Writer построила Palmyra X6 на базе GLM-5.2 и обещает удешевить работу агентов на 52%

Palmyra X6 не обучали с нуля: отправной точкой стала открытая модель GLM-5.2 от китайской Z.ai, ранее известной как Zhipu AI. Writer сохранила исходную архитектуру mixture-of-experts: модель содержит 744 млрд параметров, но для обработки каждого токена активирует примерно 40 млрд. Затем компания провела собственное дообучение и позиционирует результат как модель семейства Palmyra, предназначенную для корпоративных агентов.

Подход показывает, как разработчики прикладных моделей могут использовать открытые веса вместо многомиллиардного базового обучения. В техническом описании Writer упоминаются всего 626 специально подготовленных обучающих примеров — консервативный набор для посттренинга модели такого масштаба. Это не означает, что 626 примеров создали все способности X6: большая часть базовых знаний и архитектурных возможностей унаследована от GLM-5.2, а собственная работа Writer адаптировала их к нужному поведению и агентным сценариям.

Происхождение основы делает релиз чувствительным для американского корпоративного рынка. Writer подчёркивает, что Palmyra X6 не подключена к разработчикам исходной модели и полностью исполняется на инфраструктуре компании в США. Такая изоляция отвечает на часть вопросов о размещении данных и эксплуатации, но заказчикам всё равно придётся самостоятельно оценивать происхождение весов, условия лицензирования, цепочку поставки и соответствие внутренним требованиям безопасности.

Главная ставка релиза связана не с размером модели, а с экономикой агентов. В отличие от чат-бота, агент может многократно планировать действия, обращаться к поиску и корпоративным системам, проверять результаты и повторять неудачные шаги. Пользователь получает один итоговый ответ, тогда как тарифицируется вся скрытая последовательность вызовов. Поэтому Writer обновила не только модель, но и orchestration harness, а также добавила инструменты управления, призванные дать ИТ-командам контроль над быстро растущим потреблением токенов.

Масштаб проблемы иллюстрирует прогноз Goldman Sachs: с 2026 по 2030 год ежемесячное потребление может вырасти в 24 раза, до 120 квадриллионов токенов, прежде всего из-за постоянно работающих корпоративных агентов. Снижение цены отдельного токена само по себе не гарантирует меньший счёт: если задача расходует в 20 раз больше токенов, а цена падает на 75%, итоговые расходы всё равно увеличиваются пятикратно. На этом фоне показатели Writer — 52% экономии, 48% прироста скорости и 10% качества — важны, но пока остаются заявленными компанией средними значениями и требуют проверки на конкретных рабочих процессах.