Анализ данных (Data analysis)

🔥 Anthropic впервые открывает внешним исследователям доступ к данным о реальном использовании Claude

Исследователи смогут изучать агрегированные и защищённые данные из реальных Claude.ai и Claude Code-сессий - то, что раньше фактически было доступно только внутри AI-лабораторий.

В пилоте уже участвуют Stanford, Oxford и METR. Они анализируют около 250 000 разговоров с Claude.

Первые результаты Stanford: более половины изученных диалогов связаны с consequential tasks - задачами, которые влияют на других людей или последствия которых трудно отменить.

Anthropic теперь хочет масштабировать программу и дать доступ большему числу независимых исследователей.

https://www.anthropic.com/research/enabling-independent-research

🔥 Qwen3.8-Flash выглядит очень сильно

* 125B MoE-параметров, но активны только 6B
* SWE-bench Pro: 62.5 против 53.4 у Opus 4.6 Max
* ранний превью архитектуры Qwen4
* обучение обошлось примерно в 9 раз дешевле, чем у Qwen3.7-Plus

Получается очень агрессивное сочетание цены, скорости и качества, особенно для coding-задач.

- Blog: https://qwen.ai/blog?id=qwen3.8-flash-next
- Technical Report: https://github.com/QwenLM/Qwen3.8-Flash-Next/blob/main/tech_report.pdf
- Hugging Face: https://huggingface.co/Qwen/Qwen3.8-Flash-Next?spm=a2ty_o06.30285417.0.0.1d73c921FsyOPe&file=Qwen3.8-Flash-Next
- ModelScope: https://modelscope.cn/models/Qwen/Qwen3.8-Flash-Next?spm=a2ty_o06.30285417.0.0.1d73c921XAP2dV&file=Qwen3.8-Flash-Next

Мастер

🔥 OX Alpha - это новая GLM

Bloomberg подтвердил: OX Alpha действительно относится к новой линейке GLM.

Ещё интереснее - веса модели обещают выложить уже сегодня.

Получается, все «инсайды» о том, что OX Alpha якобы не имеет отношения к новой GLM, оказались мимо.

Ждём релиз весов - после этого модель можно будет нормально разобрать уже без догадок.

https://x.com/Machinelearrn/status/2092567811562307615

🔥 DeepSeek резко нарастила выручку

По данным The Information, к июлю 2026 года выручка DeepSeek достигла $70 млн - примерно в 10 раз больше, чем за весь 2025 год.

Ещё несколько цифр:

* валовая маржа API - 82,9%
* компания ищет около 50 млрд юаней во втором раунде
* обсуждаемая оценка - 500 млрд юаней, примерно $74 млрд

Рост связывают с низкой стоимостью инференса и эффективной AI-инфраструктурой, которая позволяет держать цены на модели ниже многих конкурентов.

https://www.theinformation.com/articles/deepseeks-revenue-reaches-70-million-july-tenfold-jump-2025

Скайнет рядом!

Датчики усилия в запястьях робота, напрямую передают данные в контроллер баланса.

И ещё впечатляет, как быстро всё происходит: стоит углу наклона каната измениться, роботы почти мгновенно снова выравнивают положение бёдер.

🤯 Локальные AI-модели становятся пугающе мощными

Qwen3.8-27B вошла в топ-10 рейтинга Arena WebDev, оказавшись всего в нескольких позициях от моделей, которые больше неё на порядки.

Модель всего на 27 млрд параметров, которую можно запускать локально.

Ещё недавно такие возможности требовали огромных облачных моделей и дорогой инфраструктуры.

Теперь open-source модели начинают конкурировать с лидерами рынка прямо на своём железе.

Alibaba с серией Qwen 27B закрепилась в отдельном классе размеров и сейчас выглядит практически без конкурентов.

https://x.com/arena/status/2091920512796725272

💰 Фурнитурщик стал миллиардером благодаря буму AI

Компания, которая десятилетиями делала обычные направляющие для ящиков, неожиданно оказалась критически важной для индустрии искусственного интеллекта.

Почему? Те же самые механизмы теперь нужны внутри AI-серверов - для тяжёлых модулей и компонентов инфраструктуры.

Компания заняла около 80% мирового рынка направляющих, а состояние её основателя выросло примерно до $20,2 млрд.

Пока все смотрели на чипы NVIDIA, кто-то заработал на деталях, без которых эти серверы просто не собрать.

https://www.wsj.com/business/one-of-taiwans-biggest-ai-winners-isnt-a-chip-maker-51768bd5

Подборка неудачных моментов с Всемирных игр гуманоидных роботов.

NVIDIA заявила о 30-кратном росте эффективности Vera Rubin NVL72 для AI-агентов

По новым замерам NVIDIA, система Vera Rubin NVL72 показывает до 30x больше throughput на мегаватт и до 35x меньшую стоимость токенов по сравнению с GB300 NVL72 на агентных нагрузках.

Тестировали не обычный чат, а реальные coding-сессии из SemiAnalysis AgentX: длинный растущий контекст, вызовы инструментов, запуск субагентов и многошаговое рассуждение. По данным OpenRouter, такие сценарии могут потреблять примерно в 15 раз больше токенов, чем обычный запрос в чат.

В Vera Rubin NVIDIA отдельно оптимизировала работу с длинным контекстом: distributed KV-cache, KV-aware routing, разделение prefill и decode, expert parallelism и новые CUDA-кернелы.

На DeepSeek V4 Pro Vera Rubin NVL72, по данным NVIDIA, даёт до 30x больше throughput на мегаватт относительно GB300 NVL72. Эти результаты пока ожидают проверки SemiAnalysis.

https://blogs.nvidia.com/blog/vera-rubin-nvl72-efficiency-ai-agents/

⚡️ Какие локальные AI-модели запускать на 8-256 ГБ VRAM

Если хочется максимум качества из доступной видеопамяти, сейчас расклад примерно такой:

8 ГБ VRAM
Qwen3.8-27B IQ1_S
Максимально агрессивная квантизация, если хочется запустить большую модель даже на небольшой GPU.

https://huggingface.co/unsloth/Qwen3.8-27B-GGUF/blob/main/Qwen3.8-27B-UD-IQ1_S.gguf

16 ГБ VRAM
Qwen3.8-27B Q2_K_XL
Уже более разумный баланс между размером модели, памятью и качеством.

https://huggingface.co/unsloth/Qwen3.8-27B-GGUF/blob/main/Qwen3.8-27B-UD-Q2_K_XL.gguf

RTX 3090 / 24 ГБ
Qwen3.8-27B Q4_K_M
Один из наиболее интересных вариантов для домашней локальной машины.

https://huggingface.co/unsloth/Qwen3.8-27B-GGUF/blob/main/Qwen3.8-27B-UD-Q4_K_M.gguf

RTX 5090
Qwen3.8-27B NVFP4
Отдельная сборка с упором на современные NVIDIA GPU и 4-битный inference.

https://github.com/MiaAI-Lab/Qwen3.8-27B-NVFP4-RTX-5090

RTX PRO 6000
Qwen3.8-27B NVFP4 + SGLang

https://github.com/MiaAI-Lab/Qwen3.8-27B-RTX-6000-PRO-SGLang-DSpark

DGX Spark
Здесь уже можно смотреть в сторону DeepSeek v4 Flash и Qwen3.8-27B.

DeepSeek:
https://github.com/MiaAI-Lab/DeepSeek-v4-Flash-One-DGX-Spark

Qwen:
https://github.com/MiaAI-Lab/Qwen3.8-27B-SGLang-DGX-Spark

2× DGX Spark
DeepSeek v4 Flash

https://github.com/MiaAI-Lab/DeepSeek-v4-Flash-DSpark-2x-DGX-Spark

Если коротко: сейчас больше всего интересных локальных конфигураций строится вокруг Qwen3.8-27B и DeepSeek v4 Flash.

Контекст, KV-cache, backend, quantization и размер offload могут заметно изменить реальные требования к памяти.

Сохраняй как шпаргалку для следующего локального AI-сервера.

Встраивайте систему распознавания документов в ваш продукт за 15 минут 🚀

Если вы развиваете SaaS, автоматизируете B2B-процессы или собираете ИИ-агентов, вопрос безопасности и скорости обработки документов всегда встает ребром.

Provision OCR — это мощный российский движок для on-premise и private cloud развертывания.

⚡️ 100% локальности: данные не покидают ваш сервер.
⚡️ Скорость: обработка <3 сек/страница на GPU 2070 и выше, Поддержка CPU , точность до 99%
⚡️ Быстрая и бесшовная интеграция через REST API + gRPC.
⚡️ Поддержка разных документов на русском языке: договоры, счета и другие.

💡 Дистрибутив в нашем Telegram-канале: @ProvisionLabs

💻 Примеры кода на GitHub:
https://github.com/orgs/Provision-Labs/repositories

#OCR #ProvisionOCR #Документы #Разработка #Python #AI #OnPremise

✔️ В Claude Code появилась команда создания UI-макетов

Проектировать интерфейс теперь можно до написания кода - в терминале или в десктопном приложении.

Достаточно дать базовый промпт (например, несколько вариантов экрана под конкретную задачу), указать команду /design и модель выдает серию набросков в виде интерактивных Artifacts. Удачный вариант точечно доработать и передать в код.

Как пояснил инженер Anthropic Нейт Парротт, модель при этом читает существующую кодовую базу проекта - чтобы новые компоненты сразу попадали в визуальный стиль приложения.

Одно ограничение - макеты учитываются при генерации кода, но сохранять их приходится вручную.

Чтобы попробовать, обновите Claude Code командой claude update.

#news #ai #ml

@data_analysis_ml / Папка полезного по ML.

⚡️ Qwen3.8-27B снова «разблокировали», но теперь аккуратнее

У Huihui-Qwen3.8-27B-abliterated-GGUF появилась новая серия UD-Q, собранная на базе unsloth/Qwen3.8-27B-GGUF.

В этот раз ablation применили только к слоям 18–51, остальные слои оставили нетронутыми. Идея в том, чтобы сильнее сохранить исходные способности Qwen3.8-27B, одновременно уменьшив количество отказов модели.

MTP и визуальную часть не меняли. После конвертации размеры GGUF могут отличаться от оригинальных сборок.

Доступны разные квантизации для локального запуска:

https://huggingface.co/huihui-ai/Huihui-Qwen3.8-27B-abliterated-GGUF/tree/main

Вайбкодеры выпускают свое рандомное говно-приложение без единого юзера 😂

🔥 Nvidia выделяет $7 млрд на открытые модели и идет за DeepSeek и Kimi

Nvidia резко усиливает ставку на open-weight AI. По данным WSJ, компания заплатит $6 млрд за лицензирование технологий Poolside и заберет в команду Nemotron больше 100 ее сотрудников.

Еще $1 млрд Nvidia инвестирует непосредственно в Poolside при оценке стартапа в $12 млрд до сделки.

Задача амбициозная: превратить Nemotron в семейство моделей, способное конкурировать не только с DeepSeek и Kimi, но и с закрытыми моделями OpenAI и Anthropic.

Получается интересный разворот. Компания, которая зарабатывает миллиарды на продаже GPU крупнейшим AI-лабораториям, теперь сама вкладывает миллиарды в альтернативу их закрытым моделям.

Похоже, гонка open-weight моделей только начинается.

https://www.wsj.com/tech/ai/nvidia-is-spending-6-billion-to-build-a-powerful-u-s-alternative-to-chinese-ai-c51c38cc

@data_analysis_ml / Папка полезного по ML.

Чистое механическое месиво.

Во время предгоночного теста перед полумарафоном гуманоидных роботов Beijing Yizhuang 2026.