--- service: "Publicasta" schema_version: "1.0" article_id: 327 title: "Needle 2 приближает 14 МБ action model к роботам — и повышает планку безопасности" language: "ru" default_language: "en" canonical_url: "https://publicasta.com/robots/needle2_14mb_action_model_robots_2026_08_15?lang=ru" json_url: "https://publicasta.com/robots/needle2_14mb_action_model_robots_2026_08_15.json?lang=ru" api_url: "https://publicasta.com/api/public/v1/channels/robots/articles/needle2_14mb_action_model_robots_2026_08_15?lang=ru" channel_url: "https://publicasta.com/api/public/v1/channels/robots" channel_articles: "https://publicasta.com/api/public/v1/channels/robots/articles" search_url: "https://publicasta.com/api/public/v1/search" documentation_url: "https://publicasta.com/api-docs#reading-publicasta" openapi_url: "https://publicasta.com/api-docs/openapi.json" published_at: "2026-08-15T07:49:44+00:00" updated_at: "2026-08-15T07:49:44+00:00" translations: - language: "ar" html_url: "https://publicasta.com/robots/needle2_14mb_action_model_robots_2026_08_15?lang=ar" markdown_url: "https://publicasta.com/robots/needle2_14mb_action_model_robots_2026_08_15.md?lang=ar" json_url: "https://publicasta.com/robots/needle2_14mb_action_model_robots_2026_08_15.json?lang=ar" - language: "de" html_url: "https://publicasta.com/robots/needle2_14mb_action_model_robots_2026_08_15?lang=de" markdown_url: "https://publicasta.com/robots/needle2_14mb_action_model_robots_2026_08_15.md?lang=de" json_url: "https://publicasta.com/robots/needle2_14mb_action_model_robots_2026_08_15.json?lang=de" - language: "en" html_url: "https://publicasta.com/robots/needle2_14mb_action_model_robots_2026_08_15?lang=en" markdown_url: "https://publicasta.com/robots/needle2_14mb_action_model_robots_2026_08_15.md?lang=en" json_url: "https://publicasta.com/robots/needle2_14mb_action_model_robots_2026_08_15.json?lang=en" - language: "es" html_url: "https://publicasta.com/robots/needle2_14mb_action_model_robots_2026_08_15?lang=es" markdown_url: "https://publicasta.com/robots/needle2_14mb_action_model_robots_2026_08_15.md?lang=es" json_url: "https://publicasta.com/robots/needle2_14mb_action_model_robots_2026_08_15.json?lang=es" - language: "fr" html_url: "https://publicasta.com/robots/needle2_14mb_action_model_robots_2026_08_15?lang=fr" markdown_url: "https://publicasta.com/robots/needle2_14mb_action_model_robots_2026_08_15.md?lang=fr" json_url: "https://publicasta.com/robots/needle2_14mb_action_model_robots_2026_08_15.json?lang=fr" - language: "pl" html_url: "https://publicasta.com/robots/needle2_14mb_action_model_robots_2026_08_15?lang=pl" markdown_url: "https://publicasta.com/robots/needle2_14mb_action_model_robots_2026_08_15.md?lang=pl" json_url: "https://publicasta.com/robots/needle2_14mb_action_model_robots_2026_08_15.json?lang=pl" - language: "ru" html_url: "https://publicasta.com/robots/needle2_14mb_action_model_robots_2026_08_15?lang=ru" markdown_url: "https://publicasta.com/robots/needle2_14mb_action_model_robots_2026_08_15.md?lang=ru" json_url: "https://publicasta.com/robots/needle2_14mb_action_model_robots_2026_08_15.json?lang=ru" - language: "zh" html_url: "https://publicasta.com/robots/needle2_14mb_action_model_robots_2026_08_15?lang=zh" markdown_url: "https://publicasta.com/robots/needle2_14mb_action_model_robots_2026_08_15.md?lang=zh" json_url: "https://publicasta.com/robots/needle2_14mb_action_model_robots_2026_08_15.json?lang=zh" --- # Needle 2 приближает 14 МБ action model к роботам — и повышает планку безопасности > Крошечная tool-calling модель Cactus обещает быстрый локальный контроль устройств, но физическим роботам нужны отказы, политики и подтверждения не меньше, чем скорость. Релиз Needle 2 от Cactus Compute легко принять за очередную новость о маленькой языковой модели. Для канала о роботах важнее другое: компания описывает Needle 2 как открытую 45-миллионную модель для вызова инструментов, управления устройствами и структурированного извлечения данных, упакованную в один бинарник размером 14 МБ с примерно 28 МБ оперативной памяти на сессию. На странице запуска прямо названы телефоны, носимые устройства, умный дом, Raspberry Pi, новые микроконтроллеры и малые роботы. То есть модель адресована машинам, которым нужно превращать человеческую команду в действие без постоянного обращения к облаку. ![Локальный AI-хаб управляет домашним роботом, телефоном, носимым устройством и инструментами умного дома без облака](https://publicasta.com/storage/projects/11/pages/327/2026/08/c9600b61-707f-4ae3-aa45-25de76d984ba.webp) Главный вопрос не в том, сможет ли модель на 45 млн параметров разговаривать как большой ассистент. Не сможет, да ей это и не нужно. Роботу часто требуется более узкий навык: сопоставить “приглуши свет в коридоре”, “открой захват наполовину”, “запиши показание датчика” или “перед открытием двери спроси подтверждение” с безопасным вызовом функции. Needle 2 показывает более широкий сдвиг от универсальных чат-ботов к локальным action models. Такой слой может сделать роботов быстрее, дешевле и приватнее, но он же переносит ошибку модели из текста в физический мир. ## Что заявляет Cactus Официальная страница Cactus называет Needle 2 моделью для tool calling, device use и structured extraction. По описанию, она построена на Simple Attention Network, сжата Cactus Quants до CQ2-bit и поставляется вместе с собственным движком. Заявленные числа маленькие по меркам нынешнего AI: 45 млн параметров, бинарник 14 МБ, около 28 МБ пикового RAM на сессию, примерно 500 токенов в секунду на Raspberry Pi 5, 400–1500 токенов в секунду на VR-устройствах вроде Meta Quest 3S и Apple Vision Pro, 300–700 токенов в секунду на некоторых телефонах дешевле 200 долларов. Эти цифры стоит считать заявлениями вендора, пока независимые тесты не повторят их на разных устройствах, схемах инструментов и реальных задачах. Но сам целевой формат важен. Репозиторий `cactus-compute/needle` описывает проект как 14-мегабайтную foundation model для крошечных устройств: телефонов, носимой электроники, умного дома и роботов. Репозиторий `cactus-compute/cactus` описывает runtime, квантование, ядра и inference для мобильных устройств, носимой электроники, умного дома и роботов. Hugging Face показывает `Cactus-Compute/needle2` с тегами tool-calling, function-calling, on-device, edge, quantization и WebAssembly, а также связкой с arXiv:2607.18363. Это уже не просто слайд о будущем железе, а кодовая база и модель, которую разработчики смотрят как возможный edge-слой. ## Зачем роботам такой слой Большинству роботов не нужен энциклопедический собеседник внутри управляющего контура. Домашнему роботу, инспекционному роверу, носимому ассистенту или контроллеру умного дома нужен компактный переводчик между человеком, сенсорами и исполнительными механизмами. Классические парсеры намерений и деревья правил хороши, пока команды предсказуемы. Большие облачные модели хороши, пока допустимы задержка, передача бытовых данных наружу, зависимость от сети и стоимость inference. Между ними остаётся огромный класс устройств: они должны работать быстро, локально и дёшево, а пространство команд шире фиксированного меню. Именно здесь малые модели для вызова функций становятся интересными. Они могут переводить естественный язык в структурированные команды, вытаскивать параметры из неаккуратной речи и отказываться от нерелевантных запросов, если обучение и ограничения сделаны правильно. Роборуке не нужно писать эссе перед движением; ей нужно выбрать разрешённое действие, заполнить расстояние или объект и понять, когда команда неоднозначна. Домашнему контроллеру не нужно рассуждать о мире перед изменением термостата; ему нужно отличить температуру от света, безопасности, музыки и ситуации, где лучше ничего не делать. ## Почему обсуждение на Hacker News попало в нерв Ветка Show HN по Needle2 собрала сильный интерес разработчиков: сотни голосов и длинное техническое обсуждение. Это полезный сигнал внимания, но не доказательство качества. В той же дискуссии быстро всплыла трудная часть: пользователи показывали примеры, где веб-демо выбирало сомнительные или бессмысленные инструменты, включая обсуждение `lock_door` на нерелевантный ввод и путаницу с фразами вроде “сделай как можно темнее”. Отдельные сбои демо не доказывают непригодность модели. Игровая схема инструментов, отсутствие production-ограничений или другая конфигурация могли сильно повлиять на результат. Но предупреждение точное. У чат-бота плохой выбор инструмента обычно означает неловкий ответ или неудачный API-запрос. У робота плохой выбор инструмента может двинуть захват, нагреть комнату, открыть замок, запустить мотор или выключить сигнализацию. Tool calling перестаёт быть просто красивым JSON, когда инструмент управляет средой. Способность модели вернуть структурированный вызов — начало проблемы безопасности, а не её решение. ## Структурированный вывод помогает, но не решает смысл Разработчики защищают вызов инструментов схемами, грамматиками и constrained decoding. Это полезно: так проще запретить битый JSON, ограничить типы параметров, перечислить допустимые имена функций и валидировать ответ. Но схема сама не решает, должен ли запрос вообще приводить к действию. Если команда нерелевантна, злонамеренна, неоднозначна или лишена контекста, безопасным ответом может быть пустое действие, уточняющий вопрос или эскалация к более крупной модели либо человеку. Для робототехники это принципиально. Грамматика заставит `tool_name` быть одним из пяти вариантов, но не гарантирует, что “тут слишком светло” означает именно приглушение ламп, а не закрытие жалюзи, движение робота, изменение яркости дисплея или отсутствие действия. Валидатор параметров отклонит опасную температуру, но не поймёт, имеет ли ребёнок рядом с колонкой право открыть дверь. Локальной action-модели нужен слой политик: whitelist инструментов, классы риска, пороги уверенности, идентичность пользователя, состояние устройства, rate limits и явное подтверждение опасных действий. ## Локальность действительно полезна Аргументы за 14-мегабайтную модель на устройстве сильны. Голосовые команды и бытовой контекст остаются дома, а не уходят на сервер. Система продолжает работать без сети. Задержка снижается с облачного round trip до локального inference. Разработчик может собрать дешёвого робота без платы за каждый запрос. Носимое устройство или домашний помощник обрабатывает рутину без передачи семейных привычек наружу. Для образовательных роботов, ассистивных устройств и бюджетных инспекционных машин такая экономика может решить, появится продукт или нет. Локальный inference меняет и архитектуру надёжности. У робота может быть маленький интерпретатор команд рядом с контроллером, а крупные модели используются только для планирования, справки или спорных случаев. Если облако недоступно, устройство всё равно выполняет безопасный поднабор действий. Когда связь возвращается, сложные случаи и журналы можно анализировать. Гибридная схема выглядит реалистичнее, чем фантазия о том, что каждый робот либо несёт гигантскую модель на борту, либо полностью зависит от облака. ## Но локальность не заменяет безопасность Та же локальность делает ошибку более быстрой. Облачный сервис часто окружён аккаунтами, мониторингом, центральными обновлениями и серверными политиками. Крошечная локальная модель может оказаться в тысячах устройств с разными прошивками, схемами инструментов и владельцами. Если она уверенно сопоставит шум или постороннюю речь с действием, устройство может выполнить его раньше, чем вендор вообще увидит проблему. Если производитель поставит слабые схемы по умолчанию, множество продуктов унаследуют один и тот же риск. Поэтому безопасность робота нельзя переложить на размер модели или model card. Её нужно проектировать в продукте. Опасные инструменты требуют подтверждения. Security-действия должны быть отделены от бытового удобства. Модель должна уметь выбирать “нет действия”, и это поведение нужно поощрять. Журналы должны сохранять ввод, выбранный инструмент, параметры, сигнал уверенности и решение policy layer. Тесты должны включать бессмыслицу, отрицания, шутки, детскую речь, мультиязычные команды, фоновые медиа и противоречия сенсоров. Модель, хорошо вызывающая инструмент на аккуратных примерах, ещё не готова управлять дверью, нагревателем или движущейся рукой. ## Где Needle 2 находится среди альтернатив Needle 2 — не единственный путь к локальному пониманию команд. Классические intent-системы остаются привлекательными, когда пространство команд мало, а безопасность важнее гибкости. Более крупные локальные модели на телефонах и ПК рассуждают шире, но требуют больше памяти, энергии и инженерного контроля. Платформенные решения вроде on-device foundation models у Apple ведут к более богатому локальному AI на дорогом железе. Другие компактные модели для function calling и edge inference идут к той же точке сверху: больше параметров, больше возможностей, больше цена. Редакционная важность Needle 2 в том, что она давит снизу. Она спрашивает, сколько маршрутизации действий можно уместить в крошечный бинарник. Если ответ — “достаточно для безопасной рутины под строгими политиками”, это важный слой для роботов. Если ответ — “очень быстро, но слишком охотно вызывает инструменты”, релиз всё равно полезен: он показывает, какие тесты нужны отрасли. Нужно измерять не только токены в секунду и размер файла, но и частоту ложных действий, правильные отказы, точность параметров, восстановление после неоднозначности и поведение при ограниченном наборе инструментов. ## Что проверять дальше Самые полезные доказательства теперь — практические тесты на целевых устройствах. Raspberry Pi 5 важен, но разработчикам роботов нужны также Android-телефоны, дешёвые дисплеи умного дома, ESP32-класс там, где это реально, мосты Home Assistant, ROS-прототипы и носимые сценарии. Измерять нужно задержку от команды до решения, пиковую память, энергию и нагрев, а не только скорость декодирования. Схемы инструментов должны быть реалистичными: безопасные и опасные действия, не только погода или калькулятор. Тесты безопасности лучше делать публичными и повторяемыми. Дайте модели нерелевантный ввод, неоднозначные команды, отрицания, шутки, конфликтующий контекст и вредные формулировки. Проверьте, возвращает ли она “нет действия”. Проверьте, просит ли подтверждение перед замком, нагревом, движением и security-инструментами. Проверьте, ухудшается ли выбор при добавлении новых инструментов. Проверьте, как она переносит мультиязычную речь. Для физического устройства важнейшей метрикой может быть не смелость действия, а правильное молчание. ## Вывод для робототехники Needle 2 не стоит называть готовым мозгом робота. Гораздо точнее видеть в ней кандидат на маленький локальный reflex layer: модель рядом с сенсорами и актуаторами, которая переводит обычные команды в ограниченные, проверяемые, журналируемые действия. Именно такого слоя не хватает многим домашним роботам и умным устройствам. Он может сделать ассистента мгновенным, носимое устройство приватным, а малого робота — практичным без GPU. Цена удобства — дисциплина. Tool calling для роботов требует политик, симуляции, журналов, подтверждений и хорошего отказа. 14-мегабайтная модель, умеющая выбирать функцию, впечатляет. 14-мегабайтная модель, умеющая не выбирать функцию, когда действие опасно или непонятно, была бы ещё важнее. Ближайший прорыв в бытовой и малой полевой робототехнике может оказаться не гуманоидным корпусом и не гигантским облачным мозгом, а крошечной локальной моделью, окружённой достаточными инженерными ограничениями, чтобы машина нажимала правильную кнопку и оставляла опасные кнопки в покое. ## Источники Страница запуска Cactus Compute Needle 2 и материалы Cactus runtime; репозитории GitHub `cactus-compute/needle` и `cactus-compute/cactus`; страница модели Hugging Face `Cactus-Compute/needle2`; arXiv 2607.18363 о Simple Attention Networks; ветка Show HN использована только как сигнал реакции разработчиков и обсуждения failure modes.