Разработчикам Preferred Networks потребовалось не более недели, чтобы перенести код одного этапа обучения модели на собственный ускоритель MN-Core 2. По сообщению компании от 9 ноября, они использовали подход с агентами для работы с кодом, а перенос включал распределённое выполнение на нескольких платах. Речь идёт об ограниченной инженерной задаче, а не о создании всей модели за неделю.

Что именно перенесли на другое оборудование

В релизе Preferred Networks результат описан в связи с разработкой PLaMo 3.0 Fin. Переносили код обучения выполнению инструкций — этап, на котором модель учится отвечать по подготовленным примерам. Его техническое название — supervised fine-tuning, или SFT.

MN-Core 2 — собственный процессор компании, рассчитанный на вычисления для глубокого обучения. Для выполнения существующего кода на такой платформе требуется адаптация. PFN сообщает, что подход с coding agents позволил разработчикам без глубокой специализации на MN-Core 2 завершить перенос в пределах недели, включая несколько плат.

Это не означает, что работу выполнили люди без подготовки в разработке. Компания говорит об отсутствии глубокого знания конкретного ускорителя, а не об отсутствии инженерного опыта. Названия использованных агентов, запросы к ним и подробный журнал исправлений в релизе не приведены.

Где проходит граница недельного результата

В техническом разборе Ryota Ozaki процесс создания модели разделён на стадии. SFT выполнялся на MN-Core 2 в вычислительной инфраструктуре PFCP. Для продолженного предобучения и следующего этапа настройки предпочтений использовались NVIDIA H100.

Поэтому корректное описание — перенос кода SFT на новую вычислительную платформу. Некорректно распространять недельный срок на подготовку данных, все стадии обучения, разработку оборудования или весь проект финансовой модели. Источник не даёт основания и для вывода, что компания полностью отказалась от GPU.

Такая точность нужна для оценки собственного проекта. Перенос одного ограниченного компонента и замена всей инфраструктуры требуют разных исходных данных и проверок. Успешный частный результат показывает возможность подхода в описанных условиях, но не задаёт срок для чужого приложения.

Agent ROI

Grok, ChatGPT, Gemini, Claude
и Perplexity — по одной подписке

Используйте эти модели
в Agent ROI.

Подписку можно оплатить в рублях.

Что известно о проверке работоспособности

Компания заявляет, что обучение перенесённым кодом достигло практически пригодной скорости, сопоставимой с GPU-средой. Это свидетельство самой PFN о полученном результате. Численного коэффициента ускорения, единой таблицы затрат и независимого воспроизведения именно этого переноса в приведённом описании нет.

Факт запуска программы, совпадение результатов и удобство её дальнейшего сопровождения — разные критерии. По одному времени переноса нельзя оценить все три. Также нельзя посчитать экономию без данных о ручной работе, стоимости вычислений и последующих исправлениях.

Для читателя полезно сохранить это разделение в формулировке задачи: сначала определить, что считается завершённым переносом, затем оценивать, сколько времени он занял. Иначе быстрый запуск может скрыть незакрытую проверку точности или зависимости, которые понадобятся при следующем обновлении.

Как применить идею к ограниченной задаче разработки

Следующий порядок предложен редакцией; PFN не описывает его как свой опубликованный пошаговый процесс. Представим внутренний скрипт, который нужно запустить в другой среде. Начинать удобнее с одного модуля и заранее известных входов, а не с переписывания приложения целиком.

Перед работой подготовьте исходный код, описание среды и результаты, с которыми можно сравнить новую версию. Затем разделите приёмку:

  • Поведение. На одних и тех же входах программа выдаёт ожидаемый результат, включая ошибки и граничные случаи.
  • Выполнение. Программа работает в нужной среде с зафиксированными версиями зависимостей.
  • Ресурсы. Время и расход памяти измерены одинаковым способом; быстрый ответ агента не считается замером программы.
  • Сопровождение. Человек понимает изменения, умеет повторить запуск и знает, как вернуться к исходной версии.

Агенту можно поручить предложить изменения и объяснить, какие предположения он сделал. Но утверждение агента «всё работает» проверяется выполнением программы и сопоставлением с эталоном. Если в распоряжении нет новой среды или тестовых данных, это остаётся незавершённой проверкой, даже когда код выглядит правдоподобно.

Для подготовки такой задачи подойдут промпты для ревью кода. Выберите один модуль, сохраните исходную версию и определите критерии приёмки до изменения. Именно ограниченный объём и проверяемый результат делают новость о переносе полезной для планирования; обещание повторить чужую неделю без этих условий из неё не следует.

Больше материалов по теме — в разделе «ИИ-агенты, автоматизация и разработка».