Anthropic сообщила инвесторам, что Claude Mythos Preview выполнила программную работу по запуску prompt processing одной модели на AMD Instinct MI355X примерно за три дня и почти без участия человека. Ранее подобный процесс мог занимать 6–12 месяцев и требовать десятков инженеров. История важна для адаптации моделей к новым аппаратным платформам, но её часто преувеличивают.

В разборе Tom’s Hardware подчёркивается ограниченный объём: речь идёт о prefill — обработке prompt — на MI355X с пригодным уровнем производительности, а не о полном переносе обучения и production-инференса всей Claude. Mythos написала или адаптировала почти 100% необходимых ядер, но независимых сравнений скорости и стоимости с Nvidia это не даёт.

Что именно подтверждено

ПунктЧто известно
МодельClaude Mythos Preview
АппаратураAMD Instinct MI355X
Объём работыPrompt processing / prefill одной модели
СрокПримерно три дня
ВмешательствоПочти без участия человека
ЯдраПочти 100% необходимых ядер написаны или адаптированы моделью
Сравнение с NvidiaПубличного независимого сравнения производительности нет
Подтверждённая и неподтверждённая части истории

Почему перенос ядер так сложен

GPU-ядра — небольшие специализированные программы, которые выполняют вычисления на ускорителе. Их эффективность зависит от архитектуры, памяти, расписания и особенностей оборудования. Перенос с CUDA на другую платформу требует не просто перевода синтаксиса, а проверки численной точности, оптимизации доступа к памяти и тестирования всего пути выполнения.

Если модель способна генерировать и проверять такие ядра, она снижает инженерный барьер новой платформы. Но успешный запуск одной стадии не доказывает оптимальность на всех размерах модели, batch и длинах контекста. Для production нужна ещё производительность, стабильность и поддержка экосистемы.

Что это значит для CUDA и AMD

Сильная сторона CUDA — не только GPU Nvidia, а накопленные библиотеки, оптимизация и привычная инфраструктура. Автоматическая генерация ядер может уменьшить преимущество этой экосистемы за счёт снижения стоимости портирования. Для AMD это важный способ ускорить появление рабочих моделей и инструментов.

Но конкуренция будет решаться на уровне всего стека: доступность GPU, цена, память, сеть, драйверы, библиотеки и поддержка. Контракт TensorWave и OpenAI показывает спрос на такую диверсификацию, а приобретение Taalas — специализацию аппаратного инференса. Подробнее — в TensorWave и 457 МВт AMD и приобретение Taalas.

Как проверить перенос на практике

  1. Зафиксируйте эталонную точность модели на исходной платформе.
  2. Проверьте отдельные ядра и полный inference, а не только запуск.
  3. Сравните одинаковую точность, batch, длину контекста и режим reasoning.
  4. Измерьте первый токен, токены в секунду, память и энергию.
  5. Проведите длительный тест стабильности и обработки ошибок.
  6. Посчитайте стоимость переноса и эксплуатации на полном цикле.
Оцени перенос модели на новую платформу.

Проверь отдельно:
— численную точность против эталона;
— полноту ядер и пути выполнения;
— время первого токена и скорость генерации;
— память, batch и длину контекста;
— стабильность длительного прогона;
— стоимость миграции и эксплуатации.
Не считай успешный запуск доказательством production-готовности.

Что это меняет для обычных команд

Автоматизация переноса может сделать выбор оборудования более гибким: вместо месяцев специализированной работы появляется короткий цикл генерации и проверки. Но команде всё равно нужны инженеры, эталонные тесты и независимая проверка производительности. Модель ускоряет работу, а не отменяет ответственность за production.

Для пользователей облачных моделей это означает больше потенциальных платформ и меньшую зависимость от одного поставщика. В СуперИнтеллекте сама модель выбирается из каталога, а альтернативы можно сравнивать по задачам и стоимости без миграции собственного production. Обзоры — в обзор Claude Fable 5.2 и сравнение Qwen и Kimi.

Prefill и decode: почему нельзя смешивать результаты

При обработке запроса можно условно выделить prefill, когда модель обрабатывает входной контекст, и decode, когда она последовательно создаёт ответ. Эти стадии по-разному используют вычисления и память. Оптимизация prefill особенно важна для длинного входа, но не доказывает такую же эффективность генерации каждого следующего токена.

СтадияОсновная работаЧто измерять
PrefillОбработка prompt и построение состояния контекстаВремя до первого токена на разной длине входа
DecodeПоследовательная генерация ответаТокены в секунду, задержку и память
Полный запросВсе стадии, инструменты и повторыВремя и стоимость принятого результата
Три уровня оценки переноса

Поэтому уточнение про prompt processing меняет смысл заголовка. Mythos помогла перенести важную часть пути, но для полного production необходимо проверить остальные ядра, коммуникации, планировщик и обработку ошибок. Даже если модель написала почти весь код, независимый инженер должен подтвердить численную точность и отсутствие скрытых регрессий.

Какие доказательства нужны после заявления

  • Перечень перенесённых операций и частей, которые остались на прежней платформе.
  • Сравнение выходов и численной точности с исходной реализацией на реальных размерах входа.
  • Производительность prefill и decode отдельно при разных batch и контекстах.
  • Длительный прогон с ошибками памяти, сети и драйверов, а не только успешный запуск.
  • Полная трудоёмкость: генерация, отладка, ревью, тесты и сопровождение человеком.
  • Воспроизводимость на другой модели, чтобы отделить единичный кейс от общего метода.

Формулировка «почти без человека» тоже требует методики. Важно знать, кто ставил задачу, выбирал тесты, принимал код и останавливал неправильные действия. Автоматизация может резко сократить рутину, но роль инженера перемещается к постановке ограничений и проверке результата.

Как применить урок в обычной разработке

Даже без GPU-ядер полезно разделять генерацию кода и доказательство его пригодности. Попросите модель написать перенос, затем независимо запустите тесты, сравните выход и оцените производительность. Для критичных участков используйте вторую модель как рецензента, но не считайте её голос заменой фактического прогона.

Частые вопросы

Claude полностью перешла на AMD?

Нет такого подтверждения. Известен перенос prompt processing одной модели на MI355X за примерно три дня. Полный production-инференс и обучение в этой истории не раскрываются.

Это доказывает превосходство AMD над Nvidia?

Нет. Это инженерный результат по адаптации, а не сравнительный тест производительности, стоимости и энергии. Для вывода нужен одинаковый benchmark на обеих платформах.

Почему Mythos называют Preview?

Это исследовательская конфигурация модели, а не обещание, что все возможности уже доступны как стабильный общий продукт. Условия и область результата важны.

Можно ли использовать такой перенос для своей модели?

Принцип применим, но требуется проверка ядер, точности, стабильности и стоимости. Автоматическая генерация ускоряет адаптацию, но не гарантирует готовность production.

Итог и источник

Mythos Preview показала потенциал ИИ для снижения стоимости адаптации моделей к новому оборудованию. Это важный сигнал для AMD и всей отрасли, но не доказательство полной миграции Claude или окончания преимущества CUDA. Основной источник: Tom’s Hardware.


Сравнивайте модели для своих задач в СуперИнтеллекте — Claude, GPT, Gemini, Kimi и Qwen, ПК-версия, 100 нейронов в месяц бесплатно и оплата картой РФ или по счёту.