Nous Research обучила кодера за 4 дня — пока все хвалят Claude Code
Стартап Nous Research выпустил открытую модель для программирования NousCoder-14B, которая конкурирует с крупными проприетарными системами. Обучение заняло всего 4 дня на 48 чипах Nvidia B200 — и команда опубликовала не только веса, но и весь инструментарий. Релиз произошёл в момент, когда все обсуждают Claude Code от Anthropic.
Показывает, что открытые модели для кодинга могут конкурировать с проприетарными гигантами — и тренироваться за считаные дни. Полная воспроизводимость меняет правила игры в AI-исследованиях.
Открытая альтернива в момент хайпа
Стартап Nous Research, которого финансирует крипто-фонд Paradigm, выпустил модель NousCoder-14B — открытый AI-ассистент для программирования. Модель показывает 67,87% точности на LiveCodeBench v6 (бенчмарк по задачам конкурентного программирования), что на 7,08 п.п. выше базовой Qwen3-14B от Alibaba.
Релиз пришёлся на момент, когда соцсети взорвались от восторгов по поводу Claude Code от Anthropic: разработчики публикуют истории, как инструмент за час воссоздал системы, над которыми команды работали год.
Четыре дня против двух лет человека
Модель обучил Джо Ли, бывший участник соревнований по программированию. Он сравнил прогресс модели со своим путём на платформе Codeforces: скачок с рейтинга ~1600 до ~2100 занял у него почти два года в подростковом возрасте. Модель прошла аналогичный путь за четыре дня на 48 чипах Nvidia B200.
Но есть нюанс: Ли решил около 1000 задач за два года, модель — 24 000. Люди пока в разы эффективнее учатся на примерах.
Радикальная открытость
Nous Research опубликовала не только веса модели, но и полную среду обучения с подкреплением, бенчмарки и фреймворк Atropos. Любой исследователь с достаточными мощностями может воспроизвести или улучшить результат.
Обучение использовало DAPO (Dynamic Sampling Policy Optimization) с «проверяемыми наградами»: модель пишет код, система запускает его на тестах, получает сигнал «верно/неверно». Для ускорения применили параллелизм через облачную платформу Modal и асинхронную тренировку.
Контекстное окно расширяли итеративно: сначала 32К токенов, затем 40К при обучении, а при оценке — до 80К, что дало лучший результат.
Ключевые выводы
- Модель NousCoder-14B обучена за 4 дня на 48 Nvidia B200, показала 67,87% на LiveCodeBench v6 — на 7 п.п. выше базовой Qwen3-14B
- Скачок производительности модели эквивалентен двум годам тренировок человека, но потребовал в 24 раза больше примеров (24 000 задач против ~1000)
- Nous Research опубликовала полный стек обучения (Atropos), веса и данные — любой может воспроизвести результат
- Релиз совпал с хайпом вокруг Claude Code от Anthropic, который за час воссоздаёт системы, разрабатываемые год
- Обучение использовало верифицируемые награды (прогон кода на тестах) и динамическую выборку, отсекая тривиальные примеры
Автор: michael.nunez@venturebeat.com (Michael Nuñez) · Источник: VentureBeat AI
МНЕНИЕ РЕДАКЦИИ: Nous Research сделала то, что обычно остаётся за кулисами: показала, как именно обучать кодера, сколько это стоит (48 B200 × 4 дня — грубо $50-100К облачных ресурсов) и что получится. Это не просто «мы запустили модель» — это открытый протокол для всех, кто хочет повторить или улучшить.
Но тайминг неслучаен. Anthropic захватила повестку с Claude Code, и Nous явно хочет напомнить: есть путь без чёрных ящиков. Вопрос в том, достаточно ли 67,87% на бенчмарках, чтобы конкурировать с живым опытом «оно написало за час то, над чем я год ковырялся». Бенчмарки — это одно, а ощущение магии пользователя — совсем другое. Пока что открытые модели догоняют, но момент, когда они обгонят, кажется не за горами.
А ВОТ ПРОТИВ: 67% на LiveCodeBench — это круто для открытой модели, но в реальной работе разработчик не решает олимпиадные задачи. Claude Code впечатляет не бенчмарками, а тем, что понимает расплывчатое описание бизнес-логики и генерирует рабочую систему. Nous отлично потренировала модель на верифицируемых задачах, но до «напиши мне CRM за час» ещё пропасть — а именно там сейчас реальная ценность. Открытость инструментария важна для науки, но для продуктовой конкуренции нужна не воспроизводимость, а результат на столе пользователя.
Комментарии