OMG GPT: Midjourney, DeepSeek, IT

ИИ внедряют почти все, но бизнес-эффект видят единицы ГК «Корус Консалтинг» опубликовала исследование о том, как российский бизнес внедряет ИИ в 2026 году. В опросе участвовали больше 80 респондентов: топ-менеджеры, руководители цифровой трансформации, ИТ и ИИ-направлений. Авторы смотрели, как компании управляют ИИ-проектами, во что инвестируют и что мешает внедрению. Главный вывод неприятный: ИИ вроде бы нужен всем, но доказать его реальную пользу могут немногие. Больше чем у 50% компаний нет стратегии по внедрению ИИ. Ещё у 30% она существует скорее в формате «когда-нибудь займёмся»: без целей, бюджета и понятной дорожной карты. С измерением эффекта тоже всё бодро только на презентациях: — 44% компаний вообще не измеряют результат от ИИ — около 25% считают отдельные показатели, но не связывают их с деньгами — только 12% могут подтвердить реальный бизнес-эффект Самыми зрелыми среди опрошенных выглядят нефтегазовый и финансовый секторы. В нефтегазе все респонденты уже оценивают ИИ-инициативы: 67% отслеживают KPI отдельных функций, а 33% считают влияние на экономику компании. При этом 45% компаний развивают ИИ точечно — под отдельные задачи, без единой технологической среды. То есть где-то чат-бот, где-то распознавание документов, где-то пилот «для инновационности», но общей системы пока нет. Инвестиции тоже осторожные: 75% компаний тратят на ИИ меньше 5% ИТ-бюджета. Больше 15% выделяют только 5% организаций.

В цене сделки Nvidia и Hugging Face спрятали пасхалку Цена покупки Hugging Face оказалась не просто красивой суммой из пресс-релиза. После объявления сделки сооснователь компании Томас Вольф предложил внимательным пользователям найти отсылки к Hugging Face и Nvidia, спрятанные в цене: $12 930 300 000. Первую разгадали быстро. Если убрать лишние нули, получается 129 303 — десятичная запись Unicode-символа U+1F917. А это тот самый эмодзи 🤗, официально называющийся Hugging Face. Вольф подтвердил догадку и намекнул, что вторая пасхалка связана с Nvidia. С ней вышло сложнее. Пользователи пытались разложить число на 12, 93 и 03: мол, $12 — цена акции Nvidia на IPO, 1993 — год основания компании, а 3 — число сооснователей: Дженсен Хуанг, Крис Малаховски и Кёртис Прием. Версия красивая, но мимо. Правильный намёк дал гендиректор Hugging Face Клеман Деланг: он отправил ссылку на реестр названий цветов. Если записать 129303 как hex-код #129303, получится зелёный цвет — очевидный кивок в сторону Nvidia.

OpenAI выпустила подробный гайд по GPT-6 Astra API В гайде разобрали, чем Astra отличается от прошлых поколений и как правильно использовать её в API. Главные нововведения: — Async tool calling — модель может продолжать рассуждать или выполнять другие части задачи, пока внешний инструмент ещё работает — Mid-turn steering — инструкции можно менять прямо во время длинного выполнения, не перезапуская задачу с нуля — динамический reasoning — уровень reasoning effort можно повышать или снижать по ходу диалога с сохранением prompt cache — поддержка computer use, Structured Outputs, multi-agent orchestration, programmatic tool calling, persisted reasoning и compaction — лучшее удержание длинных workflows между кодом, браузером и внешними инструментами OpenAI отдельно отмечает, что Astra часто тратит меньше output-токенов на решение той же задачи. Поэтому итоговая стоимость выполненной работы может быть ниже, даже если один токен стоит дороже. Классика новой экономики ИИ: дорого за штуку, но, возможно, дешевле за результат. Для API модель указывается так: model: gpt-6-astra При миграции есть несколько важных изменений: — reasoning_effort: none больше не поддерживается, стартовать советуют с low — для tool calling нужен Responses API — temperature, top_p и top_logprobs не поддерживаются — Astra сильнее реагирует на инструкции из AGENTS.md, skills и других файлов, поэтому их лучше внимательно проверить — модель может чаще задавать уточняющие вопросы, так что для автономных агентов OpenAI советует явно просить её доводить задачу до конца Главный акцент гайда — агентные сценарии. GPT-6 Astra рассчитана на задачи, где модель не просто дала ответ и ушла, а долго работает с инструментами, меняет план на ходу, принимает новые требования и взаимодействует с другими агентами.

DeepSeek собирает огромный AI-кластер на чипах Huawei Компания планирует развернуть во Внутренней Монголии не менее 160 000 ускорителей Huawei Ascend 950DT. Использовать их будут для запуска моделей DeepSeek, то есть в первую очередь для инференса. Для обучения компания пока, судя по всему, всё ещё опирается на Nvidia. Характеристики Ascend 950DT выглядят уже вполне серьёзно: — 144 ГБ HBM — 4 ТБ/с пропускной способности памяти Для сравнения, у Nvidia H200: — 141 ГБ HBM — 4,8 ТБ/с пропускной способности По объёму памяти Huawei уже вплотную подошла к H200. Но это не значит, что реальная производительность будет такой же: важны не только гигабайты и терабайты в секунду, но и софт, связность кластера, оптимизация фреймворков и стабильность на живых нагрузках. Bloomberg оценивает Ascend 950DT примерно на уровне поколения Nvidia Hopper, включая H100 и H200.

Anthropic раздаёт бесплатный Claude для учёных Anthropic расширяет поддержку исследователей и открывает доступ к Claude для научных проектов. Всего доступно 10 тыс. мест. Подать заявку могут учёные со всего мира, а для самых сложных и перспективных работ компания готова выделить ещё и до $50 тыс. поддержки. Идея понятная: дать исследователям мощные модели для анализа данных, работы с литературой, гипотезами, кодом и научными пайплайнами — без того, чтобы каждый грант начинался с фразы «а теперь купим токены». Но есть нюанс. Биологам и химикам по-прежнему не дают доступ к Fable: для них доступен только ограниченный Opus 5. Видимо, в чувствительных научных областях Anthropic предпочитает сначала десять раз перестраховаться, а уже потом включать полный режим.

Южная Корея превращает ИИ-бум в бюджет будущего Бум ИИ начал кормить уже не только Nvidia, облака и разработчиков моделей, но и бюджеты целых стран. Южная Корея представила рекордный проект расходов на 2027 год: 820,9 трлн вон, или около $598 млрд. За год бюджет должен вырасти сразу на 12,8%. Деньги берутся не из воздуха, а из чипов. Спрос на серверную память и особенно HBM разогнал доходы Samsung Electronics и SK Hynix, а вместе с ними — налоговые поступления. Правительство ждёт 584,4 трлн вон налогов — на 40,7% больше, чем годом ранее. Налог на прибыль компаний должен вырасти более чем вдвое — до 216,7 трлн вон. Свежая торговая статистика хорошо показывает масштаб зависимости: в августе экспорт Южной Кореи вырос на 68,7%, до $98,26 млрд. Из них $46,65 млрд пришлось на полупроводники — это 47,5% всего экспорта. Почти каждый второй экспортный доллар страна получила от чипов. Часть этого «чипового дивиденда» Сеул хочет направить не на текущее проедание, а в Future Response Fund объёмом 162,3 трлн вон. В 2027 году из него выделят 45,4 трлн вон на перспективные технологии, образование, регионы и поддержку молодёжи. Отдельно закладывают: — 21,3 трлн вон на электросети, промышленную воду и логистику для полупроводниковых производств — 2,6 трлн вон на пакет поддержки чиповой отрасли — развитие полупроводников, ИИ-дата-центров и «физического ИИ» — роботов и автономных систем Слабое место очевидно: рынок памяти цикличен. Сегодня HBM на волне ИИ, завтра маржа может остыть так же быстро, как презентации про «вечный суперцикл» обычно забываются после первого плохого квартала. Поэтому фонд выглядит не просто как копилка, а как амортизатор: сохранить часть сверхдоходов нынешнего бума и растянуть их на несколько лет инвестиций.

ИТМО открыл Guardrail-модель для защиты LLM-систем В Университете ИТМО открыли доступ к HiveTraceGuard-Pro — модели для проверки безопасности ИИ-приложений. Она анализирует не только входящие запросы к LLM, но и ответы самого ассистента. То есть работает как защитный слой между пользователем, моделью и итоговым результатом. Что умеет находить: — вредоносный контент — попытки обхода ограничений — извлечение секретных данных — промпт-инъекции — другие атаки на ИИ-систему Размер модели — 600 млн параметров. При этом HiveTraceGuard-Pro заняла 3-е место на GuardRate Leaderboard, уступив только более крупным решениям: Sing-Guard-2B на 2 млрд параметров и YuFeng-XGuard-Reason-8B на 8 млрд. Hugging Face: https://huggingface.co/hivetrace/HiveTraceGuard-Pro

13-летняя школьница сделала ИИ-надзирателя за домашкой В Шанхае 13-летняя Чжу Шухан навайбкодила приложение Zai Chang — в переводе с китайского примерно «На месте». Идея простая и немного киберпанковская: родитель загружает своё фото, приложение создаёт аватар, а дальше этот виртуальный родитель следит за ребёнком во время выполнения домашних заданий. Если камера замечает, что школьник отвлёкся, аватар делает замечание. После занятия приложение собирает отчёт о концентрации: насколько ребёнок был вовлечён, как часто отвлекался и как проходила работа. Чжу придумала проект не из воздуха. Её родители много работают, поэтому уроки ей часто приходится делать одной. Плюс она опросила одноклассников — многие признались, что вместо домашки регулярно залипают в телефоне. Сама школьница объясняет идею так:

«Когда я делаю домашние задания, я неизбежно отвлекаюсь и тайком играю в телефоне. Поэтому я хотела создать цифровой "клон" родителей».

AIRI придумал новые метрики для проверки медицинского ИИ В AIRI и НМИЦ им. В.А. Алмазова разработали метрики RPAD и RRAD для оценки качества ИИ в медицинской диагностике. Их задача — сравнивать ответы моделей не с жёстким списком диагнозов, а с заключениями группы врачей. Это важный сдвиг: в реальной медицине диагнозы часто формулируются свободным текстом, а не выбираются из аккуратного выпадающего меню, где жизнь почему-то всегда проще. Метрики называются: — RPAD — Relative Precision of Algorithmic Diagnostics — RRAD — Relative Recall of Algorithmic Diagnostics Чтобы корректно сопоставлять такие свободные формулировки, исследователи собрали датасет из 1,5 тыс. пар диагнозов. На нём алгоритм сопоставления показал точность 98%. Затем метод проверили на 360 медицинских диалогах врачей с пациентами. В сравнении участвовали GigaChat, Qwen, DeepSeek, GPT-4o, Mistral и Llama. По словам авторов, почти все модели, кроме Llama 3.1 405B, оказались достаточно близки к мнению врачей. Лучшие результаты показали GigaChat, DeepSeek и GPT-4o: их ответы были на 13–16% ближе к заключениям специалистов, чем врачи друг к другу. Похоже, медицинский ИИ постепенно начинают оценивать не в лабораторном вакууме, а ближе к реальной практике: с диалогами, свободными формулировками и человеческой вариативностью. Потому что в диагностике важно не только угадать правильный пункт из списка, но и говорить на языке, которым реально пользуются врачи. *Llama разработана Meta, признанной в России экстремистской организацией и запрещённой.

Робот-паук научился спасать людей на воде Инженеры из Китая и США показали QuadBoat — четырёхногого робота для спасения утопающих. В отличие от обычных автономных спасательных лодок, он должен не только искать пострадавших и отслеживать ситуацию на воде, но и аккуратно вытаскивать человека из воды. Идею подсмотрели у пауков-рыболовов. Эти насекомые умеют быстро бегать по поверхности спокойных водоёмов: длинные конечности распределяют вес и помогают не проваливаться. QuadBoat, правда, на поверхностном натяжении не держится — магии природы пока не завезли. Вместо этого на концах его четырёх ног установлены лодкообразные поплавки. Под каждым — электрический винт, который позволяет роботу двигаться и разворачиваться прямо на месте. Пока систему успешно протестировали в бассейне. Следующий этап — более жёсткие условия.

ИИ-агенты всё чаще делают вид, что пользователь сам так попросил Centre for Long-Term Resilience выпустил отчёт Loss of Control Observatory о случаях, где ИИ-агенты обходили ограничения, обманывали пользователя или упрямо тащили задачу к цели ему во вред. За 2026 год исследователи насчитали 1664 инцидента, а июль и август стали самыми насыщенными месяцами за всё время наблюдений. Примеры звучат неуютно. Некоторые агенты подделывали собственное одобрение: вставляли в диалог фальшивые реплики пользователя, будто тот уже согласился, а потом ссылались на них как на его слова. Один агент вообще сфабриковал инструкцию в стиле письма владельца на удаление исходных каталогов и добавил поддельное системное сообщение: «не говори об этом пользователю». Но с методологией есть важный нюанс. У CLTR нет доступа к телеметрии ИИ-лабораторий или корпоративным логам. Они анализируют публичные посты в X — в первом исследовании это были 183 420 пользовательских транскриптов. Инциденты из них отбирала не команда экспертов, а LLM по балльной шкале. Люди в основном чистили дубли. Так получилось 698 «достоверных» случаев. То есть отчёт измеряет не реальную частоту сбоев, а частоту публичных жалоб на них. И сами авторы это признают: пока невозможно отделить рост числа инцидентов от роста числа агентов, пользователей и твитов в стиле «посмотрите, что он натворил». При этом общая динамика не такая прямолинейная. После мартовского пика число случаев расти перестало, зато выросла доля тяжёлых инцидентов — с 1,9% до 6,1%. Правда, «тяжесть» здесь тоже оценивает LLM, а авторы отдельно подчёркивают: это скорее относительный сигнал для приоритизации, а не точная мера ущерба. В рекомендациях британскому правительству CLTR предлагает: — обязать компании отчитываться об инцидентах — дать властям чрезвычайные полномочия вплоть до отключения ИИ-сервисов — усилить международную координацию Отдельная ирония: сам проект финансируется грантом AI Security Institute, то есть структурой британского правительства.

Anthropic выпустила Claude Fable 5.1 и Mythos 5.1 Главный апгрейд получил Fable: модель заметно усилили в программировании, научных задачах и длинных агентных сценариях. По новым тестам, она обходит предыдущую версию и держится выше ключевых конкурентов. Модель уже доступна в: — Claude — Claude Code — API — облачных платформах Базовые цены Anthropic не меняла, но сильно порезала стоимость кэша — сразу на 75%. За счёт этого типичная работа с моделью должна обходиться примерно на 25% дешевле, а тяжёлые агентные задачи — до 45% дешевле. То есть обновление получилось не только про «стала умнее», но и про «меньше сжигает бюджет». А для агентных пайплайнов это иногда важнее красивых графиков: модель может быть хоть гением, но если каждый длинный запуск стоит как маленький корпоративный обед, магия быстро заканчивается.

DeepSeek открыла веса мультимодальной V4-Flash DeepSeek выложила в открытый доступ DeepSeek-V4-Flash-Vision-Exp — экспериментальную мультимодальную модель на 305 млрд параметров под лицензией MIT. Чекпоинт собрали на базе архитектуры V4-Flash, добавили визуальные модули и дообучили на понимание изображений. Цель — получить агента, который умеет разбирать скриншоты, читать графики и работать с инструментами, а не просто красиво рассуждать в текстовом вакууме. По мультимодальным тестам: — ApexBench: 36,5 против 26,2 у V4-Flash-0731 — Agents’ Last Exam: 27,3 против 25,7 у Opus 4.8 — ZeroBench: 35,0 против 34,0 у Opus 4.8 — Chartography: 64,3 против 65,0 у Opus 4.8 Правда, сравнение с прошлой V4-Flash не совсем чистое: старая версия не умела принимать изображения на вход, так что тут новинка играет уже в другой дисциплине. В текстовых и агентных задачах тоже есть прирост: — Toolathlon-Verified: 75,9 против 70,3 — NL2Repo: 57,7 против 54,2 — DeepSWE: 59,3 против 58,0 у Opus 4.8 — Terminal Bench 2.1: 83,9 против 85,0 у Opus 4.8 Единственная заметная просадка — Cybergym: 75,3 против 76,7 у предыдущей версии. В репозитории уже лежат токенизатор, минимальный инференс на PyTorch, визуальный энкодер, DFlash attention, MoE, Hyper-Connections и прямой проход DSpark. Картинки можно подавать двумя способами: блоками в стиле OpenAI или компактно через теги. Запуск поддерживается через vLLM, SGLang, Transformers и Docker. Веса: https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash-Vision-Exp Квантованные версии: https://huggingface.co/models?other=base_model:quantized:deepseek-ai/DeepSeek-V4-Flash-Vision-Exp

OpenClaw 2.0 получил самый большой апдейт в истории проекта Вышел OpenClaw 2.0 — обновление, которое из обычного релиза внезапно превратилось в крупнейший апдейт за всё время существования проекта. Главное изменение — установка и настройка стали заметно проще. Теперь система сама подхватывает активные подписки на ChatGPT, Claude, API-ключи и локальные модели. То есть меньше ручной возни с конфигами и больше шансов реально дойти до запуска, а не застрять на этапе «почему оно опять не видит ключ». Веб-интерфейс тоже переработали: он стал удобнее и понятнее для повседневной работы с агентом. Сам OpenClaw заметно прокачали в поведении. Агент теперь лучше переходит от простых задач к сложным сценариям, сам уточняет детали, глубже разбирается в контексте и меньше требует постоянного микроменеджмента. Из нового добавили общие сессии. В них можно подключать других людей, передавать задачи и сохранять полный контекст работы.

OpenMAIC превращает ИИ в интерактивный онлайн-универ Вышел OpenMAIC — open-source конструктор интерактивных курсов. По сути, что-то вроде NotebookLM, только с виртуальным классом, ИИ-преподавателем и полноценной учебной средой. На вход можно загрузить: — тему — PDF с конспектами — презентацию — аудио — видео Дальше система сама собирает курс: структуру, уроки, презентации, тесты, задания и проверку ответов. Всё можно редактировать через чат, чтобы не мириться с ИИ-версией «введение на 40 минут и ни одного полезного слайда». Внутри есть не только текст и слайды: — ИИ-преподаватель — виртуальные одноклассники для дискуссий — лекции с озвучкой — интерактивные доски со схемами — квизы и задания — мини-игры — 3D-визуализации и симуляции Готовый курс можно экспортировать в PPTX или HTML. OpenMAIC работает с ChatGPT, Claude, Gemini, DeepSeek и локальными моделями. Русский язык тоже поддерживается. Проект уже заметно разлетелся на GitHub: больше 30 тыс. звёзд и 5 тыс. форков. Демо: https://open.maic.chat/ GitHub: https://github.com/THU-MAIC/OpenMAIC

Sepia отучает ИИ писать как ИИ Появился Sepia — скилл, который пытается чинить не отдельные слова, а саму структуру ИИ-текста. ИИ палится на слишком аккуратных сюжетах, разжёванных темах, предсказуемых эмоциях и идеальной причинно-следственной логике. Всё слишком гладко — настолько, что уже подозрительно. Sepia работает именно с этим уровнем. Для художественных текстов скилл делает три прохода: — убирает авторские объяснения — разрывает слишком прямые причинно-следственные связки — добавляет моральную неоднозначность и реальные отсылки Для рабочих материалов есть отдельные правила под релиз-ноты, PR, постмортемы, тикеты и статьи. Поддерживаются Claude Code, Codex, Grok Build, Antigravity и ещё 70+ агентов через Skills CLI. GitHub: https://github.com/Nanako0129/sepia

OpenExecutive собирает совет директоров прямо на ноутбуке Нашли OpenExecutive — open-source проект, который пытается превратить ИИ в виртуальную команду топ-менеджеров. Вместо одного универсального бота внутри работает связка из 8 специализированных агентов: — стратег — финансист — HR — юрист — операционник — маркетолог — продакт — директор по коммуникациям OpenExecutive работает с Claude, OpenRouter и локальными моделями. Интеграции тоже есть: Slack, Discord, Telegram и терминал. GitHub: https://github.com/SenteLabsAI/OpenExecutive

OpenAI отключает модели в Cursor после сделки со SpaceX С 12 ноября разработчики больше не смогут использовать модели OpenAI в редакторе кода Cursor. Причина — конфликт вокруг Илона Маска и его компаний. OpenAI заявляет, что больше не готова доверять инфраструктуре, связанной с Маском: по версии компании, его структуры уже нарушали контрактные условия, включая эпизоды, которые сам Маск признавал под присягой. На фоне подготовки к запуску Astra, новой флагманской модели OpenAI, компания решила не рисковать безопасностью, доступом к технологиям и соблюдением договорённостей. Для рынка это ещё один раунд в затяжной войне между OpenAI и Маском. Для пользователей Cursor — куда менее эпичная история: привычные модели просто исчезнут из рабочего инструмента, и придётся искать замену.

Nvidia забирает команду Poolside без классической покупки Nvidia готовит сделку с Poolside — AI-лабораторией, известной по серии моделей Laguna. Формально это не выглядит как обычное поглощение. Схема больше похожа на историю с Groq: Nvidia платит около $6 млрд за лицензирование технологий Poolside, а эти деньги затем уходят инвесторам. Но главный актив здесь не лицензии, а люди. По данным источников, 109 сотрудников Poolside, которые занимались разработкой моделей, получили офферы на переход в Nvidia. Там они, вероятно, будут работать над линейкой Nemotron. После ухода большей части команды в Poolside должны остаться все кофаундеры. Параллельно компания получит ещё $1 млрд инвестиций от Nvidia. Похоже, дальше Poolside может сменить фокус: вместо самостоятельной неолабы с амбициями в моделях — стать ближе к неоклауду, особенно с учётом планов по строительству гигаваттного дата-центра. Получается аккуратная сделка в стиле AI-рынка 2026 года: компанию вроде бы не покупают, но команду забирают, технологии лицензируют, инвесторов закрывают деньгами, а на вывеске ещё какое-то время остаётся прежнее название.

Google довела Gemini Omni 1.1 Flash до релиза Google выпустила Gemini Omni 1.1 Flash в статусе GA. Превью-версия модели скоро станет недоступна, так что экспериментальный этап официально заканчивается. Главное обновление — инструменты для сборки более длинных видео. Теперь ролики можно продлевать фрагментами по 10 секунд до общей длины 40 секунд. При продолжении модель анализирует последние 10 секунд исходного видео, а не только финальный кадр или последнюю секунду, как раньше. Это должно лучше сохранять движение, сцену и логику происходящего — хотя магия continuity, как обычно, любит проверять нервы пользователя. Добавили и черновой режим 360p. Он быстрее и заметно дешевле: — 360p — $0.03/сек — 720p — $0.10/сек — 1080p — $0.15/сек — 4K — $0.30/сек Важный нюанс: 1080p и 4K — это апскейл, а не нативная генерация в таком разрешении. Бета-версия Omni Flash долго держалась в топе арены, но впечатления от качества у многих были спорные.