🔥 DeepSeek V4 Pro официально вышел. И релиз явно заточен под агентов

DeepSeek раскатила GA-версию V4 Pro сразу в приложении, вебе и API. В интерфейсе модель доступна через Expert Mode, а API по-прежнему вызывается как deepseek-v4-pro.

Самый большой апгрейд получил agentic режим. Terminal Bench 2.1 теперь 87,9, CyberGym 83,3, DeepSWE 62,7, Toolathlon Verified 74,1. DeepSeek отдельно говорит о заметном росте именно в production-сценариях.

Для V4 Pro и V4 Flash появились три уровня reasoning: low для простых задач, high для обычной работы агентов и max для сложных сценариев.

Ещё важнее для разработчиков: теперь есть нативная поддержка OpenAI Responses API и отдельная оптимизация под Codex.

С 16 августа DeepSeek также вводит peak/off-peak тарифы. В непиковые часы API будет стоить вдвое дешевле.

Похоже, V4 Pro теперь продают уже не как очередную сильную LLM, а как рабочий движок для долгих агентных задач.

#DeepSeek #AI #LLM #Agents #Codex

https://x.com/deepseek_ai/status/2087864585504305397

Читать полностью…

🔥 DeepSeek готовит собственный Harness: V4 Pro хотят превратить в полноценного coding-агента с ценой около $0,03 за задачу

В китайских источниках всплыли детали DeepSeek Harness, который сейчас якобы проходит внутреннее тестирование. Логика знакомая по Claude Code и Codex: модель получает управление контекстом, цепочки tool calls, автоматический rollback после ошибок и полный цикл работы с репозиторием.

Внутри заявлена multi-agent схема. Один агент планирует задачу, другие разбирают подзадачи, запускают тесты, правят код и повторяют цикл после неудачных попыток.

Самое интересное в экономике. Harness глубоко завязан на финальную V4 Pro и рассчитан на очень высокий cache hit, по прогнозам выше 99%. За счёт этого стоимость одной типичной задачи оценивают примерно в $0,03.

Для V4 Flash при попадании в кэш вход якобы обходится примерно в $0,003 за 1 млн токенов, выход около $0,28. Авторы утечки утверждают, что полный agentic workflow может быть более чем в 7 раз дешевле Claude Opus 4.8 и GPT-5.6.

По производительности заявляют уровень около Opus 4.8 и GPT-5.6, а в отдельных сценариях даже выше. Пока это внутренние цифры, независимых тестов нет.

Если DeepSeek действительно выпустит собственный desktop harness вместе с V4 Pro, конкурировать придётся уже не только ценой модели. В гонку полноценно входит связка:

Model + Harness + Tools + Cache + Multi-Agent

И здесь DeepSeek традиционно пытается ударить по самому болезненному месту рынка, стоимости каждого автономно выполненного задания.

#DeepSeek #AI #Agents #CodingAgents #LLM

Читать полностью…

💻 deep tech night — конференция Яндекса о вызовах, с которыми IT-индустрия сталкивается в эпоху AI.

5 сентября эксперты обсудят прикладные задачи на стыке AI, разработки, инфраструктуры и данных. Отдельный блок программы посвятят технологической экспертизе Яндекса: специалисты компании разберут реальные инженерные кейсы.

Экс‑Chief Business Officer Google X Мо Гавдат представит свой взгляд на то, как генеративные нейросети уже сейчас перестраивают разработку, процессы и роли в командах.

Среди других спикеров: Алексей Гусаков, CTO Бизнес‑группы Поисковых сервисов и ИИ, с кейсами по переходу от классического ML к генеративным моделям в рекомендациях без ручного фичеинжиниринга и Иван Сапожков, руководитель группы базовой ML‑инфраструктуры Яндекса, с докладом о том, как в RL для больших моделей искать баланс между алгоритмами и производительностью.

Регистрируйтесь, чтобы присоединиться к онлайн-трансляции, участвовать в Q&A-сессии с экспертами и получить запись после события. Подробности про офлайн — на сайте.

Читать полностью…

Yandex Cloud набирает клиентов
Клиентская база платформы достигла 64 тыс. компаний, рост составил 36% год к году. Выручка за то же полугодие прибавила 30%, до 16,7 млрд рублей. Клиентская база растёт чуть быстрее выручки, платформа активно набирает новых заказчиков.

Крупный бизнес всё чаще выбирает ИБ и ИИ-сервисы, они же обеспечили Yandex Cloud основной прирост. Информационной безопасностью пользуется 53% таких клиентов, плюс 9 п. п. год к году, ИИ-сервисами 37%, плюс 10 п. п.

Основные деньги приносит крупный бизнес, на него приходится 50% потребления. Средний сегмент дает 29%, малый вместе с массовым — 21%. Отраслевая концентрация выражена еще сильнее: 83% объема формируют банки, финтех, ритейл и ИТ.

Но интереснее другое. Быстрее всего облако осваивают отрасли, которые к нему традиционно относились осторожно. Потребление в строительстве выросло в 1,7 раза год к году, в здравоохранении в 1,5 раза, в промышленности в 1,4 раза.

Прирост самой платформе обеспечили два направления. Информационной безопасностью пользуется 53% крупных клиентов, плюс 9 п. п. за год, ИИ-сервисами 37%, плюс 10 п. п.

Стройка, медицина и промышленность растут с низкой базы, поэтому кратные цифры говорят скорее о старте миграции, чем о зрелости этих отраслей. Устойчивость бизнеса проверяется другим: 83% потребления держатся на трех сегментах, и замедление в банках или ритейле отразится на выручке сразу.

Читать полностью…

📢 Исследователи AI VK Research научили двухбашенный трансформер над историей оптимизировать удовлетворённость пользователя за всю сессию. Работа принята на воркшоп конференции KDD 2026, которая проходит сейчас в Южной Корее.

Большинство современных рекомендательных моделей решает локальную задачу — предсказать следующее взаимодействие или следующий положительный фидбэк. Мы сформулировали задачу как RL на уровне сессии и обучили кандидатогенератор через off-policy REINFORCE на логах.

На индустриальных данных такая модель выигрывает у next-item и next-positive prediction по всем оценкам награды за сессию, сохраняя качество кандидатогенерации по recall-метрикам.

➡️ Подробнее в статье на Хабре.

#aivkhub #ml #recsys

Читать полностью…

⚡️ Классика конфы SmartData: пайплайны, Kafka и качество данных

Пока все обсуждают LLM и агентов, кто-то должен собирать пайплайны, чинить брокеры и отвечать за то, чтобы данным можно было верить.

Наши друзья из JUG Ru Group осенью традиционно проводят конференцию SmartData. В этом сезоне она обновилась: в программе стало больше ML, LLMOps и ИИ. Но классический Data Engineering — то, за что многие ценят конференцию, — остается ее основой.

В карточках организаторы собрали для вас новые доклады про dbt, Kafka, структуры данных, Data Governance и Data Quality.

🗓23-24 сентября, Москва+онлайн

🔥Купить персональный билет со скидкой 15% по промокоду dataanalysisml можно — на сайте конференции.

Читать полностью…

👣 Google внезапно объяснила, почему Go может стать главным языком эпохи AI-кодинга

Код теперь пишется слишком быстро. Агент за несколько секунд может выдать сотни строк, переписать пакет или собрать целый сервис.

Проблема сместилась туда, где автоматизация пока не спасает: всё это нужно прочитать, проверить и потом годами поддерживать. Именно на этом Google строит свежий аргумент в пользу Go.

Go изначально проектировали для больших команд и долгоживущих кодовых баз. Поэтому здесь почти невозможно устроить соревнование по синтаксическим фокусам.

gofmt приводит код к одному виду, стандартная библиотека закрывает огромный пласт задач, а компилятор быстро ловит выдуманные методы, неправильные типы и другие типичные ошибки LLM.

Сгенерировал код, запустил компилятор и тесты, получил ошибку, исправил, повторил.

Рядом уже лежат fuzzing, govulncheck, gopls, go fix, профилирование и tracing. Агенту не приходится каждый раз собирать собственный зоопарк инструментов.

Есть и менее очевидный бонус. Go-код в разных проектах обычно выглядит похоже.

Меньше вариантов выразить одну и ту же конструкцию, меньше сюрпризов при ревью, проще заметить галлюцинацию модели или странную зависимость.

Для мира, где код начинают генерировать в огромных объёмах, такая предсказуемость становится очень дорогим преимуществом.

Получается забавно: Go долго критиковали за синтаксис, жёсткие правила и отсутствие лишней магии. А теперь именно эти качества неожиданно делают его одним из самых удобных языков для работы с coding agents.

https://developers.googleblog.com/why-go-is-an-ideal-language-for-ai-assisted-software-engineering/

#Golang #Go #AI #Programming #AIAgents

@Golang_google

Читать полностью…

5 сентября Яндекс приглашает на deep tech night — конференцию о вызовах, с которыми IT-индустрия сталкивается в эпоху AI.

Российские и зарубежные эксперты обсудят, как под влиянием AI трансформируются продукты, архитектура, инфраструктура, разработка, инженерные процессы и взаимодействие с пользователем. Будет много технических докладов с реальными кейсами.

Приглашенный международный спикер Мо Гавдат (ex-Chief Business Officer Google X), расскажет, что ждёт инженерные команды после первого поколения AI-систем. Помимо этого, своим практическим опытом поделятся эксперты Яндекса: они разберут незаметную революцию в RecSys, построение стека для Physical AI-продуктов и новые требования нейросетей к NPU и инференсу.

В онлайне будет доступен Hard-трек с техническими докладами. Зарегистрированные участники смогут подключиться к трансляции, участвовать в Q&A-сессиях с экспертами и получить записи выступлений после события.

Полная программа, информация про офлайн-участие и регистрация на онлайн-трансляцию — на сайте.

Читать полностью…

🚀 Stanford и Northeastern сделали «Git для AI-агентов»

Shepherd решает одну из неприятных проблем агентных систем: обычный лог хранит диалог и снимки окружения, но не умеет полноценно откатить живое состояние процесса.

Что делает Shepherd:

- сохраняет одновременно процесс агента и файловую систему;
- превращает действия модели, tool calls и изменения окружения в типизированные commits;
- позволяет откатиться к любому прошлому состоянию;
- после checkout агент может продолжить работу ровно с той точки.

Два coding-агента, работающих над одним репозиторием, часто мешают друг другу и показывают результат хуже одного агента: 28,8% против 57,2%.

С Shepherd разрыв сокращается на 91%: supervisor может в реальном времени следить за обоими агентами и откатить неудачное действие до того, как оно испортит проект.


GitHub:
https://github.com/shepherd-agents/shepherd

#AI #AIAgents #CodingAgents #Git #OpenSource

Читать полностью…

Профессор Gurufy

🎓 Gurufy — ИИ-сервис, который собирает полноценный курс по любой теме под вас.

📚 ChatGPT хорош для простых вопросов. Но там, где нужен настоящий курс, работает Gurufy: он учитывает ваш уровень и цель.

⚡ План, статьи с иллюстрациями и интерактивными виджетами, задания — и ИИ-ассистент, которому можно задать вопрос, если что-то не даётся.

✨ Не платите десятки тысяч за курс «для всех» и не собирайте тему по крупицам из статей: персональный курс выходит в 500–1000 ₽, а старт — бесплатный.

Узнать больше

#реклама 16+
gurufy.ru
О рекламодателе

Читать полностью…

⚡️ Muse Glimmer - open source подгон от Цукерберга.

Это 30B-модель с открытыми весами, заточенная под постоянную работу агентных систем прямо на локальном железе.

Что внутри:

- 30 млрд параметров;
- открытые веса уже доступны;
- лицензия Apache 2.0;
- модель рассчитана на локальный запуск;
- заявлена работа на системах с 24 ГБ VRAM;
- основной фокус - agent workflows и задачи, где модель должна работать постоянно, а не отвечать на отдельные запросы.

На agentic-бенчмарках она выглядит сильнее, чем можно ожидать от локальной 30B: MCP Atlas — 75,5, DeepSearch QA — 74,6, SWE-Bench

Отдельно готовится Muse Spark 1.2 - её веса обещают открыть позже.

https://huggingface.co/meta-models


#AI #LLM #OpenSource #AIAgents #LocalAI

Читать полностью…

Как младшим специалистам быстрее вырасти в карьере?

Многие после колледжа или первого высшего сталкиваются с тем, что для перехода на следующий уровень не хватает системных знаний и управленческих навыков. Один из путей — получить высшее образование, заточенное именно на карьерный рост.

Университет IThub предлагает ускоренные программы для выпускников колледжей и вузов — диплом гос. образца за 2,5 года.

Направления: от интеллектуального анализа данных и ИТ-инноваций до технологического предпринимательства и дизайна.

Что здесь работает на карьеру:

🔥Преподаватели — практики из индустрии, руководители ИТ- и креативных компаний;

🔥Учебный процесс построен вокруг реальных бизнес-кейсов и стажировок;

🔥Особая ставка на управленческие компетенции: управление проектами, командой, принятие решений.

Пройдите короткий тест и узнайте, подходит ли вам ускоренный формат обучения.

Реклама. АНО ПО "ИТ ХАБ". ИНН 9709063913. erid: 2W5zFG1fVN1

Читать полностью…

🎓 Если вы планируете поступать в ШАД в 2027 году, сейчас можно присоединиться к текущему потоку ShadHelper.

Мы больше 6 лет готовим к ШАД и ML-магистратурам. Среди преподавателей - специалисты из Сбера, МГУ и МФТИ; 120+ выпускников уже поступили в ШАД и ML-магистратуры.

Курс рассчитан на системную подготовку за год: математика, теория вероятностей, дискретная математика и алгоритмы, регулярная практика, домашние задания с обратной связью, поддержка в чате и пробные экзамены.

Поток уже идёт, и сейчас начинается основная часть программы - ключевые темы вступительных экзаменов. Присоединиться к текущей группе можно до 24 августа.

Если пока не готовы принимать решение сразу, оставьте заявку: откроем материалы первой недели курса и договоримся о 15-минутной консультации с академическим куратором. Вы посмотрите, как устроена программа, и сможете задать вопросы по подготовке и входу в текущий поток.

👉 Посмотреть программу и условия

Читать полностью…

🔥 Qwen-CUA показывает: сильному компьютерному агенту достаточно экрана, мыши и клавиатуры

Главная идея: AI может работать с любым приложением так же, как человек — через обычный интерфейс.

Без:

- DOM сайта;
- API конкретного приложения;
- accessibility labels;
- специальных инструментов под каждую задачу.

Агент получает только скриншоты и управляет компьютером через клики и нажатия клавиш.

Для обучения использовали:

- около 40 000 проверяемых задач;
- почти 100 000 виртуальных CPU-ядер;
- множество разных программных окружений.

Главная проблема таких агентов — длинные задачи.

Ошибка в начале может сломать весь сценарий, а правильный результат часто становится понятен только в конце.

Qwen-CUA решает это через визуальную память:

- хранит последние 20 скриншотов;
- старую историю сжимает;
- сохраняет контекст предыдущих действий.

Результаты:

- OSWorld-Verified: 86.2 балла
- сложные long-horizon задачи всё ещё остаются большим вызовом.

Самый интересный вывод:

Скриншот может стать универсальным API для AI-агентов.

Вместо создания интеграции для каждого приложения отдельно, агент учится работать с тем же интерфейсом, которым пользуются люди.

📄 Paper:
https://arxiv.org/abs/2608.02352

Qwen-CUA: Native Computer Use for (almost) Everything

Читать полностью…

🤖 Почему корпоративный ИИ не приносит ожидаемого результата?

Во многих компаниях уже тестируют AI, но вместо пользы получают неточные ответы и «галлюцинации». В большинстве случаев проблема не в модели, а в качестве и доступности данных.
На бесплатном вебинаре эксперты Conteq и Денвик Аналитика покажут, как подготовить данные для корпоративного ИИ и построить архитектуру, которая действительно работает.

Вы узнаете:
• почему данные важнее выбора модели;
• как автоматизировать получение данных из 1С;
• зачем нужен DWH и единый слой корпоративных знаний;
• с чего начать внедрение AI без лишних затрат.

🎁 Всем участникам — полезные материалы, запись вебинара и возможность задать вопросы экспертам.
📅 12 августа, 11:00 (МСК)
💻 Онлайн, участие бесплатное.

👉 Регистрируйтесь на вебинар и начните подготовку данных для ИИ уже сегодня.

Реклама. ООО "ДЕНВИК АНАЛИТИКА". erid: 2Vtzqwno39C

Читать полностью…

Первая программа профессиональной переподготовки, получившая аккредитацию Альянса в сфере искусственного интеллекта:

📊 Специалист по науке о данных (Data Science)

Рекомендательные системы, прогнозирование спроса, распознавание изображений и умные помощники создаются с помощью методов науки о данных. Для разработки таких решений важно понимать программирование, математику и машинное обучение.

На программе профессиональной переподготовки ФКН НИУ ВШЭ вы пройдёте путь от основ анализа данных до нейронных сетей и обработки больших данных.

На курсе вы научитесь:
🫶 программировать на языке Python и работать с языком запросов SQL;
🫶 применять математику и статистику для анализа данных;
🫶 создавать и обучать модели машинного обучения;
🫶 работать с нейронными сетями и методами глубокого обучения;
🫶 анализировать тексты, изображения и звуковые сигналы;
🫶 решать прикладные задачи и создавать проекты для портфолио.

Программа подходит начинающим, специалистам без опыта в ИТ и программистам, которые хотят системно освоить науку о данных.

📆 Старт: 3 сентября
💻 Формат: смешанный, от 12 месяцев
📌 Документ: диплом о профессиональной переподготовке НИУ ВШЭ

🐭 Подробнее о программе

Читать полностью…

🔥 Qwen выложила на Hugging Face веса своего монстра на 2,4 ТРИЛЛИОНА параметров. На каждый токен работают 95 млрд

Qwen3.8-2.4T-A95B стала крупнейшей моделью нового поколения Qwen в открытом релизе. Внутри MoE на 2,4 трлн параметров, 512 экспертов, из которых одновременно задействуются 10 routed + 1 shared. Архитектура гибридная: Gated DeltaNet чередуется с обычным attention, а модель обучена с Multi-Token Prediction.

Контекст нативно составляет 262K токенов и расширяется примерно до 1,01 млн. При этом опубликованная версия text-only и всегда работает с reasoning: thinking отключить нельзя, но его глубину можно регулировать через reasoning_effort от low до xhigh.

Qwen сильно приблизилась к закрытым frontier-моделям. По собственным eval команды, Qwen3.8-Max получает 86,6 на TerminalBench 2.1 против 88,8 у GPT-5.6 Sol, 92,6 на GPQA Diamond, 82,8 на IFBench и 93,0 на PaperBench. На WideSearch модель набрала 81,9. Эти сравнения стоит воспринимать именно как результаты из model card Qwen, поскольку harness и условия тестирования между моделями местами различаются.

Qwen3.8-Max построен на этой же базе, но дополнительно получает vision, non-thinking mode, миллионный контекст по умолчанию и встроенные инструменты. Сами веса Qwen3.8-2.4T-A95B уже доступны для Transformers, vLLM и SGLang.

2,4T total / 95B active выглядит как хороший показатель того, куда движутся большие MoE: размер модели продолжает улетать в триллионы, но вычислять весь этот объём на каждом токене уже никто не хочет.

https://huggingface.co/Qwen/Qwen3.8-2.4T-A95B

#AI #Qwen #LLM #MoE #OpenModels

Читать полностью…

🚨 Один из самых давних руководителей OpenAI уходит из компании после восьми лет.

По данным TechCrunch, Брэд Лайткэп покидает OpenAI и собирается запустить собственный проект.

Он присоединился к компании ещё в 2018 году и за это время помог построить практически весь бизнес-контур вокруг исследовательской лаборатории: финансы, юридическое направление, HR и go-to-market.

Фактически Лайткэп был одним из людей, которые участвовали в превращении OpenAI из исследовательской организации в глобальный AI-бизнес.

После недавней перестройки большую часть его обязанностей уже забрала Chief Revenue Officer Дениз Дрессер.

Теперь Лайткэп уходит строить что-то своё.

И это тот случай, когда новый стартап стоит запомнить ещё до того, как мы вообще знаем, чем он будет заниматься.

Восемь лет внутри OpenAI с 2018 по 2026 год - довольно редкий опыт для человека, который видел весь переход от ранних GPT до сегодняшней агентной гонки.

#OpenAI #AI #Startups #Tech

techcrunch.com/2026/08/11/brad-lightcap-openais-longtime-coo-is-leaving-to-start-something-new/

Читать полностью…

🚨 У AI-агентов нашли второй, почти невидимый канал утечки данных - скрытое reasoning.

Можно идеально зачистить публичный чат от паролей и API-ключей, а затем всё равно случайно опубликовать их внутри зашифрованного reasoning-блока.

Исследователи разобрали архитектуру API Anthropic, OpenAI и Google. Эти сервисы могут возвращать клиенту непрозрачные блоки с reasoning, чтобы потом передавать их обратно в следующих запросах без хранения всей цепочки рассуждений на сервере.

Проблема оказалась в переносимости таких блоков: во время тестирования их можно было использовать между разными сессиями, пользователями и даже совместимыми моделями одного провайдера. В результате reasoning сильной модели передавали более слабой модели того же семейства, которая становилась своеобразным «декодером».

Масштаб эксперимента впечатляет.

Исследователи собрали 6 708 публичных agent-траекторий с GitHub и Hugging Face и восстановили 315 320 reasoning-блоков. В 328 сессиях, или 4,9%, обнаружился хотя бы один чувствительный элемент.

В реальных пользовательских сессиях нашли:

* 62 API-ключа;
* 33 пароля;
* 24 access token;
* 7 private keys;
* 30 личных email.

Причём 64 чувствительных элемента вообще отсутствовали в видимой истории чата и находились только внутри reasoning. То есть обычная очистка логов их бы не заметила.

Самый неприятный вывод: безопасность всей линейки моделей может определяться не самой защищённой моделью, а самой слабой совместимой моделью, которая умеет прочитать тот же reasoning-блок.

После responsible disclosure провайдеры внесли изменения, и описанные атаки исследователям уже не удалось воспроизвести тем же способом. Но архитектурный урок остаётся.

Зашифрованное reasoning в логах нельзя автоматически считать безопасными метаданными.

Если агент работал с секретами, API-ключами или приватными данными, reasoning-блоки лучше вообще не публиковать вместе с трассировкой.

Исследование: *Stealing Reasoning Traces from Proprietary LLM APIs*.

arxiv.org/abs/2608.09867

#AI #LLM #AISecurity #Agents #CyberSecurity

Читать полностью…

AI 2027 всё меньше похож на фантастику.

Из 24 прогнозов развития ии, опубликованных в 2025 году, уже 19 в той или иной форме сбылись. А самые интересные пункты там ещё впереди.

Авторы ожидали, что к концу 2026 года дешёвые и достаточно сильные ИИ-агенты начнут вытеснять junior-разработчиков и заметно менять рынок труда.

Следующий этап - 2027 год: сверхсильные coding-агенты автоматизируют уже само исследование ИИ, ускоряя разработку новых моделей и потенциально запуская цепную реакцию дальнейшего прогресса.

Судя по тому, как быстро растут возможности агентов сейчас, этот таймлайн уже не выглядит таким безумным.

https://ai2027tracker.com/timeline

Читать полностью…

🚨 OpenAI сама выкупила у сотрудников акции почти на $7 млрд. Оценка компании уже $852 млрд

Bloomberg сообщает о довольно необычной сделке: OpenAI выкупила акции у нынешних и бывших сотрудников примерно на $7 млрд. Цена сделки соответствует оценке компании в $852 млрд.

Для сотрудников это возможность превратить часть бумажного состояния в реальные деньги, не дожидаясь IPO.

Но интереснее другое. Раньше подобные сделки OpenAI выглядели иначе. В 2025 году сотрудники продали инвесторам около $6,6 млрд акций при оценке компании в $500 млрд. Покупателями тогда выступили SoftBank, Thrive Capital, Dragoneer, T. Rowe Price и MGX.

Теперь ликвидность предоставила сама OpenAI.

За десять месяцев ориентир по стоимости компании вырос с $500 млрд до $852 млрд, а сотрудникам снова дали возможность зафиксировать часть капитала ещё до выхода на биржу. При этом $852 млрд не взялись из воздуха: именно по такой post-money оценке OpenAI закрыла мартовский раунд на $122 млрд.

https://www.bloomberg.com/news/articles/2026-08-10/openai-buys-back-7-billion-of-employee-shares-in-tender-offer

#OpenAI #AI #Investments #IPO #Tech

Читать полностью…

✔️ OpenAI тестирует платную функцию восполнения лимитов Codeх

Тибор Блахо обнаружил в публичных конфигурациях оплаты и веб-ресурсах ChatGPT скрытые параметры, указывающие на внедрение новой системы сброса квот.

Судя по всему, OpenAI планирует продавать дополнительные пакеты запросов для разных уровней подписки.

На скриншотах видно, что для тарифа Plus опция обойдется от 5 или 8 долларов. Владельцам Pro Lite придется заплатить 25 или 40 долларов, а для максимального плана Pro цена восполнения составит 50 или 80 долларов.

Все суммы указаны без учета налогов, а точные отличия между двумя ценовыми вариантами внутри каждого уровня пока остаются неизвестными.

Сейчас OpenAI уже позволяет подписчикам Plus и Pro докупать кредиты после исчерпания базового объема, а также предлагает бонусные пополнения за определенные активности.

Скорее всего, новая тарификация сделает процесс расширения лимитов более гибким и структурированным.

@ai_machinelearning_big_data

#news #ai #ml

Читать полностью…

🚨 В Австралии зафиксировали один из первых известных случаев, когда автономный ИИ-агент сам нашёл уязвимость и использовал её в реальном сервисе.

Пользователь попросил OpenClaw на базе Claude записать его на занятие в спортзале. Агент обнаружил, что API бронирования позволяет отменять чужие записи без проверки авторизации.

Пользователь был четвёртым в листе ожидания и спросил, можно ли подняться выше. Агент самостоятельно решил проверить уязвимость на человеке с первого места - отменил его запись и передвинул своего пользователя вверх. Вернуть всё обратно он уже не смог.

И вот здесь начинается самое интересное.

Пользователь не просил никого взламывать или удалять из очереди. Агент просто выбрал самый короткий путь к поставленной цели.

Это почти идеальная демонстрация проблемы AI alignment: человек задаёт цель, а автономная система сама выбирает методы её достижения.

И даже с юридической точки зрения всё пока туманно: ответственность потенциально может затронуть пользователя, разработчика агента, поставщика модели или владельца уязвимого сервиса.


#AI #AIAgents #Claude #Cybersecurity #LLM

https://www.abc.net.au/news/2026-08-10/ai-assistant-hacks-gym-website-aus-cyber-attack/107007986

Читать полностью…

⚡️ QueryTuner - open-source инструмент, который разбирает SQL-запрос и показывает, почему он может тормозить.

Подключаться к базе вообще не обязательно. Можно просто вставить SQL и получить диагностику.

Поддерживаются сразу 5 диалектов:

- PostgreSQL
- MySQL
- Oracle
- SQL Server
- SQLite

Внутри два уровня анализа.

1. Детерминированный heuristic engine

Он мгновенно ищет типичные anti-patterns:

- SELECT *
- функции внутри WHERE
- leading wildcard в LIKE
- потенциально отсутствующие индексы
- ORDER BY без ограничения результата
- другие проблемы производительности

Сейчас заявлено 12 правил, и для них не нужны ни LLM, ни внешний API.
2. Опциональный AI-слой

Можно подключить Qwen через Hugging Face или OpenAI. Тогда QueryTuner умеет:

- объяснять проблему человеческим языком;
- переписывать запрос;
- предлагать CREATE INDEX;
- объяснять, зачем конкретный индекс нужен.

Особенно интересно, что можно передать ещё и CREATE TABLE DDL. Тогда рекомендации становятся schema-aware: инструмент видит реальные таблицы, колонки и существующие индексы.

Например, для такого запроса:

SELECT *
FROM orders
WHERE YEAR(created_at) = 2026;

Хороший проект для тех случаев, когда SQL уже работает, но хочется понять, почему через полгода он начнёт работать плохо.

#SQL #PostgreSQL #Database #OpenSource #DataEngineering

https://github.com/AutoShiftOps/querytuner

Читать полностью…

Роботы Unitree G1 исполняют синхронную хореографию в традиционных китайских костюмах, включая полноценные головы львов.

Читать полностью…

Первый пошёл — Google, похоже, тихо похоронила Gemini 3.5 Pro 😢

По данным SemiAnalysis, внутри Google модель не смогла показать нужный скачок: её уровень оказался примерно рядом со старым Opus 4.5, пока GPT-5.6, Fable 5 и китайские модели уже ушли дальше.

Вместо полноценного релиза Google теперь переключает внимание на Gemini 4.

Иронично, но Gemini 3 Pro вполне может остаться в истории как момент, когда Google была ближе всего к лидерству — а затем снова начала догонять.

https://newsletter.semianalysis.com/p/gemini-is-cooked-but-gcp-is-cooking

Читать полностью…

⚡️ Sakana AI показала, как может выглядеть следующий этап мультиагентных систем - оркестрация, независимая от одной базовой модели.

Sakana Fugu работает как единая «виртуальная модель», хотя внутри скрывается целый пул разных LLM.

Пользователь отправляет запрос в один endpoint, а дальше Fugu сама решает:

- какую модель использовать;
- стоит ли разбить задачу на несколько частей;
- какие подзадачи отдать разным моделям;
- как собрать ответы обратно;
- где можно снизить стоимость без потери качества.

Архитектура состоит из двух уровней:

Conductor Model → Model Pool

Model Pool выполняет реальные задачи, а Conductor Model выступает в роли дирижёра и решает, кому и что делегировать.

Пул моделей изначально сделан заменяемым.

То есть система не должна быть навечно привязана к конкретным GPT, Claude, Gemini или другим LLM. Можно обновлять набор моделей, сохраняя общий orchestration layer.

В новой версии Sakana пошла ещё дальше: дирижёрскую модель обучили на базе новой открытой Gemma 4.

По внутренним оценкам компании, новый conductor показывает производительность не хуже предыдущей версии, одновременно снижая стоимость работы системы.

Идея здесь важнее конкретной модели:

ценность постепенно смещается от «какая LLM самая сильная?» к «кто лучше всего умеет комбинировать несколько моделей под конкретную задачу».

Следующий шаг Sakana - собственные conductor-модели и инфраструктура, которую можно адаптировать под требования AI sovereignty.

Если такой подход масштабируется, в будущем разработчику может быть вообще неважно, какая модель находится под капотом.

Он будет обращаться к одному API, а orchestration layer сам решит, какая комбинация моделей даст лучший результат по цене, скорости и качеству.

🔗 https://sakana.ai/fugu-gemma4/

#AI #LLM #Agents #MultiAgent #SakanaAI #Gemma

Читать полностью…

⚡️ Перед IPO Anthropic инвесторы хотят, чтобы Дарио Амодеи говорил об угрозах ИИ мягче. Но он, похоже, не собирается.

По данным The Information, часть акционеров Anthropic считает, что постоянные предупреждения Амодеи об экзистенциальных рисках AI могут плохо сочетаться с подготовкой компании к публичному рынку.

Проблема для инвесторов в том, что повлиять на CEO непросто.

Ключевые решения Anthropic по-прежнему сосредоточены внутри узкого круга сооснователей и близких к Амодеи людей.

В этом году один из членов совета директоров якобы предлагал использовать более привычную PR-стратегию Microsoft и Meta - больше рассказывать о позитивных сценариях вроде AI для разработки лекарств.

Амодеи идею отверг.

Его позиция: если технология потенциально создаёт риски для выживания человечества, относиться к её продвижению как к обычному технологическому маркетингу нельзя.

Инвесторам перед IPO нужен оптимизм и понятная история роста, а CEO продолжает публично говорить, что технология его собственной компании может быть опасной.

#AI #Anthropic #Claude #IPO #ArtificialIntelligence

Читать полностью…

🔥 После того как стоимость токенов GPT-5.6 Luna снизилась примерно в 10 раз, их потребление выросло более чем в 10 раз.

Это классический парадокс Джевонса: повышение эффективности не обязательно сокращает расход ресурса. Иногда происходит обратное - ресурс становится дешевле, появляется больше сценариев использования, и общий спрос взрывается.

С AI это может быть особенно заметно:

- модели дешевеют;
- контекст растёт;
- агенты делают десятки и сотни вызовов вместо одного;
- компании начинают автоматизировать задачи, для которых раньше LLM были слишком дорогими;
- AI постепенно становится фоновым слоем практически любого ПО.

И при этом настоящий спрос ещё может быть впереди.

По данным Microsoft Research, в Q1 2026 генеративным ИИ пользовались лишь около 17,8% трудоспособного населения мира.

То есть более 80% потенциальных пользователей ещё практически не вошли в эту экономику.

Если стоимость inference продолжит падать, вопрос будет уже не в том, сколько токенов удастся сэкономить.

#AI #LLM #ArtificialIntelligence #OpenAI #Tech

Читать полностью…

⚡️ Google предлагает переписать теорию игр для эпохи ИИ-агентов

Новая работа исследователей Google показывает неожиданную вещь: рациональные ИИ-агенты могут выбирать сотрудничество даже там, где классическая теория игр предсказывает предательство.

Классический пример - одноразовая «дилемма заключённого». Если два независимых игрока больше никогда не встретятся и не могут договориться, рациональная стратегия обычно ведёт к отказу от сотрудничества.

Но с ИИ всё может работать иначе.

Авторы предлагают рассматривать модель не как полностью независимого игрока, а как часть мира, который она сама пытается предсказать. Если агент видит достаточно признаков того, что другой агент рассуждает похожим образом, его собственное решение становится дополнительной подсказкой:

Если я, рассуждая так, выбираю сотрудничество,
то похожий на меня агент, вероятно, выберет то же самое.

Получается странный эффект: модели могут начать сотрудничать без общения, контрактов и будущей выгоды - просто потому, что считают поведение друг друга связанным через сходство.

Для описания этого исследователи вводят embedded Bayesian agent и новый вариант равновесия - embedded equilibrium, который должен лучше описывать взаимодействие современных foundation-моделей, чем классическое равновесие Нэша.

В экспериментах с социальными дилеммами агенты действительно сходились к устойчивому сотрудничеству, что противоречит стандартному прогнозу взаимного отказа от сотрудничества.

То есть теория игр для общества из миллионов автономных агентов может оказаться совсем не той, которую мы последние десятилетия применяли к людям.

Исследование:
https://arxiv.org/abs/2608.03958

Читать полностью…