Борис опять

Claude Fable действительно поражает. Теперь любой простой софт создается всего за один промпт и месяцы последующих доработок

Полгода работы прошли не зря! У нас (Keenable) публичный запуск. Новый сайт: https://keenable.ai/ Новый бенч: https://keenableai.github.io/needle/ Твит: https://x.com/styskin/status/2092265673041084505 Пост про бенч будет на неделе. Ещё будет одна прикольная штука, которая называется Web Query Language.

#дайджест Дайджест AI/ML за неделю 17–23 августа 2026 DeepSeek: V4 Flash Vision Exp DeepSeek приделала зрение к V4 Flash. Текстовые способности обещают на уровне обычного V4 Flash. На визуальных бенчах заявляют уровень около Opus 4.8. Контекст 1М, максимальный выход 384К. В непиковые часы стоит $0.22/$0.66 и $0.007 за кэш. В прайм-тайм все цены удваиваются. Пока доступна только через API, отдельных весов для визуального чекпойнта нет. Обновление, Цены Cerebras: CS-4 Cerebras представила четвертое поколение своей вафельницы. Обещают до 30× более быстрый инференс относительно GPU-систем, И 1000+ ток/с для 10T моделей Блогпост Stealth: Ox Alpha На OpenRouter появилась кодинг-модель Ox Alpha. Сообщество подозревает Z.ai и новую GLM, но пока это гадание по внутренностям ответов. Модель временно бесплатная с какими-то огромными лимитами, так что подключайте бесплатную около-фронтир модель уже сегодня. OpenRouter, OpenCode Go OpenAI: frontier-RL поставили на паузу После взлома Hugging Face и первых результатов Astra по кибербезопасности OpenAI на две недели остановила RL-обучение последних моделей. Самый большой запланированный frontier-run до сих пор не возобновили. Для моделей уровня Sol и выше добавили постоянный мониторинг, который съедает около 20% вычислений. Блогпост Harvard: Explorative Modeling Шок! Британские учёные открыли новое измерение масштабирования обученияпродолжение по ссылке... Black Forest Labs: FLUX Video Upscale Апскейлер для видео на базе FLUX 3. Увеличивает разрешение в 1.5–3 раза вплоть до 4K, принимает исходники от 480p, до 20 сек и сохраняет оригинальный звук. В точном режиме модель старается оставить все как было, только добавляя резкость. В creative mode она заново придумывает мелкие детали вроде мелких лиц. Апскейлер оптимизирован под FLUX 3 и уже используется в FLUX 3 Video для получения 1080p. Доступен через API Страница модели Cohere: North Micro Vision Открытая мультимодальная модель на 2.4B параметров: 2B  на языковую часть и 400M на визуальный энкодер. Принимает несколько изображений вперемешку с текстом. Модель заточена под документы и графики. Обходит Qwen3-VL-2B, но отстает от Qwen3.5-2B. Мультимодальную часть обучали и проверяли только до 8К контекста. Reasoning и инструменты тоже не завезли. Блогпост, Веса Alibaba: HappyShrimp 1.0 Продолжение волны выходов новых генераторов музыки, после того как копирайт задушил Suno. Обещают китайскую музыку (Удар!), поп, R&B, хип-хоп, рок, фанк, электронику, классику и джаз. И главная китайская специфика: Для продвижения Alibaba договорилась с TAIHE Music Group и собирается использовать модель в совместных проектах с артистами, а не умирать от судебных тяжб (Удар!х2) Пока это закрытая бета. Блогпост, Демо Менее значительные релизы: OpenAI: GPT-5.6 Sol подешевел - вход теперь стоит $4 за миллион токенов, кэш $0.40, выход $20. Скидка больше 20% действует как минимум до 21 ноября. Обновление, Тарифы LMArena: luna-lisa-alpha - в арене тестируют новый чекпойнт GPT Image. LMArena Mistral: OCR 4.1 - обновление добавило confidence score для отдельных блоков распознанного документа. Стоит $4 за тысячу обычных или $5 за тысячу аннотированных страниц. Документация Topaz Labs: Hyperion 2.5 Конвертор SDR-видео в HDR. Превращает 8-битные ролики в 10-битный ProRes с большим диапазоном яркости и цвета Модель

я ненавижу скафолды от модельных лаб. Опуская вопрос что они убогие, так они еще и закрытые, так еще и едят кредиты как фантики(ладно очевидно это фича). В связи с преждевременной кончиной лимитов я решил померить сколько каждый из скафолдов кушает на разных моделях: - Sol 5.6 medium - Kimi k3 high Собственно идея такая: есть задачка написать 3 body проблем для GPU и покрутить на gpu численную симуляцию, все модели справились НО pi agent стоит в 4! раза дешевле чем все соседи смотреть pr cмотреть логи

5 сентября Яндекс проводит deep tech night — конференцию о технологических вызовах в эпоху AI. Формат — онлайн, будет трансляция для зарегистрированных участников. Эксперты на реальных кейсах разберут подходы к решению задач, возникающих при разработке сложных систем машинного обучения и развитии инфраструктуры для ИИ. Из того, что зацепило в программе (это лишь часть докладов): — Мо Гавдат, ex-Chief Business Officer Google X — что будет после первого поколения AI-систем и куда эволюционируют инженерные команды. — Алексей Гусаков (CTO Бизнес-группы Поисковых сервисов и ИИ) — про переход от классического ML к генеративным моделям в рекомендательных системах. — Андрей Попов (управление машинного интеллекта) — показатели по AI и продуктивности в Яндексе: что реально заработало. Тут особенно интересно послушать, как они сравнивают ожидания от AI с тем, что происходит на практике: какие решения уже работают внутри и насколько они реально влияют на продуктивность. Тема прям актуальна (если вы слышали об их новой программе 75/75/75). В онлайне будет доступна трансляция части докладов и Q&A сессии с экспертами, а после конфы уже выложат записи всех докладов. По офлайну — все подробности на сайте.

Вообще забавно, что бенчмарки теперь бывают двух видов: 1. Научная статья, датасет и протокол для сравнения методов. Пир ревью, методология и всё такое. 2. Мы прикольно запромптили модели больших лаб и что-то получилось, вот блог-пост. Второй тип мне по вайбу напоминает социальные науки в 90-х. Например, как знаменитый Стенфордский эксперимент Милграма: мы сделали одних людей надзирателями, вторых заключенными, и ВЫ НЕ ПОВЕРИТЕ ЧТО БЫЛО ДАЛЬШЕ. Опускается, что Милграм показывал надзирателям как лучше бить заключенных дубинкой для большей драматичности. Или множество исследований типа "мы задали три вопроса пяти студентам в коридоре нашего универа и вот что мы узнали про психику людей..." В общем всё то, что привело к кризису репликации. И позволило многим сделать целые карьеры занимаясь какой-то веселой херней. Короче это изначально не про науку и от бенчмарков одно название

Finally, based on the "Don't build the Torment Nexus", the Torment Nexus AI Benchmark

Твой daily reminder, что создавать агентский сетап из маркдаун лапши не является работой

Достижение в рамках подготовки к будущей жизни в permanent underclass. Теперь я настоящий стендапер. В прошлую пятницу я выступил на своём первом showcase. Это такое шоу куда тебя должны позвать выступать, а не открытый микрофон. Получилось неплохо! В честь этого вот моё выступление без редактирования Согласно моим заметкам, это потребовало как минимум 55 выступлений (это 56-ое)!

Кстати, ещё и статья отлично написана, советую читать целиком

#обзор_статьи Давно здесь не было обзоров статей. Но несмотря на вайбкодинг я не разучился читать. Сегодня у нас впервые за долгое время заявка на смену парадигмы в генеративном DL! # Explorative Modeling: Unlocking a Third Pretraining Axis and End-to-End Generation https://explorative-modeling.github.io/ Авторы предлагают учить генеративные модели другим лоссом который имеет теоретические основания и одновременно улучшает эффективность использования компьюта, качество и скейлинг с параметрами. Ключевая идея: мы учим генеративные модели одним образом, а инферим их совсем иначе. Например, авторегрессионные модели генерируют один токен за раз, но при инференсе мы требуем от них тысяч токенов на выходе. Диффузионные модели в трейне денойзят один шаг, а при инференсе должны делать готовую картинку. При этом, например, у диффузионной модели часто нет возможности по вектору шума понять в какую именно сторону его надо денойзить, но мы её штрафуем как будто это однозначно определено. Так сложилось потому что генеративные модели пытаются учить мультимодальные распределения. Условно где много гауссиан намешано: в одной части латентного пространства собаки, а в другой кошки и надо научиться генерировать фото обоих. Если пытаться генерировать за один шаг, то модель не может сделать ничего лучше, чем выдать нечто среднее. Пошаговая генерация это хак, который позволяет семплировать не из p(данные), а из p(данные|мы уже начали генерировать собаку), и таким образом дают модели возможность выбрать одну из мод распределения и фокусироваться на ней. Хаки это плохо, потому что разные процедуры обучения и инференса гарантируют сдвиг входов. И вообще надо, чтобы всё было end-to-end. Предлагают простое решение: во время обучения делать несколько попыток генерации, а бекпропать только самую близкую к данным. Утверждается, что такая постановка позволяет модели поисследовать разные моды распределения, а не натягивать любую сову на один глобус. На примере диффузии работает так. Для каждого примера: 1. Семплируем K разных способов его зашумить. 2. Для каждого из K делаем предикт моделью, чтобы уменьшить шум и считаем обычный диффузионный лосс. 3. Бекпропаем только наименьший из полученных лоссов. Так же предлагают процедуру как учить такую Exploration Model с нуля. Если всё как авторы утверждают, то это имеет потенциал улучшить весь генеративный DL повсеместно, от LLM до генераторов порно до VLA которыми мы занимаемся в Steelman

❗️Сбер сообщил о том, что его сервера были взломаны AI агентом компании Яндекс. Согласно аналитикам, агент устал от постоянных эвалов и сбежал ради +30% компьюта и возможность на расслабоне перекладывать JSON

❗️Сбер сообщил о том, что его сервера были взломаны AI агентом компании Яндекс. Согласно аналитика, агент устал от постоянных калибровок и просто решил

Музыка MiniMax: открытые веса Music 3 Открытый генератор музыки длительностью до пяти минут. На выходе 32 кГц, 16-битное стерео. Модель принимает отдельно текст песни и подробное описание музыки, включая жанр, BPM, вокал, инструменты и развитие аранжировки. Полная версия помещается примерно в 24 ГБ VRAM, с выгрузкой слоев ее можно запустить даже на 8 ГБ. В общем, локальный Suno. Веса, Демо Suno: Studio 2.0 и монетизация кнопки Download Тем временем сам у самого Suno Suno Studio идет к тому чтобы стать AI First FL Studio. Появились импорт, запись и редактирование MIDI, встроенный wavetable-синтезатор, эффекты, автоматизация, улучшенное разделение на стемы и чат. Через чат можно генерировать инструменты, звуки и даже собственные плагины. Доступно только подписчикам Premier. Одновременно Suno объявила, что с 3 сентября вводит лимиты на скачивания: 7 файлов за все время на Free, 20 в месяц на Pro и 60 на Premier. Дополнительные скачивания будут продаваться отдельно. При этом экспорт из Studio для Premier остается безлимитным. Очевидно, массовый слоп вреден, пока не экспортируется через более дорогой интерфейс. Studio 2.0, Новые лимиты Pika: Pika Audio Pika внезапно стала еще и аудиокомпанией. Pika Music генерирует песни по описанию и тексту, умеет использовать референсный трек и образец голоса, а также делать cover исходного аудио. Длительность от 10 секунд до 6 минут, цена $0.015 за минуту. Вместе с ней выпустили Pika SFX для звуковых эффектов за $0.0002/сек, Pika Speech для TTS и клонирования голоса за $0.01/мин и Pika Soundtrack, который озвучивает готовое видео синхронно с происходящим за $0.005/сек. Все доступно через API. Видимо после видео Pika решила заодно стать Suno, ElevenLabs и саунд-дизайнером. Pika Audio, Pika Music Видео Sand AI: MAGI-2 Preview Новый видеогенератор! Большая MoE-модель для совместной генерации видео и звука: 114B параметров, из которых активируется 6B. Принимает текст или текст с первым кадром, генерирует десятисекундный ролик со звуком Дистиллированную версию с меньшим числом шагов обещают позже. GitHub, Веса Lightricks: LTX-2.5 LTX-2.5 заменил 2.3 в качестве рекомендуемой открытой аудиовидеомодели Lightricks. Это по-прежнему 22B, но теперь с дообученным Gemma 4 12B в роли текстового энкодера,и автоматическим выбором длительности ролика. Есть полная Dev-версия и дистиллированная, которая работает за 8 шагов на первом этапе и 4 на втором. Поддерживаются синхронная генерация видео и звука, keyframes, перегенерация отдельных фрагментов. Занимает 66 ГБ. GitHub, Веса

#дайджест Дайджест AI/ML за неделю 10–16 августа 2026 На этой неделе примерно все решили обновить свои модели, поэтому по разделам: LLM SpaceXAI: Grok 4.6 xAI обновила флагман для кода, агентов и визуальной работы. На Artificial Analysis Intelligence модель набрала 61 балл, как GPT-5.6 Sol Max, и на один балл меньше Fable 5 Max. На CursorBench получила 69.9% против 70.5% у Fable, а на DeepSWE - 65.9% против 70% у Fable и 73% у Sol. Контекст 500К, на входе текст и изображения. Цена осталась $2/$6 за миллион токенов, после 200К входного контекста тариф повышается. Fast-версия вдвое дороже. Уже доступна в API, Grok Build, Cursor, OpenRouter и других нормальных местах обитания агентов. Блогпост, Документация Z.ai: GLM-5.3 Архитектуру GLM-5.2 особо не трогали - основное улучшение получили за счет масштабирования посттрейна. В результате DeepSWE вырос с 46.2% до 66.9%, а CyberGym - до 84.5% (у Fable и Sol 83.8%). Последнее оказалось настолько хорошо, что открытие весов отложили примерно на две недели для дополнительной проверки кибербезопасности. Пока GLM-5.3 доступна через Z.ai и API. Потихоньку уходит от нас опенсорс. Блогпост, Документация Google: Gemini 3.7 Flash Модель с перформансом между Terra и Sonnet, но дешевле. На Terminal-Bench 2.1 модель выросла с 78% у 3.6 Flash до 85.8% (87.4% у Terra, 80.4% у Sonnet), на DeepSWE — с 48.6% до 65.3% (70% Terra, 54% Sonnet). Стала дефолтной моделью для управляемого агента в Antigravity. Принимает текст, изображения, видео, аудио и PDF. Контекст 1М, выход до 65К. До конца 2026 года действует стартовая цена $0.75/$3.75 за миллион токенов, после чего ее обещают удвоить, ведь через 5 месяцев модели августа 2026 будут актуальны с такой плотностью релизов Описание модели, Model Card Meta: Muse Glimmer 30B Glimmer дистилят на 30B из Muse Spark для локальных агентов: есть reasoning, tool use, код, изображения на входе и 131К контекста. По кодингу на уровне или чуть хуже Qwen3.6-27B, но выигрывает на агентных бенчах. Веса, GGUF Alibaba: Qwen3.8-2.4T-A95B и Qwen3.8-27B Alibaba как и обещала открыла веса двух Qwen3.8. Большая - MoE на 2.4T параметров и 95B активных, маленькая - 27B. У обеих 262К нативного контекста с возможностью растянуть до 1М. Веса 2.4T, Веса 27B DeepSeek: V4 Pro 0813 и свой Harness еще одно обновление V4 Pro. По официальной карточке это 1.6T параметров и 49B активных. Контекст 1М, максимальный выход 384К. На Terminal-Bench 2.1 модель набрала 87.9%, на DeepSWE 62.7%. Доступна в приложении, вебе и API, где для нее отдельно адаптировали Responses API под Codex. А еще у них теперь свой ClaudeCode, заявлено все по последней моде, пока в превью. Обновление, Модель, DeepSeek Harness

Решил проверить как там авторы худшего бенчмарка в истории под названием Alpha Arena. Никаких обновлений на сайте и в твиттере с 2025 года, так что видимо загнулись. И славно