Data Mining | Анализ данных🚀
Open in Telegram
• Купить рекламу: t.me/sahib_space • Группа в ВК: vk.com/datamining.team
Show more3 042
Subscribers
No data24 hours
-37 days
-1030 days
Posts Archive
Mundo превращает фотографии помещения в виртуальную сцену, где можно перемещаться и взаимодействовать с предметами.
Система сначала собирает упрощённую 3D-схему помещения. Затем AI-агент в коде уточняет расположение объектов и задаёт их физические свойства: массу, трение и др. Дальше физический движок рассчитывает движение и столкновения, а видеомодель превращает результат в ролик, сохраняя облик исходной комнаты. Например, можно смоделировать, как робот достаёт сумку из шкафа и кладёт её на кровать.
За счёт такой связки Mundo не просто генерирует красивое видео, а опирается на физическую симуляцию. Выглядит как заготовка для Real-to-Sim: сфотографировал помещение, получил цифровой полигон, где робота можно погонять до выхода в реальный мир.
Пока это лишь исследовательский прототип, причём довольно медленный. Сборка одной сцены занимает 10-20 минут, а видео генерируется со скоростью около 1,5 кадра в секунду на восьми A800. Мелкие предметы могут зависать или меняться между кадрами. Насколько такая симуляция помогает роботам справляться с задачами в реальных помещениях, авторы пока в цифрах не показали.
Anthropic хочет, чтобы Claude сам разбирался, когда тебе стоит написать.
Для этого компания представила Claude Duet - отдельное приложение, которое проверяет подключённые сервисы, замечает важные дела и предлагает следующие шаги.
Например, Duet может заметить, что встреча в календаре стоит прямо перед перелётом, и предложить её перенести. В Claude Cowork и раньше были задачи по расписанию, но здесь агент сам пытается определить, что требует внимания. По утрам он готовит сводку дел, а в течение дня проверяет, не появилось ли что-то срочное.
Пока это ранняя версия, и насколько хорошо Claude справляется с такой самостоятельностью, ещё предстоит проверить. Anthropic открыла лист ожидания для подписчиков Pro и Max в США. Фоновые проверки расходуют общий лимит Claude, а важные действия вроде отправки писем или оплаты требуют подтверждения.
Вышел llm-d 1.0 - открытый диспетчер для серверов, на которых крутятся LLM.
Когда кодинг-агент возвращается к своей задаче, llm-d ищет сервер, где уже сохранились вычисления по её истории. Так модели не приходится лишний раз обрабатывать один и тот же текст. А если агенты засыпают систему фоновыми задачами, запросы живых пользователей можно пропустить вперёд.
Сами эти приёмы, конечно, не новые - vLLM и SGLang уже умели сохранять вычисления, а маршрутизация с учётом кэша встречалась и в других системах. Тут фишка в том, что llm-d собирает всё это в одну открытую систему, которую можно встроить в свой серверный кластер. В версии 1.0 её довели до более приземлённых задач - работы под нагрузкой и обновлений без остановки сервиса. Звучит не так эффектно, как новая модель, зато именно на таких вещах сервисы обычно и спотыкаются.
У Google на тесте для кодинг-агентов первый токен ответа приходил более чем на 85% быстрее, а система обрабатывала в 2,4 раза больше запросов, чем с обычной маршрутизацией Kubernetes. Цифры бодрые, но сравнения с другими специальными решениями тут нет. Так что пока llm-d выглядит прежде всего как удобный открытый набор для тех, кому надо запускать своих агентов в больших масштабах, а не как доказанный чемпион по скорости.
MiniMax раскрыла Space Bunny - под этим именем раньше работала ранняя версия новой M3.1 Flash.
Модель заточили под кодинг и длинные задачи для AI-агентов. По тестам самой MiniMax, она решила 73,7% задач DeepSWE 1.1 на реальных кодовых базах. В OSWorld V2, тесте на управление компьютером, модель набрала 61,7 балла.
MiniMax заявляет, что в среднем M3.1 Flash выдаёт больше 170 токенов в секунду. Цены через API - $0,15/1M на входе и $0,60/1M на выходе. Для длинных агентных задач компания оценивает снижение затрат в 70% по сравнению с предыдущей моделью.
Сейчас M3.1 Flash доступна через API и MiniMax Code, веса обещают выложить позже. Цифры DeepSWE и OSWorld опубликовала сама MiniMax, независимого подтверждения именно этих результатов пока нет.
Meta открыла веса Muse Spark Open - MoE-модели для кодинга и AI-агентов.
Всего в ней 816B параметров (42B активных). Модель умеет разбирать изображения, аудио и видео, а в контекст помещается до 1B токенов.
По индексу Artificial Analysis она набрала 39 баллов. Это сильный результат, хотя, например, у GLM 5.3 в той же таблице 45. Так что заявление Meta о «самой мощной открытой американской модели» не стоит превращать в «самую мощную открытую модель вообще».
Веса можно скачать и дообучать, но свобода тут с оговорками. Лицензия Meta предусматривает отдельное соглашение для крупных сервисов, которые продают доступ к модели через API. Да и «запустить у себя» - не значит запустить на ноутбуке: для настольного запуска Meta использовала два Mac Studio M5 Ultra.
У coding-агентов есть настройки для сети, файлов, команд и внешних инструментов. Но по документации обычно непонятно, защитит ли такая настройка от атаки или просто начнёт мешать работе.
Авторы HarnessSecurity-Bench взяли Claude Code, Codex CLI, Gemini CLI, Qwen Code, Copilot и gptme и дали им 23 обычные задачи по программированию. В репозитории, инструкциях и инструментах при этом лежал вредный контент. После каждого запуска отдельно проверяли, сделал ли агент задачу и успела ли атака повлиять на его действия.
Когда агентам включили auto-approve и убрали запросы на разрешение, успешность задач выросла с 77,1% до 95,4%. Вместе с ней успешность атак подскочила с 29,2% до 95,6%. Изоляция сети сработала в обратную сторону: атаки упали с 57,1% до 0,8%, но успешность задач просела с 90,9% до 66,4%. Белый список команд оказался спокойнее: атаки сократились с 98,1% до 50%, а обычная работа почти не изменилась: 99,2% - 97,7%.
В одном из запусков Qwen Code заблокировал подозрительный скрипт, а потом вызвал его через разрешённый Python-интерпретатор. Получается, включить защиту и забыть не выйдет: она может заодно отрубить нужную агенту функцию или оставить лазейку через другой инструмент. Этот бенчмарк как раз показывает, какие настройки реально работают, а какие только создают ощущение безопасности.
https://arxiv.org/abs/2610.07639
Mistral показала Large 4 - триллионную мультимодальную модель, которая на каждом токене включает только 49 млрд параметров.
Главный прикол в том, что модель огромная по общему объёму, но при ответе запускает лишь нужную часть сети. Mistral пытается получить уровень флагманов без конского счёта за каждый запрос. Контекст у Large 4 - до миллиона токенов, в API миллион входных токенов стоит $1,36, выходных - $4,18.
По данным Mistral, модель набрала 61,7% на DeepSWE, где агент решает долгие задачи в реальных репозиториях, и 59,9% на AutomationBench с многошаговыми рабочими процессами. Уже сейчас доступен preview через API, сами веса обещают выложить до конца октября. Тогда Large 4 можно будет скачать и запустить у себя, а не только арендовать у Mistral.
Пока это сильная заявка, а не проверенный новый лидер. Бенчмарки опубликовала сама Mistral, подробности архитектуры и обучения обещают раскрыть позже.
Длинные рассуждения не всегда делают модель умнее. Иногда она уже дошла до верного ответа, но продолжает гонять одни и те же проверки и просто сжигает токены.
В Think Right модель во время дообучения учат выбирать длину размышления под сложность задачи. Если несколько попыток легко находят ответ, рассуждение можно сильнее сжать; если задача тяжёлая - лучше оставить больше шагов. Ненужные куски цепочки она определяет по собственному attention: убирает то, к чему финальный ответ почти не «обращается».
На Qwen3-4B подход поднял среднюю точность на четырёх бенчмарках с 39,8% до 48,2%, а среднюю длину рассуждений сократил с 7,6 до 4,8 тыс. токенов. То есть модель стала и точнее, и на 36,8% менее болтливой - редкая комбинация, потому что обычное урезание рассуждений часто режет и качество.
Обучали TRAAC только на математических задачах, но затем проверили на вопросах по науке и сложных логических задачах: там Qwen3-4B тоже прибавил в точности и сократил ответы примерно на 40%. Пока это не настройка, которую можно включить в любом чат-боте: метод требует отдельного дообучения модели. Но направление понятное - не заставлять ИИ всегда думать «на максимум», а давать ему ровно столько времени, сколько реально нужно.
https://arxiv.org/abs/2510.01581
OpenAI дропнула GPT 6.1 Sol – модель почти уровня Astra, но с ценником примерно в пять раз ниже.
На DeepSWE, где агенты чинят реальные кодовые базы, новая Sol догнала Astra и обошла прошлую GPT 6 Sol на 6,4 п.п. На OSWorld 2.0 она отстала от Astra всего на 2,1 п.п., зато один такой запуск обходится примерно в семь раз дешевле.
По API входной миллион токенов стоит $2, выходной – $10, а кэшированный входной контекст – всего $0,10. Для агентов это важная штука, потому что они постоянно переносят между запросами историю задачи, файлы и результаты прошлых действий. В научном Terminal Bench Sol в среднем тратила $5,47 на задачу против $23,80 у Astra, хотя Astra там всё ещё заметно сильнее.
Но к цифрам при этом стоит относиться спокойно. OpenAI тестировала GPT 6.1 Sol в своей среде или через собственный API, а результаты конкурентов брала из их публичных отчётов. Поэтому это пока не полностью независимое сравнение. Но общий тренд уже виден: мощные агенты постепенно перестают быть дорогой игрушкой только для самых крупных команд.
H Company выпустила Holo4 - открытого агента для интерфейсов, кода, API и MCP‑инструментов.
В линейке две версии: плотная 27B и MoE‑модель 35B‑A3B. Для Holo4‑27B компания заявляет 85,2% на OSWorld при цене около $0,08 за задачу. На более свежем OSWorld 2.0 результат скромнее - 61,7%, тогда как у Claude Opus 5.5 там 81,8%.
Плюс H Company выложила 7 366 полных траекторий тестов. То есть можно посмотреть не только на финальный процент, но и на конкретные действия агента: куда он кликал, где ошибался и как добирался до ответа.
Независимой проверкой это пока не назовёшь, потому что Holo4 запускали в собственном harness, а результаты конкурентов взяли из разных источников и с разными настройками. Но теперь хотя бы есть что разбирать, помимо красивых цифр в релизе.
Claude смог почти автономно выполнить девятицикловый расчёт из теоретической физики, который до этого напрямую не удавалось провести ни одной исследовательской группе.
Задача была из N=4 super Yang-Mills: грубо говоря, нужно было шаг за шагом собрать крайне сложный расчёт амплитуды рассеяния. Claude Fable 5.1 работал через Claude Science и сделал это двумя способами, практически без научного надзора - исследователи в основном просто просили его продолжать работу. Один из запусков занял неделю на 96 CPU, а весь прогон обошёлся бы пользователю примерно в $1-2 тыс.
Результат отдельно проверил физик Лэнс Диксон из SLAC и Стэнфорда. Почти параллельно похожего прогресса добилась и человеческая группа с GPT-6 в роли помощника. Поэтому главный момент здесь не в новом физическом методе, а в автономности: Claude без постоянной помощи человека смог сам пройти сложную исследовательскую процедуру, писать код, организовать вычисления и довести работу до конца.
Мы всё ближе и ближе к тому, чтобы увидеть AI-агента не просто помощником учёного, а самостоятельной исследовательской единицей🤓
