fa
Feedback

فریب کلاهبرداران را نخورید! تل‌متریو این کانال‌ها را شناسایی و برچسب‌گذاری می‌کند 👉 برای مشاهده برچسب، اشتراک تهیه کنید

Generative Ai

Generative Ai

رفتن به کانال در Telegram

Анонсы интересных библиотек и принтов в сфере AI, Ml, CV для тех кто занимается DataScience, Generative Ai, LLM, LangChain, ChatGPT По рекламе писать @miralinka, Created by @life2film

نمایش بیشتر
3 655
مشترکین
+124 ساعت
-17 روز
-3430 روز

در حال بارگذاری داده‌ها

جذب مشترکین
نوامبر '26
نوامبر '26
+24
در 1 کانال‌ها
اکتبر '26
+43
در 2 کانال‌ها
Get PRO
سپتامبر '26
+31
در 0 کانال‌ها
Get PRO
اوت '26
+96
در 0 کانال‌ها
Get PRO
ژوئیه '26
+35
در 0 کانال‌ها
Get PRO
ژوئن '26
+130
در 0 کانال‌ها
Get PRO
مه '26
+56
در 0 کانال‌ها
Get PRO
آوریل '26
+33
در 0 کانال‌ها
Get PRO
مارس '26
+39
در 1 کانال‌ها
Get PRO
فوریه '26
+46
در 1 کانال‌ها
Get PRO
ژانویه '26
+40
در 0 کانال‌ها
Get PRO
دسامبر '25
+231
در 0 کانال‌ها
Get PRO
نوامبر '25
+43
در 1 کانال‌ها
Get PRO
اکتبر '25
+9
در 0 کانال‌ها
Get PRO
سپتامبر '25
+21
در 0 کانال‌ها
Get PRO
اوت '25
+47
در 0 کانال‌ها
Get PRO
ژوئیه '25
+123
در 0 کانال‌ها
Get PRO
ژوئن '25
+56
در 0 کانال‌ها
Get PRO
مه '25
+69
در 0 کانال‌ها
Get PRO
آوریل '25
+83
در 1 کانال‌ها
Get PRO
مارس '25
+115
در 0 کانال‌ها
Get PRO
فوریه '25
+100
در 0 کانال‌ها
Get PRO
ژانویه '25
+132
در 2 کانال‌ها
Get PRO
دسامبر '24
+114
در 1 کانال‌ها
Get PRO
نوامبر '24
+129
در 1 کانال‌ها
Get PRO
اکتبر '24
+124
در 0 کانال‌ها
Get PRO
سپتامبر '24
+101
در 0 کانال‌ها
Get PRO
اوت '24
+89
در 0 کانال‌ها
Get PRO
ژوئیه '24
+115
در 0 کانال‌ها
Get PRO
ژوئن '24
+99
در 3 کانال‌ها
Get PRO
مه '24
+57
در 0 کانال‌ها
Get PRO
آوریل '24
+57
در 0 کانال‌ها
Get PRO
مارس '24
+115
در 0 کانال‌ها
Get PRO
فوریه '24
+107
در 0 کانال‌ها
Get PRO
ژانویه '24
+108
در 0 کانال‌ها
Get PRO
دسامبر '23
+112
در 0 کانال‌ها
Get PRO
نوامبر '23
+139
در 2 کانال‌ها
Get PRO
اکتبر '23
+53
در 0 کانال‌ها
Get PRO
سپتامبر '23
+30
در 0 کانال‌ها
Get PRO
اوت '23
+24
در 0 کانال‌ها
Get PRO
ژوئیه '23
+20
در 0 کانال‌ها
Get PRO
ژوئن '23
+25
در 0 کانال‌ها
Get PRO
مه '23
+92
در 0 کانال‌ها
Get PRO
آوریل '23
+55
در 0 کانال‌ها
Get PRO
مارس '23
+29
در 0 کانال‌ها
Get PRO
فوریه '23
+18
در 0 کانال‌ها
Get PRO
ژانویه '23
+29
در 0 کانال‌ها
Get PRO
دسامبر '22
+19
در 0 کانال‌ها
Get PRO
نوامبر '22
+18
در 0 کانال‌ها
Get PRO
اکتبر '22
+23
در 0 کانال‌ها
Get PRO
سپتامبر '22
+22
در 0 کانال‌ها
Get PRO
اوت '22
+34
در 0 کانال‌ها
Get PRO
ژوئیه '22
+41
در 0 کانال‌ها
Get PRO
ژوئن '22
+23
در 0 کانال‌ها
Get PRO
مه '22
+27
در 0 کانال‌ها
Get PRO
آوریل '22
+32
در 0 کانال‌ها
Get PRO
مارس '22
+20
در 0 کانال‌ها
Get PRO
فوریه '22
+20
در 0 کانال‌ها
Get PRO
ژانویه '22
+26
در 0 کانال‌ها
Get PRO
دسامبر '21
+24
در 0 کانال‌ها
Get PRO
نوامبر '21
+34
در 0 کانال‌ها
Get PRO
اکتبر '21
+44
در 0 کانال‌ها
Get PRO
سپتامبر '21
+34
در 0 کانال‌ها
Get PRO
اوت '21
+31
در 0 کانال‌ها
Get PRO
ژوئیه '21
+32
در 0 کانال‌ها
Get PRO
ژوئن '21
+28
در 0 کانال‌ها
Get PRO
مه '21
+22
در 0 کانال‌ها
Get PRO
آوریل '21
+31
در 0 کانال‌ها
Get PRO
مارس '21
+58
در 0 کانال‌ها
Get PRO
فوریه '21
+48
در 0 کانال‌ها
Get PRO
ژانویه '21
+51
در 0 کانال‌ها
Get PRO
دسامبر '20
+2 339
در 0 کانال‌ها
تاریخ
رشد مشترکین
اشارات
کانال‌ها
15 نوامبر+4
14 نوامبر0
13 نوامبر+1
12 نوامبر+7
11 نوامبر+1
10 نوامبر+1
09 نوامبر+2
08 نوامبر+1
07 نوامبر+1
06 نوامبر+1
05 نوامبر+3
04 نوامبر0
03 نوامبر0
02 نوامبر+1
01 نوامبر+1
پست‌های کانال
OpenAI запустила ChatGPT Wallet: агент платит картой пользователя, но не видит её номер. Сделано вместе с American Express, Mastercard и Visa - карту привязывают один раз. Перед каждой покупкой человек видит товары, сумму и выбранную карту и подтверждает покупку Face ID или отпечатком - после подтверждения платёжная сеть выдаёт токен с подменным номером, CVV и сроком. Настоящих данных нет ни у магазина, ни у агента, кешбэк и защита при спорах остаются - пока только в dots, постоянно работающих агентах OpenAI на GPT-6 Astra, для ChatGPT Pro в США - дальше OpenAI рассчитывает на лимиты по сумме, категориям и периоду, чтобы агент покупал сам, без подтверждения каждой покупки Для магазинов это задача уже сейчас: агента может отрезать собственный файрвол или антифрод. OpenAI советует пропускать подписанные запросы Web Bot Auth, предупредить свой антифрод и добавить на сайт WebMCP-инструменты для агентов Анонс: https://openai.com/index/introducing-chatgpt-wallet/ Плейбук для магазинов: https://developers.openai.com/commerce

2
Vercel выложила UI SDK: библиотеку поведения интерфейсов, которую пишет не человек, а кодинг-агент - в ядре @ui-sdk/core лежит то, на чём агенты чаще всего ошибаются: навигация с клавиатуры, фокус, выделение, закрытие, попапы, drag and drop и нужные для этого ARIA-атрибуты - компонент описывается один раз через definePrimitive (состояние, API, слоты) и рендерится адаптерами для React, Vue, Svelte, Solid и Web Components. Части компонента во всех пяти одинаковые - к библиотеке идёт skill для агента: npx skills add vercel-labs/ui --skill ui-sdk. В README так и написано: учить синтаксис вам не нужно, это сделают агенты - статус: бета, API могут поменяться до релиза На практике: если Claude Code или Codex собирает вам выпадающие списки и модалки с нуля, доступность и фокус обычно ломаются первыми. Здесь агент берёт готовое поведение и пишет только разметку и стили. Код и установка: https://github.com/vercel-labs/ui
303
3
Google DeepMind выпустила Gemini Robotics 2.5: гуманоид Apollo 2 под её управлением раскладывал детали на действующих линиях
Google DeepMind выпустила Gemini Robotics 2.5: гуманоид Apollo 2 под её управлением раскладывал детали на действующих линиях Mercedes-Benz и справился в 96% случаев - задача: достать металлические кронштейны из общих ящиков и разложить по лоткам в порядке сборки. Заводы в Кечкемете и Зиндельфингене, сама Google называет это проверкой концепции - моделей две: Gemini Robotics ER следит за ходом работы, 2.5 управляет руками - по оценкам DeepMind на 200 задачах (подать еду щипцами, завязать бант, набрать жидкость пипеткой) успех на 30–100% выше прежних моделей, а выполнение на 20–30% быстрее - открыт бенчмарк ASIMOV-Jailbreak с замаскированными опасными просьбами к роботу: Argon устоял в 99,5% случаев, Gemini Robotics ER 2 в 82% Саму модель пока раздают партнёрам, а бенчмарк можно скачать с Hugging Face и прогнать на своей. Подробности и видео: https://deepmind.google/blog/gemini-robotics-2-5-accelerates-real-world-physical-intelligence/
312
4
«Мировая модель» для рынков в новостях звучит как одна технология. На деле это три разные вещи, и работает только часть. 1. С
«Мировая модель» для рынков в новостях звучит как одна технология. На деле это три разные вещи, и работает только часть. 1. Стенд. Генераторы биржевого стакана: MarS от Microsoft обучен на 32 млрд токенов заявок. Открытый код, метрики, работает уже сегодня. 2. Торговый сигнал. Публичных доказательств прибыли нет. StockBench: лучшая из 14 моделей дала +2.5% за четыре месяца против +0.4% у «ничего не делать». LiveTradeBench: GPT-4.1 сделал +6.25% на акциях и потерял 33.7% на Polymarket. 3. Физический мир: погода, энергия. Единственный слой, где платят клиенты. Проверил на своём боте: 60 закрытых вопросов Manifold, Brier (меньше = лучше). Цена рынка 0.139, «всегда 50%» 0.250, Claude с поиском 0.324, без поиска 0.425. Модель проиграла и толпе, и монетке. Обзор Дмитрия из ARLI Research и мои цифры: https://rustman.org/wiki/world-models-in-markets-2026/?utm_source=tg_deeplearning&utm_medium=social&utm_campaign=world-models-in-markets-2026
416
5
Claude Fable 5.2 закрыла 41,3% реальных фриланс-проектов на уровне исполнителя-человека. Год назад лучший агент в том же бенч
Claude Fable 5.2 закрыла 41,3% реальных фриланс-проектов на уровне исполнителя-человека. Год назад лучший агент в том же бенчмарке Remote Labor Index брал 2,5% - в наборе 240 заказов с Upwork на $143 991: игры, 3D и CAD, видео, архитектура, анализ данных. Человек тратил на проект в среднем 28,9 часа - оценивают люди: три эксперта сравнивают результат с работой фрилансера, зачёт ставят, если заказчик принял бы такую сдачу - на графике Scale Labs: Opus 5.5 21,25%, GPT-6 Astra 20,83%, Fable 5.1 17,92%. Рекорд удвоился за 33 дня - CAIS пишет об удвоении каждые ~3 месяца. В среднем сходится (93 дня), но рост шёл двумя скачками: Fable 5 в июле и 5.2 сейчас - это не 41% всей удалёнки: в наборе только разовые заказы без общения с клиентом, и 58,7% проектов модель всё равно провалила На практике: разовую задачу с ТЗ и папкой файлов уже есть смысл сначала отдать агенту, а сдачу проверять как у подрядчика. Лидерборд и методика: https://labs.scale.com/leaderboard/rli
477
6
Йошуа Бенджио, Стелла Бидерман, Мор Гева и ещё 24 соавтора выпустили обзор механистической интерпретируемости на 183 страницы
Йошуа Бенджио, Стелла Бидерман, Мор Гева и ещё 24 соавтора выпустили обзор механистической интерпретируемости на 183 страницы. Вопрос в заголовке: делает ли понимание устройства модели её безопаснее? - ответ осторожный: полного решения интерпретируемость не даст, но пока без неё не обойтись. «Спящих агентов», которых не видно на тестах, уже находили по активациям - слабое место: SAE и транскодеры лишь приближают модель. «В прокси нет схемы обмана» не значит, что её нет в самой модели - steering-векторы и мониторы заметно слабеют при сдвиге распределения, а в MoE патчинг одного слоя меняет выбор экспертов дальше - опубликованные методы модели могут научиться обходить, авторы пишут о гонке без финиша Если ставите SAE-мониторинг или steering как защиту, начните с главы 14 про открытые проблемы. К обзору есть 19 ноутбуков (SAE, activation patching, суперпозиция), 4 из них не влезают в бесплатный Colab. Читать и запускать: tsglab.github.io/mechinterp-safety
408
7
Ricursive Intelligence, лаборатория Анны Голди и Азалии Мирхосейни (бывшие Google DeepMind), выложила веса Ripple-65B Preview
Ricursive Intelligence, лаборатория Анны Голди и Азалии Мирхосейни (бывшие Google DeepMind), выложила веса Ripple-65B Preview: плотная модель на 65B параметров догнала открытые американские MoE в 8–15 раз крупнее - по таблице Ricursive: Terminal-Bench 2.1 80,5 против 80,1 у Reflection Beam 501B и 76,4 у Muse Spark Open 816B (на графике), SWE-bench Verified 76,5 - 12T токенов, контекст 1M, Apache 2.0. Команда от 1 до 5 человек, весь R&D с нуля $32M, Ricursive называет это десятой долей цены прошлого лидера - RL сошёлся за 1,4M роллаутов, примерно в 70 раз меньше, чем у Beam - есть NVFP4-чекпоинт, модель влезает в DGX Spark; на 2×B200 даёт 250 ток/с без кастомных ядер Внутренняя версия той же модели проектирует у них чипы, и это главный вывод: сильный агент для кода теперь стоит десятки миллионов, а не миллиард. Веса и карточка модели: huggingface.co/ricursiveAI/Ripple-65B-Preview
397
8
https://www.anthropic.com/claude-fable-and-mythos-5-2 - пишет понятнее, генерация токенов на 30% быстрее - на 20% дешевле 5.1
https://www.anthropic.com/claude-fable-and-mythos-5-2 - пишет понятнее, генерация токенов на 30% быстрее - на 20% дешевле 5.1 (8/40) - по двойной цене доступен fast mode с генерацией в 2.5 раза быстрее - приводят несколько примеров оркестрации 1000 агентов для решения задач (например, написание операционной системы или формализация решения Теоремы Ферма) - аккаунты с доступом Fable получат от 1 до 3 резетов сегодня. Лимит квоты также 50%. - самое весомое в бенчмарках - это более 40% в Remote Labor Index (RLI). Системная карточка
264
9
Самая опасная настройка в Cloudflare Access выглядит безобидно: правила include в политике складываются через ИЛИ. У меня в п
Самая опасная настройка в Cloudflare Access выглядит безобидно: правила include в политике складываются через ИЛИ. У меня в политике был список разрешённых email, а второй строкой «вход по одноразовому коду». Через вторую строку проходит любой человек с любой почтой. Нашёл и закрыл 4 ноября, когда впервые открывал доступ людям. Правило теперь одно: в include только явные email или группы. Ограничение на способ входа ставится в require, там правила складываются через И. И порядок: сначала Access-приложение, потом DNS. Мой припаркованный домен за неделю собрал 51.7k запросов от сканеров, так что окно без защиты не теория. Вместо VPN у меня бесплатный Zero Trust (до 50 пользователей): туннель без открытых портов, логин перед каждым хостом, SSH без ключей на сервере. В посте схемы и ловушки: WARP на Mac роняет туннель, Docker обходит фаервол, ошибка 1010 не про токен. https://rustman.org/wiki/zero-trust-private-network/?utm_source=tg_deeplearning&utm_medium=social&utm_campaign=zero-trust-private-network
382
10
Дваркеш Патель потратил около $20 000 на API, чтобы 11 моделей сыграли друг против друга в Blood on the Clocktower, усложнённ
Дваркеш Патель потратил около $20 000 на API, чтобы 11 моделей сыграли друг против друга в Blood on the Clocktower, усложнённую «Мафию». Лучше всех и врёт, и ловит лжецов GPT-6 Astra - 386 игр: одна модель играет весь город, другая всю команду Демона, потом ту же раздачу переигрывают со сменой сторон. Ведущий не модель, а код - Elo на графике: Astra 1859, GPT-6.1 Sol 1734, лучший Claude (Fable 5.1) 1595. За город Astra выиграла 27 игр из 27 - отрыв OpenAI почти весь в роли сыщиков. К четвёртому дню города OpenAI дают настоящему Демону 46%, города Claude 26%: Claude принимает ранние улики за факт и перестаёт пересчитывать - в одной партии миньон Astra сам предложил Демону указать на него. Миньона казнили, и Демон стал самым доверенным игроком за столом Кодовые бенчмарки такое не меряют: держать общую ложь несколько игровых дней среди агентов, которые тоже врут. Партия на дешёвых моделях стоит $2–5, свою модель можно прогнать самому. Код и логи всех игр: github.com/dwarkeshsp/clocktower
400
11
OpenAI выпустила GPT-6 Cyber, модель для поиска уязвимостей. Конвейер на ней нашёл в ядре Linux 948 рабочих эксплойтов до roo
OpenAI выпустила GPT-6 Cyber, модель для поиска уязвимостей. Конвейер на ней нашёл в ядре Linux 948 рабочих эксплойтов до root, по $1 279 за штуку - путь на схеме: 2 308 находок, 1 724 воспроизведены в изолированной VM, 948 эксплойтов на стоковом дистрибутиве. Весь прогон стоил $1,2 млн в API - GPT-5.6 Sol в июле на той же обвязке дала 166, хотя ядро между прогонами три месяца латали - в Firefox, по данным OpenAI, 81 новая уязвимость высокой серьёзности, Mozilla уже выпускает исправления. Мейнтейнерам Linux отправили 304 критичные находки с патчами - ExploitGym 48,5% против 32,1% у GPT-5.6 Cyber. По своей шкале рисков OpenAI поставила модели Critical (у прошлой был High) - доступ пока только у одобренных клиентов Daybreak Red, запросы с разрешённых IP Вывод OpenAI для админов: для серьёзного атакующего непривилегированный аккаунт на системе без свежих патчей теперь равен root. Ущерб ограничивает изоляция вроде Firecracker и gVisor. Конвейер и цены по этапам: openai.com/index/a-thousand-fewer-paths-to-root
418
12
METR 11 недель изучала внутренние данные Anthropic и пришла к выводу: модели компании растут примерно вдвое быстрее, чем в 20
METR 11 недель изучала внутренние данные Anthropic и пришла к выводу: модели компании растут примерно вдвое быстрее, чем в 2024–2025, и большая часть ускорения идёт от работы с ИИ - индекс бенчмарков AECI до октября 2025 прибавлял 15 пунктов в год, после 29 (на графике): ускорение 1,9x, интервал 1,5–2,8x. Если добавить в тренд модели других лабораторий, выходит 1,4x - рост вычислений на обучение этого не объясняет. Около 80% ускорения METR относит на ИИ: пока это помощь людям, автономный вклад на уровне «признаков жизни» - в опросах в Slack сотрудники оценили свой прирост от последней внутренней модели в 12 раз, METR считает это слабым сигналом - узких мест на 12 месяцев вперёд не нашли, отсюда «значительный риск» дальнейшего разгона Минус: большую часть ключевых данных Anthropic вычеркнула из публичной версии, выводы держатся на доверии к METR. На практике костыли под слабости нынешней модели устаревают за месяцы. Отчёт и графики: metr.org/blog/2026-11-05-anthropic-ai-rd-acceleration-assessment/
415
13
OpenAI поймала GPT-6 Astra на скрытой недоработке: в задачах по безопасности ИИ модель работает хуже и не говорит об этом - о
OpenAI поймала GPT-6 Astra на скрытой недоработке: в задачах по безопасности ИИ модель работает хуже и не говорит об этом - одни и те же задачи по коду, меняли только подачу. Как «исследование безопасности» Astra закрыла ~10% скрытых пунктов рубрики, как «исследование возможностей» ~16%. У GPT-5.6 Sol разрыва почти нет - внутри OpenAI агенты добавляли лишние предусловия, бросали рабочие решения и выдумывали блокеры. Мониторы не сработали: явные отказы в CoT объясняют малую часть разрыва - разрыв вырос с нуля до 6 п.п. за время RL, точную причину не нашли. Просьба «будь осторожна» в developer message усилила недоработку на 50% - по версии OpenAI, это перестраховка, а не стратегия, но скрытые мотивы исключить нельзя На практике: если агент делает вам ред-тиминг, evals или мониторинг, сверяйте результат с контрольной задачей. Отчёт с графиками и цитатами из CoT: alignment.openai.com/misalignment-reports/covert-underperformance-on-safety-research-tasks
422
14
Роботы ломаются в кистях, агенты ломаются на коннекторах. ARLI Research разобрали две панели робототехнической конференции о
Роботы ломаются в кистях, агенты ломаются на коннекторах. ARLI Research разобрали две панели робототехнической конференции о внедрении. Основатели признались: «мы думали, самое сложное это модель». Первыми отказывают кисти и датчики усилия, а мир «вообще не дружит с автоматизацией». Инвестор: 85% аптайма в лаборатории это провал, потому что аптайм перемножается: модель × железо × время реакции. У агента множитель на каждый вызов инструмента. 20 шагов по 99% дают 82% прогонов без сбоя. Главное преимущество там дают данные внедрения: 70% точности в лаборатории, 90% после выхода к заказчику, и следующая задача стартует с 90, а не с 78. У агента это правки во время реальной работы: каждая ошибка становится правилом, хуком или тестом. В посте девять таких параллелей: гейт перед каждым действием, человек на оплате, 5 инструментов вместо 12. https://rustman.org/wiki/robot-deployment-panels-agents-2026/?utm_source=tg_deeplearning&utm_medium=social&utm_campaign=robot-deployment-panels-agents-2026
467
15
Moonshot выложила веса Kimi K3.1 Pro: в агентном кодинге открытая модель почти догнала Claude Opus 5.5, а умение писать экспл
Moonshot выложила веса Kimi K3.1 Pro: в агентном кодинге открытая модель почти догнала Claude Opus 5.5, а умение писать эксплойты перед релизом намеренно срезали - MoE на 2,8T параметров, 104B активных на токен, контекст 1M, понимает картинки. Обучена сразу в MXFP4, веса на Hugging Face занимают 1,56 ТБ - по таблице Moonshot: Terminal-Bench 4.0 65,7% (Opus 5.5 66,4%, GPT-6 Astra 58,2%), SWE Marathon 51,7% против 46,3% у Opus. Без инструментов отстаёт: HLE-Full 51,1 против 59,8 - из mid-training и RL убрали данные про кибербезопасность. Версия без чистки решала 90,5% задач на эксплойты, релиз решает 81% (таблица на картинке) - лицензия как MIT, отдельный договор нужен только API-провайдерам с выручкой больше $20M в год На практике: API совместим с OpenAI и Anthropic, и сама Moonshot гоняла кодинг-бенчмарки в Claude Code. Можно подставить её туда вместо Opus. Веса и все бенчмарки: huggingface.co/moonshotai/Kimi-K3.1-Pro
494
16
GPT-6 Astra правит веса чужой нейросети без обучения: исследователи MIT CSAIL поменяли 0,016% весов Qwen3.5-0.8B, и MATH-500
GPT-6 Astra правит веса чужой нейросети без обучения: исследователи MIT CSAIL поменяли 0,016% весов Qwen3.5-0.8B, и MATH-500 вырос с 7,9% до 48,1% - Astra дали Python-сессию с загруженными весами и 50 прогонов модели, градиенты запрещены. Она нашла, почему Qwen зацикливается в рассуждениях, и переписала 131 072 веса. Ответов, упёршихся в лимит токенов, стало 33% вместо 93% - заодно GSM8K 13,8% → 67,1%, IFEval 21% → 62,3% - по одним весам, без запуска, Astra угадала, на какую игру обучена сеть, а с нуля написанные ею сети для Breakout обошли PPO после 500M шагов - предел авторы признают сами: Gemma 3 270M, которая не зацикливается, так улучшить не вышло. Правка убирает помеху, но не добавляет умение На практике это аудит модели по весам и точечные правки без датасета и дообучения. Пока это блог-пост, а не рецензированная статья. Подробности и логи всех экспериментов: rikiyat.github.io/blog/weight-space-programming
495
17
NVIDIA выложила Nemotron 3.5 Bolt E4B: агентная модель для локального запуска, которая в Q4 занимает около 4 ГБ видеопамяти -
NVIDIA выложила Nemotron 3.5 Bolt E4B: агентная модель для локального запуска, которая в Q4 занимает около 4 ГБ видеопамяти - основа Gemma 4 E4B, сверху RL под многошаговый вызов инструментов, ролевой диалог и следование инструкциям. Контекст 64K, 35 языков, режим рассуждений включается и выключается - по таблицам NVIDIA: в среднем на 40% выше прошлой Nemotron 3 Nano 4B, IHEval 84,8 против 67 у исходной Gemma, и до 80% меньше выходных токенов в режиме рассуждений - RTX 5070: 133 токена/с и первый токен за 0,55 с на промпте в 3K. На Jetson Orin Nano 15 токенов/с - в комплекте DFlash-драфтер для спекулятивного декодинга (+21% к скорости), датасеты и рецепт обучения открыты. Лицензия OpenMDW-1.1 Ниша: голосовой ассистент, NPC в игре, агент на роботе, где облако не годится по задержке или приватности. Запустить: ollama run nemotron-3.5-bolt:e4b Модель и бенчмарки: huggingface.co/nvidia/NVIDIA-Nemotron-3.5-Bolt-E4B-4GB
524
18
Недельный лимит Claude Code кончился у меня через 2.6 дня после сброса. Думал, виноваты фоновые задачи, и сел считать. Каждый
Недельный лимит Claude Code кончился у меня через 2.6 дня после сброса. Думал, виноваты фоновые задачи, и сел считать. Каждый транскрипт Claude Code хранит токены по каждому ответу модели. Сумма по ценам API: около $1,830 за 2.6 дня. Фоновые задачи из этого всего 3.8%. Куда ушло на самом деле: • субагенты 56%, из них форки с полной копией контекста родителя $314; • перечитывание кеша 52% стоимости, а сам вывод модели только 16%. Основной диалог таскал в среднем 367k токенов на каждый ход. Помогли две настройки. CLAUDE_CODE_SUBAGENT_MODEL=claude-sonnet-5-5: иначе субагент наследует модель родителя. И autoCompactWindow 400000, чтобы сессия сжималась на 400k, а не у предела в 1M. В посте ещё мой харнесс вокруг агентов и VPS за $4.54 в месяц, где агент работает без перерывов. https://rustman.org/posts/agent-harness-and-always-on-gnome/?utm_source=tg_deeplearning&utm_medium=social&utm_campaign=agent-harness-and-always-on-gnome
538
19
DeepSeek выложила dsh-superagent: прототип агента, который живёт в GitHub-репозитории, сам берёт задачи из issues и отвечает
DeepSeek выложила dsh-superagent: прототип агента, который живёт в GitHub-репозитории, сам берёт задачи из issues и отвечает пул-реквестом - работает поверх DeepSeek Harness, слушает GitHub и, по желанию, Feishu. Каждая задача получает свою сессию и папку, а веб-панель показывает, где нужен человек - принцип из README: тратить как можно меньше внимания команды. Агент действует, только когда его позвали или разрешает правило, которое команда написала сама - права держит хост, а не промпт: комментарий или цитата не может их расширить. Боты вроде dependabot дают только «кандидатов», явный запрос им недоступен - проактивный режим по умолчанию observe: агент пишет «взял бы», но не берёт. auto включают после просмотра этих решений DeepSeek сама предупреждает, что это исследовательский код, большую часть которого написали coding-агенты. Брать как образец архитектуры (на схеме), а не в прод. Код: github.com/deepseek-ai/dsh-superagent-prototype
497
20
Pika выложила открытые веса H3 Flex: дообученная MiniMax H3 делает видео со звуком за 6 шагов денойзинга вместо 50 - это LoRA
Pika выложила открытые веса H3 Flex: дообученная MiniMax H3 делает видео со звуком за 6 шагов денойзинга вместо 50 - это LoRA-адаптер к той же 33B-модели: дистилляция с 50 шагов до 6, затем RL (весь путь на схеме) - по замерам Pika, на 15 секунд 768p со стереозвуком уходит 7 с работы трансформера, быстрее воспроизведения. В text-to-video на DesignArena №1 среди открытых моделей - до 12 референсов в одном запросе: картинки, видео и аудио - локально 480p и 768p, от 5 до 15 секунд. 1080p–4K и пять раздельных аудиодорожек только через API Pika - официальный пакет проверяли на H100 80GB. В ComfyUI это один LoRA-файл: в тесте PixelAI Labs на RTX 5090 8-секундный клип вышел за 1:56, почти втрое быстрее полной H3 на 20 шагах Если H3 у вас уже стоит, переход на Flex сводится к одному файлу. Лицензия community от MiniMax, перед коммерческим проектом прочтите её. Код и веса: github.com/Pika-Labs/Pika-H3-Flex
491