Data Secrets

Google выпустили новые открытые модели T5Gemma-2 и FunctionGemma 🟦 T5Gemma-2 – это очередное эффектное возвращение encoder-decoder архитектуры, теперь с длинным контекстом до 128K токенов и мультимодальностью. Как и первая T5Gemma, которая вышла летом, T5Gemma-2 обучалась на основе обычной Gemma, которая представляет из себя decoder-only. Летом Google показали основную идею адаптации: инициализируем encoder-decoder весами decoder-only и продолжаем претрейн через UL2. Теперь этот подход перетянули в multimodal и long-contex, плюс добавили некоторые архитектурные оптимизации. В итоге получилось, что в этот раз это уже не просто эксперимент с архитектурой, а реально полезная моделька. У нее мозги Gemma, но она лучше (+дешевле) переваривает длинные контексты, потому что имеет encoder. Так что если у вас задача типа суммаризации или работа с большими доками – смело используем. Есть варианты на 270M-270M, 1B-1B, 4B-4B (примерная оценка суммарных параметров ~370M / ~1.7B / ~7B). Instuct, к сожалению, не публикуют, а претрейн-чекпоинты лежат тут. 🟦 FunctionGemma – это малюсенький tool-caller для агентов, всего на 270M параметров. По сути, это основа для автономного локального агента. То есть это больше не диалоговая модель, а именно генератор structured function call. У нее даже токенизатор отличается от обычной Gemma. Она может в генерацию текста, но основная ее роль – вызвать нужные инструменты, чтобы выполнить задачу. Короче, что-то типа Siri именно для выполнения оффлайн задач на устройстве. Google подчеркивают, что модель заточена под дообучение (а не промптинг) на конкретные задачи. Например, в кейсе из блогпоста ее достаточно дешево дообучили на Mobile Actions, и точность выросла с 58% до 85%. Вот веса и блогпост с интересными примерами. Все-таки Google молодцы

Новый вайб-проект от Андрея Карпаты: проверяем, какие предсказания из 2015 сбылись Исследователь провел маленький, но очень занятный эксперимент. Он взял 930 фронтпейдж-тредов Hacker News за декабрь 2015 года (посты + комментарии) и прогнал их через GPT-5.1 Thinking с задачей «оценить задним числом и определить, какие прогнозы были наиболее правдивыми». В итоге 3 часа вайбкодинга, 60 долларов и вуаля: получилась система, которая ранжирует прогнозы по правдивости, исходя из того, что происходит спустя 10 лет. Кому интересно, посмотреть результаты можно здесь, местами очень забавно. Но проект, вообще-то, интересен еще и с теоретической точки зрения. Как пишет и сам автор, такой In-hindsight анализ = инструмент обучения предсказательному мышлению. Если LLM может систематически разбирать, почему одни прогнозы переживают 10 лет, а другие нет, то это можно использовать для обучения моделей самостоятельно предсказывать будущее. Тогда получается, что каждый ваш (или чей-то еще) коммент или пост в интернете – это своего рода future-labeled sample, у которого спустя время появится «правильный ответ», сбылось/не сбылось/было чушью. А какая-нибудь будущая модель, увидев много-много таких обучающих сигналов, научится надежно понимать, как приходить к статистически сбывающимся предсказаниям и тогда… 🤯 Ну, в общем, как когда-то сказал Карпаты: Be good. Future LLMs are watching. Код | Блогпост

Так, ну что, теперь очередь инвестировать в OpenAI добралась до Amazon По итогам ранних переговоров, компания инвестирует в стартап 10 миллиардов долларов. Если все пойдет по плану, сделка добьет оценку OpenAI до 500 миллиардов. Договор точно будет предполагать поставку OpenAI чипов Trainium и аренду дополнительных мощностей в AWS. Будут ли непосредственно финансовые вложения пока непонятно.

🖥🖥🖥🖥🖥🖥🖥🖥🖥🖥 🖥🖥🖥🖥🖥🖥🖥🖥🖥 🖥🖥🖥🖥🖥🖥🖥🖥🖥 Ваш путеводитель по ИТ Каждый разработчик знает ощущение, когда в проекте накапливается техдолг, а автотесты начинают жить своей жизнью. В такие моменты могут помочь кейсы от коллег по цеху: как допилить CI/CD, как сэкономить время на фиче или как спасти продукт в кризисное время. Именно такие истории регулярно появляются в МТС True Tech вместе с разбором технологий и подборками инструментов. А еще у сообщества есть офлайн и онлайн-мероприятия. Совсем недавно прошел True Tech Champ — чемпионат по алгоритмическому и робототехническому программированию с призовым фондом более 10 млн рублей. Анонсы следующих событий вы сможете найти также в @truetechcommunity, там проще всего за ними следить. 🖥🖥🖥🖥 Реклама. ООО "МТС Веб Сервисы". ИНН 7707767501. Erid: 2W5zFHYZSek

В 2026 Nvidia сократит выпуск игровых видеокарт на 30-40% По данным азиатских цепочек поставок и утечек с китайских форумов, речь идет именно о GeForce RTX 50‑серии. Основной мотив тот же – глобальный дефицит видеопамяти. NVIDIA перераспределяет ресурсы в пользу дата‑центров и ИИ‑ускорителей. Там спрос и маржа существенно выше, чем на рынке потребительских видеокарт. Все геймеры прямо сейчас:

В ChatGPT спустя два месяца после анонса наконец добавили App Store Напоминаем, что приложения – это то, что раньше называлось коннекторами. ChatGPT соединяется с каким-нибудь сервисом, и в результате вы можете работать с ним с помощью бота, не выходя из чата. Ну, например, пишете «хочу плейлист для тренировки», бот вызывает Spotify, составляет плейлист прямо там и скидывает вам готовую ссылку. Сейчас в стор, помимо уже существующих интеграций, добавили новые. Из интересного – Apple Music и DoorDash, например. Но самое приятное в другом: разработчикам разрешили сабмитить собственные приложения! Это уже серьезный намек на монетизацию. Если хотите попробовать, то вот, что надо знать: – Все приложения должны разрабатываться на основе библиотеки Apps SDK, вот документация с пошаговыми гайдами – Все приложения должны соответствовать установленным требованиям по дизайну, UX и прочее. Вот ссылка со всеми условиями, не пропустите ее. – После разработки отправляем приложение на проверку сюда, здесь же можно будет трекать метрики и управлять приложением, если оно попадет в стор Интересная возможность. Особенно для тех, у кого есть собственный продукт.

⚡️ Google выкатили Gemini 3 Flash Обещают frontier-уровень интеллекта при низкой цене и минимальной задержке: быстрые рассуждения, сильный кодинг и нормальную мультимодальность для реального продакшена, а не только демо. По бенчмаркам: уверенно выступает на GPQA Diamond и Humanity’s Last Exam (PhD-уровень задач), а на MMMU Pro почти догоняет Gemini 3 Pro. По скорости и стоимости заметно быстрее 2.5 Pro, при этом использует меньше токенов. На SWE-bench Verified обгоняет не только 2.5-ю линейку, но и Gemini 3 Pro. https://blog.google/products/gemini/gemini-3-flash/

Пища для размышлений вам на вечер: Ян Лекун заявил, что понятия «general intelligence» вообще не существует Обычно этот термин употребляют, чтобы обозначить человеческий уровень интеллекта, но, по его словам, человеческий интеллект очень узкоспециализирован. Мы хорошо ориентируемся в мире и общаемся, но есть много вещей, в которых мы плохи (например, шахматы) и вещей, в которых животные лучше нас.

«Мы думаем о самих себе как об общем интеллекте, но это только иллюзия. Наш интеллект общий только в тех задачах, которые мы можем придумать, но есть много задач, о которых мы и понятия не имеем. Так что general intelligence полная чушь.»

Этот отрывок вызвал много споров в соцсетях. Например, Hunter Ash комментирует это так:

«Если Ян может рассуждать об интеллекте в целом, то он уже представить общего интеллекта, а не узкоспециализированного. Да, в шахматах мы хуже компьютеров, но мы можем играть в любые игры и понимать, почему та или иная стратегия хуже или лучше (неважно, насколько хорошо мы это делаем). Конечно, есть пределы, но в широком смысле это и есть универсальность интеллекта»

Илон Маск тоже оказался несогласен с мнением Лекуна, но сильно в аргументах не рассыпался: просто написал, что ученый «давно выжил из ума» ✌️

Где взять полный стек инструментов для работы с GenAI

2025-й стал годом экспериментов: бизнес пробовал разные модели, собирал свои первые RAG-системы, тестировал агентов для клиентов и сотрудников. В 2026-м фокус смещается с экспериментов на промышленное внедрение и масштабирование.

Чтобы не собирать решения по частям и не упираться в инфраструктурные ограничения, Cloud.ru запустил Evolution AI Factory — среду для внедрения GenAI в ваши проекты.

Там можно: 😶‍🌫️быстро собрать MVP 😶‍🌫️протестировать 20+ LLM 😶‍🌫️дообучить их на своих данных 😶‍🌫️собрать AI-агента или мультиагентную систему

Все это на российских серверах и с доступными ценами. Узнайте больше про Evolution AI Factory

OpenAI поместили GPT-5 в реальную биологическую лабораторию, и модель оптимизировала процесс клонирования ДНК в 79 раз Стартап заколабился с Red Queen Bio и провел первый в истории эксперимент, в рамках которого GPT-5, фактически, работала в условиях реального научного мира. Это называется wet lab и представляет из себя вот такой закрытый цикл: 1. Модель предлагает гипотезу и план реализации 2. Люди или роботы в лаборатории строго выполняют инструкции и замеряют результат 3. Этот результат возвращается GPT-5, она анализирует, что сработало, что нет, и предлагает новую итерацию В качестве задачи выбрали молекулярное клонирование, а конкретно – Gibson Assembly. Это базовый протокол молекулярной биологии. Целью было его оптимизировать (метрика простая: число успешных колоний). Gibson Assembly – старый и изучен очень хорошо, так что супер-эффекта никто не ожидал. Такой оптимизацией даже сами ученые редко занимаются, потому что делать это нужно для каждого кейса отдельно, для этого требуется много времени и экспериментов, а результаты максимум х2-х3. Но в итоге модель всех удивила: за несколько раундов система стала 79 раз эффективнее, чем исходный метод. Причем результат был стабильным и надежно воспроизводился. Конкретнее, GPT-5 предложила добавить в одну из реакций два белка: RecA и gp32. Они оба хорошо известны, но никто раньше не использовал их функционально вместе именно в клонировании. Прорывом это, конечно, назвать нельзя. Скорее просто уровень хорошего PhD-студента в довольно специфической задаче. Но интересно другое: довольно успешная смена роли модели с просто генератора текста или агента внутри компьютера на активного участника физического процесса. openai.com/index/accelerating-biological-research-in-the-wet-lab/

OpenAI выкатили ответ на Nano Banana – GPT Images Обещают фотореалистичность, отличное следование инструкциям и очень высокое качество редактирования изображений, включая многошаговый edit, где нужно сохранять лицо или другие детали неизменными. А еще генерация теперь будет в 4 раза быстрее. В ChatGPT Images уже доступны всем юзерам (да, и бесплатно тоже, но про лимиты пока непонятно). В API выкатили как GPT Image 1.5 Пробуем пробуем пробуем!

Пока ждем Gemma 3 и Gemini 3 Flash – принимаем пасхалки от OpenAI (теперь в лист ожидания попадает еще и новая image моделька)

Словарь Merriam-Webster выбрали «Slop» в качестве слова года

Мы определяем slop как цифровой контент низкого качества, который обычно массово производится с помощью искусственного интеллекта. В 2025 году это были абсурдные видео, кривые рекламные картинки, пошлая пропаганда, фальшивые новости. Люди считают это раздражающим, но потребляют.

Вообще, исторически, slop означало что-то типа помоев (образовалось от звука, который издает грязь, когда в нее наступаешь). Затем слово приобрело значение «пищевые отходы», еще позже – просто «хлам». И вот, в 21 веке, оно опять заиграло новыми красками. Спасибо ИИ 🙄

Новый день – новые модели: Nvidia выпустили прекрасную Nemotron 3 Nano В ней 31.6B параметров, но активных всего 3.6B (это MoE). Запустить можно на 24ГБ RAM. Зафайнтюнить можно на 60ГБ VRAM. Контекст – 1 миллион токенов. По метрикам, внимание, обходит Qwen3-30В-А3В-Thinking и GPT-oss-20B-А4В. Получается, модель не просто конкурентоспособная, но и лучшая в своем классе на многих основных бенчмарках: SWE-bench, GPQA и др. И еще – моделька очень шустрая, выдает больше 350 токенов в секунду. Это в 3-4 раза быстрее того же Qwen. Nvidia умеют удивлять. Веса (+датасеты!) | Статья | Блогпост P.S. Любителям опенсорса напоминаем, что сегодня также все еще ждем новенькую Gemma-3

Крах OpenAI и нормальный Siri: смотрим, что журналисты напредсказывали на 2026 Декабрь любим в первую очередь за всевозможные «итоги года» и прогнозы. Почти никогда они не сбываются, но читать все равно интересно. У The Verge совместно с The Wall Street Journal как раз вышел подкаст с гаданием на судьбу тех.индустрии в 2026. Что говорят: – У Apple в 2026 наконец появится нормальный голосовой ассистент, причем (почему-то) с акцентом на эмпатию и «душевное» общение. Но как бы там ни было, если и в 2026 Apple с ИИ ничего не придумают, то земля им пухом. – OpenAI перестанет быть доминирующим игроком, если все останется в текущем виде. Бизнес-модель типа ChatGPT сама по себе не окупает объем привлеченных денег, так что шансы остаться на плаву у стартапа есть только если вокруг их продукта появится некая экосистема или гаджет. Спорное заявление, конечно, но, с другой стороны, последние события показывают, что какие-то изменения компании действительно нужны. – Поворотная точка произойдет в восприятии автономного транспорта и роботов. Будет либо «ну ок, это работает», либо усиление недоверия из-за инцидентов. Тут есть ощущение, что немного забежали вперед: кажется, что массовым использованием роботов и беспилотных авто в 2026 все еще не пахнет. – ИИ-слоп достигнет апогея, и соцсети спасут только новые механизмы рекомендаций. Вот это похоже на правду больше всего. А ваши прогнозы на 2026?

Сегодня, кстати, ждем новый опенсорсный релиз (привет, Gemma 4!) от Google Должны завезти уже совсем скоро

«Главной ошибкой Google было недооценить трансформеры» – Сергей Брин Стэнфорд выпустил интересное Q&A с Сергеем Брином. В нем основатель Google говорит, что успех OpenAI, по сути, не в технической составляющей, а в том, что они поверили в скейлинг и чат-ботов. Google выпустили трансформеры в 2017 году, но не восприняли их достаточно серьезно, чтобы инвестировать крупные суммы. То же самое – с чат-ботами. Google не хотели раскатывать подобное на пользователей, потому что боты «иногда говорили чепуху». А OpenAI выпустили – и сорвали куш. А представьте, если бы Google не опубликовали статью о трансформерах, оставили технологию закрытой и сами влили в нее пару миллиардов в 2017… youtu.be/0nlNX94FcUE?si=Hmj92pGtpTVfc3db

Новый скандал с OpenAI: публикуемые исследования теперь подвергаются в компании жесткой цензуре Недавно из компании ушел старший экономический исследователь Том Каннингем. Wired получили доступ к его прощальному меморандуму и выяснили, что уволился он из-за того, что руководство «превратило исследовательскую команду в инструмент пропаганды». Оказывается, в компании теперь очень осторожно относятся к публикации работ, относящимся к рискам ИИ для экономики. Например, вместо исследований о влиянии ИИ на рабочие места, они предпочитают опубликовать какие-нибудь положительные результаты.

«Команда отклонилась от реальных исследований к продвижению корпоративных интересов» – пишет Том.

По этой же причине из стартапа ушел еще как минимум один сотрудник экономической команды. В других подразделениях несколько ушедших сотрудников тоже жаловались на «на сложности с публикацией важных работ». Компания цензуру отрицает. Но теперь экономические исследования курирует Аарон Чаттерджи. В сентябре именно он выпустил отчет о том, как ChatGPT ускоряет и удешевляет работу.

Google понемногу двигаются к тому, чтобы обучать роботов с помощью ИИ-моделей мира Они выпустили статью, в которой сделали первый большой шаг к соединению Veo и робототехники. Это пока не про полноценное обучение роботов в ИИ-симуляции (не обольщаемся), но результаты все равно интересные и важные. Кратко: у исследователей получилось научить Veo-2 предсказывать, что конкретно будет видеть робот, совершая те или иные действия. Они взяли базовую Veo-2 и дотюнили ее по первому кадру + действиям робота генерировать будущие согласованные кадры с его 4 камер. Это называется action-conditioned rollout и, по сути, позволяет недорого и безопасно оценивать политику робота с помощью одной только world модели. Полученный дотюн, кстати, красиво назвали Veo (Robotics). Чем это круче, чем обычная симуляция? Строгие физические симуляторы работают хорошо, если ситуация простая и предсказумая. ИИ-симуляцию можно масштабировать на нетривиальные миры. Более того, каждый объект в физ.симуляторе требует четких ассетов и ручной настройки + больших вычислений. Сильно далеко на таком не уедешь. А тут – добавляй новые предметы и кейсы сколько хочешь, достаточно промт написать или отредактировать начальный кадр с помощью Nano Banana. Конечно, есть и минусы. В основном они касаются качества моделирования строгой, в особенности мелкой, физики. Но тут еще все впереди. По сути: Google научились довольно сносно (см последний график) эвалить политику робота с помощью Veo. Добавь обновление политики, и уже получишь обучение с подкреплением. Пока что этого не делают сознательно, опять же из-за недостаточной точности World model. Но еще раз: шаг большой. https://www.alphaxiv.org/abs/2512.10675

Самая внезапная новость за неделю: Zoom (да, тот самый) выбил со своей моделькой SOTA результат на Humanity’s Last Exam Со скором 48.1% они опередили предыдущего лидера – Gemini 3 Pro (+tool) – почти на 3 процентных пункта. Но вообще, хотя и результат объективно крутой, надо заметить, что говорить о таком сравнении не очень честно. У Zoom не одна модель, а хитрый ансамбль, или точнее федеративная AI-система. Несколько моделей (включая собственные от Zoom + партнерские от Meta, OpenAI и Anthropic) работают в пайплайне: маршрутизируют задачи, генерируют варианты ответов, проверяют, критикуют друг друга и объединяют результаты. https://www.zoom.com/en/blog/humanitys-last-exam-zoom-ai-breakthrough/