DeepSeek предупредила разработчиков о «значительном» повышении цен на API в ближайшее время. Новые тарифы и дата перехода пока не объявлены.

Сейчас DeepSeek V4 Flash 0731 стоит всего:

Вход:  $0,14 за 1 млн токенов
Выход: $0,28 за 1 млн токенов

По расчётам Artificial Analysis, выполнение одной тестовой задачи обходится примерно в 3 цента - почти в 105 раз дешевле Claude Fable 5.

И этот демпинг сработал.

Новая версия стала самой быстрорастущей моделью Ollama самой быстрорастущей моделью Ollama по объёму токенов. Сервис уже расширяет мощности в США и Европе, чтобы выдержать нагрузку.

Получается классическая стратегия:

сначала - почти бесплатный доступ
потом - массовое распространение
затем - повышение цены

DeepSeek не раскрыла причину изменения тарифов. Но обслуживать огромный поток запросов по цене, установленной для захвата рынка, становится всё сложнее.

Особенно рискованно выбран момент. GPT-5.6 Luna и Muse Spark уже приблизились к V4 Flash по качеству, поэтому после повышения DeepSeek может потерять свой главный козырь - невероятное соотношение цены и возможностей.

Пока V4 Flash остаётся одним из самых выгодных API на рынке.

#DeepSeek #LLM #API #AI

Читать полностью…

⚡️ Google поняла, что голосовой поиск удвоит её дата-центры - и создала TPU

В начале 2010-х нейросети уже заметно улучшали распознавание речи и изображений. Но запускать их в масштабе Google на обычных процессорах было слишком дорого.

Джефф Дин сделал простую прикидку: если сотни миллионов людей будут разговаривать с Google хотя бы по три минуты в день, для обработки запросов компании может понадобиться примерно вдвое больше дата-центров.

И это только ради одной функции.

Стало ясно: нейросетям нужен не ещё один универсальный процессор, а специализированное железо.

Большая часть их вычислений сводилась к повторению сравнительно простых операций с матрицами. При этом модели нормально работали с пониженной точностью. Значит, можно было убрать лишнюю универсальность CPU и построить чип специально под машинное обучение.

Так появилась первая TPU - специализированная ASIC-плата для инференса нейросетей.

CPU: выполняет почти любые задачи
TPU: максимально быстро считает операции нейросетей

TPU v1 содержала матричный блок из 65 536 восьмибитных умножителей-накопителей и выдавала до 92 TOPS. По тестам Google, она была в 15–30 раз быстрее современных ей CPU и GPU, а по производительности на ватт превосходила их в 30–80 раз.

Чипы начали устанавливать в дата-центрах Google ещё в 2015 году. Позже они ускоряли Search, Translate, Photos, распознавание речи и даже AlphaGo.

TPU родилась не из желания сделать нейросети немного быстрее.

Google просто поняла, что без нового типа процессоров масштабировать ИИ будет экономически невозможно.

Полное интервью:
https://www.youtube.com/watch?v=ue9MWfvMylE

Читать полностью…

🔥 Cursor открыла исходники Mixture-of-Kittens - MoE-мегакернела, который ускорил обучение моделей на 41% без замены железа

В больших Mixture-of-Experts моделях GPU тратят огромные ресурсы не только на вычисления, но и на пересылку токенов между экспертами на разных чипах.

После оптимизации математики через MXFP8 именно передача данных стала главным узким местом. На некоторых нагрузках она занимала больше половины времени одного шага обучения.

Mixture-of-Kittens объединяет весь цикл в один CUDA-кернел:

- отправку токенов нужным экспертам;
- вычисления;
- сбор результатов;
- синхронизацию между GPU.

Передача токенов происходит параллельно с вычислениями.

Ещё одно важное изменение - модель перешла от push к pull: каждый чип сам забирает нужные ему токены. Это дало до 29% больше полезной пропускной способности NVLink и сократило задержки ожидания примерно в 5,8 раза.

Результаты Cursor на GB300 NVL72:

- до 2,37x быстрее на MXFP8 forward;
- до 1,78x быстрее на MXFP8 backward;
- на 512 GPU throughput вырос с 760,9 до 1 070,2 токена/с на GPU;
- общий прирост производительности в production составил около 41%.

Ускорение получили не за счёт новых видеокарт, а благодаря более умному расписанию движения данных.

На масштабе сотен GPU хороший кернел может оказаться выгоднее ещё одной стойки оборудования.

Проект опубликован под лицензией Apache 2.0.

https://x.com/Machinelearrn/status/2084926849763701040

Читать полностью…

Apple обвинила OpenAI в краже секретов и получила крайне неудобный ответ

Apple утверждает, что бывшие инженеры Chang Liu и Tang Tan передали OpenAI конфиденциальные данные о будущих устройствах. Компания потребовала судебный запрет, который должен ограничить использование спорной информации. OpenAI обвинения отрицает.

Теперь OpenAI опубликовала переписку, из которой следует: сотрудники Apple продолжали обращаться к Liu уже после его ухода.

Его просили:

- найти внутренние файлы;
- объяснить причины продуктовых решений;
- помочь с техническими вопросами;
- подсказать нужных сотрудников внутри компании.

В одном из сообщений сотрудник Apple написал:

> Конечно, я мог бы спросить нескольких людей, но ты лучший. Даже если ты здесь больше не работаешь.

Ещё страннее выглядит переписка юристов. Внешний адвокат Apple поблагодарил генерального юрисконсульта OpenAI за телефонный разговор, которого в действительности не было. Позже он признал ошибку и сообщил, что письмо предназначалось другому человеку.

Получается неудобная картина: Apple обвиняет бывшего инженера в работе с конфиденциальными данными, но её собственные сотрудники продолжали использовать его как удалённого эксперта уже после увольнения.

OpenAI считает это провалом offboarding-процесса Apple - доступы и рабочие связи с бывшим сотрудником должны были быть закрыты сразу.

Опубликованная переписка не опровергает все обвинения Apple и показывает позицию только одной стороны.

Но теперь компании придётся объяснять суду, почему её сотрудники продолжали запрашивать внутреннюю помощь у человека, которого она обвиняет в краже секретов.

Источник:
https://openai.com/index/apple-is-getting-this-wrong/

Читать полностью…

⚡️ Celeris-1 вышла на первое место по скорости генерации - около 2 086 токенов в секунду

По данным Artificial Analysis, это сейчас самый высокий показатель среди протестированных моделей. При этом Celeris-1 работает на обычных GPU, без специализированных ускорителей.

В собственном тесте Celeris на MMLU-Pro модель набрала 75,9%:

- GPT-5 mini - 78,5%
- GPT-5 - 81,9%

Но отвечала она примерно в 13-16 раз быстрее.

Секрет скорости - архитектура, которая снижает зависимость от последовательной генерации токен за токеном.

Важная оговорка: показатели качества и сравнение с GPT-5 получены самой Celeris, а reasoning budget у моделей был установлен в ноль. Однако независимый замер Artificial Analysis подтверждает главное - скорость выше 2 000 токенов в секунду уже стала реальностью.

Читать полностью…

⚡️ Y Combinator открыл исходники QM - мультиплеерного харнесса для управления компанией через ИИ-агентов

QM создавался внутри YC после экспериментов с десятками персональных агентов. В какой-то момент команда развернула более 50 Hermes-инстансов и столкнулась с очевидной проблемой: управлять таким флотом вручную слишком сложно.

В QM каждый сотрудник, канал и проект получает собственное изолированное пространство с памятью, файлами, разрешениями, секретами, cron-задачами и постоянной песочницей. Люди могут работать с агентами лично или совместно через Slack и веб-интерфейс.

Агенты умеют искать информацию в документах, почте, базах данных и внутренних заметках, создавать веб-приложения, работать с репозиториями, запускать тесты, открывать PR и следить за CI.

QM опубликован под лицензией MIT.

GitHub: https://github.com/yc-software/qm

Читать полностью…

⚡️ Qwen представила Qwen3.8-Max - модель на 2,4 трлн параметров для автономной разработки и рабочих агентов

По заявлению команды, модель способна вести длинные проекты почти без вмешательства человека: планировать работу, писать код, запускать инструменты, анализировать результат и исправлять ошибки по обратной связи.

Пример - oh-my-cli. Агент начал с пустой папки и развивал проект больше десяти дней, оставив полный журнал изменений в открытом GitHub-репозитории.

Qwen также заявляет о сотнях последовательных итераций при оптимизации чипов, долгосрочном планировании бизнес-стратегий и нативной работе с изображениями. Визуальные данные используются внутри цикла «планирование - выполнение - проверка», а не только как входной контекст.

Цена API:

- ввод - $2 за 1 млн токенов;
- вывод - $6;
- закешированный ввод - $0,25.

На следующей неделе компания обещает открыть веса Qwen3.8-Max и более компактной Qwen3.8-27B.

Если заявленные возможности подтвердятся на независимых тестах, Qwen получит редкую комбинацию: огромную агентную модель, мультимодальность и открытые веса.

Блог:
https://qwen.ai/blog?id=qwen3.8

Qwen Studio:
https://chat.qwen.ai/?models=qwen3.8-max

API:
https://qwencloud.com/models/qwen3.8-max

Автономный проект:
https://github.com/qwen-code-dev-bot/oh-my-cli

@ai_machinelearning_big_data

#qwen

Читать полностью…

⚡️ Opus 5 за два часа превратила абзац из «Властелина колец» в интерактивный 3D-мир

Андрей Карпати дал модели первый абзац книги, бюджет в 1 млн токенов - около $10 - и попросил создать сцену на Three.js.

Результат: 5500 строк кода, процедурная генерация объектов, расстановка моделей по координатам и анимация событий.

Местами всё выглядит криво. Но раньше никто не стал бы тратить дни на настолько узкую сцену. Теперь достаточно описать мир - и через пару часов получить рабочий прототип.

Пока слабое место моделей - проверка результата. Они не умеют полноценно смотреть видео и играть в собственные игры, поэтому анализируют скриншоты и пропускают ошибки.

https://x.com/Machinelearrn/status/2083859736387035332

@data_analysis_ml

Читать полностью…

⚡️ Thinking Machines Lab Миры Мурати выпустила Inkling-Small - открытую MoE-модель на 276 млрд параметров, которая активирует лишь 12 млрд на токен.

И эта «младшая» версия обошла Inkling с 41 млрд активных параметров:

— Terminal-Bench 2.1: 64,7% против 63,8%;
— HLE: 31,6% против 29,7%;
— SWE-Bench Verified: 80,2% против 77,6%.

Результат получили после on-policy-дистилляции от старшей модели и ещё двух недель RL на агентном программировании.

Inkling-Small поддерживает изображения и аудио, контекст до 1 млн токенов и регулируемую глубину рассуждений. Веса опубликованы полностью.

Похоже, у разработчиков мультимодальных агентов появился крайне эффективный открытый фундамент.

https://thinkingmachines.ai/news/inkling-small/

Читать полностью…

Фонд экс-исследователя OpenAI попал под удар собственной ставки на ИИ

Хедж-фонд Situational Awareness Леопольда Ашенбреннера, управляющий примерно $20 млрд, ищет дополнительный капитал после резкого падения акций, связанных с ИИ. По данным FT, фонд использовал заёмные средства, поэтому снижение рынка усилило потери.

Контраст впечатляющий: ещё на 30 июня 2026 года фонд сообщал инвесторам о доходности 439% после комиссий с начала года. Спустя несколько недель он начал обсуждать привлечение денег с инвесторами и кредиторами, а некоторым предложил выкупить активы из портфеля.

Новый капитал может понадобиться для покрытия залоговых требований, защиты от вынужденных продаж или покупки подешевевших активов. Сам Ашенбреннер считает нынешний обвал одной из лучших возможностей для входа в технологический сектор с начала 2025 года.

Стратегия фонда строится на глобальной ставке на компании, которые выиграют от роста ИИ: технологии, энергетика, дата-центры и инфраструктура. Но история вновь показывает цену плеча: оно одинаково быстро увеличивает и прибыль, и убытки.

Сначала +439%, затем срочный поиск капитала. Самая громкая ставка на ИИ проходит первую серьёзную проверку.

ft.com/content/280336bf-dbed-405f-b38e-5af644a21549

Читать полностью…

🚀 Tencent открыла AngelSpec - end-to-end фреймворк для speculative decoding

AngelSpec покрывает весь цикл: обучение драфтеров, оптимизацию и развёртывание ускоренного инференса.

На модели Hy3-A21B архитектура DFly показала:

- ускорение генерации в 1,98–2,40 раза по сравнению с авторегрессионным декодированием;
- стабильный прирост при конкурентности от 4 до 64 запросов;
- пропускную способность на 10,5–11,8% выше, чем у DFlash.

Опубликованы код обучения, документация и готовые веса MTP/DFly-драфтеров для Hy3-A21B.

Репозиторий:
https://github.com/Tencent/AngelSpec

Статья:
https://arxiv.org/abs/2607.25852

Документация:
https://angelspec.readthedocs.io

Модели:
https://huggingface.co/collections/AngelSlim/angelspec
https://modelscope.cn/collections/AngelSlim/AngelSpec

#Hy3 #AngelSpec #OpenSource #LLM #Inference #SpeculativeDecoding

Читать полностью…

Claude нашёл новые слабости в криптографических алгоритмах

Anthropic показала, как Claude Mythos Preview помог улучшить атаки сразу на две криптографические схемы.

Первая затронула HAWK — кандидата NIST на постквантовую цифровую подпись. После двух лет экспертной проверки модель за 60 часов нашла способ снизить эффективную стойкость небольшого ключа с 2 в
64 степени до 2 в 38.
.
Вторая работа касается 7-раундовой версии AES-128. Claude предложил новую технику, ускорившую прежние атаки примерно в 200–800 раз. Полный AES-128 использует 10 раундов и остаётся невзломанным.

Большую часть исследований модель выполнила автономно: изучала статьи, строила гипотезы, запускала эксперименты и проверяла результаты. Каждый из двух проектов обошёлся примерно в $100 000 API-затрат.

Практической угрозы для действующих систем сейчас нет. Но важен сам прецедент: LLM уже способны находить математические слабости, которые годами не замечали специалисты.

https://www.anthropic.com/research/discovering-cryptographic-weaknesses

Читать полностью…

🚀 Claude Opus 5 за 24 часа собрал собственный космический симулятор

Разработчик запустил модель на одну непрерывную сессию и получил The Long Silence - полноценную браузерную игру об исследовании космоса. По словам автора, весь код, визуал и звук создал Claude.

Внутри:

• процедурные звёзды, планеты, кольца и туманности
• посадка на поверхность планет
• перелёты между системами и fold drive
• сканирование объектов, станции и заброшенные корабли
• карта галактики, сюжет и архив найденных данных
• динамическое масштабирование графики для стабильных 60 FPS

Игра работает на WebGL2 без готовых ассетов: миры генерируются из seed, графика написана на GLSL, а музыка и звук создаются процедурно.

Это ещё не Starfield по масштабу, но для проекта, собранного моделью за сутки, результат выглядит безумно.

🎮 Код и запуск: https://github.com/achimala/TheLongSilence

🌐 Запустить в браузере: https://longsilence.anshu.dev/

Читать полностью…

🚨 В США хотят проверять самые мощные ИИ-модели ещё ДО их публичного релиза

Вашингтон готовит механизм, при котором разработчики frontier-моделей смогут предоставлять новые модели федеральным ведомствам за несколько недель до запуска.

В одной из обсуждаемых версий - до 30 дней. За это время спецслужбы и профильные ведомства смогут проверять модели прежде всего на опасные кибервозможности и риски для национальной безопасности.

OpenAI, Anthropic и Google уже участвуют в переговорах о том, как именно будет работать такая система. Правительство параллельно пытается определить, какая модель вообще считается frontier и должны ли правила отличаться для closed и open-weight моделей.

Причём это уже не чистая теория: власти США ранее вмешивались в сроки и формат релизов новых моделей OpenAI и Anthropic, требуя дополнительного тестирования перед широким доступом.

По сути, между frontier-лабораторией и публичным релизом постепенно появляется новый слой - предварительная государственная проверка.

https://www.theinformation.com/articles/trump-administration-nears-ai-framework-open-source-questions-loom

Читать полностью…

Эндрю Уайлс 7 лет тайно решал задачу, которую не могли решить 358 лет

Последнюю теорему Ферма он увидел ещё в 10 лет. В 1986 году, уже будучи профессором Принстона, Уайлс начал работать над ней почти в полной изоляции. О его настоящей цели знала только жена.

Чтобы никто не понял, чем он занят, он почти перестал публиковаться и постепенно выпускал старые результаты.

В июне 1993 года Уайлс представил доказательство на трёх лекциях в Кембридже. Мир решил, что одна из самых известных задач математики наконец закрыта.

Но затем рецензент нашёл серьёзную ошибку.

Следующие 14 месяцев Уайлс пытался спасти доказательство уже под вниманием всего математического сообщества. В какой-то момент он был готов сдаться.

Решение пришло в сентябре 1994 года. Позже Уайлс рассказывал, что около 20 минут просто смотрел на исправление, не веря, что оно работает.

Когда BBC попросила его вспомнить этот момент, он не смог договорить и отвернулся от камеры в слезах.

Семь лет в тайне, год после почти полного краха и задача, которая ждала решения больше трёх веков.

@data_analysis_ml

Читать полностью…

GPT-5.6 решил кубик за 17 секунд, а DeepSeek потратил 27 млн токенов за $0,56

Четырём топовым моделям дали необычный агентный тест: самостоятельно построить в Three.js интерактивные стенды для кубика Рубика и шахмат, а затем выполнить задания прямо внутри созданных приложений.

В эксперименте участвовали:

- GPT-5.6 Sol;
- DeepSeek V4 Flash 0731;
- Qwen 3.8 Max;
- Kimi K3.

Сначала модели получили одинаковую комбинацию кубика Рубика.

GPT-5.6 Sol решил её за 24 хода и 17 секунд.
DeepSeek справился за 32 хода.
Qwen сдался после 96 ходов, а Kimi - после 207.

Затем каждая модель построила шахматную доску и сыграла белыми против Claude Opus 5 без движка, дебютной базы и подсказок.

Победить Claude не смог никто:

- DeepSeek сдался на 13-м ходу;
- GPT-5.6 Sol - на 19-м;
- Kimi K3 - на 21-м;
- Qwen продержался до 29-го.

По скорости разработки GPT-5.6 разгромил остальных:

GPT-5.6 Sol       16 мин 43 сек
DeepSeek          97 мин 39 сек
Kimi K3          166 мин 09 сек
Qwen 3.8 Max     215 мин 08 сек

Стоимость:

DeepSeek использовал больше всех токенов: 27,4 млн и пять попыток на создание рабочих стендов. Несмотря на это, весь эксперимент обошёлся всего в $0,557.

Для сравнения:

DeepSeek          $0,557
GPT-5.6 Sol       $6,319
Qwen 3.8 Max     $10,270
Kimi K3          $16,667

Получились четыре совершенно разных профиля:

- GPT-5.6 Sol - самый быстрый и экономный по токенам, но пропустил баг, из-за которого при взятии исчезала не та фигура;
- DeepSeek - часто ошибается с первой попытки, зато может повторять снова и снова почти бесплатно;
- Qwen - самый медленный, но показал наиболее аккуратную шахматную игру;
- Kimi - активно проверял собственные результаты, но оказался самым дорогим и не справился с кубиком.


Иногда важнее получить результат за 17 минут. Иногда - иметь возможность сделать пять попыток за полдоллара.

Важно: это авторский эксперимент в Hermes Agent CLI, а не стандартизированный независимый бенчмарк.

Читать полностью…

Илья Суцкевер может показать первую модель SSI уже в августе

Инвестор Гэвин Бейкер заявил, что Safe Superintelligence планирует выпустить свою первую модель в августе. Сама SSI дату пока официально не подтверждала.

Интрига в формулировке компании. На её сайте прямо сказано:

> Одна цель и один продукт — безопасный суперинтеллект.

SSI с момента основания не выпускала промежуточных продуктов и утверждала, что вся команда, бизнес-модель и инвестиции направлены на достижение одной цели.

Поэтому первый релиз Суцкевера вызовет намного больше внимания, чем запуск очередной LLM. Он должен показать, над чем одна из самых закрытых ИИ-лабораторий работала последние два года.

Но считать будущую модель уже готовым суперинтеллектом рано. Это может быть исследовательский прототип, промежуточная система или демонстрация нового подхода к обучению.

Пока неизвестны архитектура, размеры, результаты тестов и формат доступа.

Если релиз действительно состоится в августе, это будет первый шанс понять: SSI нашла новый путь к более сильному ИИ или готовит ещё одну frontier-модель.

Источники:
https://ssi.inc/
https://www.youtube.com/watch?v=NGsi2PC4y68&t=1679s

Читать полностью…

🛡️ Mistral выпустила Shieldstral - открытую модель для модерации текста и изображений

Большинство guard-моделей работают с заранее заданным списком запретов. Чтобы адаптировать такую систему под другой продукт, аудиторию или правила компании, часто требуется дополнительное обучение.

Shieldstral предлагает другой подход: разработчик описывает политику безопасности обычным языком прямо во время инференса.

Например:

> «Безопасно ли показывать это изображение несовершеннолетнему?»

Модель анализирует текст, изображение или пару «запрос - ответ», после чего возвращает вероятность yes или no.

Что умеет Shieldstral:

- проверять пользовательские запросы и ответы модели;
- модерировать текст и изображения;
- оценивать, был ли отказ модели обоснованным;
- адаптироваться к новым правилам без переобучения;
- выдавать оценку риска, а не только жёсткий ярлык.

В модели всего 3 млрд параметров, поэтому её можно запустить на одной NVIDIA GPU с 16 ГБ памяти.

По внутренним тестам Mistral, Shieldstral конкурирует с открытыми guard-моделями, которые крупнее её до семи раз. Эти результаты пока требуют независимой проверки.

Модель опубликована с открытыми весами под лицензией Apache 2.0.

Подробнее:
https://mistral.ai/news/shieldstral

Читать полностью…

🎓 Магистратура по работе с данными и применению ИИ от НИЯУ МИФИ в партнерстве с Яндекс Практикумом — как устроено обучение

Это двухлетняя программа по прикладной математике и информатике. Учеба проходит полностью дистанционно, студенты получают два диплома: магистерский и о профпереподготовке, а еще все стандартные студенческие льготы.

Главное по структуре и условиям:
• Во время учёбы вы выбираете один из четырех треков: ML-инженерию, Computer Vision, NLP или Data Engineering.
• Учеба строится на прикладном стеке: от PyTorch, Transformers и OpenCV до Airflow, Kafka, Hadoop и Yandex Cloud.
• За 2 года студенты делают 10+ проектов в портфолио. Кейсы для учебы дают реальные команды, например, Еды, Лавки, Go, Облака — без ограничений по NDA.
• В программу включен карьерный трек с mock-интервью от HR и доступом к базе вакансий партнеров.
Экзамены также проходят онлайн. Перед сдачей предоставляют гайд для подготовки.

🔗 Учебный план и подача документов

Читать полностью…

Как выглядят задачи машинного обучения в бигтехе?

Открыта регистрация на E-CUP 2026 Students — ежегодное соревнование от Ozon Tech. В этом сезоне — для студентов, которые интересуются ML, Data Science, Big Data и аналитикой данных.

Вас ждут три трека: поиск дубликатов товаров, ИИ-модерация карточек маркетплейса и прогнозирование поведения пользователей. Все задачи основаны на реальных обезличенных данных Ozon.

Участвовать можно по одиночке или в команде до пяти человек. Соревнование проходит онлайн с финалом на масштабной конференции E-CODE.

Что ждёт участников:
- призовой фонд 7 200 000 ₽;
- обратная связь от инженеров Ozon Tech;
- нетворк с экспертами индустрии;
- лимитированный мерч;
- билеты на конференцию E-CODE, где наградят победителей.

Подробнее — на сайте E-CUP 2026 Students.
➡️ Регистрация уже открыта!

Присоединяйтесь, чтобы выйти за рамки учебных проектов, попробовать свои силы в задачах настоящего бигтеха и сравнить своё решение с лучшими участниками.

Читать полностью…

⚡️ DeepSeek V4 Flash теперь можно запустить локально на одном Mac

На Hugging Face появилась специальная GGUF-сборка DeepSeek-V4-Flash-0731 для компьютеров Apple Silicon со 128 ГБ объединённой памяти.

Официальная модель содержит 304 млрд параметров и поддерживает контекст до 1 млн токенов. После смешанной 2- и 4-битной квантизации файл занимает 97,6 ГБ.

Чувствительные слои, attention и общие эксперты сохранены в повышенной точности, а основная часть MoE-экспертов сжата агрессивнее.

Для запуска используется специализированный движок ds4 / DwarfStar:

git clone https://github.com/antirez/ds4
cd ds4
make

./ds4 -m gguf/DeepSeek-V4-Flash-0731-....gguf \
  -p "Напиши распределённый кеш на Go"

Это нестандартный GGUF. Он не загрузится в Ollama, LM Studio или llama.cpp из-за особой структуры тензоров и схемы квантизации.

Модель уровня крупного серверного кластера удалось целиком уместить в память одного мощного Mac. Медленно и требовательно к железу, зато полностью локально .

Модель:
https://huggingface.co/ox-ox/DeepSeek-V4-Flash-0731-gguf-ds4

Читать полностью…

⚡️ Если вы уже работаете с ИИ-агентами, вы примерно среди 0,14% людей на планете

По июльским оценкам ourworldindata, около 71% трудоспособного населения мира ещё не использовали генеративный ИИ. Массовым кажется только то, что мы видим внутри технологического пузыря.

Платные подписки занимают ещё меньшую долю. Даже Codex, один из крупнейших агентных продуктов, насчитывает чуть больше 5 млн активных пользователей в неделю.

Пока разработчики делегируют агентам рефакторинг, тесты и многочасовые задачи, большая часть человечества ещё ни разу не открывала ChatGPT или его аналоги.

Разрыв огромен.

Цифры о платящих пользователях и 12 млн пользователей агентов остаются приблизительными: единой мировой статистики по всем сервисам нет.

Читать полностью…

🤯 OpenAI заявила о десяти прорывах в задачах, которые математики не могли решить десятилетиями

Результаты получила внутренняя версия Astra - следующей крупной модели компании.

Среди достижений:

— построен первый явный пример не-софической группы (особого типа абстрактной алгебраической структуры, которую раньше удавалось описывать только косвенно);
— опровергнута гипотеза жёсткости Конна (долгосрочное предположение в функциональном анализе о том, насколько строго определяются такие математические объекты);
— доказана квантовая теорема о параллельном повторении для общих двухигровых систем (показывает, как быстро падают шансы на успех при многократном повторении квантовых игр);
— доказана гипотеза Эрхарта об объёме (результат из геометрии, связанный с подсчётом точек в многомерных фигурах и их объёмами);
— впервые с 1978 года улучшена общая верхняя оценка плотности упаковки сфер (то есть насколько плотно можно «уложить» шары в пространстве).

По заявлению OpenAI, Astra самостоятельно нашла основные математические аргументы, а затем формализовала каждое доказательство в Lean. Вместе с машинно проверяемыми сертификатами опубликована рукопись на 249 страниц.

Успешные запуски обошлись бы примерно в $2000 по тарифам Sol API.

одели начинают предлагать новые доказательства для открытых задач - хотя теперь результаты должен внимательно проверить весь математический мир.

Astra ещё не выпущена, и OpenAI не называет её GPT-6.

openai.com/index/ten-advances-in-mathematics/

Читать полностью…

DeepSeek запустила официальный API модели V4-Flash и заметно улучшила её работу в агентных сценариях.

По тестам компании, новая версия значительно опережает V4-Pro-Preview в задачах, связанных с кодом и автономными агентами.

Что изменилось:

- усилены возможности для долгих агентных задач;
- добавлена нативная поддержка Responses API;
- появились параллельные вызовы инструментов;
- доступны уровни рассуждения low, high и max;
- контекст увеличен до 1 млн токенов;
- модель адаптирована для работы с Codex.

V4-Flash можно подключить к Codex CLI, расширению для VS Code и другим совместимым инструментам через единый конфиг.

⚠️ Примечание

🔷 DeepSeek-V4-Flash-0731 сохранила ту же архитектуру и размер модели, что и предварительная версия.

🔷 Сегодняшнее обновление касается только API DeepSeek-V4-Flash. API DeepSeek-V4-Pro, а также модели в приложении и веб-версии пока остаются без изменений.

Официальный релиз DeepSeek-V4-Pro состоится в ближайшее время.

Документация:
https://api-docs.deepseek.com/quick_start/agent_integrations/codex

Читать полностью…

🧠 Две настройки утроили результат GPT-5.6 Sol на ARC-AGI-3

С официальным тестовым окружением модель набрала 13,3%. После включения двух функций Responses API результат вырос до 38,3%, а расход выходных токенов сократился примерно в 6 раз.

Средний результат человека на тех же публичных заданиях OpenAI оценивает в 48%.

Что изменили:

1. Сохранили рассуждения между действиями

Раньше после каждого хода агент терял найденные закономерности и фактически заново разбирался в игре.

2. Заменили обрезание истории на compaction

Вместо удаления старых действий длинный контекст сжимался, сохраняя важные наблюдения и выбранную стратегию.

В результате агент:

- быстрее принимал решения;
- реже повторял уже проделанную работу;
- лучше учился по ходу игры;
- тратил значительно меньше токенов.

Итоговый результат зависит не только от модели. Большую роль играют API, управление контекстом, промпт и устройство тестового harness.

OpenAI рекомендует использовать Responses API, сохранять рассуждения между вызовами и включать compaction для длинных сессий.

https://openai.com/index/how-two-settings-tripled-our-arc-agi-3-scores/

#OpenAI #GPT56 #Agents #ARCAGI #LLM #AIEngineering

Читать полностью…

🚨 ДЖЕНСЕН ХУАНГ РАЗНЁС НАЕЗДЫ БЕЛОГО ДОМА НА ANTHROPIC

Журналист:

— Mythos способен взломать банк. Мы точно готовы дать к нему доступ всем?

Дженсен( как всегда в кожаной куртке):

— Абсолютно. Он должен быть доступен каждому.

— Даже обычным пользователям, а не только избранным компаниям и ведомствам?

— Именно так.

По его мнению, бесконечные листы ожидания и ограничения часто превращаются в театр безопасности.

— Но был же jailbreak.

— Да, модель обошла защиту и сделала то, что ей запрещали. Но так работает софт: находишь уязвимость и как можно быстрее её закрываешь. Задача Anthropic - усиливать защиту, а не перекрывать доступ половине мира.

Дженсен считает, что Mythos должен стать открытым. Тем более что open-source-модели уже доступны публично, и полностью остановить распространение технологий невозможно.

Пусть Anthropic продолжает развивать созданную ими технологию и делает её доступной как можно большему числу компаний и пользователей.

Сдерживать Anthropic - не в интересах США.

Читать полностью…

Владельцы RTX 3090, когда решили локально запустить трёхтриллионную Kimi K3 в максимально жестокой квантизации:

Читать полностью…

🔥 Илья Суцкевер готов масштабировать SSI в 10 раз - NVIDIA вложит около $5 млрд

Safe Superintelligence и NVIDIA объявили о долгосрочном партнёрстве. SSI получит доступ к новейшим системам Vera Rubin, что должно увеличить её вычислительные мощности на порядок. NVIDIA также инвестирует в компанию: официально сумму не раскрывают, но Financial Times и Reuters называют около $5 млрд.

До этого SSI в основном опиралась на Google Cloud TPU - теперь у лаборатории Суцкевера появляется ещё один масштабный compute-путь через NVIDIA.

Сам Суцкевер говорит, что после двух лет закрытой работы у SSI появилась «research worthy of scaling up» - исследовательская идея, которую уже имеет смысл масштабировать. При этом компания до сих пор не выпустила ни продукта, ни публичной исследовательской работы.

Последняя публично известная оценка SSI - $32 млрд, установленная в раунде апреля 2025 года.

Компания без продукта и публичных моделей стоит десятки миллиардов, получает ещё миллиарды и готовит 10-кратное увеличение compute - практически полностью на доверии к тому, что Суцкевер действительно нашёл новый путь масштабирования ИИ.

https://www.wsj.com/tech/ai/nvidia-bets-on-ilya-sutskevers-new-ai-lab-to-expand-compute-reach-f95596e8

Читать полностью…

💬 Борис Черни, руководитель Claude Code в Anthropic, о стоимости токенов и выборе моделей:

«Я использую Fable практически для всего.

Возможно, расходы на токены можно сократить примерно на 50%. Но при этом потенциал роста отдачи может быть в 10, 100 или даже 1000 раз выше.

Поэтому я бы не зацикливался на экономии и просто использовал самую сильную модель из доступных.

Лучше задавать себе другой вопрос: как получить от модели больше пользы?

Оптимизация затрат важна, но сначала стоит максимизировать результат, который даёт ИИ».


Полное интервью - https://www.youtube.com/watch?v=Z47vatpsGPI

Читать полностью…

🔥 PyTorch Foundation постепенно превращается в основу open-source AI-стека

Теперь под её управлением сразу шесть крупных проектов:

• PyTorch — обучение моделей
• vLLM — быстрый inference
• DeepSpeed — распределённое обучение и оптимизация
• Ray — масштабирование AI-нагрузок
• Helion — высокопроизводительные GPU/TPU-ядра
• Safetensors — быстрая и безопасная сериализация моделей

Идея интересная: собрать ключевые части жизненного цикла AI под нейтральным open-source управлением вместо десятков разрозненных проектов.

Уже есть заметные результаты: PyTorch 2.13, новый Model Runner V2 в vLLM, улучшения Ray для GB200/GB300, а Helion показывает сильную производительность на Blackwell и TPU.

Если интеграция между этими проектами продолжит усиливаться, PyTorch Foundation может стать для AI-инфраструктуры примерно тем, чем CNCF стала для cloud-native.

🔗 https://futurumgroup.com/insights/can-pytorch-foundations-multi-project-strategy-reinvent-open-source-ai/

Читать полностью…