Aller au contenu
ReviewRamble

La lettre hebdomadaire

L’IA, évaluée, dans votre boîte mail.

  • Les nouveaux tests d’outils, de modèles, de serveurs MCP et de dépôts, avec le verdict en premier
  • Les prix et les notes revérifiés quand quelque chose change
  • Les nouvelles analyses dès leur publication

Modèles, agents, serveurs MCP et les outils qui méritent vraiment votre temps.

Un e-mail par semaine. Désinscrivez-vous avec le lien présent dans chaque lettre. Comment nous utilisons votre e-mail

Maxwell-V1.0-Flash

Un mixture-of-experts de 35B à 3B actifs avec attention creuse par blocs, en tête de la recherche agentique selon ses propres tests ; l'éditeur reste anonyme.

Avis de ReviewRamble editors · Mis à jour

Visiter Maxwell-V1.0-Flash Open source

Partager cette page :XLinkedInFacebookRedditWhatsAppE-mail

Notre note

3.7/5

Selon les tests de ses auteurs, Maxwell est le meilleur modèle à 3B actifs pour la recherche agentique, mais tous les chiffres sont autodéclarés et la société qui le porte n'est pas nommée.

Qu’est-ce que Maxwell-V1.0-Flash ?

Maxwell-V1.0-Flash est un modèle de langage texte seul de type mixture-of-experts, avec 35 milliards de paramètres au total et 3 milliards actifs par token (hors embeddings dans les deux cas) et une fenêtre de contexte de 256K tokens. Il compte 45 couches : trois denses, puis 42 avec 256 experts routés, dont 12 actifs par token, plus 2 experts partagés. L'attention utilise Maxwell Block Sparse Attention, qui conserve 8 blocs de préfixe et 8 blocs locaux de 128 tokens et en choisit jusqu'à 16 autres grâce à un indexeur appris, ce qui plafonne l'attention principale à 4 096 tokens par groupe KV ; selon la fiche, le noyau est 6.7x plus rapide que l'attention dense à 256K.

Il a été pré-entraîné sur environ 26 000 milliards de tokens multilingues avec l'optimiseur Muon et un tokenizer conçu pour rester compact en thaï, lao, birman, khmer et shan, puis post-entraîné par fine-tuning supervisé, des branches distinctes d'apprentissage par renforcement pour les tâches générales, de raisonnement et agentiques, et une distillation multi-enseignants en un seul modèle. Les poids sont sous Apache 2.0. L'éditeur est la "Maxwell Team" ; la fiche du modèle, le rapport technique et le site ne nomment ni société, ni lieu, ni financeur.

Maxwell-V1.0-Flash vaut-il le coup ?

Les résultats phares sont agentiques. Dans le tableau post-entraînement, Maxwell obtient 76.30 sur BrowseComp contre 47.00 pour Qwen3.6-35B-A3B et 55.60 pour Muse Glimmer-30B, 83.30 sur DeepSearchQA et 58.65 sur Terminal-Bench contre 47.42 pour Qwen3.6. Sur SWE-Bench Verified, mesuré dans un harnais Claude Code, il devance de peu Qwen3.6, 65.40 contre 63.40. Sa moyenne sur six benchmarks de mathématiques est de 92.61 (mean@8), et il mène la moyenne en contexte long avec 76.94.

Il est moins bon pour suivre les consignes. Sur IFBench, il obtient 64.80 contre 83.20 pour Muse Glimmer et 79.10 pour Gemma 4 26B-A4B, et sa moyenne en suivi d'instructions est inférieure aux deux. Le modèle de base fait aussi moins bien que les modèles de base Qwen en chinois (CMMLU 79.41 contre 87.41), mais il mène trois des quatre benchmarks de base en langues d'Asie du Sud-Est, où le travail sur le tokenizer se voit.

Le hic : tous les scores viennent de l'évaluation interne de l'équipe, avec des réglages qu'elle a choisis (température 0.6, contextes de 32K à 256K et gestion du contexte activée pour les résultats de recherche marqués d'un astérisque), et aucun classement indépendant ne le recense encore. L'organisation derrière n'est pas identifiée : une liste de 76 auteurs, une adresse de contact et un site, mais ni société, ni pays, ni financement. Le faire tourner exige trust_remote_code, qui exécute le Python du dépôt sur votre machine, et une image vLLM personnalisée prévue pour le pilote NVIDIA 580 ou plus récent. Les safetensors contiennent environ 36.8 milliards de paramètres BF16, soit environ 74 Go, avant tout cache KV. La fiche indique en outre une base RoPE de 10,000,000 là où config.json donne 20,000,000, petit signe d'une publication précipitée.

L'adoption reste modeste : 215 j'aime et 1 052 téléchargements sur Hugging Face, et 4 437 pour une version GGUF tierce. Les poids sont sous Apache 2.0, la licence n'est donc pas l'obstacle ; la provenance et la vérification le sont.

Notre avis : Maxwell mérite un essai chez quiconque fait tourner des agents de recherche sur ses propres GPU, mesuré sur ses propres tâches face à Qwen3.6-35B-A3B ; pour tout usage réglementé, un éditeur sans nom et du code distant sont des raisons d'attendre des évaluations externes.

Là où il fait la différence

  • Un ingénieur ML dans un cabinet d'études de marché

    Faire tourner sur notre matériel un agent de recherche qui navigue et cite ses sources

    Servez le modèle avec l'image maxwellmodel/vllm-openai et le parseur d'appels d'outils qwen3, puis branchez-le à l'agent existant via l'API compatible OpenAI. Comparez-le à Qwen3.6-35B-A3B sur un jeu de vos anciennes questions de recherche avant de basculer.

  • Une développeuse qui crée un assistant de support pour des clients en thaï et en vietnamien

    Obtenir de bonnes réponses en langues d'Asie du Sud-Est sans payer de longs prompts

    Le tokenizer est le plus compact du tableau du rapport technique sur les textes d'Asie du Sud-Est, donc un même prompt consomme moins de tokens et de contexte. Vérifiez la qualité sur vos propres échanges, car les scores multilingues sont autodéclarés.

Avant de vous engager

Mise en route
Téléchargez les poids avec hf download, puis lancez vLLM depuis l'image Docker maxwellmodel/vllm-openai:v0.30.0 avec --trust-remote-code ; il faut le pilote NVIDIA 580 ou plus récent (CUDA 13.0), ou une option de compatibilité sur les pilotes plus anciens.
Intégrations
API de chat compatible OpenAI via vLLM, avec appels d'outils et un mode de réflexion activé par défaut ; une version GGUF communautaire existe sur Hugging Face.
Données et confidentialité
Tourne sur votre propre matériel sous Apache 2.0. Le chargement exécute le code de modèle personnalisé du dépôt. Le traitement des données du playground web n'est pas publié.
Coût à grande échelle
Poids gratuits ; environ 74 Go de poids BF16 avant le cache KV, soit un gros GPU de centre de données ou plusieurs plus petits. L'exemple du README utilise un tensor-parallel size de 1.
Limites
Texte seul ; benchmarks internes et en partie avec gestion du contexte ; identité et localisation de l'éditeur ainsi que la puissance de calcul d'entraînement ne sont pas publiées.

Les points forts

  • En tête de son tableau comparatif sur BrowseComp, DeepSearchQA et Terminal-Bench
  • 3B paramètres actifs avec attention creuse par blocs jusqu'à 256K
  • Tokenizer compact pour les langues d'Asie du Sud-Est
  • Poids Apache 2.0 avec un rapport technique de 38 pages

Les points faibles

  • Tous les benchmarks sont autodéclarés
  • La société et le pays de l'éditeur ne sont pas publiés
  • Exige trust_remote_code et une image vLLM personnalisée
  • Le suivi des consignes est en retrait sur Gemma 4 et Muse Glimmer

Idéal pour

Les équipes qui construisent des agents de recherche, peuvent héberger un modèle d'environ 74 Go et veulent tester une alternative à 3B actifs à Qwen3.6-35B-A3B.

Alternatives à Maxwell-V1.0-Flash

Maxwell-V1.0-Flash : questions fréquentes

Maxwell-V1.0-Flash vaut-il le coup ?
Selon les tests de ses auteurs, Maxwell est le meilleur modèle à 3B actifs pour la recherche agentique, mais tous les chiffres sont autodéclarés et la société qui le porte n'est pas nommée. Nous lui donnons 3.7 sur 5.
Combien coûte Maxwell-V1.0-Flash ?
Poids ouverts gratuits sous Apache 2.0. Un playground web est proposé ; aucune API payante ni aucun tarif publié.
Quels sont les inconvénients de Maxwell-V1.0-Flash ?
Tous les benchmarks sont autodéclarés; la société et le pays de l'éditeur ne sont pas publiés; exige trust_remote_code et une image vLLM personnalisée; le suivi des consignes est en retrait sur Gemma 4 et Muse Glimmer.
À qui s’adresse Maxwell-V1.0-Flash ?
Les équipes qui construisent des agents de recherche, peuvent héberger un modèle d'environ 74 Go et veulent tester une alternative à 3B actifs à Qwen3.6-35B-A3B.
Combien coûte Maxwell-V1.0-Flash pour une équipe ou en production ?
Poids gratuits ; environ 74 Go de poids BF16 avant le cache KV, soit un gros GPU de centre de données ou plusieurs plus petits. L'exemple du README utilise un tensor-parallel size de 1.
Maxwell-V1.0-Flash est-il sûr pour les données de l’entreprise ?
Tourne sur votre propre matériel sous Apache 2.0. Le chargement exécute le code de modèle personnalisé du dépôt. Le traitement des données du playground web n'est pas publié.
Quelles sont les meilleures alternatives à Maxwell-V1.0-Flash ?
Les alternatives les plus proches que nous avons testées sont Qwen3.6, Muse Glimmer et Gemma 4.

Réponses vérifiées le 18 nov. 2026.