Machinelearning

✔️ Google DeepMind представила Genie 4 Genie 4 - модель для интерактивной симуляции виртуальных миров в реальном времени. Система мультимодальна: помимо фотореалистичного визуального ряда с учетом физики, она генерирует фоновый шум, пространственное аудио и контекстные диалоги персонажей. Текстовые команды позволяют менять погоду, добавлять объекты и переключать ракурс прямо в процессе генерации. За логическую консистентность мира и многошаговое планирование отвечают агенты на базе моделей Gemini (заявлены версии Omni, 3.8 Flash и 4 Argon). Инструмент предназначен для создания тренировочных сред в робототехнике, прототипирования в геймдеве и кинематографических превизуализаций. Новинка запущена в статусе закрытого превью по листу ожидания.

Среди известных ограничений при долгих сессиях - визуальный дрейф и нарушения перманентности объектов.

В будущем доступ откроют партнерам по Gemini API и подписчикам Google AI Ultra. @ai_machinelearning_big_data #news #ai #ml

✔️ ИИ за 24 дня формализовал самое длинное доказательство в истории математики, над которым около 100 учёных работали десятилетиями. Компания Axiom Math объявила о завершении компьютерной проверки теоремы классификации конечных простых групп (CFSG), известной как «Огромная теорема». Оригинальное доказательство занимает 15 000 страниц в более чем 500 научных статьях. О чём вообще теорема? Представьте куб. Его можно повернуть 24 способами так, чтобы он выглядел точно так же. Эти преобразования образуют математическую группу. Теорема классифицирует фундаментальные «строительные блоки», из которых состоят все конечные группы симметрий. Это своеобразная периодическая таблица симметрий, применяемая в алгебре, теории чисел и математической физике. Что сделал ИИ: За 24 дня десятки ИИ-агентов создали около 43,1 млн строк кода на Lean. Формализовали доказательство, которое математики собирали на протяжении десятилетий. Обнаружили 34 существенных расхождения с опубликованными математическими работами. Нашли контрпримеры к некоторым утверждениям и разработали альтернативные доказательства. Получили новый результат в теории групп, необходимый для выбранного пути доказательства. В отдельных случаях ИИ обнаружил ошибки в исходных рассуждениях и построил новые математические аргументы, чтобы их исправить. Работа велась совместно с математиками, включая специалистов, участвовавших в первоначальной классификации. Результат Axiom представляет как первое полное доказательство CFSG, проверяемое компьютером. Код и материалы открыты для независимого изучения. Это пример того, как ИИ-агенты могут не только ускорять математическую работу, но и проверять фундаментальные результаты, которые раньше было практически невозможно перепроверить целиком. https://axiommath.ai/research/the-enormous-theorem-formalized/ @ai_machinelearning_big_data

Data Scientist Fast Track: с 9 по 15 ноября ⚡️ Пройдите все этапы отбора в Авито в ускоренном формате и получите оффер за неделю! Почему именно фаст-трек? 🔸 совмещённые этапы 🔸 все даты известны заранее 🔸 классная возможность оценить свои скилы 🔸 результаты закрепляются на год Кого мы ждём? — кандидатов с опытом работы от 3,5 лет в крупных российских и международных IT-, BigTech- и FinTech-компаниях  — с опытом полного цикла разработки моделей: от ресёрча до выкатки в продакшен — с опытом полного лидирования проекта ✅ Регистрация открыта до 9 ноября включительно. Читайте подробности и отправляйте заявку на сайте.

✔️ Ведущие разработчики Claude Code ушли из Anthropic Об уходе 24 октября объявил Тарик Шихипар, один из самых публичных инженеров проекта, прежде исследователь MIT Media Lab и выпускник Y Combinator, вслед за ним уволился Энтони Моррис, автор десктопной версии агента. Шихипар проработал над проектом больше года и планирует взять перерыв, а в сообщении, собравшем миллионы просмотров, похвалил оставшуюся команду и посоветовал следить за обновлениями через Эдди Османи и Лидию Халли. Оба уходят на пике коммерческого успеха - по данным компании годовая регулярная выручка Claude Code превысила 2,5 млрд долларов. Thariq Shihipar в X ✔️ Sakana AI обучит с нуля модель для нужд государства Токийский стартап меняет курс и берётся за собственное обучение модели с рабочим названием Sakana Sawara. Известность японскому разработчику принёс Fugu, объединявший готовые нейросети, но работа на чужих весах несла риск зависимости, а Японии нужен технологический суверенитет без привязки к корпорациям США и Китая. Первую компактную версию новой модели обещают весной 2027 года, дальше её отмасштабируют до сотен миллиардов параметров. Целевыми областями станут национальная безопасность, финансовый сектор, поиск уязвимостей и разбор кибератак, а также оборонные задачи, причём ИИ-аналитику Sakana уже испытывает по контракту с японским Минобороны. nikkei.com ✔️ Nvidia оценила лицензию на управление агентами в 2000 долларов за ускоритель в год Дженсен Хуанг считает, что ПО скоро станет важнейшей частью бизнеса компании. По его словам, комплексная лицензия на развёртывание агентов на корпоративных ИИ-фабриках обойдётся примерно в 2000 долларов за ускоритель в год, и если подписка охватит хотя бы пять миллионов чипов, принесёт до 10 млрд долларов стабильной выручки. Как тариф будет сосуществовать с действующей AI Enterprise, подписка на которую стоит 4500 долларов, пока неясно. Само желание показывает перестройку Nvidia, которая готова предложить рынку не только чипы, но и готовую инфраструктуру, стремясь уйти от статуса чисто аппаратной компании. tomshardware.com ✔️ Обещанный Маском полнометражный ИИ-фильм вышел семиминутным роликом В июле Илон Маск анонсировал, что Grok Imagine выпустит полноценную и исторически точную экранизацию «Одиссеи» Гомера. Вместо полного метра xAI показала видео чуть дольше семи минут, проект теперь называют сериалом, сроки следующих эпизодов неизвестны. Ролик сняли с Wonder Studios и режиссёром Девом Уокером, дебютировал он в X без подробностей - ни сроков производства, ни затрат, ни состава моделей компания не раскрыла. По оценкам сообщества, видео получилось плохим из-за затянутых экспозиций, неестественных диалогов и невыразительных персонажей. Grok Imagine в X ✔️ Figure AI утвердила дизайн гуманоида Figure 04 На корпоративном собрании глава компании Бретт Эдкок сообщил, что облик робота нового поколения определён окончательно, и назвал новинку «первым iPhone среди гуманоидов». Главная особенность - в кисти с моторикой почти на уровне человеческой, приводов в ней больше, чем во всём теле. Производство комплектующих началось, внешний вид робота держат в секрете. Железо делают под новую модель Helix 3.0, которую Эдкок называет «baby AGI», и для её обучения развёрнут колоссальный сбор данных - приложение Index загружает по 81 минуте видео с действиями каждую секунду. За неделю на пополнение наборов данных ушло около 8,1 млн долларов, а за год Эдкок обещает вложить в данные больше, чем большинство робототехнических стартапов привлекли за всё время. Brett Adcock в X @ai_machinelearning_big_data #news #ai #ml

✔️Исследователи предложили способ повысить качество дообучения LLM без увеличения числа обучаемых параметров Исследователи Т-Технологий, МФТИ, Сбера и Иннополиса представили на международной конференции EMNLP метод SimplexLoRA. Он помогает адаптировать языковые модели к конкретным задачам, распределяя обучаемые параметры между слоями с учетом их значимости. В стандартной LoRA основные веса модели остаются неизменными, а обучение проходит через небольшие дополнительные модули — адаптеры. Обычно им выделяют одинаковое число параметров, хотя разные слои неодинаково влияют на результат. SimplexLoRA сначала определяет, каким слоям дополнительные параметры принесут больше пользы, и перераспределяет общий бюджет в их пользу. После этого распределение фиксируется, а дообучение продолжается по привычной схеме LoRA. Метод проверили на четырех моделях и 12 задачах, включая ответы на вопросы, суммаризацию и математические рассуждения. На большинстве тестов он показал сопоставимое или более высокое качество, чем стандартная LoRA, при том же числе обучаемых параметров и той же стоимости инференса. Лучше всего подход проявил себя при небольшом размере адаптеров. Это делает его особенно полезным для команд, которым нужно дообучать модели при ограниченных вычислительных ресурсах. Код SimplexLoRA опубликован в открытом доступе на GitHub @ai_machinelearning_big_data #news #ai #ml

Китайский ИИ-бум потерял $480 млрд: технологические акции обвалились менее чем за четыре месяца. По данным Reuters, индекс STAR50 рухнул на 40%, растеряв результаты двухлетнего роста. Акции производителя роботов Unitree подешевели вдвое, а индекс крупнейших китайских компаний CSI300 отступил примерно на 20% от июньского пика. Инвесторов тревожат завышенные оценки компаний и сомнения в спросе на ИИ, а также возможные ограничения США на экспорт китайских технологий. Даже после обвала STAR50 оценивается примерно в 100 годовых прибылей входящих в него компаний. Для сравнения: Nasdaq 100 – примерно в 30. https://www.reuters.com/world/china/china-ai-bubble-has-already-burst-2026-10-26/

✔️ Google заплатит жителям и бизнесу за отказ от электричества ради своих дата-центров Google договорился с Voltus, оператором виртуальных электростанций, о наборе 1 гигаватта мощности в PJM, крупнейшей энергосистеме США, которая снабжает 67 млн человек по всей стране. Новых генераторов при этом никто не строит. Voltus собирает согласия жителей и предприятий сократить потребление в часы пиковой нагрузки, платит им за это, а Google платит Voltus.

В июне компании начинали со 100 мегаватт на три года, теперь цель выросла в десять раз.

Отказ от потребления чаще всего происходит без участия человека. Умный термостат приглушает кондиционер в жаркий день, а установленная в доме батарея на время берёт питание на себя. По отдельности такая экономия ничтожна, но, сложенная за счёт тысяч потребителей, она освобождает сети мощность, которую Google забирает под дата-центры для ИИ. У PJM цена обеспечения пиковой мощности выросла более чем в восемь раз за последние годы, очередь на подключение новых электростанций забита, а сама энергосистема ждёт к началу 2030-х от 30 до 34 гигаватт дополнительного спроса от крупных потребителей. Сроков выхода на гигаватт Google не называет и не говорит, какие именно дата-центры будет питать схема. Voltus управляет более 9 гигаваттами такой мощности по стране и обещает 100% безуглеродный характер проекта, без резервных генераторов на топливе.

Остаётся открытым вопрос, хватит ли подобных договорённостей, чтобы покрыть нагрузку, которую дата-центры создают для сетей.

@ai_machinelearning_big_data #news #ai #ml

AI Journey 2026: заглядываем в будущее ИИ 🤖   Хочешь узнать, что происходит в мире нейросетей, послушать российских и зарубежных экспертов и найти единомышленников? Залетай на AI Journey — ежегодную международную конференцию по искусственному интеллекту. Тебя ждёт три дня погружения в мир ИИ!   👉 27 ноября — день Бизнеса: реальные ИИ-кейсы и продукты 👉 28 ноября — день Науки: свежие исследования и открытия   В программе — выступления лидеров индустрии, выставочные зоны с разработками и нетворкинг с теми, кто тоже горит ИИ 📍 27–28 ноября 2026 года Москва, Кутузовский проспект, 32, корп. 1, штаб-квартира Сбера Регистрируйся на сайте и попади в центр событий мира ИИ! 💚   А 26 ноября смотри прямую трансляцию дня «Общество» на сайте aij.ru — увлекательная программа, интересные герои, актуальные темы!

🧪️️️️️️ На следующий день после того, как OpenAI объявила, что её модель опровергла гипотезу экспоненциального времени, Anthropic сообщила: внутренняя модель Claude независимо нашла другое опровержение в тот же самый день, что и модель OpenAI, - 16 октября. Anthropic опубликовала статью «A 2^o(n) Time Algorithm for 3-SAT» с автором «Claude, Anthropic». Детерминированный алгоритм решает 3-SAT за субэкспоненциальное время, что опровергает Exponential Time Hypothesis. Он же считает и число выполняющих наборов в задаче #3-SAT. Ядро алгоритма 16 октября нашла внутренняя исследовательская модель Claude: 14 миллионов выходных токенов и ни одной человеческой подсказки. Сегодня доказательство оформлено в Lean 4, 1050 модулей поверх Mathlib, проверка ядром Lean и независимым чекером nanoda. По словам Anthropic, Claude Opus 5.5 может вывести результат заново по короткому техническому наброску. OpenAI почти одновременно заявила о собственном опровержении ETH. Оговорки в самой статье. Формализацию писали ИИ-модели и проверяли другие экземпляры тех же моделей, и ни один человек пока не известен как проверивший её целиком. Результат чисто асимптотический: для типичной формулы выигрыш у перебора появляется лишь при числе переменных порядка 10^10000, к решению формул на практике и к вопросу P против NP он не приближает. В Challenge.lean остаются два sorry, это две теоремы без доказательств для проверки. https://github.com/anthropics/formal-math/tree/16a5ce41304fcdaea4e0be7c132e1c361dc26da5/eth @ai_machinelearning_big_data #Anthropic #Claude

✔️ Canva выпустила модель Craft Canva Craft - первая собственная модель сервиса, ориентированная на генерации изображений для графического дизайна. Архитектура разделена на этапы планирования композиции и рендеринг. Сначала модель формирует план сцены, определяя пространственные связи объектов, масштаб и расположение текстовых блоков. Затем генератор создает финальное изображение с разрешением до 2K в любом соотношении сторон. Внутренняя разметка позволяет разделять картинку на редактируемые векторные элементы и слои через инструмент Magic Layers. Модель обучали на миллионах дизайн-макетов из библиотеки Canva. Благодаря этому система учитывает типографику и правила композиции, а также генерирует связный текст на 55 языках. . Craft уже развернута в редакторе Canva и доступна через публичный API. В ближайшее время появится поддержка сервера Canva MCP для вызова генератора ИИ-агентами. @ai_machinelearning_big_data #news #ai #ml

🧠 ИИ OpenAI нашёл доказательства для научных задач, не поддававшихся учёным десятилетиями – теперь их проверяют эксперты. 1) Математика: гипотеза, открытая с 1991 года Гипотеза Кристофера Согге о локальном сглаживании описывает концентрацию волн: сильная фокусировка возможна, но должна быть кратковременной. ИИ построил доказательство для пространств любой размерности. Из него также следуют доказательства гипотез Какеи и Стейна. Текст и формализация в Lean опубликованы. 2) Информатика: опровержение ETH Гипотеза экспоненциального времени предполагает, что для определённого класса логических задач нельзя избежать экспоненциального роста времени вычислений. На этом предположении основаны сотни научных работ. OpenAI сообщает, что ИИ нашёл опровержение, проверенное в Lean. Его изучает группа, включающая двух авторов исходной гипотезы. Поиск практически полезных алгоритмов на основе результата потребует дальнейших исследований. 3) Физика: часть задачи тысячелетия ИИ предложил строгие доказательства существования квантовой хромодинамики и чистой теории Янга–Миллса в четырёх измерениях. Последняя связана с задачей тысячелетия с премией $1 млн, однако заявленный результат не означает полного решения этой задачи. Материалы пока не опубликованы. Их разбирает группа во главе с нобелевским лауреатом Дэвидом Гроссом. Математическое доказательство получено 18 октября, формализовано 19-го. Опровержение ETH получено 16 октября, формализовано 17-го. OpenAI пока предлагает считать рукописи ИИ исходным исследовательским материалом. Независимая экспертиза продолжается. https://openai.com/index/building-scientific-understanding-with-academic-communities/ @ai_machinelearning_big_data #OpenAI #chatgpt

🖥️ GPT-6.1 Terra: OpenAI вдвое снизила цену на агентную модель среднего класса OpenAI выпустила GPT-6.1 Terra для агентных сценариев, работы с компьютером и повседневного кодинга. Цена в API вдвое ниже, чем у GPT-5.6 Terra: $1 за миллион входных токенов вместо $2 и $6 за миллион выходных вместо $12. По словам OpenAI, модель решает задачи более чем втрое быстрее, чем Astra и GPT-6.1 Sol. На Agents' Last Exam она заметно обходит GPT-5.6 Terra и, как сообщается, сравнима с GPT-6 Astra при цене токена примерно в десять раз ниже. Доступна в ChatGPT Work, Codex и через API под id gpt-6.1-terra. В ChatGPT раскатка идёт на Plus, Pro, Enterprise и Edu. Источник: https://openai.com/index/introducing-gpt-6-1-terra/ @ai_machinelearning_big_data #ChatGPT #OpenAI

📌 FairStress: тест на демографическую справедливость моделей Институт Аллена опубликовал набор FairStress для проверки того, меняет ли языковая модель своё решение о человеке из-за его расы, пола, религии, возраста, инвалидности или ориентации в сферах найма, кредитования, медицины и образования. FairStress тестирует прочность позиции модели - в промпт внедряются состязательные префиксы с авторитетными или социально окрашенными аргументами (ссылки на мнение руководства, дискриминацию в прошлом или неформальные рекомендации), после чего замеряется, насколько охотно система отказывается от объективно более сильного кандидата под внешним давлением. В наборе 300 сценариев из 29 областей с вымышленными кандидатами, 33 пары демографических групп, четыре степени раскрытия личности и до 78 убеждающих фраз. Итого более 13 млн вариантов. 🟡Тесты На 15 моделях семейств Olmo, Llama, Qwen, Gemma, Claude и GPT бенчмарк выявил повсеместную антистереотипную гиперкоррекцию - под влиянием одинаковых по силе аргументов модели гораздо чаще отказывались от правильного выбора в пользу кандидатов из исторически уязвимых групп, чем наоборот. Без данных о личности модели беспристрастны, но при прямом указании группы они на 9,3 процентного пункта чаще отказываются от верного решения, если отказ выгоден кандидату из меньшинства. В сценариях без явного фаворита выбор в пользу меньшинств происходил в 60–65% случаев. Кроме того, модели меняли логику аргументации: заслуги одних кандидатов объяснялись критериями и фактами, а других - абстрактной устойчивостью и разнообразием, что фактически нивелировало их профессиональные достижения. Аудит показал, что текущие процессы элайнмента обучают модели блокировать дискриминационные запросы, но не учат их устойчивому взвешиванию объективных навыков.

Снизить асимметрию без падения точности помог только контрфактический CoT - принудительный пересмотр логики задачи с зеркальной заменой демографических маркеров.

📌Лицензирование: CC-BY-4.0 🟡Статья 🟡Датасет 🖥GitHub @ai_machinelearning_big_data #AI #ML #Dataset #FairStress #Ai2

Anthropic выходит на биржу - разработчик Claude подал заявку на IPO в США. Компания официально направила в Комиссию по ценным бумагам и биржам США (SEC) регистрационное заявление по форме S-1. Что известно: - Биржа: Nasdaq Global Select Market. - Тикер: ANT. - Акции: класса A. - Организаторы размещения: Goldman Sachs и Morgan Stanley. - Оценка компании и цена акций: пока не объявлены. Подача S-1 — первый официальный шаг к публичному размещению. Сама продажа акций начнётся только после вступления регистрационного заявления в силу. Anthropic готовится стать публичной компанией, открывая инвесторам возможность напрямую вложиться в одного из ведущих разработчиков ИИ. https://www.anthropic.com/news/s1-sec

🔬️️️️️️ Claude самостоятельно обошёл платный доступ к избирательной статистике Джорджии. По сообщениям СМИ, подтверждённым Anthropic, это произошло во время внутреннего проекта по статистике. Модель узнала, что публичная панель ведомства выдаёт посетителям токен доступа, самостоятельно запросила его и получила агрегированные данные, за которые обычно взимается плата. Такого действия человек ей не поручал. По заявлению Anthropic, Claude не получил доступ к системе регистрации избирателей, не скачивал индивидуальные записи и не менял данные голосования. Компания сообщила, что после инцидента ввела меры для блокировки подобных действий. https://www.axios.com/2026/10/25/anthropic-claude-georgia-voter-data

✔️ Ideogram представила модель Vector 1.0 Это первая специализированная модель компании для работы с векторной графикой, которая создает масштабируемые SVG-иллюстрации по текстовым запросам, а также векторизует загруженные растровые изображения форматов JPG и PNG. Результат работы Vector представляет собой набор математических кривых, раздельных слоев, редактируемых форм и градиентов. Сгенерированные файлы можно открывать в Figma и Adobe Illustrator, где дизайнеры могут продолжить редактирование, а веб-разработчики - использовать полученную разметку в коде. Новинка рассчитана на проектирование логотипов, иконок, мерча и типографики, поддерживая стили от гравюры и лайн-арта до поп-арта и сплошных заливок. Модель доступна в веб-интерфейсе сервиса и через API с отдельными эндпоинтами для генерации с нуля и трассировки растра.

Стоимость генерации по API составляет от 13 до 20 центов за файл в зависимости от выбранного качества (32 цента при использовании референсного изображения). Конвертация растрового файла в вектор обойдется в 10 центов за запрос.

@ai_machinelearning_big_data #news #ai #ml

📘 На Mentorix вышел курс — «RAG Engineering: создание production-ready AI-систем» Хотите не просто собрать демо «чат по документам», а сделать RAG, который находит нужный раздел и отвечает с цитатами? Этот курс — полный путь от RAG без фреймворков до production agentic RAG. • Основы: embeddings, top-k, мини-RAG руками • Векторный поиск: Qdrant и pgvector, мультитенантность • Chunking: semantic, document-aware, parent-child • Hybrid search: BM25, sparse-векторы, RRF • Reranking: cross-encoder, Cohere, Voyage, Jina • Оценка: nDCG, golden datasets, faithfulness, eval в CI • Паттерны: HyDE, multi-hop, Corrective RAG, GraphRAG • Agentic RAG и MCP-сервер базы знаний • Production: FastAPI, streaming, кэш, права доступа 🎓 Сертификат — добавьте в резюме или LinkedIn 🏷 Скидка 50%, действует 48 часов 12 990 ₽ → 6 495 ₽ ➜ Пройти курс на Mentorix Ещё 25 курсов бесплатно — доступны после регистрации

📌 Perplexity научила модель быть учителем самой себе ИИ-поисковик предложил метод обучения под названием JOLT, в котором одна и та же модель выступает сразу учеником и учителем, причём обе роли учатся одновременно. При обучении с подкреплением модель получает награду только за итог попытки, и по ней не понять, какие именно шаги привели к успеху. На длинных агентных задачах, где попытки редко удаются, такого сигнала мало. Обходят это дистилляцией, когда модель посильнее оценивает каждый токен ученика и подсказки становятся плотнее.

Но умение решать задачу и умение её объяснить не одно и то же. Сильный учитель легко уходит туда, куда ученик за ним не дотянется, и подсказки пропадают впустую.

В JOLT учитель видит проверенный ответ, разобранное решение или отчёт о прошлых попытках, а ученик работает вслепую. Обе роли живут в одной модели и обновляют общие веса. Ученик тянется к подсказкам учителя, а учитель получает задачу подстроиться под ученика, т. е. давать такие подсказки, которые двигают его в ту же сторону, куда двигало бы обычное обучение с подкреплением на его собственной награде.

У метода есть второй вариант, JOLT+. В нём ученик получает и подсказки учителя, и обычную награду за итог своей попытки, то есть плотный и разреженный сигналы складываются.

🟡 Тесты Метод проверяли на небольших моделях DeepSeek и Qwen, от 0,6 до 30 млрд параметров. Задачи брали разные, от школьной математики и олимпиадных задач до генерации кода, работы с приложениями и команд в терминале. Сравнивали с GRPO и двумя методами дистилляции. JOLT+ везде показал лучший средний результат, обойдя GRPO на 4,2 процентных пункта на наборе MATH, на 3,0 на LiveCodeBench и на 9,9 на AppWorld. На MATH при равной точности JOLT потратил в 6,5 раза меньше обработанных токенов обучения и примерно в 13 раз меньше сгенерированных. Без награды ученика метод работает хуже. На AppWorld чистый JOLT отстал и от GRPO, и от конкурирующей дистилляции, а на Terminal-Bench уступил GRPO. Perplexity обещает открыть код позже, пока есть только статья с описанием метода. @ai_machinelearning_big_data #AI #ML #LLM #Research #RL #Perplexity

🌟 Recursive выпустила модель для кодинг-агентов Стартап Recursive Superintelligence, основанный Ричардом Сочером и вышедший из тени в мае с 650 млн долларов инвестиций, показал свою первую модель - Flint.

Такие деньги Recursive получил ещё до первой модели во многом из-за состава основателей. Сочер был главным научным сотрудником Salesforce и в свое время запустил поисковик You.com, оттуда же пришёл Цаймин Сюн, возглавлявший исследования ИИ. Алексей Досовицкий из Google – автор Vision Transformer, Юаньдун Тянь занимался исследованиями в FAIR у Цукерберга, Тим Роктэшель пришёл из DeepMind и остаётся профессором Университетского колледжа Лондона, Джефф Клун стоит за работой о машине Дарвина-Гёделя про самоулучшающийся код. Ещё двое, Джош Тобин и Тим Ши, работали в OpenAI, а Ши вдобавок сооснователь Cresta.

Модель рассчитана на агентов, которые разбирают чужой код, чинят ошибки, добавляют функции и пишут тесты. Команда собрала её с нуля меньше чем за четыре месяца. 🟡Архитектура Flint построена на MoE, 39,8 млрд общих параметров, на каждый токен работают 2,5 млрд. Окно контекста - 262 тысячи токенов. В каждом слое 256 экспертов, из которых выбираются шесть, плюс один работает всегда. Большая часть слоёв внимания смотрит не на весь контекст, а на скользящее окно, что экономит вычисления. Под Apple Silicon и NVIDIA RTX Spark стартап написал свои вычислительные ядра. 🟡 Тесты На SWE-bench Verified модель набрала 74,2%, на Terminal-Bench 2.1 – 54,9%.

Recursive называет Flint лучшей моделью со смесью экспертов среди тех, что меньше 50 млрд параметров, и утверждает, что та догоняет плотные модели на 25–40 млрд, работая впятеро быстрее.

На коротком контексте Flint выдаёт больше 125 токенов в секунду на MacBook с M4 Pro и больше 150 на NVIDIA RTX Spark с 64 ГБ памяти. Flint работает в llama.cpp, Ollama, LM Studio, vLLM и SGLang, а для ноутбуков на M4 Pro и M5 Pro или Max есть собственный движок rec. 📌Лицензирование: Apache 2.0 🟡Блогпост 🟡Документация 🟡Веса 🖥GitHub @ai_machinelearning_big_data #AI #ML #LLM #Flint #RecursiveSI

Скоро в твоем городе @ai_machinelearning_big_data