dots3-note gjør åpen multimodal agent-AI mer realistisk

# dots3-note gjør åpen multimodal agent-AI mer realistisk

Dots studio har sluppet dots3-note Preview på Hugging Face. Det er en åpen multimodal Mixture-of-Experts-modell med 280 milliarder totale parametere, 16 milliarder aktive parametere per token og støtte for opptil 512K tokens kontekst. Den tar tekst, bilder, video og lyd inn, men svarer med tekst. Vektene og modellkoden er publisert under Apache 2.0.

Dette er ikke en liten modell for en laptop. Det er heller ikke bare enda en åpen chatmodell med pene benchmarkbilder. Den praktiske nyheten er kombinasjonen: multimodal input, lang kontekst, relativt lav aktiv parameterbruk og eksplisitt agentretning. For virksomheter som bygger Company Brain, dokument-AI, analyseagenter eller interne søkeagenter, flytter dette diskusjonen fra «kan åpne modeller følge med?» til «hvilke arbeidslaster kan vi faktisk eie selv?».

Hva som faktisk er nytt

Model cardet beskriver dots3-note Preview som første åpne modell i dots3-familien. Arkitekturen er en multimodal MoE med 1 tett lag og 45 MoE-lag, 256 routede eksperter pluss én delt ekspert, top-8 routing, 13 DSA-lag og 33 SWA-lag. Vision encoder er også MoE-basert, med 7B totale og 1,2B aktive parametere. Audio encoder er oppgitt til 800M.

Det mest lederrelevante er ikke alle disse tallene i seg selv. Det er hva de peker mot: leverandørene prøver å gjøre store agentmodeller billigere å kjøre ved å aktivere bare en del av modellen for hver forespørsel. 280B høres massivt ut, men 16B aktive parametere gjør regnestykket mer interessant for bedrifter med egne GPU-noder, sensitive data eller strenge krav til datalokalitet.

Modellen kommer også i en FP8-variant. Dots studio anbefaler å servere FP8-checkpointet på én 8-GPU-node med SGLang eller vLLM. BF16 krever mer minne. Det er fortsatt tung infrastruktur, men det er en helt annen samtale enn en lukket frontier-API der man ikke kontrollerer verken runtime, logging, modellversjon eller styringsflate.

Hvorfor dette betyr noe for agenter

Agentarbeid er ikke bare «svar på et spørsmål». En reell agent må lese, se, lytte, holde på lang kontekst, spørre oppklarende, bruke verktøy og bygge en strukturert forståelse over tid. Det er nettopp der åpne modeller ofte har falt igjennom: de kan være gode på enkeltoppgaver, men svake på lange løp med skiftende brukerintensjon og mye sideinformasjon.

Dots3-note treffer derfor et viktig hull i markedet. Den støtter tekst, bilde, video og lyd inn i samme modell, og den er eksplisitt posisjonert for komplekse reasoning- og agentoppgaver. Det betyr ikke at den automatisk slår Claude, GPT, Gemini eller Grok i produksjon. Det betyr at åpne miljøer nå angriper den samme klassen arbeidslaster som tidligere nesten utelukkende lå hos de lukkede labene.

For CIO og CISO er dette særlig interessant i tre scenarier. Først: dokument- og prosessforståelse der data ikke bør sendes ut av egen kontroll. Deretter: multimodale interne assistenter som må forstå skjermbilder, lydnotater, møtedokumenter og lange saksmapper sammen. Til slutt: agentorkestrering der man ønsker et eget eval- og runtime-regime fremfor å stole blindt på en ekstern modellruter.

Men ikke kjøp benchmarken som strategi

Dots studio viser benchmarkbilder for generell reasoning, agentoppgaver og multimodal forståelse. Det er nyttig som signal, men ikke nok som beslutningsgrunnlag. Det mest nøkterne funnet rundt samme lanseringsmiljø er egentlig VibeSearchBench: 200 tospråklige long-horizon søkeoppgaver med persona, progressiv behovsavklaring og kunnskapsgraf-evaluering. Der er beste rapporterte Triplet F1 bare 30,3, selv for sterke frontier-modeller i OpenClaw-oppsett.

Det er en kald dusj, og en nyttig en. Den sier at lange søke- og analyseagenter fortsatt er svake når brukeren ikke vet nøyaktig hva han vil ha fra start. I virkelige bedrifter er det normalen, ikke unntaket. En ansatt spør vagt, agenten må grave, foreslå delspor, tolke nye begrensninger og lande en strukturert konklusjon. Standard single-turn benchmarks måler for lite av dette.

Derfor bør dots3-note vurderes som et strategisk nytt alternativ, ikke som en ferdig garanti. Riktig spørsmål er ikke «er den best?». Riktig spørsmål er: kan den gi lavere kost, mer kontroll og bedre datastyring på bestemte interne arbeidslaster, etter at vi har testet den mot egne saker?

Lederkonsekvensen

Denne lanseringen forsterker en trend: AI-strategi blir mer porteføljestyring enn modellvalg. Noen oppgaver bør ligge hos frontier-API-er fordi kvalitet, verktøyintegrasjon og sikkerhetsteamet bak modellen veier tyngst. Andre oppgaver bør flyttes til åpne eller selvhostede modeller fordi volum, datakrav og styring betyr mer enn siste prosentpoeng på en generell indeks.

Med dots3-note får CTO og CIO et nytt datapunkt i «egen modellstack»-kolonnen. 512K kontekst, multimodal input og Apache 2.0 gjør den relevant for tung intern kunnskapsbruk. FP8 og støtte i vLLM/SGLang peker mot praktisk drift for team som allerede har GPU-kompetanse. Samtidig viser kravet om 8-GPU-node at dette ikke er en gratis snarvei. Kostnaden flyttes fra API-faktura til infrastruktur, MLOps, observability, sikkerhet og eval.

Min anbefaling: ikke bytt leverandørstrategi på en model card. Lag en liten, brutal evalpakke fra egne arbeidsprosesser. Bruk fem til ti representative multimodale saker: en lang kontrakt, et møtereferat med lyd, en supporthistorikk, en skjermdump-tung prosess og en analyseoppgave med uklart mål. Mål kvalitet, kost per fullført oppgave, tid, sporbarhet og feilmodus. Hvis dots3-note er god nok på disse, har virksomheten et reelt alternativ. Hvis ikke, har man i det minste lært hvor frontier-API-ene fortsatt er verdt prisen.

Kilder og medier

Primærkilde: dots studio / Hugging Face — https://huggingface.co/dots-studio/dots3-note-prev Støttekilde: VibeSearchBench paper og prosjektmateriale — https://huggingface.co/papers/2605.27882 Thumbnail: OpenAI Image 2 / hogby.ai