Анализ данных (Data analysis)

Вышел Grug-12B Это экспериментальный open-source fine-tune на базе Gemma 4 12B IT. Идея простая - заставить модель «думать» короче, но не терять качество ответа. Grug обучали на compact-reasoning стиле: меньше воды, меньше лишних шагов, больше плотности в рассуждении. По заявлению автора, модель генерирует примерно на 69.8% меньше reasoning-токенов и остаётся близко к базовой Gemma 4. На небольшом локальном math-eval она снизила среднее число generated tokens с 228.5 до 68.9. Главный плюс: быстрее ответы и меньше забитого контекста. huggingface.co/kai-os/Grug-12B

Anthropic и Cerebral Valley запускают Built with Claude: Life Sciences Это онлайн-хакатон для тех, кто хочет собрать AI-продукт вокруг биотеха, медицины и научных исследований. Anthropic всё активнее двигает Claude в сторону life sciences. Недавно компания представила Claude Science, AI-workbench для исследователей с коннекторами, scientific skills, поддержкой Jupyter/R/HPC и проверяемыми артефактами. https://cerebralvalley.ai/e/built-with-claude-life-sciences

💵 GFusion: как мы обучали диффузионную LLM в GigaChat

«А что, если LLM будет генерировать не строго по одному токену слева направо, а сразу блок текста?»

Именно эту идею мы проверяли в проекте GFusion — диффузионной языковой модели на базе GigaChat3-10B-A1.8B-base. Отдельно хочется отметить, что этот проект начал и довёл до релиза стажер команды GigaChat Pretrain. Он прошёл весь путь от идеи и первых экспериментов до обучения модели, оптимизаций, поддержки в inference runtime и публикации в open source. Почему это интересно? Классические LLM генерируют текст авторегрессионно: каждый следующий токен зависит от всех предыдущих. Это устоявшийся подход, но шаги генерации модели выполняются строго последовательно. В то же время диффузионная LLM берёт частично замаскированный блок и постепенно восстанавливает токены внутри него. За один forward pass модель может финализировать не один, а сразу несколько токенов. Так и появляется ускорение. Чем больше токенов модель уверенно восстанавливает за один проход, тем меньше шагов ей нужно для генерации ответа. Вместо дорогостоящего обучения с нуля мы взяли сильную авторегрессионную LLM и перевели её в диффузионный режим генерации. Цикл обучения включал: 🔘адаптацию AR-модели к диффузионной генерации; 🔘постепенное увеличение размера блока; 🔘сравнение полностью диффузионного обучения и гибридного подхода AR+dLLM; 🔘SFT с complementary masking и стадией confidence tuning для дополнительного ускорения генерации. Результаты: 🔘GFusion в режиме одного пользователя генерирует в среднем на 70% быстрее GigaChat3-10B-A1.8B. 🔘Даже по сравнению с GigaChat3-10B-A1.8B + MTP-головой ускорение составило около 39%. 🔘Просадка качества относительно авторегрессионной модели осталась в пределах 2–4 п.п., а сам трейд-офф между скоростью и качеством можно контролировать параметрами диффузионной генерации. 🔘Добавлена поддержка GFusion в SGLang и реализован entropy-bounded sampling — алгоритм семплирования, который ускоряет генерацию не только GFusion, но и других диффузионных LLM. 🔘Для обучения написана и выложена в open-source своя реализация attention на TileLang под структуру диффузионной маски и получено до +77% end-to-end ускорения относительно Flex-Attention на длинном контексте.

💡 Главный вывод GFusion состоит в том, что ускорение LLM может требовать переосмысления самого подхода к генерации. Однако, чтобы это заработало на практике, важно довести до рабочего состояния весь стек от обучения и SFT до декодинга, attention-ядер и поддержки в inference runtime.

➡️Подробности — в статье на Habr. ➡️HF: GFusion-10B-A1.8B-base GFusion-10B-A1.8B ➡️GitVerse

Godot фактически запрещает vibe coding в контрибуциях. Причина простая: PR стало легче генерировать, но не легче проверять. Для open-source движка каждый патч всё равно должен разобрать мейнтейнер, который понимает архитектуру, риски и последствия изменений. Теперь автономные агенты, крупные AI-сгенерированные куски кода и сгенерированный текст в issues, proposals и PR-дискуссиях запрещены. Разрешены только мелкие помощники вроде автодополнения, regex и find/replace. Помощь AI в коде нужно раскрывать. На практике правило будет сложно применять: почти невозможно наверняка доказать, где был vibe coding, а где обычная работа разработчика. Godot защищает не стиль разработки, а время ревьюеров. Код можно сгенерировать за минуты, но ответственность за него всё равно остаётся на людях. godotengine.org/article/contribution-policy-2026/

Займи слот ИТ-Пикником от Т-Банка 8 августа — время отложить ноутбуки и встретиться офлайн на ИТ-Пикнике от Т-Банка в музее-заповеднике «Коломенское». Вот сколько всего запланировано: — научпоп-лекции; — мастер-классы; — дискуссии об ИИ и больших языковых моделях; — доклады о кибербезопасности; — примеры, как данные из логов становятся решениями; — много музыки. Бери с собой друзей, супругов и детей — каждый найдет себе что-то по душе. Зарегистрироваться и узнать больше можно здесь

⚡️ Fable 5 снова вернулась в Claude Модель снова доступна спустя почти три недели после отключения. Ограничения с Anthropic сняли: ранее их вводили из-за формулировки про «угрозу нацбезопасности». До 7 июля Fable 5 можно использовать в подписках Pro, Team, Max и Premium Enterprise. На неё разрешено тратить до 50% недельных лимитов. После 7 июля бесплатный доступ закончится, останется только оплата по токенам. https://claude.ai/

​В продуктах VK появится нейропоиск Discovery AI — новый движок для поиска и рекомендаций на базе собственной LLM. Технологию внедрят в Дзен, VK Видео и Медиапроекты Mail. В отличие от привычных ИИ-помощников, этот движок не ищет по всему интернету, а копается только в контентной базе продуктов VK и учитывает интересы пользователя. Система может выдавать ответы быстрее чем за полсекунды и обрабатывать до 3 000 поисковых запросов в секунду. https://habr.com/ru/companies/vk/articles/1054358/

​В продуктах VK появится нейропоиск Discovery AI — новый движок для поиска и рекомендаций на базе собственной LLM. Технологию внедрят в Дзен, VK Видео и Медиапроекты Mail. В отличие от привычных ИИ-помощников, этот движок не ищет по всему интернету, а копается только в контентной базе продуктов VK и учитывает интересы пользователя. Система может выдавать ответы быстрее чем за полсекунды и обрабатывать до 3 000 поисковых запросов в секунду. https://habr.com/ru/companies/vk/articles/1054358/

❤️❤️❤️❤️❤️❤️❤️❤️❤️❤️ Как научить ИИ искать информацию, управлять контекстом и автоматизировать сложные процессы? Ответы на эти вопросы разберут на событии Yandex AI Studio Series Summer Edition, которое стартует 16 июля и продлится до 30 июля. Событие объединит экспертов Яндекса и специалистов, которые создают современные ИИ-продукты и хотят глубже разобраться в архитектуре агентных систем и возможностях Yandex AI Studio. Для кого: — backend- и fullstack-разработчиков; — ML/ИИ-инженеров; — продуктовых менеджеров; — бизнес-аналитиков, интеграторов и ИИ-стартапов. Присоединяйтесь к Yandex AI Studio Series, чтобы узнать, как применять ИИ-инструменты в реальных задачах, а не только экспериментировать с ними.

🔥 Tencent Hunyuan представила PhoneBuddy - агентный фреймворк для управления телефоном на базе Qwen3.5-4B. Средняя производительность выше, чем у GPT-5.4 и Seed 2.0 Pro, но ниже, чем у Gemini 3.1 Pro. На бенчмарке из 150 задач результаты выросли так: SFT: 36.67% Real-app RL: 40.67% Hybrid RL: 45.33% На AndroidWorld рост ещё заметнее: 60.3% → 83.2% https://arxiv.org/abs/2606.23049

⚡Выбирать железо для обучения и инференса моделей больше не нужно Qwen, Whisper, Deepseek и другие нейросети уже готовы к работе на приватной инфраструктуре. Просто выбираете нужную модель и получаете готовый инференс-сервис в пару кликов в Selectel. Каталог ИИ-моделей Selectel — удобный инструмент для работы с нейросетями, когда нужны безопасность и производительность. Что вы получаете в пару кликов: ⚡Большой выбор моделей для ваших задач: для генерации текстов и кода, распознавания речи, создания контента и других. ⚡Производительность и гибкое масштабирование. Инференс-сервис развернут на современном железе с актуальными видеокартами и автоматически адаптируется при росте или снижении нагрузки. ⚡Прогнозируемая стоимость: платите за фактическое время потребления вычислительных ресурсов. Начните работать с ИИ-моделями на выделенной инфраструктуре: https://slc.tl/i0hn1 Реклама. АО "Селектел". erid:2W5zFGqCmpM

⚡️ Google открыла Nano Banana 2 Lite и Gemini Omni Flash Google выкатила два новых инструмента для генеративных медиа: Nano Banana 2 Lite для быстрых изображений и Gemini Omni Flash для видео и conversational editing. Nano Banana 2 Lite - самая быстрая и дешёвая image-модель в линейке Nano Banana. Она рассчитана на high-throughput пайплайны, прототипирование и массовую генерацию, где важны скорость и цена. Google заявляет около 4 секунд на text-to-image и цену $0.034 за 1K image. При этом модель сохраняет нормальное следование промпту, стабильность персонажей и читаемый текст внутри изображения. Gemini Omni Flash - модель для генерации и редактирования видео через текст, изображения и видео-референсы. Её можно использовать для natural language video editing, мультимодальных сцен, синхронизации текста с действием и быстрых итераций. Цена заявлена на уровне $0.10 за секунду видео, как у Veo 3.1 Fast. Сначала Nano Banana 2 Lite быстро генерирует изображение, потом Omni Flash превращает его в видео. Через Interactions API можно сохранять историю сессии и делать до трёх последовательных правок. Ограничения у Omni Flash пока есть: генерация до 10 секунд, audio references и scene extension в API ещё не поддерживаются, а длинные video references пока обрабатываются неидеально. https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-omni-flash-nano-banana-2-lite/

⚡️ Google открыла Nano Banana 2 Lite и Gemini Omni Flash Google выкатила два новых инструмента для генеративных медиа: Nano Banana 2 Lite для быстрых изображений и Gemini Omni Flash для видео и conversational editing. Nano Banana 2 Lite - самая быстрая и дешёвая image-модель в линейке Nano Banana. Она рассчитана на high-throughput пайплайны, прототипирование и массовую генерацию, где важны скорость и цена. Google заявляет около 4 секунд на text-to-image и цену $0.034 за 1K image. При этом модель сохраняет нормальное следование промпту, стабильность персонажей и читаемый текст внутри изображения. Gemini Omni Flash - модель для генерации и редактирования видео через текст, изображения и видео-референсы. Её можно использовать для natural language video editing, мультимодальных сцен, синхронизации текста с действием и быстрых итераций. Цена заявлена на уровне $0.10 за секунду видео, как у Veo 3.1 Fast. Сначала Nano Banana 2 Lite быстро генерирует изображение, потом Omni Flash превращает его в видео. Через Interactions API можно сохранять историю сессии и делать до трёх последовательных правок. Ограничения у Omni Flash пока есть: генерация до 10 секунд, audio references и scene extension в API ещё не поддерживаются, а длинные video references пока обрабатываются неидеально. https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-omni-flash-nano-banana-2-lite/

Fable 5 может потребовать верификацию личности * Новые строки из утечки приложения Claude намекают, что Fable 5 могут вынести в отдельную систему usage credits, с оплатой вне обычной подписки. * В том же обновлении упоминается проверка личности: «Ваши кредиты будут добавлены после подтверждения вашей личности». Это появилось рядом с изменениями по кредитам для Fable 5, хотя Anthropic раньше говорила, что ID-проверки не связаны с Fable. * Похоже, Fable 5 может выйти с верификацией личности, более строгим доступом и отдельной оплатой по использованию.

Команда LongCat представила LongCat-2.0 - полную модель, которая стоит за Owl Alpha на OpenRouter. Это MoE-модель на 1.6T параметров, примерно с 48B активных параметров и контекстом до 1M токенов. Основной фокус - agentic coding и длинные задачи, где модели нужно не просто отвечать, а работать с репозиторием, терминалом, поиском и большим объёмом контекста. В архитектуре есть несколько важных решений. LongCat Sparse Attention отвечает за эффективную работу с 1M-context. Zero-Compute Experts динамически активируют от 33B до 56B параметров на токен, не тратя вычисления на лишние эксперты. MOPD делит экспертизу на три группы: Agent, Reasoning и Interaction, а gate выбирает нужный маршрут под задачу. По заявленным результатам модель выглядит сильной именно в агентных сценариях: 70.8 на Terminal-Bench 2.1, 59.5 на SWE-bench Pro, 77.3 на SWE-bench Multilingual, 73.2 на FORTE, 78.8 на RWSearch и 79.9 на BrowseComp. Tech Blog: https://longcat.chat/blog/longcat-2.0/

❤️❤️❤️❤️❤️❤️❤️❤️❤️❤️ Как научить ИИ искать информацию, управлять контекстом и автоматизировать сложные процессы? Ответы на эти вопросы разберут на событии Yandex AI Studio Series Summer Edition, которое стартует 16 июля и продлится до 30 июля. Событие объединит экспертов Яндекса и специалистов, которые создают современные ИИ-продукты и хотят глубже разобраться в архитектуре агентных систем и возможностях Yandex AI Studio. Для кого: — backend- и fullstack-разработчиков; — ML/ИИ-инженеров; — продуктовых менеджеров; — бизнес-аналитиков, интеграторов и ИИ-стартапов. Присоединяйтесь к Yandex AI Studio Series, чтобы узнать, как применять ИИ-инструменты в реальных задачах, а не только экспериментировать с ними.

🖥 NVIDIA показала HORIZON для agentic hardware design У NVIDIA вышла работа про HORIZON - систему, где агентное программирование переносится в дизайн железа. Идея интересная: hardware design рассматривается не как разовая генерация Verilog-кода, а как эволюция целого репозитория. Markdown harness превращается в project pack: внутри доменные знания, исполняемый evaluator, критерий приёмки и правила работы с git. Дальше агент не просто пишет кусок кода, а меняет изолированное worktree, запускает проверки и двигается по результатам verifier harness. Для железа это особенно важно. Здесь мало красивого ответа в чате: дизайн должен проходить исполняемые тесты, симуляции и формальные ограничения. Поэтому verifier становится настоящим интерфейсом между агентом и задачей. В статье заявляют 100% benchmark completion на нескольких наборах задач по hardware design. Даже если вы не работаете с EDA, за этим стоит следить: agentic coding начинает заходить туда, где ошибка стоит намного дороже, чем сломанный unit test. Paper: https://arxiv.org/abs/2606.28279

FT: Apple просит Вашингтон разрешить закупку DRAM у CXMT, китайского поставщика из чёрного списка, потому что спрос на AI-серверы сделал обычную память для устройств болезненно дорогой. DRAM - это краткосрочная рабочая память внутри iPhone, Mac и iPad. HBM - более быстрая многослойная версия памяти для AI-ускорителей. Из-за AI-бума производственные мощности всё сильнее уходят в серверы, а не в потребительские устройства. Проблема Apple в давлении поставщиков. Компания в основном зависит от Micron, Samsung и SK Hynix, тогда как CXMT могла бы дать более дешёвую поставку из китайской программы развития памяти, поддержанной государством. Но CXMT находится в списке Chinese Military Company у Пентагона. Сам по себе он не запрещает Apple покупать у компании, но сигнализирует о риске для нацбезопасности. Ситуация станет куда серьёзнее, если Минторг США добавит CXMT в Entity List. Потеря Apple $263 млрд рыночной стоимости была связана с давлением цен на память, из-за которого пришлось поднимать цены на MacBook и iPad. Это показывает, как спрос на AI-инфраструктуру уже повышает себестоимость обычных потребительских устройств. https://www.ft.com/content/d72a25e2-7bde-4aa9-bd8d-0c4f3d6cb2cb?syn-25a6b1a6=1

✔️ Fine-tuning больших LLM больше не обязан быть мучительно медленным. 4 open-source библиотеки, которые ускоряют обучение моделей: 1. Unsloth AI Ускоряет fine-tuning Qwen, Llama, Gemma и других моделей, снижает расход VRAM, подходит даже для consumer GPU и Colab/Kaggle. https://github.com/unslothai/unsloth 2. LLaMA Factory Удобный CLI и WebUI для fine-tuning 100+ моделей. Поддерживает LoRA, QLoRA, full/frozen tuning и разные режимы квантования. https://github.com/hiyouga/LLaMA-Factory 3. DeepSpeed Фреймворк для масштабного distributed training: ZeRO, FSDP, multi-GPU, multi-node и продвинутая оптимизация памяти. https://github.com/deepspeedai/DeepSpeed 4. Axolotl Yaml-based пайплайн для LoRA/QLoRA, DPO, GRPO и multimodal fine-tuning. Хорошо дружит с Hugging Face. https://github.com/axolotl-ai-cloud/axolotl

BrowserBC - новый open-source проект от команды ViDA, который исследует более эффективный способ запускать web agents. Вместо того чтобы использовать frontier-модель на каждом шаге agent workflow, BrowserBC один раз записывает человеческий web flow с помощью более сильной модели, превращает его в переиспользуемый skill, а затем отдаёт выполнение меньшей и более дешёвой модели. Результаты выглядят заметно: на WebArena-Hard число tool calls падает на 27%, а success rate растёт с 60% до 81%. https://github.com/Einsia/Browser-BC