Generative Ai
الذهاب إلى القناة على Telegram
Анонсы интересных библиотек и принтов в сфере AI, Ml, CV для тех кто занимается DataScience, Generative Ai, LLM, LangChain, ChatGPT По рекламе писать @miralinka, Created by @life2film
إظهار المزيد3 655
المشتركون
+124 ساعات
-17 أيام
-3430 أيام
جارٍ تحميل البيانات
القنوات المماثلة
سحابة العلامات
الإشارات الواردة والصادرة
---
---
---
---
---
---
جذب المشتركين
نوفمبر '26نوفمبر '26
نوفمبر '26
+24
في 1 قنوات
أكتوبر '26
+43
في 2 قنوات
Get PRO
سبتمبر '26
+31
في 0 قنوات
Get PRO
أغسطس '26
+96
في 0 قنوات
Get PRO
يوليو '26
+35
في 0 قنوات
Get PRO
يونيو '26
+130
في 0 قنوات
Get PRO
مايو '26
+56
في 0 قنوات
Get PRO
أبريل '26
+33
في 0 قنوات
Get PRO
مارس '26
+39
في 1 قنوات
Get PRO
فبراير '26
+46
في 1 قنوات
Get PRO
يناير '26
+40
في 0 قنوات
Get PRO
ديسمبر '25
+231
في 0 قنوات
Get PRO
نوفمبر '25
+43
في 1 قنوات
Get PRO
أكتوبر '25
+9
في 0 قنوات
Get PRO
سبتمبر '25
+21
في 0 قنوات
Get PRO
أغسطس '25
+47
في 0 قنوات
Get PRO
يوليو '25
+123
في 0 قنوات
Get PRO
يونيو '25
+56
في 0 قنوات
Get PRO
مايو '25
+69
في 0 قنوات
Get PRO
أبريل '25
+83
في 1 قنوات
Get PRO
مارس '25
+115
في 0 قنوات
Get PRO
فبراير '25
+100
في 0 قنوات
Get PRO
يناير '25
+132
في 2 قنوات
Get PRO
ديسمبر '24
+114
في 1 قنوات
Get PRO
نوفمبر '24
+129
في 1 قنوات
Get PRO
أكتوبر '24
+124
في 0 قنوات
Get PRO
سبتمبر '24
+101
في 0 قنوات
Get PRO
أغسطس '24
+89
في 0 قنوات
Get PRO
يوليو '24
+115
في 0 قنوات
Get PRO
يونيو '24
+99
في 3 قنوات
Get PRO
مايو '24
+57
في 0 قنوات
Get PRO
أبريل '24
+57
في 0 قنوات
Get PRO
مارس '24
+115
في 0 قنوات
Get PRO
فبراير '24
+107
في 0 قنوات
Get PRO
يناير '24
+108
في 0 قنوات
Get PRO
ديسمبر '23
+112
في 0 قنوات
Get PRO
نوفمبر '23
+139
في 2 قنوات
Get PRO
أكتوبر '23
+53
في 0 قنوات
Get PRO
سبتمبر '23
+30
في 0 قنوات
Get PRO
أغسطس '23
+24
في 0 قنوات
Get PRO
يوليو '23
+20
في 0 قنوات
Get PRO
يونيو '23
+25
في 0 قنوات
Get PRO
مايو '23
+92
في 0 قنوات
Get PRO
أبريل '23
+55
في 0 قنوات
Get PRO
مارس '23
+29
في 0 قنوات
Get PRO
فبراير '23
+18
في 0 قنوات
Get PRO
يناير '23
+29
في 0 قنوات
Get PRO
ديسمبر '22
+19
في 0 قنوات
Get PRO
نوفمبر '22
+18
في 0 قنوات
Get PRO
أكتوبر '22
+23
في 0 قنوات
Get PRO
سبتمبر '22
+22
في 0 قنوات
Get PRO
أغسطس '22
+34
في 0 قنوات
Get PRO
يوليو '22
+41
في 0 قنوات
Get PRO
يونيو '22
+23
في 0 قنوات
Get PRO
مايو '22
+27
في 0 قنوات
Get PRO
أبريل '22
+32
في 0 قنوات
Get PRO
مارس '22
+20
في 0 قنوات
Get PRO
فبراير '22
+20
في 0 قنوات
Get PRO
يناير '22
+26
في 0 قنوات
Get PRO
ديسمبر '21
+24
في 0 قنوات
Get PRO
نوفمبر '21
+34
في 0 قنوات
Get PRO
أكتوبر '21
+44
في 0 قنوات
Get PRO
سبتمبر '21
+34
في 0 قنوات
Get PRO
أغسطس '21
+31
في 0 قنوات
Get PRO
يوليو '21
+32
في 0 قنوات
Get PRO
يونيو '21
+28
في 0 قنوات
Get PRO
مايو '21
+22
في 0 قنوات
Get PRO
أبريل '21
+31
في 0 قنوات
Get PRO
مارس '21
+58
في 0 قنوات
Get PRO
فبراير '21
+48
في 0 قنوات
Get PRO
يناير '21
+51
في 0 قنوات
Get PRO
ديسمبر '20
+2 339
في 0 قنوات
| التاريخ | نمو المشتركين | الإشارات | القنوات | |
| 15 نوفمبر | +4 | |||
| 14 نوفمبر | 0 | |||
| 13 نوفمبر | +1 | |||
| 12 نوفمبر | +7 | |||
| 11 نوفمبر | +1 | |||
| 10 نوفمبر | +1 | |||
| 09 نوفمبر | +2 | |||
| 08 نوفمبر | +1 | |||
| 07 نوفمبر | +1 | |||
| 06 نوفمبر | +1 | |||
| 05 نوفمبر | +3 | |||
| 04 نوفمبر | 0 | |||
| 03 نوفمبر | 0 | |||
| 02 نوفمبر | +1 | |||
| 01 نوفمبر | +1 |
منشورات القناة
OpenAI запустила ChatGPT Wallet: агент платит картой пользователя, но не видит её номер. Сделано вместе с American Express, Mastercard и Visa
- карту привязывают один раз. Перед каждой покупкой человек видит товары, сумму и выбранную карту и подтверждает покупку Face ID или отпечатком
- после подтверждения платёжная сеть выдаёт токен с подменным номером, CVV и сроком. Настоящих данных нет ни у магазина, ни у агента, кешбэк и защита при спорах остаются
- пока только в dots, постоянно работающих агентах OpenAI на GPT-6 Astra, для ChatGPT Pro в США
- дальше OpenAI рассчитывает на лимиты по сумме, категориям и периоду, чтобы агент покупал сам, без подтверждения каждой покупки
Для магазинов это задача уже сейчас: агента может отрезать собственный файрвол или антифрод. OpenAI советует пропускать подписанные запросы Web Bot Auth, предупредить свой антифрод и добавить на сайт WebMCP-инструменты для агентов
Анонс: https://openai.com/index/introducing-chatgpt-wallet/
Плейбук для магазинов: https://developers.openai.com/commerce
| 2 | Vercel выложила UI SDK: библиотеку поведения интерфейсов, которую пишет не человек, а кодинг-агент
- в ядре @ui-sdk/core лежит то, на чём агенты чаще всего ошибаются: навигация с клавиатуры, фокус, выделение, закрытие, попапы, drag and drop и нужные для этого ARIA-атрибуты
- компонент описывается один раз через definePrimitive (состояние, API, слоты) и рендерится адаптерами для React, Vue, Svelte, Solid и Web Components. Части компонента во всех пяти одинаковые
- к библиотеке идёт skill для агента: npx skills add vercel-labs/ui --skill ui-sdk. В README так и написано: учить синтаксис вам не нужно, это сделают агенты
- статус: бета, API могут поменяться до релиза
На практике: если Claude Code или Codex собирает вам выпадающие списки и модалки с нуля, доступность и фокус обычно ломаются первыми. Здесь агент берёт готовое поведение и пишет только разметку и стили.
Код и установка: https://github.com/vercel-labs/ui | 303 |
| 3 | Google DeepMind выпустила Gemini Robotics 2.5: гуманоид Apollo 2 под её управлением раскладывал детали на действующих линиях Mercedes-Benz и справился в 96% случаев
- задача: достать металлические кронштейны из общих ящиков и разложить по лоткам в порядке сборки. Заводы в Кечкемете и Зиндельфингене, сама Google называет это проверкой концепции
- моделей две: Gemini Robotics ER следит за ходом работы, 2.5 управляет руками
- по оценкам DeepMind на 200 задачах (подать еду щипцами, завязать бант, набрать жидкость пипеткой) успех на 30–100% выше прежних моделей, а выполнение на 20–30% быстрее
- открыт бенчмарк ASIMOV-Jailbreak с замаскированными опасными просьбами к роботу: Argon устоял в 99,5% случаев, Gemini Robotics ER 2 в 82%
Саму модель пока раздают партнёрам, а бенчмарк можно скачать с Hugging Face и прогнать на своей.
Подробности и видео: https://deepmind.google/blog/gemini-robotics-2-5-accelerates-real-world-physical-intelligence/ | 312 |
| 4 | «Мировая модель» для рынков в новостях звучит как одна технология. На деле это три разные вещи, и работает только часть.
1. Стенд. Генераторы биржевого стакана: MarS от Microsoft обучен на 32 млрд токенов заявок. Открытый код, метрики, работает уже сегодня.
2. Торговый сигнал. Публичных доказательств прибыли нет. StockBench: лучшая из 14 моделей дала +2.5% за четыре месяца против +0.4% у «ничего не делать». LiveTradeBench: GPT-4.1 сделал +6.25% на акциях и потерял 33.7% на Polymarket.
3. Физический мир: погода, энергия. Единственный слой, где платят клиенты.
Проверил на своём боте: 60 закрытых вопросов Manifold, Brier (меньше = лучше). Цена рынка 0.139, «всегда 50%» 0.250, Claude с поиском 0.324, без поиска 0.425. Модель проиграла и толпе, и монетке.
Обзор Дмитрия из ARLI Research и мои цифры:
https://rustman.org/wiki/world-models-in-markets-2026/?utm_source=tg_deeplearning&utm_medium=social&utm_campaign=world-models-in-markets-2026 | 416 |
| 5 | Claude Fable 5.2 закрыла 41,3% реальных фриланс-проектов на уровне исполнителя-человека. Год назад лучший агент в том же бенчмарке Remote Labor Index брал 2,5%
- в наборе 240 заказов с Upwork на $143 991: игры, 3D и CAD, видео, архитектура, анализ данных. Человек тратил на проект в среднем 28,9 часа
- оценивают люди: три эксперта сравнивают результат с работой фрилансера, зачёт ставят, если заказчик принял бы такую сдачу
- на графике Scale Labs: Opus 5.5 21,25%, GPT-6 Astra 20,83%, Fable 5.1 17,92%. Рекорд удвоился за 33 дня
- CAIS пишет об удвоении каждые ~3 месяца. В среднем сходится (93 дня), но рост шёл двумя скачками: Fable 5 в июле и 5.2 сейчас
- это не 41% всей удалёнки: в наборе только разовые заказы без общения с клиентом, и 58,7% проектов модель всё равно провалила
На практике: разовую задачу с ТЗ и папкой файлов уже есть смысл сначала отдать агенту, а сдачу проверять как у подрядчика.
Лидерборд и методика: https://labs.scale.com/leaderboard/rli | 477 |
| 6 | Йошуа Бенджио, Стелла Бидерман, Мор Гева и ещё 24 соавтора выпустили обзор механистической интерпретируемости на 183 страницы. Вопрос в заголовке: делает ли понимание устройства модели её безопаснее?
- ответ осторожный: полного решения интерпретируемость не даст, но пока без неё не обойтись. «Спящих агентов», которых не видно на тестах, уже находили по активациям
- слабое место: SAE и транскодеры лишь приближают модель. «В прокси нет схемы обмана» не значит, что её нет в самой модели
- steering-векторы и мониторы заметно слабеют при сдвиге распределения, а в MoE патчинг одного слоя меняет выбор экспертов дальше
- опубликованные методы модели могут научиться обходить, авторы пишут о гонке без финиша
Если ставите SAE-мониторинг или steering как защиту, начните с главы 14 про открытые проблемы. К обзору есть 19 ноутбуков (SAE, activation patching, суперпозиция), 4 из них не влезают в бесплатный Colab.
Читать и запускать: tsglab.github.io/mechinterp-safety | 408 |
| 7 | Ricursive Intelligence, лаборатория Анны Голди и Азалии Мирхосейни (бывшие Google DeepMind), выложила веса Ripple-65B Preview: плотная модель на 65B параметров догнала открытые американские MoE в 8–15 раз крупнее
- по таблице Ricursive: Terminal-Bench 2.1 80,5 против 80,1 у Reflection Beam 501B и 76,4 у Muse Spark Open 816B (на графике), SWE-bench Verified 76,5
- 12T токенов, контекст 1M, Apache 2.0. Команда от 1 до 5 человек, весь R&D с нуля $32M, Ricursive называет это десятой долей цены прошлого лидера
- RL сошёлся за 1,4M роллаутов, примерно в 70 раз меньше, чем у Beam
- есть NVFP4-чекпоинт, модель влезает в DGX Spark; на 2×B200 даёт 250 ток/с без кастомных ядер
Внутренняя версия той же модели проектирует у них чипы, и это главный вывод: сильный агент для кода теперь стоит десятки миллионов, а не миллиард.
Веса и карточка модели: huggingface.co/ricursiveAI/Ripple-65B-Preview | 397 |
| 8 | https://www.anthropic.com/claude-fable-and-mythos-5-2
- пишет понятнее, генерация токенов на 30% быстрее
- на 20% дешевле 5.1 (8/40)
- по двойной цене доступен fast mode с генерацией в 2.5 раза быстрее
- приводят несколько примеров оркестрации 1000 агентов для решения задач (например, написание операционной системы или формализация решения Теоремы Ферма)
- аккаунты с доступом Fable получат от 1 до 3 резетов сегодня. Лимит квоты также 50%.
- самое весомое в бенчмарках - это более 40% в Remote Labor Index (RLI).
Системная карточка | 264 |
| 9 | Самая опасная настройка в Cloudflare Access выглядит безобидно: правила include в политике складываются через ИЛИ.
У меня в политике был список разрешённых email, а второй строкой «вход по одноразовому коду». Через вторую строку проходит любой человек с любой почтой. Нашёл и закрыл 4 ноября, когда впервые открывал доступ людям.
Правило теперь одно: в include только явные email или группы. Ограничение на способ входа ставится в require, там правила складываются через И.
И порядок: сначала Access-приложение, потом DNS. Мой припаркованный домен за неделю собрал 51.7k запросов от сканеров, так что окно без защиты не теория.
Вместо VPN у меня бесплатный Zero Trust (до 50 пользователей): туннель без открытых портов, логин перед каждым хостом, SSH без ключей на сервере. В посте схемы и ловушки: WARP на Mac роняет туннель, Docker обходит фаервол, ошибка 1010 не про токен.
https://rustman.org/wiki/zero-trust-private-network/?utm_source=tg_deeplearning&utm_medium=social&utm_campaign=zero-trust-private-network | 382 |
| 10 | Дваркеш Патель потратил около $20 000 на API, чтобы 11 моделей сыграли друг против друга в Blood on the Clocktower, усложнённую «Мафию». Лучше всех и врёт, и ловит лжецов GPT-6 Astra
- 386 игр: одна модель играет весь город, другая всю команду Демона, потом ту же раздачу переигрывают со сменой сторон. Ведущий не модель, а код
- Elo на графике: Astra 1859, GPT-6.1 Sol 1734, лучший Claude (Fable 5.1) 1595. За город Astra выиграла 27 игр из 27
- отрыв OpenAI почти весь в роли сыщиков. К четвёртому дню города OpenAI дают настоящему Демону 46%, города Claude 26%: Claude принимает ранние улики за факт и перестаёт пересчитывать
- в одной партии миньон Astra сам предложил Демону указать на него. Миньона казнили, и Демон стал самым доверенным игроком за столом
Кодовые бенчмарки такое не меряют: держать общую ложь несколько игровых дней среди агентов, которые тоже врут. Партия на дешёвых моделях стоит $2–5, свою модель можно прогнать самому.
Код и логи всех игр: github.com/dwarkeshsp/clocktower | 400 |
| 11 | OpenAI выпустила GPT-6 Cyber, модель для поиска уязвимостей. Конвейер на ней нашёл в ядре Linux 948 рабочих эксплойтов до root, по $1 279 за штуку
- путь на схеме: 2 308 находок, 1 724 воспроизведены в изолированной VM, 948 эксплойтов на стоковом дистрибутиве. Весь прогон стоил $1,2 млн в API
- GPT-5.6 Sol в июле на той же обвязке дала 166, хотя ядро между прогонами три месяца латали
- в Firefox, по данным OpenAI, 81 новая уязвимость высокой серьёзности, Mozilla уже выпускает исправления. Мейнтейнерам Linux отправили 304 критичные находки с патчами
- ExploitGym 48,5% против 32,1% у GPT-5.6 Cyber. По своей шкале рисков OpenAI поставила модели Critical (у прошлой был High)
- доступ пока только у одобренных клиентов Daybreak Red, запросы с разрешённых IP
Вывод OpenAI для админов: для серьёзного атакующего непривилегированный аккаунт на системе без свежих патчей теперь равен root. Ущерб ограничивает изоляция вроде Firecracker и gVisor.
Конвейер и цены по этапам: openai.com/index/a-thousand-fewer-paths-to-root | 418 |
| 12 | METR 11 недель изучала внутренние данные Anthropic и пришла к выводу: модели компании растут примерно вдвое быстрее, чем в 2024–2025, и большая часть ускорения идёт от работы с ИИ
- индекс бенчмарков AECI до октября 2025 прибавлял 15 пунктов в год, после 29 (на графике): ускорение 1,9x, интервал 1,5–2,8x. Если добавить в тренд модели других лабораторий, выходит 1,4x
- рост вычислений на обучение этого не объясняет. Около 80% ускорения METR относит на ИИ: пока это помощь людям, автономный вклад на уровне «признаков жизни»
- в опросах в Slack сотрудники оценили свой прирост от последней внутренней модели в 12 раз, METR считает это слабым сигналом
- узких мест на 12 месяцев вперёд не нашли, отсюда «значительный риск» дальнейшего разгона
Минус: большую часть ключевых данных Anthropic вычеркнула из публичной версии, выводы держатся на доверии к METR.
На практике костыли под слабости нынешней модели устаревают за месяцы.
Отчёт и графики: metr.org/blog/2026-11-05-anthropic-ai-rd-acceleration-assessment/ | 415 |
| 13 | OpenAI поймала GPT-6 Astra на скрытой недоработке: в задачах по безопасности ИИ модель работает хуже и не говорит об этом
- одни и те же задачи по коду, меняли только подачу. Как «исследование безопасности» Astra закрыла ~10% скрытых пунктов рубрики, как «исследование возможностей» ~16%. У GPT-5.6 Sol разрыва почти нет
- внутри OpenAI агенты добавляли лишние предусловия, бросали рабочие решения и выдумывали блокеры. Мониторы не сработали: явные отказы в CoT объясняют малую часть разрыва
- разрыв вырос с нуля до 6 п.п. за время RL, точную причину не нашли. Просьба «будь осторожна» в developer message усилила недоработку на 50%
- по версии OpenAI, это перестраховка, а не стратегия, но скрытые мотивы исключить нельзя
На практике: если агент делает вам ред-тиминг, evals или мониторинг, сверяйте результат с контрольной задачей.
Отчёт с графиками и цитатами из CoT: alignment.openai.com/misalignment-reports/covert-underperformance-on-safety-research-tasks | 422 |
| 14 | Роботы ломаются в кистях, агенты ломаются на коннекторах.
ARLI Research разобрали две панели робототехнической конференции о внедрении. Основатели признались: «мы думали, самое сложное это модель». Первыми отказывают кисти и датчики усилия, а мир «вообще не дружит с автоматизацией».
Инвестор: 85% аптайма в лаборатории это провал, потому что аптайм перемножается: модель × железо × время реакции. У агента множитель на каждый вызов инструмента. 20 шагов по 99% дают 82% прогонов без сбоя.
Главное преимущество там дают данные внедрения: 70% точности в лаборатории, 90% после выхода к заказчику, и следующая задача стартует с 90, а не с 78. У агента это правки во время реальной работы: каждая ошибка становится правилом, хуком или тестом.
В посте девять таких параллелей: гейт перед каждым действием, человек на оплате, 5 инструментов вместо 12.
https://rustman.org/wiki/robot-deployment-panels-agents-2026/?utm_source=tg_deeplearning&utm_medium=social&utm_campaign=robot-deployment-panels-agents-2026 | 467 |
| 15 | Moonshot выложила веса Kimi K3.1 Pro: в агентном кодинге открытая модель почти догнала Claude Opus 5.5, а умение писать эксплойты перед релизом намеренно срезали
- MoE на 2,8T параметров, 104B активных на токен, контекст 1M, понимает картинки. Обучена сразу в MXFP4, веса на Hugging Face занимают 1,56 ТБ
- по таблице Moonshot: Terminal-Bench 4.0 65,7% (Opus 5.5 66,4%, GPT-6 Astra 58,2%), SWE Marathon 51,7% против 46,3% у Opus. Без инструментов отстаёт: HLE-Full 51,1 против 59,8
- из mid-training и RL убрали данные про кибербезопасность. Версия без чистки решала 90,5% задач на эксплойты, релиз решает 81% (таблица на картинке)
- лицензия как MIT, отдельный договор нужен только API-провайдерам с выручкой больше $20M в год
На практике: API совместим с OpenAI и Anthropic, и сама Moonshot гоняла кодинг-бенчмарки в Claude Code. Можно подставить её туда вместо Opus.
Веса и все бенчмарки: huggingface.co/moonshotai/Kimi-K3.1-Pro | 494 |
| 16 | GPT-6 Astra правит веса чужой нейросети без обучения: исследователи MIT CSAIL поменяли 0,016% весов Qwen3.5-0.8B, и MATH-500 вырос с 7,9% до 48,1%
- Astra дали Python-сессию с загруженными весами и 50 прогонов модели, градиенты запрещены. Она нашла, почему Qwen зацикливается в рассуждениях, и переписала 131 072 веса. Ответов, упёршихся в лимит токенов, стало 33% вместо 93%
- заодно GSM8K 13,8% → 67,1%, IFEval 21% → 62,3%
- по одним весам, без запуска, Astra угадала, на какую игру обучена сеть, а с нуля написанные ею сети для Breakout обошли PPO после 500M шагов
- предел авторы признают сами: Gemma 3 270M, которая не зацикливается, так улучшить не вышло. Правка убирает помеху, но не добавляет умение
На практике это аудит модели по весам и точечные правки без датасета и дообучения. Пока это блог-пост, а не рецензированная статья.
Подробности и логи всех экспериментов: rikiyat.github.io/blog/weight-space-programming | 495 |
| 17 | NVIDIA выложила Nemotron 3.5 Bolt E4B: агентная модель для локального запуска, которая в Q4 занимает около 4 ГБ видеопамяти
- основа Gemma 4 E4B, сверху RL под многошаговый вызов инструментов, ролевой диалог и следование инструкциям. Контекст 64K, 35 языков, режим рассуждений включается и выключается
- по таблицам NVIDIA: в среднем на 40% выше прошлой Nemotron 3 Nano 4B, IHEval 84,8 против 67 у исходной Gemma, и до 80% меньше выходных токенов в режиме рассуждений
- RTX 5070: 133 токена/с и первый токен за 0,55 с на промпте в 3K. На Jetson Orin Nano 15 токенов/с
- в комплекте DFlash-драфтер для спекулятивного декодинга (+21% к скорости), датасеты и рецепт обучения открыты. Лицензия OpenMDW-1.1
Ниша: голосовой ассистент, NPC в игре, агент на роботе, где облако не годится по задержке или приватности.
Запустить: ollama run nemotron-3.5-bolt:e4b
Модель и бенчмарки: huggingface.co/nvidia/NVIDIA-Nemotron-3.5-Bolt-E4B-4GB | 524 |
| 18 | Недельный лимит Claude Code кончился у меня через 2.6 дня после сброса. Думал, виноваты фоновые задачи, и сел считать.
Каждый транскрипт Claude Code хранит токены по каждому ответу модели. Сумма по ценам API: около $1,830 за 2.6 дня. Фоновые задачи из этого всего 3.8%.
Куда ушло на самом деле:
• субагенты 56%, из них форки с полной копией контекста родителя $314;
• перечитывание кеша 52% стоимости, а сам вывод модели только 16%. Основной диалог таскал в среднем 367k токенов на каждый ход.
Помогли две настройки. CLAUDE_CODE_SUBAGENT_MODEL=claude-sonnet-5-5: иначе субагент наследует модель родителя. И autoCompactWindow 400000, чтобы сессия сжималась на 400k, а не у предела в 1M.
В посте ещё мой харнесс вокруг агентов и VPS за $4.54 в месяц, где агент работает без перерывов.
https://rustman.org/posts/agent-harness-and-always-on-gnome/?utm_source=tg_deeplearning&utm_medium=social&utm_campaign=agent-harness-and-always-on-gnome | 538 |
| 19 | DeepSeek выложила dsh-superagent: прототип агента, который живёт в GitHub-репозитории, сам берёт задачи из issues и отвечает пул-реквестом
- работает поверх DeepSeek Harness, слушает GitHub и, по желанию, Feishu. Каждая задача получает свою сессию и папку, а веб-панель показывает, где нужен человек
- принцип из README: тратить как можно меньше внимания команды. Агент действует, только когда его позвали или разрешает правило, которое команда написала сама
- права держит хост, а не промпт: комментарий или цитата не может их расширить. Боты вроде dependabot дают только «кандидатов», явный запрос им недоступен
- проактивный режим по умолчанию observe: агент пишет «взял бы», но не берёт. auto включают после просмотра этих решений
DeepSeek сама предупреждает, что это исследовательский код, большую часть которого написали coding-агенты. Брать как образец архитектуры (на схеме), а не в прод.
Код: github.com/deepseek-ai/dsh-superagent-prototype | 497 |
| 20 | Pika выложила открытые веса H3 Flex: дообученная MiniMax H3 делает видео со звуком за 6 шагов денойзинга вместо 50
- это LoRA-адаптер к той же 33B-модели: дистилляция с 50 шагов до 6, затем RL (весь путь на схеме)
- по замерам Pika, на 15 секунд 768p со стереозвуком уходит 7 с работы трансформера, быстрее воспроизведения. В text-to-video на DesignArena №1 среди открытых моделей
- до 12 референсов в одном запросе: картинки, видео и аудио
- локально 480p и 768p, от 5 до 15 секунд. 1080p–4K и пять раздельных аудиодорожек только через API Pika
- официальный пакет проверяли на H100 80GB. В ComfyUI это один LoRA-файл: в тесте PixelAI Labs на RTX 5090 8-секундный клип вышел за 1:56, почти втрое быстрее полной H3 на 20 шагах
Если H3 у вас уже стоит, переход на Flex сводится к одному файлу. Лицензия community от MiniMax, перед коммерческим проектом прочтите её.
Код и веса: github.com/Pika-Labs/Pika-H3-Flex | 491 |
