Немецкий исследовательский консорциум выпустил Soofi S 30B-A3B — открытую большую языковую модель, которую позиционируют и как ставку на производительность, и как ставку на суверенитет для ИИ-стека Европы. Согласно материалу The Decoder со ссылкой на отчет о предварительном обучении модели, система была обучена полностью на инфраструктуре Deutsche Telekom в Мюнхене и предназначена для сильной работы с немецким языком без потери конкурентоспособности в английском и в задачах программирования.

Этот запуск важен, потому что европейские инициативы в области открытых моделей часто распадаются на два лагеря: многоязычные проекты общественного интереса, делающие акцент на охвате и управлении, и глобальные open-weight-системы, которые выигрывают по бенчмаркам, но обычно формируются американскими или китайскими лабораториями. Soofi S пытается преодолеть этот разрыв. По словам консорциума, модель теперь лидирует среди полностью открытых аналогов по совокупным немецким и английским бенчмаркам, а также использует архитектуру, предназначенную для эффективного инференса на длинном контексте.

Такое сочетание может сделать релиз значимым не только для исследовательской среды. Для корпоративных покупателей Soofi S подается как модель, которая может работать на региональной инфраструктуре с прозрачной документацией по обучению. Для разработчиков это еще один признак того, что конкуренция открытых моделей смещается от простого числа параметров к сочетанию курирования данных, эффективности инференса и юрисдикционного контроля.

Что такое Soofi S и кто его создал

По данным The Decoder, Soofi S — это модель mixture-of-experts с 31,6 миллиардами параметров всего, но только около 3,2 миллиарда активны для каждого сгенерированного токена. Консорциум называет модель Soofi S 30B-A3B, отражая эту разреженную схему активации. На практике это означает, что вычислительный профиль модели может быть ближе к значительно меньшей модели, чем к плотной 30B-системе, по крайней мере при генерации токенов.

Проект координировался KI Bundesverband, или Немецкой ассоциацией ИИ, и финансировался через Федеральное министерство экономики и энергетики Германии в рамках европейской программы IPCEI-CIS, как следует из отчета, на который ссылается The Decoder. Среди участвующих организаций — Fraunhofer IAIS, Fraunhofer IIS, DFKI, TU Darmstadt, Университет Вюрцбурга, исследовательский центр L3S, Берлинский университет прикладных наук, Ellamind и Merantix Momentum.

Инфраструктурный аспект — ключевая часть истории. Модель обучали на Industrial AI Cloud компании Deutsche Telekom в Мюнхене, при этом обучение проходило с марта по май на 512 GPU Nvidia B200, согласно техническому отчету, о котором пишет The Decoder. Издание сообщает, что запуск потребил около 253 000 GPU-часов. В отчете объект Deutsche Telekom описывается как работающий на возобновляемой энергии, использующий охлаждение каналовой водой и отдающий избыточное тепло в окружающий район, однако эти детали о устойчивости взяты из материалов самого проекта и не были независимо проверены.

Архитектура и решения по обучению — это и есть настоящая история продукта

Технический дизайн помогает понять, почему консорциум уделяет столько внимания пропускной способности, сколько и сырым результатам по бенчмаркам. В отчете говорится, что Soofi S без изменений использует архитектуру Nvidia Nemotron 3 Nano, применяя гибридный дизайн, сочетающий слои Mamba-2 и обычные attention-слои.

Это важно, потому что инференс на длинном контексте стал одной из самых дорогих и операционно неудобных частей обслуживания моделей фронтирного уровня. Стандартные Transformer-модели полагаются на key-value cache, который растет вместе с длиной контекста. По мере удлинения входов и роста параллелизма пропускная способность памяти и перемещение кэша становятся узким местом. По данным The Decoder, только шесть из 52 слоев Soofi S поддерживают этот кэш, что меняет масштабирование модели при длинных промптах.

Консорциум утверждает, что при контексте 40 000 токенов и 32 параллельных запросах Soofi S выдает примерно в восемь раз больше токенов в секунду на GPU, чем плотные модели в диапазоне 14B–24B. В отчете также сказано, что производительность остается почти постоянной от 4 000 до 256 000 токенов, а единственной другой измеренной моделью с похожим поведением назван Alibaba Qwen3.5 35B-A3B. Это важные заявления для тех, кто строит документоемкие рабочие процессы, retrieval-пайплайны или агентные системы с большими рабочими контекстами, но это все еще измерения, представленные самим консорциумом, а не независимый сторонний бенчмарк.

Рецепт обучения не менее примечателен. Консорциум утверждает, что обработал около 27 триллионов токенов в три этапа: широкий первый этап примерно на 20 триллионов токенов, охватывавший веб, код, математику и доменно-специфичный текст; второй этап примерно на 6 триллионов токенов более высокого качества; и более короткий финальный этап, предназначенный для расширения окна контекста с документами длиной до одного миллиона токенов.

То, что отличает Soofi S от многих открытых аналогов, — более высокая доля немецкого языка. The Decoder сообщает, что немецкий составлял 7,2% первого этапа и 15,3% второго, по сравнению примерно с 5% для всех неанглийских языков вместе в эталонном рецепте Nemotron от Nvidia. По имеющимся данным, в обучающие данные вошли HPLT, German Commons, FinePDFs, FineWiki и коммерческий корпус Genios, а также машинно переведенные и синтетические немецкие тексты.

Победы в бенчмарках сопровождаются оговорками

Главное заявление звучит просто: консорциум утверждает, что Soofi S лидирует среди всех полностью открытых моделей по совокупным оценкам бенчмарков на английском и немецком языках. Среди моделей, которые он, по данным отчета, обошел, — OLMo 3 32B от Allen Institute for AI и Apertus 70B от ETH Zurich и EPFL. В отчете также говорится, что модель превзошла европейские суверенные базовые модели по всем немецким бенчмаркам в сравнительном наборе.

В задачах программирования, по данным The Decoder, Soofi S получил 73,8% на HumanEval, 70,2 на MBPP и 84,2 на немецкой версии MBPP. На INCLUDE-DE — бенчмарке для региональных знаний, специфичных для Германии, — он, как утверждается, сравнялся с Qwen3.5 35B-A3B, набрав 61,2 балла. В отчете также говорится, что по сравнению с базовой Nemotron немецко-ориентированный набор данных улучшил языковую компетентность на 15,1 балла и GPQA-Diamond на 9,6 балла без вреда для английской производительности.

Это сильные результаты, если они выдержат более широкие проверки, но их следует читать осторожно. Доступные доказательства в этой новостной группе исходят из репортажа The Decoder о собственном отчете по предварительному обучению проекта и материалах сайта. В наборе источников нет независимого аудита бенчмарков и нет внешнего воспроизведения заявлений о производительности или качестве.

У модели есть и явные слабости. The Decoder сообщает, что Soofi S показал себя ниже ожиданий в немецкой олимпиадной математике, набрав 56 баллов в Minerva MATH-DE, уступив и Qwen3.5 35B-A3B, и Gemma 3 27B. Он также отстал на NaturalQuestions, что авторы, по данным отчета, связывают с меньшим числом активных параметров по сравнению с плотными моделями, способными хранить больше фактических знаний.

Поведение на длинном контексте тоже не везде сильное. На тесте RULER модель, по-видимому, испытывала трудности с задачами извлечения информации из длинных документов, где часто повторялись слова. После 32 000 токенов ее показатель успешности упал примерно до 3%, тогда как сопоставимая модель Nemotron все еще показывала около 60–64%, согласно пересказу отчета в The Decoder. Авторы связывают этот разрыв с нехваткой синтетических данных, ориентированных на извлечение, при обучении на длинном контексте.

Открытая модель, но не открытая по всем определениям

По данным The Decoder, Soofi S выпускается с весами модели, выбранными промежуточными checkpoint-ами, кодом обучения и оценки, а также подробным инвентарем данных. Такой уровень раскрытия значим на рынке, где «open» часто означает лишь скачиваемые веса с ограниченной информацией о происхождении.

Консорциум утверждает, что этот пакет соответствует Open Source AI Definition 1.0 от Open Source Initiative. В то же время в отчете признается, что он не соответствовал бы более строгому предлагаемому европейскому стандарту открытых данных, поскольку около 1,3% обучающей смеси пришло из коммерчески лицензированного корпуса Genios. Команда говорит, что около 99% датасета можно независимо восстановить, но точная лицензия релиза на момент отчета еще не была окончательно определена.

Эта тонкость важна для корпоративных закупок и для downstream-команд продукта. Для одних пользователей достаточно открытых весов плюс кода и документации. Для других, особенно для государственных заказчиков и компаний со строгими требованиями к перепродаже или аудиту, неурегулированные детали лицензии и наличие коммерчески лицензированных данных могут оставаться существенным ограничением.

Почему это важно для разработчиков и корпоративных покупателей

Для разработчиков ИИ главный урок Soofi S в том, что региональная специализация по-прежнему может влиять на результат. Вместо попытки быть максимально многоязычным консорциум, похоже, сосредоточился на качестве немецкого языка, сохранив при этом широкую полезность английского. Это практичная стратегия для команд, работающих с регулируемыми отраслями, технической документацией, поддержкой клиентов и внутренними knowledge-workflow, где локально-языковая производительность ценнее универсального охвата.

Для корпоративных внедрений ИИ сочетание открытых весов, немецко-ориентированной производительности и обучения на инфраструктуре Deutsche Telekom дает модели четкое позиционирование вокруг локализации данных и суверенной инфраструктуры. Это не автоматически снимает вопросы соответствия требованиям и рисков, но создает более конкретный вариант для организаций, которые хотят альтернативы закрытым американским платформам или непрозрачным open-weight-релизам.

Архитектура может оказаться не менее важной, чем бенчмарки. Если Soofi S сможет сохранять пропускную способность на очень длинных контекстах в реальном production-окружении, он может быть полезен для проверки документов, рабочих процессов coding assistant и ИИ-агентов, которым нужно удерживать большой объем рабочей памяти. Но эти сценарии будут зависеть от того, проявится ли слабость извлечения, замеченная в RULER, в пользовательских нагрузках. Быстрый модельный long-context менее привлекателен, если он пропускает ключевые задачи поиска и извлечения внутри длинных документов.

Доказательства и заявления

Большая часть содержательных доказательств в этой истории взята из репортажа The Decoder о предварительном отчете консорциума, сайте проекта и комментариях ведущего автора. Поэтому самые сильные утверждения в этой статье, включая лидерство по бенчмаркам, рост пропускной способности, эффективность обучения и соответствие open source, следует считать заявленными проектом, а не независимо проверенными.

Из доступных источников надежно выглядят существование релиза, базовая архитектура модели, участие консорциума под руководством KI Bundesverband, использование инфраструктуры Deutsche Telekom и публикация весов, кода и документации. Сравнительная производительность и операционные преимущества остаются предварительными, пока внешние пользователи не протестируют Soofi S против OLMo 3 32B, Apertus 70B, Qwen3.5 35B-A3B, Gemma 3 27B и Nvidia Nemotron в воспроизводимых условиях.

Что наблюдать дальше

Первый сигнал, за которым стоит следить, — лицензия. Точные условия релиза определят, будет ли Soofi S в основном исследовательским артефактом или практичной базовой моделью для коммерческих продуктовых команд.

Во-вторых, нужны независимые бенчмарки и тесты инференса. Внешние сравнения по HumanEval, MBPP, длинным контекстным нагрузкам и немецким корпоративным документам будут важнее, чем позиции в таблицах лидеров, опубликованные самим проектом.

В-третьих, консорциум говорит, что ищет индустриальных партнеров для следующего этапа в технической документации, генерации кода и агентных системах. Реальные примеры внедрения в этих областях будут более сильным доказательством, чем одни лишь победы в бенчмарках.

Наконец, стоит посмотреть, станет ли Soofi S шаблоном для других европейских суверенных ИИ-инициатив. Если сочетание регионального веса данных, прозрачной отчетности и эффективного long-context-дизайна окажется полезным, оно может повлиять на то, как будут строиться будущие открытые модели на локальной облачной инфраструктуре.

Взгляд Creati.ai

Soofi S примечателен не потому, что Европа выпустила еще одну открытую модель, а потому, что команда, похоже, сделала более точный продуктовый выбор, чем многие публично-значимые ИИ-проекты. Она выбрала конкретный языковой рынок, сделала ставку на открытую документацию и приняла архитектуру, оптимизированную под реальную проблему обслуживания: стоимость длинного контекста.

Открытый вопрос в том, превратятся ли эти архитектурные решения в реальное внедрение. Корпоративные покупатели ИИ заботятся о ясности лицензии, доверии к бенчмаркам и операционном поведении под хаотичными production-нагрузками. Если Soofi S сможет показать надежную производительность в немецких документных пайплайнах и сценариях coding assistant на суверенной инфраструктуре, он может стать чем-то большим, чем символическая европейская альтернатива. Если нет, он может остаться впечатляющим исследовательским релизом с ограниченным коммерческим спросом.