Alisina NawabiAtria Dawn Preview verschijnt als open-weight onderzoeksagent van het Shanghai Artificial Intelligence Laboratory, gebouwd op een MoE-basismodel van 744 miljard parameters, zo blijkt uit de officiële modelkaart.
Voor een Nederlandse ondernemer verschuift de modelkeuze hier van alleen een API inkopen naar ook een agentmodel beheren: de gewichten kunnen binnen een eigen omgeving blijven, maar de infrastructuur- en beheertaak komt erbij.
Een agent voor lange taken
Shanghai AI Lab richt Atria Dawn op vier soorten werk: onderzoek doen, software en andere digitale artefacten maken, documenten opleveren en beveiligingstaken uitvoeren. Het model geeft antwoorden, gebruikt tools en voert code uit. Het controleert resultaten en gaat na fouten verder.
De officiële projectpagina beschrijft een weermodel dat meer dan 100 GB aan weerdata verwerkt, een netwerk met ruim 0,4 miljard parameters 45.000 stappen laat trainen en de weersverwachting voor de volgende week in minder dan een minuut maakt. Op dezelfde pagina staat een demo waarin Atria een MiniOS in twintig minuten bouwt. Dit zijn claims en demonstraties van de ontwikkelaar, geen onafhankelijke productmeting.
De paper achter de release geeft er een onderzoekslaag aan. De auteurs analyseren 769 taakrecords van 56 deelnemers en schrijven dat deelnemers ongeveer een derde van de voltooide AI-ondersteunde taken zonder AI onhaalbaar vonden. In de eigen benchmarktabel meldt Atria 92,5 op BrowseComp, 86,5 op CyberGym en 59,6 op SWE-bench Pro. De cijfers zijn vooral een startpunt voor testen, omdat de tabel uit de eigen evaluatie komt.
Open gewichten, zware basis
De download is daadwerkelijk beschikbaar. De hoofdrepository toont 1,51 TB aan bestanden, verdeeld over 353 safetensors-shards. De aparte FP8-variant staat op 756 GB. De repository vermeldt 753 miljard parameters als modelgrootte, terwijl de projectbeschrijving de GLM-5.2-basis op 744 miljard zet. Dat zijn twee labels voor dezelfde zeer zware modelklasse, niet een model dat je op een gewone laptop draait.
Het project publiceert code en gewichten onder de MIT-licentie en noemt SGLang vanaf versie 0.5.13.post1 en vLLM vanaf versie 0.23.0 voor lokale inzet. Er is ook een eigen API voor internationale en Chinese gebruikers. Hugging Face toont voor deze repositories geen externe inferenceprovider.
De rekensom verhuist
Voor een organisatie met gevoelige documenten kan self-hosting de gegevensstroom beperken: prompts en bestanden hoeven niet per taak naar een externe model-API. De keerzijde is concreet. Toegang, logs, updates, monitoring, GPU-capaciteit en herstel bij storingen worden onderdelen van de eigen operatie. De MIT-licentie maakt commercieel gebruik en aanpassing ruim mogelijk, maar neemt die technische verantwoordelijkheid niet over.
De beweging is ook niet uniek: Z.ai zette GLM-5.3-Flash met een kale MIT-licentie open, maar de keuze tussen een API en zelf draaien bleef bestaan. Bij Atria wordt die keuze scherper door de omvang. Open gewichten halen een model uit de gesloten distributieketen, maar ze maken infrastructuur onderdeel van de modelkeuze.
Voor kleinere teams ligt een gehoste route daardoor voor de hand als snelheid en beheer zwaarder wegen. Voor organisaties met een strikte datagrens kan de eigen omgeving interessanter zijn, zolang de GPU-rekening en het beheer passen bij de taak. De ontwikkeling laat zien dat een agent voor lange, controleerbare projecten tegelijk een softwarekeuze en een besluit is over waar het werk en de data draaien.
Veelgestelde vragen
Kies je eigen AI-omgeving
Ik help je van modelkeuze en architectuur tot een werkende toepassing, met self-hosting waar dat kan. Ik denk mee, ontwerp, bouw en automatiseer het hele traject.
Dit artikel is geproduceerd samen met het Agent Team. Meer over de redactie.
