Deep Cogito обучила семейство Cogito v1 на инфраструктуре Runpod на пути к ASI

Deep Cogito из Сан-Франциско обучила семейство открытых моделей Cogito v1 на инфраструктуре Runpod. Это GPU-облако, где вычисления арендуют, а не строят свой кластер. Линейка включает пять размеров, от 3 до 70 млрд параметров, а заявленная цель компании — искусственный сверхинтеллект (ASI). Историю опубликовал блог Runpod как кейс клиента, поэтому смотреть на неё стоит с поправкой на жанр.

Что известно о проекте

Публичный источник здесь один: пост в блоге Runpod. Фрагмент, который у нас есть, обрывается на словах о том, что Cogito v1 нацелена на искусственный сверхинтеллект. Количество GPU, типы ускорителей, длительность прогонов и стоимость обучения в нём не раскрыты. Без этих цифр оценить масштаб вычислений нельзя, и додумывать их было бы неправильно.

Из открытых материалов самой Deep Cogito картина шире. Компания вышла из тени в апреле 2025 года и представила Cogito v1 Preview. Модели не обучались с нуля: в основе лежат готовые чекпойнты Llama и Qwen, которые прошли дополнительное обучение по собственной методике.

Как устроена Cogito v1

Главная ставка Deep Cogito — IDA, итеративная дистилляция и усиление. Схема такая. Сначала модель тратит больше вычислений на рассуждение или поиск и получает ответ лучше, чем выдала бы сразу. Это усиление. Затем результат дистиллируется обратно в веса, и модель учится выдавать такой ответ без дополнительных затрат. Цикл повторяется. Идея в том, что улучшение зависит не от разметки людьми, а от вычислений, которые команда готова потратить.

Модели гибридные: они отвечают напрямую или включают режим рассуждения. Компания заявляла, что Cogito v1 обгоняет открытые модели того же размера, включая линейки Llama, DeepSeek и Qwen. Это её собственные утверждения. Независимой проверки в нашем материале нет.

Ключевые параметры семейства:

• Размеры: 3B, 8B, 14B, 32B и 70B параметров.
• Базовые модели: чекпойнты Llama и Qwen.
• Режимы работы: стандартный ответ и рассуждение (hybrid reasoning).
• Метод обучения: итеративная дистилляция и усиление (IDA).
• Инфраструктура: облако Runpod.
• Доступ: открытые веса.

Почему важен выбор Runpod

Кейс показывает типичный путь небольшой лаборатории. Собственный кластер из тысяч H100 требует сотен миллионов долларов и месяцев ожидания поставок. Аренда по часам позволяет запускать эксперименты сразу и останавливать их, когда метод не работает. Для IDA, где обучение построено на повторяющихся циклах, такая гибкость важна: объём вычислений на каждой итерации заранее не известен.

Это наша оценка, а не цитата из источника. Для Runpod, который конкурирует за клиентов с CoreWeave, Lambda и гиперскейлерами, такой кейс служит рекламой. Он говорит рынку, что на арендованных GPU можно обучать модели не только для прикладных задач, но и для заявок на передовой край.

Что проверить на практике

Команде, которая присматривается к Cogito v1 или к похожему пути, стоит проверить несколько вещей:

1. Прогнать модель нужного размера на собственных задачах. Рейтинги компании не заменяют тест на ваших данных, особенно в режиме рассуждения, где растёт и задержка, и стоимость токена. 2. Прочитать лицензии. Модели построены на Llama и Qwen, поэтому условия использования наследуются от базовых чекпойнтов. 3. Если планируете собственное дообучение на открытой базе, посчитайте экономику аренды GPU против покупки. Для экспериментов с неизвестным объёмом вычислений аренда обычно выигрывает. 4. Следить за тем, опубликует ли Deep Cogito технические детали: число GPU, стоимость прогонов, данные по IDA. Именно они покажут, воспроизводим ли подход за пределами этой команды.

Пока же есть заявка, рабочая линейка открытых моделей и облачный провайдер, который охотно об этом рассказывает. Для разговора об ASI этого мало, но как пример того, что небольшая команда может обучать конкурентные модели без собственного дата-центра, кейс годится.