w znaczeniu modelu językowego działającego na komputerze kwantowym. Multiverse twierdzi, że część danych treningowych lub healing wygenerował hybrydowy quantum language model, ale sam Quasar jest udostępniany jako klasyczny model przez API.

Czy Quasar 1.1 potrzebuje komputera kwantowego, aby odpowiadać na prompty?

Nie. Opisany etap kwantowy odbywa się wcześniej, podczas generowania danych. Deweloperzy korzystają z gotowego modelu przez klasyczne CompactifAI API.

Czym są dane treningowe generowane kwantowo?

To dane utworzone z pomocą procesora kwantowego, a następnie użyte w treningu lub post-trainingu modelu klasycznego. Nie oznacza to, że cały korpus powstał na QPU.

Na czym bazuje Quasar 1.1?

Według technicznego opisu Multiverse Quasar 438B bazuje na GLM-5.2, modelu open weights firmy Z.ai, i został przekształcony przez pipeline kompresji oraz tuningu CompactifAI.

Czy można korzystać z Quasara 1.1 przez API?

Tak. Multiverse udostępnia Quasar przez CompactifAI API, a dokumentacja opisuje zgodny z OpenAI projekt API. Przed wdrożeniem trzeba sprawdzić aktualne identyfikatory, limity i ceny.

Czy Quasar 1.1 dowodzi przewagi kwantowej dla LLM-ów?

Nie. Release łączy dane generowane kwantowo z szerszym treningiem, healingiem, tuningiem długości odpowiedzi i innymi zmianami. Do przypisania poprawy konkretnie danym kwantowym potrzebne byłoby kontrolowane ablation study.

RELATED ARTICLES

ZOSTAW ODPOWIEDŹ

Proszę wpisać swój komentarz!
Proszę podać swoje imię tutaj

- Advertisment -

Most Popular

Recent Comments