Maxwell 開源350億參數AI模型 程式開發表現超越同級Qwen
一個名為Maxwell的AI開發團隊近日公開新模型Maxwell-V1.0-Flash,採用Apache 2.0開源授權,讓開發者可以免費下載權重、自行部署與微調。這款模型擁有350億總參數(35B),但每次處理文字時僅啟用約30億參數(3B),支援最高256K token上下文。與許多直接使用Qwen等既有模型權重進行微調的產品不同,Maxwell團隊公布了從預訓練到後訓練的完整技術設計,宣稱使用約26兆token的多語言資料建立模型。
Maxwell-V1.0-Flash採用混合專家(MoE)架構,讓模型每次只啟用部分參數,減少不必要的運算。模型共有45層Transformer,其中42層採用MoE設計,每層配置256個可選擇的專家,處理文字時會選用12個,另外搭配2個固定啟用的共享專家。團隊也自行設計區塊稀疏注意力技術,讓模型在閱讀長篇文件時,不必每次都重新計算所有文字之間的關係。官方宣稱,在256K長上下文的特定測試中,這項技術的運算速度可比傳統密集注意力提高6.7倍。
訓練方式也是這次發布的重點。Maxwell表示,模型預訓練使用約26兆token的多語言資料,搭配Muon優化器及多token預測技術,再透過兩階段監督式微調、強化學習與多教師蒸餾提升推理、程式開發和工具操作能力。團隊也特別針對泰文、寮文、緬甸文、柬埔寨文等東南亞語言設計分詞器,希望改善這些語言的處理效率。不過,目前公布的訓練流程主要來自開發團隊自身說明,完整資料來源與權重訓練歷程尚缺少獨立驗證。
在官方公布的評測中,Maxwell-V1.0-Flash在程式開發與AI代理任務取得不錯的成績。SWE-Bench Verified軟體修復測試達65.4%,略高於Qwen3.6-35B-A3B的63.4%;Terminal-Bench終端機操作測試則取得58.65%,高於同場比較的Muse Glimmer與其他相近規模模型。網頁搜尋測試BrowseComp達76.3%,若啟用額外的上下文管理功能,可提高至82.2%。
不過,Maxwell也不是所有項目都領先。官方測試顯示,模型在部分指令遵循與多輪對話項目落後Gemma及Muse Glimmer;尚未經過後訓練的基礎版本,在CMMLU與C-Eval中文知識測試的成績,也低於同場比較的Qwen3.5基礎模型。這些數據目前主要由Maxwell團隊自行提供,仍需要第三方在相同測試條件下確認。
目前模型權重已上架Hugging Face,原始專案與部署說明也公開於GitHub。官方提供vLLM部署方式,建議使用單張NVIDIA B300,或至少兩張H100 GPU執行。雖然模型每次只啟用約30億參數,完整權重仍需占用相當大的記憶體,現有模型檔案約73.6GB,並非一般配備24GB顯示記憶體的電腦就能直接完整載入。沒有高階GPU的使用者,也可以先透過團隊提供的線上Playground測試。Maxwell-V1.0-Flash值得關注的地方,在於開發團隊並未只發布一款經過簡單微調的既有模型,而是提出自己的模型架構、預訓練及後訓練流程,並公開可供自行部署的權重。不過,開源權重並不等於完整公開訓練資料與過程。這款模型未來能否在同級開放權重模型中建立競爭力,仍要看獨立評測及開發者實際使用的結果。
KioskNews shows a cleaned-up reading view extracted from the publisher’s page — the original always lives on their site, not ours.