Новости

Moonshot представила модель Kimi K2.6, а Qwen3.6-Max-Preview и Hermes Agent расширяют экосистемы ИИ‑агентов

Обновлено: 27 июня 2026 г.

Почему это важно

Появление open-weight моделей с упором на агентные сценарии и длинные автономные запуски может означать усиление конкуренции не только на уровне качества моделей, но и на уровне инфраструктуры и экосистем инструментов. Одновременное развитие моделей, бенчмарков и агентных фреймворков сигнализирует о смещении фокуса рынка от одиночных запросов к длительным многошаговым задачам и оркестрации агентов. Для компаний это укладывается в тренд ускоренной интеграции LLM в разработку и автоматизацию сложных рабочих процессов.

Moonshot представила Kimi K2.6, open-weight модель формата 1T-parameter MoE с 32B active parameters и 384 experts. Модель использует MLA attention, имеет 256K context window, поддерживает нативную мультимодальность и INT4 quantization. Заявлена интеграция «day-0» с платформами vLLM, OpenRouter, Cloudflare Workers AI и другими.

По представленным результатам бенчмарков модель показывает показатели HLE w/ tools 54.0, SWE-Bench Pro 58.6 и Math Vision w/ python 93.2. Также отмечены возможности для long-horizon execution, включая более 4,000 tool calls, 12+ hour continuous runs и 300 parallel sub-agents.

Одновременно Alibaba's Qwen3.6-Max-Preview продемонстрировала улучшения в agentic coding, world knowledge и instruction following. Среди упомянутых результатов, показатели на AIME 2026 #15 и позиция в Code Arena.

Экосистема Hermes Agent продолжает расти: проект превысил 100K GitHub stars и интегрируется с инструментами Ollama и Copilot CLI. В разработке используются подходы к мультиагентной оркестрации, включая stateless ephemeral units, LLM-driven replanning и dynamic context injection.

Ключевые факты

Moonshot представила open-weight модель Kimi K2.6 с архитектурой 1T-parameter MoE, 32B активных параметров, 384 экспертами, MLA attention и контекстным окном 256K, а также поддержкой INT4 quantization и нативной мультимодальности.
Kimi K2.6 заявлена с результатами на бенчмарках: HLE w/ tools, 54.0, SWE-Bench Pro, 58.6, Math Vision w/ python, 93.2.
Модель ориентирована на длительное агентное выполнение: более 4,000 tool calls, непрерывные запуски более 12+ hour и до 300 параллельных sub-agents.
Hermes Agent превысил 100K stars на GitHub и интегрируется с Ollama и Copilot CLI, развивая техники multi-agent orchestration, включая stateless ephemeral units, LLM-driven replanning и dynamic context injection.