Nvidia выпустила Ising Calibration 1.5 — специализированную мультимодальную модель для анализа графиков калибровки квантовых процессоров. Для массового рынка это новость из узкой ниши, но для лабораторий и команд, которые автоматизируют работу с QPU, сигнал понятный: ИИ все активнее забирает на себя не чат-боты, а дорогую инженерную рутину.
Новая версия построена на Gemma 4 31B и стала компактнее апрельской Ising Calibration 1 на 35 млрд параметров. Модель доступна в Preview API и в каталоге NVIDIA NGC с 20 июля 2026 года.
Модель заточили под чтение квантовых графиков
Ising Calibration 1.5 не «калибрует квантовый компьютер сама по себе» в магическом смысле. Она анализирует изображения экспериментальных графиков и текстовые подсказки, а затем выдает структурированное техническое описание: что произошло в эксперименте, насколько значим результат, хороша ли аппроксимация, какие параметры удалось извлечь и прошел ли эксперимент успешно.
Иными словами, это VLM не общего назначения, а узкий инструмент под конкретный класс задач. Такой подход сейчас выглядит куда практичнее очередной попытки сделать одну модель «для всего»: цена ошибки в квантовых экспериментах слишком высока, чтобы полагаться на универсальный ИИ без доменной настройки.
Цифры у 1.5 скромнее, чем в исходном тексте, но правдоподобнее
В исходной версии статьи были перепутаны метрики. По официальной карточке модели, Ising Calibration 1.5 набирает 74,5 балла в zero-shot на QCalEval против 68,8 у Gemma-4-31B-IT. В режиме мультимодального in-context learning результат у обеих моделей одинаковый — 81,2. То есть речь идет не о «86,68% превосходстве над предшественником», а о заметном улучшении относительно базовой Gemma в профильной задаче.
Сам бенчмарк QCalEval Nvidia описывает как первый набор тестов для понимания графиков квантовой калибровки. В нем 243 примера, 87 типов сценариев и 22 семейства экспериментов. Апрельская Ising Calibration 1, по данным Nvidia, в среднем опережала Gemini 3.1 Pro на 3,27%, Claude Opus 4.6 на 9,68% и GPT 5.4 на 14,5%, но эти цифры относятся именно к первой модели семейства, а не к версии 1.5.
Для рынка важнее не квантовый хайп, а автоматизация дорогих процессов
Для русскоязычной ИТ-аудитории здесь важна не столько сама квантовая тема, сколько модельный шаблон. Nvidia показывает, как узкоспециализированные VLM можно встраивать в инженерные цепочки, где на кону часы работы дорогого оборудования и время исследователей. Для университетских лабораторий, R&D-команд и интеграторов в России и СНГ это куда полезнее абстрактных разговоров о «революции ИИ»: если модель можно развернуть локально и встроить в собственный контур, меньше данных уходит наружу и проще соблюсти внутренние требования к инфраструктуре.
Следующий вопрос теперь не в том, может ли ИИ читать такие графики, а в том, насколько быстро подобные узкие модели доберутся до других дорогих научных и промышленных процессов.
Источники: официальная карточка модели Nvidia, технический блог Nvidia, статья QCalEval на arXiv.