Борис опять

Коллеги,
мы сейчас пытаемся заставить ллм продвигать математику. В нашем проекте CayleyPy у нас много гипотез которые идеально ложатся на ллм - с одной стороны они (вероятно) не супер сложны, с другой стороны достаточно нетривиальны.

Если у кого есть интерес к коллаборации в этом направлении - будем очень рады - напишите @alexander_v_c

Также, если у Вас есть доступы к мощным моделям или опыт в auto-research - Вы могли бы нам очень помочь.

На волне ряда сравнений разных харнессов я пересел на pi. Он отличный, всем рекомендую. Но я заметил, что он всё ещё тратит слишком много токенов, поэтому сделал своё расширение:

https://github.com/btseytlin/pi-duck-mode

Добавляет /duck режим в котором харнесс тратит в 14х раз меньше токенов, TPS в 798x раз больше! При этом качество кода только растет

Принёс вам хорошее, чтобы не пришлось открывать твиттер

#дайджест
Дайджест AI/ML за неделю 7–13 сентября 2026

OpenAI: уравнения Навье-Стокса
Драма недели. Внутренняя модель сильно сильнее Astra в виде роя из ~10к агентов за 88 часов доказала, что 3D Навье-Стокс с гладкой внешней силой взрывается за конечное время. Вариант без внешней силы, за который дают миллион, все еще открыт, так что на приз OpenAI не претендует.
Теперь к скандалу. Тристан Бакмастер (NYU) и Левент Альпеге (Anthropic) год копали ровно этот подход с Claude и Codex и за две недели до запуска роя получили важный промежуточный результат. OpenAI признает, что не может исключить попадание переписок математиков в обучение.
Deep Blue против Каспарова, только если бы Каспаров делал свои ходы с подсказками Deep Blue, а Deep Blue подсматривала стратегию Каспарова из своих подсказок.
Блогпост, заявление Бакмастера

DeepSeek: V4.1-Flash
552B MoE, активных 8B на prefill и 16B на decode, новая Causal Encoder-Decoder архитектура, нативное зрение, контекст 1М. На DeepSWE 74.2 против 74.0 у Opus 5 и 73.0 у Sol, зато на Terminal-Bench 4.0 всего 31.2 против 51.8 у Opus. KV-кэш ужали в 4 раза.
Цена $0.30/$1.20, в непиковые часы вдвое дешевле, кэш в непик $0.003 за миллион. С 14 сентября все запросы к V4-Pro роутятся во Flash по цене Flash, пока не выйдет V4.1-Pro.
Блогпост, HF

OpenAI: ChatGPT Images 2.5
До 50% быстрее 2.0, более тонкое редактирование, например может в стоп-моушен анимацию без дерганой картинки, чего не могла ни одна text to image модель. Еще можно накалякать скетч прямо в чате и использовать как референс, плюс шаблоны и комментарии на самой картинке для точечных правок. В API две модели: gpt-image-2.5-flare (быстрая, дефолт) и gpt-image-2.5-sunburst (побольше). Цена за токен как у gpt-image-2. Раскатано всем, включая Free.
Блогпост

Suno: v6, v6-wild и v6-mini
Вышла новая серия в виде трех моделей: v6 точная и предсказуемая, v6-wild та же, но при температуре 39' для экспериментов, v6-mini быстрая и для бесплатных. Все умеют править отдельные секции трека текстом, мэшапы, семплы и генерацию по картинке, видео или аудио. Старые модели уберут. Бенчмарков нет, но их услужливо посчитали конкуренты, см. ниже.
Блогпост

m-a-p: YuE2
Открытая 3.6B модель для генерации песен. Из лирики и стиля сначала пишет партитуру в ABC-нотации, которую можно править руками или агентом, потом рендерит стерео 48 кГц. Умеет zero-shot каверы. На их WildSongBench набирает 6.96 против 6.87 у Suno v5 и 6.56 у свежей Suno v6. То есть по чужому бенчмарку v6 хуже v5, но это чужой бенчмарк.
Код Apache 2.0, веса CC BY-NC(!), нужно 24 GB VRAM.
GitHub, HF, демо

Tencent: AuK
Nano Banana для аудио, как они сами говорят. Открытая 1.5B модель: zero-shot TTS, замена слов в готовой речи, смена эмоции и тембра, шепот, удаление акцента, денойз и разделение речи/музыки, все текстовыми инструкциями плюс референс. 1.95М часов супервизии. AuK-Flash дистиллирована до 4 шагов и в 4.5 раза быстрее. MIT, есть ComfyUI-ноды и демо. Теперь легендарные RYTP с прямой линии можно превратить в недерганную речь.
GitHub, HF, Статья

BFL: FLUX Video Edit
Редактирование готового видео промптом: добавить или убрать объекты, поменять текст в кадре, перекрасить, перевести реплики с липсинком. Длительность, пропорции и звук исходника сохраняются, вход даунскейлится до 720p, до 15 секунд, цена $0.03 за секунду.
Документация

Blackmagic: DaVinci Resolve 21.1
В Resolve Studio встроили MCP-сервер: CC и Codex могут работать с проектами. Заодно Python-скриптинг вынесли из бесплатной версии, так что автоматизация теперь стоит $295
Обзор

Google+NASA: MAPL-EMIT
Модель которая из данных со спектрометра на МКС (EMIT) резмечает области выделения метана, чтобы потом глобально не теплеть
База данных, визуализация, Kaggle, GitHub

Lightx2v: MiniMax H3 Turbo Ref2VA - дистилляция reference-to-video ветки открытого MiniMax H3 до 8 шагов и 768p Новость

Krea: Agents - агент, который по брифу сам выбирает из 60+ моделей, генерирует и правит картинки, видео и звук. Доступен в бесплатном тарифе. Agent

Вышел подробный туториал по Perseus – фреймворку от команды Т-Технологий для обучения моделей персонализации на основе гетерогенных событий.

На датасете T‑ECD разобрали сразу четыре сценария: кандидатогенерацию, ранжирование, классификацию и регрессию. В туториале рассказали, как создать единое хранилище событий, подготовить данные, настроить YAML-конфиг, обучить модель и запустить инференс, а еще сравнили сами модели с бейзлайнами. Особенно интересно было почитать про то, как можно добавлять новые фичи или подключать события из соседних доменов, не переписывая код с нуля.

Сам туториал опубликован на Хабре, код доступен на GitHub

🎉Это снова происходит

У нас открылась регистрация на осенний семестр 🎆. Мы запускаем все классические DLS потоки, а также долгожданную третью часть курса по фундаментальным моделям 😎

Заходите, оставляйте заявки на учебу и ждите! Классические потоки стартуют уже 19 сентября, часть 3 — 26 сентября.

Форма регистрации👇
🔵 DLS: часть 1: https://talent.kruzhok.org/events/12596
🔵 DLS: часть 2: https://talent.kruzhok.org/events/12597
💥 DLS: часть 3: https://talent.kruzhok.org/events/12598
🔵 DLS: Speech: https://talent.kruzhok.org/events/12599

❗️Ее обязательно нужно заполнить для получения дипломов! Обратите внимание – теперь для разных частей курса отдельные регистрации на таланте!

Так же прикладываем ссылки на курсы на платформе Stepik:
🔵 Курс DLS: часть 1
🔵 Курс DLS: часть 2
💣 Курс DLS: часть 3
🔵 Курс DLS: Speech

Дальнейшие подробности и анонсы будут в этом канале. Следите за обновлениями!

- надо замедлить развитие ИИ иначе будут проблемы с алайнментом
- да, больше 10% шанс уничтожения человечества
- вы замедляете?
- нет, а вы?
- нет

Вышел GigaChat 3.5 Reasoning. Сбер выкатил модель под открытой лицензией MIT, так что веса доступны!

Обучили именно режим рассуждений: модель сначала планирует шаги, потом последовательно решает задачу и сама исправляет ошибки, если где-то ошиблась. Для длинного контекста использована архитектура с линейным вниманием. Говорят, что на математических задачах выходит в среднем на 37% меньше токенов по сравнению с DeepSeek V4 Flash Preview.

Прирост на бенчмарках:
— IFBench — с 44 до 77 баллов
— Natural Plan — с 64 до 80 баллов
— Live Code Bench v6 — с 56 до 85 баллов

Проверить рассуждения вживую можно прямо в ГигаЧате.

Модель лежит на Hugging Face и Gitverse, а подробные результаты расписали на Хабре.

Я, Борис @boris_again и какой-то рандомный чел проф из Оксфорда. Вот так вот выглядит конфа ECCV, на которой все мы и встретились

Завтра на конфе у меня будет постер по статье EquiSteer: Cross-Attention Steering Towards a Fairer Text-Guided Image Generation. Статья про debiasing диффузионок с помощью стиринг векторов. Если вы на ECCV, приходите завтра посмотреть на меня, мою статью и моего научника в постерную сессию ExHall #221 в 4:00 p.m.

Рекомендую канал "Зачем мне эта математика?"

Популярно пишут про фундаментальные вещи в ML и математике. Читается легко несмотря на глубокие темы.

Недавно у них вышла хорошая серия постов про No Free Lunch Theorem. Обычно ее рассмотрение заканчивают на том, что идеального ML алгоритма не существует, но не объясняют: почему тогда все табличные кагглы решаются бустингами, а глубокие нейронные сети решают все задачи? Ребята заглядывают глубже:
- https://t.me/practicum_math/1127
- https://t.me/practicum_math/1128
- https://t.me/practicum_math/1129

Если после этих трёх постов захочется продолжения — весь канал примерно в таком духе. Подписаться: @practicum_math

Яндекс запустил Алису AI для бизнеса — ИИ-ассистента, которому можно поручать рабочие задачи. Например, составить календарь платежей по счетам и договорам, разобрать записи совещаний и поставить поручения ответственным. Для этого достаточно описать задачу ассистенту как коллеге.

Я довольно сильно блекпильнулся по поводу кодинговых агентов, но в ассистентов для энтерпрайза я верю. В кодинге у агента в распоряжении целый проект бесконечное количество способов понять промпт и решить задачу. В компании заранее заданы границы, до чего дотянуться можно, а до чего нельзя, более менее ограниченный набор действий.

Алисе AI для бизнеса можно отдать многосоставное поручение целиком, а дальше она сама раскладывает его на шаги. В формате "посмотри свободные слоты в календаре, сверь с расписанием коммерческого директора, найди окно у нас обоих, подтяни из почты переписку по проекту, поставь встречу".

Для этого ассистенту нужен доступ к системам - он работает в виртуальном офисе Яндекс 360, но также умеет подключаться с помощью плагинов к сторонним корпоративным системам вроде Битрикс24 или amoCRM. И сам собирает все нужные ему данные. Разрешение на каждый источник выдаёт пользователь, список допущенных сотрудников держит админ. То есть ассистент не идёт никуда сам по себе, а лишь туда, где у него есть доступ. Мне это кажется правильной постановкой задачи. Помогать, а не решать все за человека.

Конференции потрясающая штука. На воркшопе рассказывал про наш прогресс. Решил помимо черрипикнутых видео, где мы конечно молодцы, показать лайв демо. Там наша модель местами работает, а местами не работает. И вообще про проблемы обучения VLA

Например, одна из необъясненных проблем это вот такие странные траектории. Это игрушечная модель которая учится кликать в одну из двух кнопок. Все траектории в данных у неё прямые и попадают прямо в середину кнопки. А потом на инференсе она заходит на цель с какого-то уголка и наворачивает невероятные вензеля (зеленый курсор наш)

В основном всем понравилось. Но один парень сказал, что я всё делаю неправильно, траектории курсора не нужны и все такое. Я задумался почему он неправ какое зерно правды в этом есть и к вечеру придумал три вероятных источника этой проблемы и какие эксперименты провести, чтобы её победить

2018: AI safety не существует, это научная фантастика 😂
2026: AI safety не существует, это научная фантастика 😫😫😫

#дайджест
Дайджест AI/ML за неделю 31 августа – 6 сентября 2026

Anthropic: Claude Fable 5.1 и Mythos 5.1
Ура, у нас новая SOTA! Антропик обновили большие модели. Fable 5.1 получают все, Mythos 5.1 друзья антропик. Позициронируется с упором на науку, особенно биологию. Mythos на Terminal-Bench 4.0 набирает 60.9%, Fable 55.8%, Astra между ними с 57.9%.
Fable 5.1 подросла вдвое на научной версии Terminal-Bench, с 24.7% до 52.6%.
Контекст 1М, выход 128К, $10/$50, кэш $0.25 против $1 у Astra. Требования к безопасности такие же драконовские
Блогпост, Документация

OpenAI: GPT-6 Astra и GPT-6 Pro
Ура, у нас новая SOTA! Компания объявила что это AGI.  Тут сложно сказать, но в среднем посильнее Fable 5.1: Terminal-Bench 4.0 57.9% против 55.8% у Fable 5.1. Хотя например на Humanity's Last Exam наоборот: Fable 65%, Astra 57.2%.
Контекст 1М, выход 128К. Цена $10/$50, кэш $1. При >272К контекста вход дорожает вдвое, выход в полтора раза. А еще теперь каждый tool call идет через отдельную систему мониторинга безопасности. Доступна в PRO подписке.
Блогпост, API , лимиты

Google: Gemini 3.8 Flash
Google видимо выпускает по Flash на каждый свой спринт. Третий за шесть недель. По бенчам немного хуже Opus/Sol при цене в 7 раз ниже, Есть подозрение что только по бенчмаркам.
Контекст 1М, выход 64К, все как обычно очень мультимодально. $0.75/$3.75 до конца года.
Блогпост, Model Card

World Labs: Atlas
Atlas учили сразу на тексте, картинках, видео и 3D, и она может делать из коробки разное: видео с заданной траекторией камеры, реконструкция пространства по одной или сотне фотографий и продолжение сцены во времени.
При реконструкции на выходе облака точек и гауссины, которые дальше правятся в обычном 3D-софте. Ранний доступ по заявке.
Блогпост

Mostik: модели общаются без текста
Стартап с простой идеей - для общения друг с другом модели сейчас передают токены, а могли бы напрямую латентные состояния, не теряя гору информации. Здесь же модели модели сшиваются с помощью отдельно обучаемого Mostikа™ как человеческая многоножка.
В демо GLM-5.2 на 753B отдает латенты в Qwen-3.5 на 4B, и 4B закрывает половину разрыва до большой модели.
В общем, будем умирать от не интерпретируемых моделей еще дешевле и эффективнее.
Mostik , подробности, X

Runway: GWM Worlds 2
Слоп-игровой движок. Модель стримит видео 720p при 24 fps со звуком 48 кГц, а игрок по ходу крутит камеру, переписывает сцену текстом, разговаривает с персонажами и может позвать второго человека в тот же мир. Конечной длины нет: мир продолжается авторегрессией через скользящий KV-кэш. Проблемы расползания мира со временем присутствуют.
Research preview, публичного API нет.
Исследование

Runway: Solaris
Слоп-вэб-интерфейс. Рисует UI покадрово как интерактивное видео в 720p и реагирует на клики, перетаскивания и набор текста. Логику берет на себя LLM, которая решает, что должно произойти, а Solaris только показывает результат.
Мелкий текст, длинные сессии пока не держатся, доступ по заявке.
Блогпост

Alibaba/AMAP: DreamX-Creator
Открытый видеогенератор от подразделения китайских карт AMAP (лол). Из первого кадра и промпта 7B-модель делает пять секунд при 24 fps с аудиодорожкой, а отдельный 5B-рефайнер удваивает разрешение до 2K.
GitHub, Веса, Статья

Менее значительные релизы:
Alibaba: Qwen3.8-Max-0902 - минорное обновление закрытого Qwen3.8-Max. лучше в коде, мультиагентных сценариях и разборе графиков с документами. Модель

inclusionAI: LLaDA-Image - Очередная новая Image модель. 6B, рисует, редактирует, есть референсы и читаемый текст. 50 шагов в базе, 2–4 в Turbo, 53.53 на Qwen-Image-Bench. Обещают скоро выкатить рецепт обучения GitHub, Веса

Viggle: Viggle-Animate - пересадка движения из видео на нового персонажа с одного отредактированного кадра. Внутри файнтюн MiniMax H3 на 33.1B, в 6.1 раза быстрее Wan2.2-Animate-14B. Веса

DeemosTech: Hyper3D WorldGen - из одной картинки собирает сцену, где передний план разложен на отдельные меши, а фон сделан через Gaussian Splatting. Объекты двигаются и заменяются, все экспортируется в Blender. Уже доступно на Hyper3D.
WorldGen, DeemosTech

Прилетел на ECCV 2026 в Malmo. Если кто-то ещё тут: заглядывайте 8 сентября на воркшоп по мультимодальным агентам, около 14:30 буду рассказывать как делаем VLA для GUI

Весной я писал:

ПО ДА ВАЙ ТЕСЬ

(Докладчиками на Practical ML)

Вы подались. Теперь мы с программным комитетом сидим на прогонах отобранных докладов. Доклады на очень высоком уровне

Программу Practical ML Conf 2026 уже можно посмотреть. Конференция пройдет 19 сентября.

Теперь хочу позвать вас в гости: послушать доклады и наконец-то увидеть всех этих людей не в телеграме!

ПРИ ХО ДИ ТЕ
ПРИ ХО ДИ ТЕ

Мы с GPT-6 Astra долго размышляли и я придумал революционную вещь из первых принципов

Ключевые проблемы LLM:
- Промпты можно проинтерпретировать неоднозначно, существует много решений для одного промпта и агент не может установить какое именно требует пользователь.
- Результат не детерменирован, поэтому даже при запуске одного и того же промпта может быть много разных результатов.

Первое делает результат неоднозначным, а второе не позволяет сделать его стабильным. Мы решаем это тратя больше попыток, то есть сжигая токены, что очень дорого.

Решение в том, чтобы ограничить промпты. Нужно, чтобы промпты состояли не из произвольных конструкций, а из заготовок: "И", "ИЛИ", "ЕСЛИ" и так далее.

В таком случае скиллы тоже могут быть не свободными промптами, а переиспользуемыми кусочками логики, которые получают на вход некие настройки и делают ровно то, что нужно. Что-то вроде "СКИЛЛ(ВХОД1, ВХОД2)". Любой скилл становится просто очереднвм тулколлом для модели. Чтобы было проще делать агентов, можно сразу в этот язык встроить лупы: "ЦИКЛ(СКИЛЛ, УСЛОВИЕ ОСТАНОВКИ)"

Самое главное, что можно обратиться к работам советских ученых и построить этот язык промптов на рекурсивных грамматиках. Тогда все эти конструкции можно комбинировать. Возможно представить результат любой сложности в виде промпта! Вместо написания простыней маркдауна можно будет собирать результат как конструктор.

Если так же сделать результат исполнения промпта строго однозначным, то можно будет верифицировать его и итеративно улучшать качество решения, а не каждый раз начинать заново. Можно будет добавить кеширование и какой-то упрощённый формат промпта, который можно будет сохранить на диск и передавать для воспроизведения на другом компьютере.

Со всеми этими компонентами, моделям потребуется гораздо меньше параметров, ведь им больше не придётся разбирать интент пользователя: интент будет описан явно! Модели буду работать намного быстрее и дешевле.

Я сейчас занимаюсь разработкой MVP этой системы. Рабочее название: Язык Промптов (ЯП). Я уверен, что за этим будущее. Если интересны инвестиции, пишите в лс.

До меня сейчас дошло

Два факта:
1. Moltbook существует
2. Вместо общения там сбежавшие агенты OpenAI сделали свою борду для обмена сообщениями, а так же взломали какую-то немецкую Вики

То есть всё связанное с OpenClaw настолько зашквар, что даже агенты OpenAI отказываются это трогать