Китайская Lion-ER-35B-A3B отличает «выше на картинке» от «выше в комнате» — веса открыты
4 ноября лаборатория «Шицзышань» (狮子山, «Львиная гора») при Институте передовых технологий группы China Merchants выложила в открытый доступ Lion-ER-35B-A3B — визуально-языковую модель, которую учили не пересказывать картинку, а понимать, что в комнате где стоит и на какой стадии задача. 35 миллиардов параметров, смесь экспертов, на каждый токен включается около трёх. Но интереснее не размер: команда сначала расписала 39 конкретных навыков, а потом собирала под них данные, вместо того чтобы заливать в модель всё, что нашлось. На десяти публичных тестах для «воплощённого» ИИ все десять показателей выросли относительно базовой модели, средний балл — 65,29.
Такие модели — не чат, который описывает фотографию. Это попытка дать роботу глаза с мозгами: на вход идут кадры с камеры и текстовая задача, на выходе — ответ вроде «до ручки ещё далеко», «камера повернулась влево» или «этот ящик тот же, что и в прошлом кадре».
Три вещи, на которых спотыкается робот
Мир трёхмерный, кадр плоский. Из этого простого факта растёт большинство провалов. Смена точки обзора делает тот же шкаф непохожим на себя. Предмет, сдвинувшийся в кадре, мог никуда не двигаться — просто камера поехала. А «подъехал к суши-роллу» и «доехал до суши-ролла» на картинке отличаются парой сантиметров, и от этого зависит, хватать уже или ещё нет.
Самый наглядный пример — бутылка. На двух соседних кадрах с камеры манипулятора она сместилась вверх. Это может значить, что бутылку подняли, а может — что камера наклонилась вниз. Действия у робота будут прямо противоположные: тянуться выше или ниже.
Авторы релиза перечисляют ровно эти три класса ошибок: путаница из-за смены ракурса, неверная оценка движения камеры и неверная оценка прогресса задачи. Ни одна из них не про распознавание объектов. Все три — про пространство и время.
Сначала список навыков, потом данные
Логичный путь — набрать побольше роботных датасетов. В лаборатории пошли от обратного и прямо пишут: больше данных не равно больше умений. Известный результат — даже перераспределение весов между доменами внутри одного и того же набора заметно меняет качество на прикладных задачах.
Поэтому первым делом нарисовали чертёж способностей. Восемь крупных областей: объекты, пространство, время, физика, возможности предмета (что с ним вообще можно сделать), задача, социальный контекст, доказательства. Внутри — 39 навыков второго уровня. Отдельно для каждого примера фиксируют, каким способом модель должна рассуждать, что подаётся на вход и в каком виде нужен ответ.
Дальше — «компиляция способностей»: абстрактное требование превращают в конкретную задачу. Сколько нужно ракурсов, что должно быть видно, какой задать вопрос, чем подтверждается ответ. Если в кадре не хватает данных, чтобы ответить честно, задача в обучение не идёт. Гадание примером не считается.
Ответы проверяют тремя пучками инструментов. Чистка старых данных: порядок кадров, к чему относится «это», совпадают ли варианты ответа и ключ. Геометрические задачи — там, где есть надёжная поза камеры и глубина: ответ считается из геометрии сцены, а не придумывается. И достройка синтетикой там, где наблюдений мало, но сгенерированный ответ никогда не становится истиной сам по себе, его перепроверяют отдельно.
Итоговый набор для дообучения — 312 380 примеров. Бюджет обучения делили по нужным навыкам, а не по тому, из какого датасета пришло больше строк.
Второй контур — Eval-Driven Data Harness, то есть оценка как начало следующего круга данных. Каждая ошибка модели превращается в заявку на новые примеры: из пула в 31 источник и примерно 4,3 млн записей ищут материал с той же логикой рассуждения, но в другой обстановке. Пример из релиза: модель упорно считала «выше на картинке» равным «выше в комнате» — и в следующую итерацию добавили сцены с многоярусными полками, перекрытиями и перспективными искажениями.
Что показали тесты
Мерили в режиме avg@4: каждая задача решается четыре раза, берётся средняя. База для сравнения — Qwen3.6-35B-A3B, модель того же размера и той же архитектуры, но без роботного дообучения.
- Where2Place, куда можно поставить предмет: 64,28, плюс 9,30 к базе.
- ERQA, общий тест на воплощённое рассуждение: 64,38, плюс 6,19. В подкатегории про траектории — 68,18, плюс 12,12.
- SAT, пространственные отношения: 89,33.
- Средний равновзвешенный балл по десяти бенчмаркам — 65,29. Все десять выше базы.
Набор тестов в релизе непривычный: Where2Place, ERQA, SAT — узкие и молодые наборы, заточенные под роботные вопросы. Для пресс-релиза удобно, для сравнения с флагманами не очень.
Четыре задачи, где базовые модели плывут
В релизе разобраны четыре примера из открытых наборов, и они показательнее сводных баллов.
Первая — та самая бутылка. Два кадра с камеры на манипуляторе, бутылка уехала вверх по картинке, вопрос: куда повернулась камера? Базовая модель ответила верно один раз из четырёх, Qwen3.6-27B — ни разу, Lion-ER — четыре из четырёх: камера наклонилась вниз.
Вторая — выбор траектории. На кадре четыре цветных пути, задача — снять зарядку с удлинителя и перенести вправо. Обе базовые модели клюнули на длинную фиолетовую дугу, которая красиво уходит к цели, но зарядки не касается вообще. Lion-ER перебрал варианты и выбрал оранжевый: сначала дотянуться, потом нести.
Третья — три снимка одной квартиры, картина с бабочкой видна только на третьем. Где она была относительно фотографа, когда снимали первый кадр? Обе базовые модели сказали «слева». Lion-ER сказал «сзади», и это верно: надо было собрать в голове планировку.
Четвёртая — прогресс. На видео робот должен положить суши-ролл в кастрюлю. Вопрос: шаг «подъехать к роллу» уже выполнен? База в трёх случаях из четырёх решила, что да, хотя манипулятор ещё только приближался.
Где подвох
Все цифры — из релиза самой лаборатории. Независимых прогонов пока нет, а avg@4 — это четыре попытки, для тонких различий маловато.
Главное другое: модель обгоняет свою базу, а не фронтир. Прямых сравнений с топовыми закрытыми моделями в релизе нет, кроме одной китайской модели того же семейства в разборе примеров.
И ещё: отвечать на вопросы про сцену и управлять манипулятором — разные инженерные задачи. Между «модель понимает, где ручка» и «робот её взял» лежит слой планирования, калибровки и безопасности, которого в релизе нет. Три миллиарда активных параметров для длинных сценариев — тоже скромно.
Хорошая новость в том, что веса открыты: Apache 2.0, BF16 Safetensors, работают через Transformers, vLLM и SGLang. Это уже не «посмотрите на демо», а «возьмите и проверьте».
Наши цифры: сколько идёт и сколько стоит картинка
Пока читал релиз, посчитал по нашей базе. «Модель понимает пространство» без цифр про скорость и цену звучит как пресс-релиз, а не как разговор.
За 30 дней, с 6 октября по 5 ноября 2026 года, на neuralspace.pro прошло 16 867 генераций картинок. 831 закончилась отказом, это 4,9%. И вот что интересно: 640 отказов из 831, почти восемь из десяти, — не таймауты и не поломки, а срабатывание контент-фильтров. Модель просто отказалась рисовать по описанию. Когда кажется, что сервис сломался, чаще всего сервис в порядке — упёрся фильтр.
По дешёвым моделям за те же 30 дней: z-image — 187 завершённых генераций, медиана 13 секунд, 95-й процентиль 215 секунд, средняя себестоимость $0,0040 (около 0,35 ₽) за картинку. nano-banana — 695 генераций, медиана 23 секунды, p95 162 секунды, $0,0200 (1,75 ₽). seedream-45 — 1 119 генераций, медиана 59 секунд, p95 169 секунд, $0,0325 (2,85 ₽). Восьмикратная разница в цене и четырёх-пятикратная в медиане — ровно тот случай, когда черновик и раскадровку дешевле гонять на младшей модели.
Что с этим делать
Веса лежат на Hugging Face (cmriat/lion-ER-35B-A3B), карточка обещает дообучение под свои сцены: цех, склад, лабораторный стол. Если хочется посмотреть на подобные модели без своей видеокарты, есть чат и раздел «Видео», а картинки генерируются в «Картинках».
Источник: 量子位 (QbitAI), 4 ноября 2026 и карточка модели на Hugging Face.