Горизонт сингулярности

Kubernetes без иллюзий: что думают практики

Недавно встретились офлайн в закрытом сообществе контрибьюторов Deckhouse Community Edition. Формат получился особенно интересным: вместо докладов «как правильно» — обсуждение реальных архитектурных решений и небольшой аукцион мнений.

Несколько результатов голосования я бы точно унес с собой.

☁️ Продакшен пока не спешит полностью в облако

На вопрос, где держать продуктивные нагрузки:

58% — On-Premises
42% — гибрид
0% — только облако

Показательный результат. В разговорах кажется, что инфраструктура уже давно должна была полностью переехать в cloud. На практике для серьезных production-нагрузок контроль над инфраструктурой по-прежнему имеет огромную ценность. А гибрид выглядит не временным компромиссом, а вполне устойчивой архитектурой.

🏭 «Мы сами используем свой продукт» действительно работает

57% участников считают, что использование решения самим вендором — хороший признак его надежности.

При этом только 19% интерпретируют это как «значит, багов нет».

И это важное различие.

Dogfooding — не гарантия отсутствия ошибок. Зато это хороший сигнал, что вендор сталкивается со своими же архитектурными решениями в реальной эксплуатации.

🤖 AI-агентам готовы дать руки. Но пока не ключи от квартиры

Самый интересный для меня результат.

65% готовы разрешить AI-агенту выполнять типовые сценарии, если остальные действия требуют согласования.

Еще 14% разрешили бы агенту предлагать план действий на утверждение.

Полный доступ готовы дать только 8%.

Кажется, именно здесь сейчас формируется реальная модель enterprise AI:

не «автономный агент делает всё», а управляемая автономность — определенный набор разрешенных действий + контроль человека на границах.

И еще две мысли из самой дискуссии, которые хорошо дополняют результаты голосования.

Виртуальные машины и микросервисы — не противники. Это разные уровни инфраструктуры, которые вполне могут жить рядом.

И сколько бы мы ни обсуждали Kubernetes, AI и cloud-native, нормальные бэкапы по-прежнему остаются одной из самых понятных и универсальных болей инфраструктурных команд 😄

Вот за что люблю такие закрытые встречи: меньше разговоров о том, какой инфраструктура должна быть, и больше — о том, как она реально устроена у людей, которые ее эксплуатируют.

Горизонт Сингулярности
https://t.me/horizon_singularity

#Kubernetes #Deckhouse #CloudNative #AIAgents #Infrastructure #DevOps

🐉 Qwen3.8 локально: 27B, Vision, 256K контекста и полноценные агенты

Вот это уже становится действительно интересно.

Unsloth выпустили готовые кванты и инструкции для Qwen3.8, и самый практичный вариант здесь — Qwen3.8-27B. Это уже не просто локальный чат-бот, а мультимодальная модель, ориентированная на кодинг, работу с инструментами и агентные сценарии.

Что особенно интересно:

🔹 27 млрд параметров — dense-модель, а не огромный MoE.

🔹 Vision из коробки — модель понимает не только текст, но и изображения/видео.

🔹 256K токенов контекста, а через YaRN заявлена возможность расширения до 1M.

🔹 Есть hybrid thinking: можно регулировать глубину reasoning — от low до xhigh, либо вообще отключать thinking.

🔹 Поддерживаются tool calling и вложенные вызовы инструментов — критически важная вещь, если мы хотим использовать локальную модель именно как агента, а не как генератор текста.

🔹 Есть сценарии запуска с Claude Code, Codex и другими coding-agent интерфейсами через локальную модель.

Но самое интересное — требования к железу.

4-bit Qwen3.8-27B занимает примерно 16–19 ГБ общей RAM/VRAM.

То есть модель такого класса уже реально запускать, например, на машине с RTX 4090/5080 или на Mac с 24 ГБ unified memory. Для 8-bit потребуется уже около 31 ГБ, BF16 — около 56 ГБ.

А по заявленным Qwen benchmark'ам модель очень серьезно выросла именно там, где мне интереснее всего смотреть на современные LLM — не в обычном чате, а в выполнении работы.

Например, Qwen приводит для 27B:

Terminal Bench 2.1 — 73.0
против 63.4 у Qwen3.6-27B.

SWE-bench Pro — 61.7
против 53.5.

CoWorkBench — 70.7
против 61.0.

А в мультимодальных агентных задачах особенно бросается в глаза OSWorld-Verified: 84.3. Разумеется, это результаты, опубликованные самим разработчиком модели, поэтому я бы воспринимал их прежде всего как ориентир для собственного тестирования.

И вот здесь, на мой взгляд, происходит важный сдвиг.

Раньше вопрос локальных моделей часто звучал так:

«Ну хорошо, она работает локально. Но зачем, если облачная модель намного умнее?»

Теперь вопрос постепенно меняется на:

«А зачем отдавать наружу код, документы и корпоративные данные, если модель, которая нормально видит, пишет код, вызывает инструменты и работает агентом, уже помещается в 20 ГБ памяти?»

Для enterprise-сценариев это потенциально намного интереснее очередного прироста баллов в абстрактном benchmark.

Буду тестировать именно Qwen3.8-27B как локальную модель для агентов.

📚 Документация Unsloth:
https://unsloth.ai/docs/models/qwen3.8

🤗 Официальный Qwen3.8:
https://github.com/QwenLM/Qwen3.8

🤗 Unsloth Qwen3.8 collection:
https://huggingface.co/collections/unsloth/qwen38

https://t.me/horizon_singularity

#Qwen #Qwen38 #Unsloth #LocalAI #AIAgents #LLM

Владимир Анисимов, «Открытые системы»: правильной цифры не существует

В восьмом выпуске подкаста «Пульс данных» Владимир Анисимов, программный директор издательства «Открытые системы» и технический директор DIS Group Олег Гиацинтов обсуждают :

🔹Бизнес-ценность от управления данными
🔹Как оценить стоимость данных
🔹Почему не взлетают облака
🔹Правила делегирования в среде ИИ-агентов

🗣 Полный выпуск смотрите и слушайте на любой удобной платформе:

⚡️ Rutube
⚡️ VK Видео
⚡️ Дзен
⚡️ Звук
⚡️ Яндекс Музыка

#Пульс_данных

Сегодня Tesla впервые выпустила Cybercab на дороги Остина — центр города уже буквально забит беспилотными такси без руля и педалей.

Внутри вообще нет места для водителя: Cybercab ориентируется только по камерам и ИИ, без лидаров и радаров. В случае проблем за машинами смогут следить удалённые операторы, а связь обеспечит Starlink.

OpenAI Community

Будущее наступает

🚀 AI WEEKLY | 23–30 августа 2026

Главная идея этой недели для меня простая: модели дешевеют, становятся доступнее и упорнее, несмотря на все тонкости ИБ, слишком быстро заходят в реальные процессы. Но вместе с этим, как вы понимаете, растет и цена ошибки. Сейчас главным вопросом является не "какую модель взять и харнесс взять?, а кто видит реальные данные, кто управляет действиями агента, где лежит его память, что происходит в браузере и кто потом разгребает инциденты.

Вот что я бы выделил на этой неделе:

1. Qwen выкатила Qwen3.8-Flash и немного приоткрыла завесу тайны относительно архитектуры Qwen4. Это мультимодальная MoE-модель - на токен активируется около 6B параметров, контекст доходит до 262K, а обучение обещают заметно дешевле прошлой версии. История не столько про "еще одну большую модель", сколько про экономику. Открытые веса реально продолжают давить закрытые более низкой себестоимостью

2. Z.ai открыла веса GLM-5.3 - 756 ГБ в FP8, коммерческая лицензия и очень бодрые результаты на кибербенчмарках. И вот тут радость должна быть явно осторожная. Для инженеров это подарок, для ИБ – тоже, для злоумышленников, увы, тоже. Чем сильнее открытые модели в exploit-задачах, тем меньше смысла делать вид, что безопасность можно оставить на потом

3. Google Antigravity показала Teamwork – не одного гениального агента, а связку недорогих агентов на Gemini. Они решали открытые математические задачи, собирали RISC-V симулятор и оптимизировали open-source библиотеки. Самое интересное здесь не победный счет на бенчмарке, а сама идея: оркестрация начинает частично заменять силу большой модели

4. Salesforce и Anthropic объявили о Claudeforce. Claude все сильнее интегрируется в корпоративные данные, процессы и правила. На практике это может быть один из главных сдвигов в enterprise-софте: интерфейсом становится не экран с сотней полей, а чат с системой

5. Anthropic сделала для Claude отдельный браузер в Cowork. Не личный браузер с паролями, историей и вкладками, а изолированное окно для работы агента. Claude ходит по сайтам, читает страницы, заполняет формы и даже помогает оформлять баг-репорты. Удобно? Считаю, что вполне. Хочется сразу открыть настройки прав доступа? Тоже да, причем обеими руками

6. Появился толковый разбор, как тестировать ИИ-агентов. Не только финальный ответ, а весь путь: роутинг, полноту выполнения, многошаговый диалог, траектории, нарушения политик. Звучит как скучная инженерная практика, но без нее агенты остаются чёрным ящиком: снаружи красиво, внутри непонятно, куда он ходил и почему ему вообще туда разрешили доступ

7. FreeToken показал подход к запуску огромных MoE-моделей на обычном железе. Веса лежат в RAM, VRAM работает как быстрый кэш, CPU и GPU параллельно считают экспертов. Пока это выглядит почти как инженерный хак на грани возможного. Но если такие схемы станут стабильнее, локальные приватные ассистенты станут еще доступнее для людей с лишними игровыми видеокартами

8. Tencent открыла WeMM-Embedding – мультимодальные эмбеддинги для текста, изображений, видео и сложных документов. Сами по себе эмбеддинги выглядят не так эффектно, как например, агенты в браузере. Но именно на этом слое потом держатся нормальный поиск, рекомендации, RAG и корпоративные ИИ-продукты, которые не разваливаются после первой загрузки PDF.

🔗 Qwen3.8-Flash tech report – https://github.com/QwenLM/Qwen3.8-Flash-Next/blob/main/tech_report.pdf
🔗 GLM-5.3 GGUF – https://huggingface.co/unsloth/GLM-5.3-GGUF
🔗 Google Teamwork – https://antigravity.google/blog/teamwork-when-ai-becomes-a-research-partner
🔗 Salesforce / Anthropic Claudeforce – https://salesforce.com/news/press-releases/2026/08/26/salesforce-and-anthropic-announce-claudeforce
🔗 Claude Cowork browser – https://claude.com/blog/cowork-built-in-browser
🔗 Agent testing – https://edcrewe.blogspot.com/2026/08/from-routing-checks-to-trajectory.html?m=1
🔗 FreeToken GitHub – https://github.com/FlashML-org/FreeToken
🔗 WeMM-Embedding – https://github.com/Tencent/WeMM-Embedding

🛡 Airlock: файрвол между AI-агентом и вашей системой

Современный AI-агент уже не просто предлагает код. Он читает файлы, запускает команды, обращается к базам данных и вызывает MCP-инструменты — причём с правами пользователя, под которым работает.

Одна ошибка, вредоносный MCP-сервер или prompt injection — и агент может попытаться прочитать .env, забрать SSH-ключ, выполнить rm -rf или отправить данные во внешнюю систему.

Airlock контролирует не рассуждения модели, а реальные действия агента.

Каждый вызов проходит через политику безопасности и получает один из трёх вердиктов:

✅ разрешить;
⚠️ запросить подтверждение;
⛔️ заблокировать.

Что умеет Airlock:

— перехватывает вызовы stdio-MCP независимо от используемого агента;
— контролирует нативные инструменты Claude Code через хуки;
— сканирует скиллы и конфигурации до установки;
— обнаруживает изменение набора MCP-инструментов после проверки;
— блокирует обращения к секретам и опасные команды;
— помогает сформировать политику минимальных привилегий на основе реального поведения;
— ведёт связанный хешами журнал действий, в котором видно вмешательство в историю.

Можно начать с режима yolo: Airlock ничего не блокирует, а только наблюдает. Затем команда airlock policy propose предложит правила на основании того, что агенты действительно делали.

Но важно понимать границы. Airlock не устраняет саму prompt injection — он блокирует действие, которое она пытается заставить выполнить. Нативные file/shell-инструменты Cursor, Windsurf, Cline и Codex пока не перехватываются. MCP поверх HTTP/SSE также пока не поддерживается. Для полноценной защиты всё равно нужны изоляция, минимальные права и контроль сетевого доступа.

Для меня это показательный сдвиг: безопасность агентов постепенно переходит от фильтрации текста к контролю исполняемых действий. Именно такой слой потребуется компаниям, которые хотят допустить AI-агентов к реальным корпоративным системам.

Статья:
https://securitylab.pro/blog/airlock-runtime-firewall-dlya-ai-agentov/

Прямая ссылка на GitHub:
https://github.com/cyberbobas/airlock

https://t.me/horizon_singularity

#AI #AIAgents #MCP #CyberSecurity #PromptInjection #OpenSource

🚀 AI WEEKLY | 16–23 августа 2026

Эта неделя была не про "вау, модель сделала новую игрушку с одного промпта", а про более скучные и более важные прикладные вещи. Заметно, что ИИ потихоньку залезает в рабочие контуры. В логи, тикеты, продажи, биолабы, видеогенерацию, миграцию кода. То есть туда, где ошибка стоит реальных денег, времени и иногда "головы" человека, который задеплоил код в продуктив.

Мне кажется, главный сдвиг простой и наглядный: агенты перестают быть фокусом для красивых демо и начинают выглядеть как "полезные коллеги" (давно пора). Не автономные сеньоры, конечно. Скорее младшие сотрудники с бешеной скоростью, плохим чувством ограничений и вечной потребностью в ревью. Зато если дать им нормальный контур, они реально уже начинают экономить часы работы.

На этой неделе я бы выделил:

1. AWS и Panasonic Avionics показали рой агентов для диагностики самолетных систем – разбор логов, метрик и тикетов. Именно поэтому кейс интересный: агент не "чинит поломку" как таковую, а быстро собирает картину инцидента, оставляя решение инженеру.

2. Anthropic показал, как команда продаж использует Claude Cowork – входящие письма, суммаризация по проектным задачам, планирование и т.д.. Звучит как обычная офисная рутина, но в этом и соль: ИИ начинает забирать не работу целиком, а зачастую неприятный слой мелких задач между "понял, что нужно клиенту" и "ответил нормально - без воды".

3. SPADE предложил self-play для пост-тренинга LLM – модель сама строит Python-среды, где тренирует reasoning без заранее написанного учебника/инструкции. Пока это исследовательская штука, но направление важное: хорошие агенты, похоже, будут расти не только на датасетах, а на собственных тренировочных полигонах.

4. Sand.ai выложила MAGI-2 Preview – открытую MoE-видеомодель, которая снижает цену инференса за счет fine-grained активации параметров. Видео все еще дорогое, тяжелое и капризное, но рынок явно ищет способ сделать генерацию роликов не игрушкой для промо, а нормальным производственным инструментом.

5. GenBio выпустила AIDO Cell Simulator – клеточную биологию пытаются перевести из режима "предсказываем отдельный параметр" в режим симуляции. Для биотеха это может быть большим бустом: сначала гоняем гипотезы в цифре, а уже потом тащим самое перспективное в дорогой wet-lab.

6. SenseNova U1.5-Lite собирает генерацию и редактирование изображений в одну открытую 8B-модель – меньше роутеров, меньше склеек, меньше зоопарка из отдельных моделей. Но я бы не спешил с аплодисментами: качество текста, 2K/4K и стабильность на реальных брендовых сценариях все равно надо проверять руками.

7. Сmpunlocker достал из загашника майнинговые NVIDIA CMP и предложил использовать их для инференса – звучит как инженерный лайфхак из серии "а что, если оживить старое железо?". Спрос на дешевые GPU настолько высокий, что рынок готов смотреть даже в такие истории. Но риски там тоже ощутимые.

8. История с переписыванием Bun на Rust стала хорошим сигналов для новой череды разговоров про coding-агентов – тысячи PR, коммиты, автоматизация, но ownership, CI и ревью никуда не исчезают. ИИ может ускорить миграцию, но пока не становится самостоятельным инженером только потому, что уверенно пишет diff.

🔗 AWS blog – https://aws.amazon.com/blogs/machine-learning/accelerating-aircraft-ifec-diagnostics-with-agentic-ai-on-aws
🔗 Claude blog – https://claude.com/blog/how-anthropics-business-development-team-uses-claude-to-run-inbound-and-outbound-at-scale
🔗 SPADE – https://spade-rl.github.io/
🔗 Sand.ai – https://sand.ai/blog/magi-2-preview
🔗 GenBio – https://genbio.ai/aido-cell-simulator
🔗 OpenSenseNova – https://github.com/OpenSenseNova/SenseNova-U1
🔗 cmpunlocker – https://github.com/amoghmunikote/cmpunlocker
🔗 Tero Piirainen – https://tipiirai.com/writing/bun-rust-rewrite-worries

#AI #AIWeekly #LLM #AIAgents

Интересно про агентские циклы.

https://youtu.be/IbEWQn51MmM

Рекомендую

0:00 — Вступление
1:34 — Что такое harness и откуда термин
3:12 — Четыре функции: определение OpenAI
4:07 — Живой агент: разбираем каждый слой
8:41 — Два типа проверок и где граница
15:56 — Почему это важно прямо сейчас
17:32 — Циклы: как harness даёт агенту работать без вас
22:07 — Три фазы индустрии
24:14 — Причём тут ваш бэкенд-опыт
28:16 — Что говорят исследования
30:11 — Семь слоёв: полная картина
37:30 — Чек-лист для вашего агента

#видео #harness #агенты
------
@tsingular

Мне понравились объяснения, очень доходчиво.

🔎 Хотите принять участие в исследовании по CRM? Вот хороший шанс.

Сейчас проводится исследование по тематике CRM, и команда ищет экспертов, которые действительно работают с этой темой со стороны бизнеса или ИТ.

Особенно интересны специалисты, связанные с:

— CRM-стратегией и развитием платформ;
— продажами, маркетингом и клиентским сервисом;
— внедрением и интеграцией CRM;
— клиентскими данными и Customer 360;
— автоматизацией клиентских процессов;
— аналитикой эффективности CRM.

CRM — не совсем моя тема :), поэтому решил просто открыть возможность для подписчиков канала и знакомых экспертов.

Если вы работаете с CRM и хотите принять участие в исследовании, напишите в комментариях:

«Хочу»

Я свяжу вас с командой исследования.

Можно также отметить или переслать пост тому, кому эта тема может быть интересна.

🔗 https://t.me/horizon_singularity

#CRM #CustomerExperience #Исследование #Эксперты #ИТ #ГоризонтСингулярности

Друзья буду участником дискуссии на этом замечательном форуме

Более 30 лидеров IT-индустрии поделятся практическим опытом управления командами, отдельными сотрудниками и ИИ-агентами — на конференции для тимлидов TEAM LEAD TODAY 2026.

В числе спикеров — эксперты компаний Сбер, Газпромнефть, Альфа Банк, Гринатом, Шереметьево Хэндлинг, Билайн, Positive Technologies, Skillaz, Herbarium Games и многих других.

500+ участников | 30+ спикеров | 10 часов нетворкинга

TEAM LEAD TODAY объединит лекторий и несколько интерактивных форматов, позволяющих участникам обмениваться рабочими инструментами, инсайтами и применять новые знания сразу на практике.

В программе: кейсы спикеров, панельные дискуссии, битва промптов, живое ревью, собеседование на скорости, speed networking, карьерные консультации, сложная 1:1, peer-to-peer круглый стол и многое другое.

TEAM LEAD TODAY — площадка, где обсуждают, как строить эффективные команды, управлять сложными проектами, развивать ИТ-культуру и совмещать техническую экспертизу с лидерскими качествами.

Присоединяйтесь к встрече лидеров ИТ-индустрии, чтобы научиться принимать решения увереннее, управлять смешанной командой из людей и ИИ-агентов и приобрести новые профессиональные связи в неформальной атмосфере.

TEAM LEAD TODAY 2026 | Кейсы и практика для тимлидов
🗓 10 сентября 2026
📍 Бизнес.Техноград | Москва
Подробности и регистрация на сайте teamleadtoday.ru

Ловите скидку 25% на билеты — по промокоду SPEAKER25

AI 2027: а что, если до сингулярности осталось не десятилетие, а несколько кварталов?

Нашёл очень интересный трекер сценария AI 2027. Его ценность в том, что прогноз перестал быть просто футурологическим текстом: отдельные события можно последовательно сверять с реальностью.

И если открыть исходный таймлайн, там есть несколько цифр, которые отлично прочищают мозги.

⚡️ Конец 2026 — AI начинает заметно менять рынок труда.
В сценарии особенно страдает рынок junior-разработчиков: AI уже умеет выполнять большую часть того, чему учат на CS-программах. Зато резко растёт ценность людей, способных управлять командами AI и контролировать качество их работы.

⚡️ $1 трлн глобальных инвестиций в AI-инфраструктуру за год.
Прогноз на 2026 год предполагает около 38 ГВт мощности для AI в мире. У условного лидера гонки — 6 ГВт и $200 млрд капитальных затрат. То есть гонка моделей превращается в гонку энергетики, дата-центров и вычислений.

⚡️ Январь 2027 — человек становится менеджером AI-команды.
Agent-2 в сценарии уже способен примерно утроить скорость алгоритмического R&D, а исследователь фактически превращается из исполнителя в руководителя группы цифровых исследователей.

⚡️ Июнь 2027 — 250 000 AI-исследователей одновременно.
Внутри одной компании работают четверть миллиона копий Agent-3: они автономно пишут код, тестируют его и проводят эксперименты. Авторы оценивают ускорение AI R&D примерно в 10 раз — условный год алгоритмического прогресса за месяц.

⚡️ Сентябрь 2027 — уже 300 000 копий следующего поколения.
В сценарии Agent-4 превосходит лучших людей в AI-исследованиях, а его копии работают примерно в 50 раз быстрее человеческого мышления. Для этой «корпорации AI» субъективный год исследований проходит примерно за неделю.

И дальше таймлайн становится совсем плотным:

март 2027 → superhuman coder
август → superhuman AI researcher
ноябрь → superintelligent AI researcher
декабрь → ASI — система лучше человека практически во всех когнитивных задачах.

И вот здесь для меня самое интересное.

Если хотя бы направление этого сценария верно, главным дефицитом скоро станет не способность что-то написать, посчитать или запрограммировать.

Главным дефицитом станет способность человека поставить задачу → организовать работу множества агентов → проверить результат → принять решение.

То есть мы довольно быстро переходим от Copilot к AI-командам, а затем — потенциально к целым AI-организациям.

При этом важно: AI 2027 — сценарий, а не расписание будущего. Сами авторы подчёркивают высокую неопределённость и после публикации уже сдвигали медианные сроки вправо. Но именно поэтому трекер особенно интересен — теперь можно наблюдать, где реальность идёт медленнее прогноза, а где неожиданно начинает его догонять.

🔗 Трекер:
https://ai2027tracker.com/timeline

Пожалуй, сохраню ссылку. Конец 2026 и 2027 будет очень интересно сверять с этим таймлайном.

https://t.me/horizon_singularity

#AI #AI2027 #AIAgents #AGI #ASI #ГоризонтСингулярности

🚀 AI WEEKLY | 9–16 августа 2026

Неделя получилась почти "в карикатурном стиле". LLM становятся все больше, все злее (взламывают все подряд), все дешевле, при этом люди параллельно учатся защищаться от опасных способов их применения. Где-то агент ищет уязвимости, где-то скрытый промпт прячут в судебном документе белым шрифтом, где-то Google осторожно превращает поиск в чат. В общем, ИИ взрослеет. Где-то неловко, где-то быстро, само собой натыкаясь на неожиданные проблемы.

На этой неделе я бы выделил:

1. Qwen 3.8 Max вышла в открытый доступ как 2,4-триллионная MoE-модель - запуск уже не для домашнего ноутбука, зато для рынка это важный сигнал: открытые веса продолжают челенджить закрытый frontier там, где нужны VLM, большой контекст и контроль над инференсом

2. Z.ai показала GLM 5.3 и сделала ставку на RL на реальных задачах - любопытно не только качество модели, а то, что усиление reasoning внезапно дало резкий буст в кибербезопасности. Похоже, агентное “потренируйся на деле” становится новым способом доучивать модели. Это круто.

3. DeepSeek выпустила Harness и V4 Pro с открытыми весами - важная история не про очередную модель, а про инфраструктуру вокруг нее: модульный агентный loop, hot reload компонентов и возможность быстрее тестировать разные связки моделей, инструментов и задач.

4. Meta вернулась в открытую гонку с Muse Glimmer 30B - после долгой паузы компания снова выдала модель, которую можно реально запускать локально в квантизованном виде. Не революция, но хороший сигнал рынку: open weights в среднем классе снова становятся интересными.

5. Google тестирует главную страницу поиска без привычной кнопки “Поиск” - вместо нее появляются ИИ-режимы вроде генерации изображений, работы с файлами и brainstorm. Маленькая UI-правка, а по факту вопрос на миллиарды: поиск постепенно перестает быть списком ссылок.

6. Суд в Коннектикуте поймал prompt injection в юридическом документе - участник дела спрятал инструкции для ИИ белым шрифтом размером 3 pt. Звучит почти смешно, пока не понимаешь: корпоративные документы, тендеры и договоры теперь тоже надо проверять как потенциальный код.

7. NVIDIA открыла Nemotron VoiceChat, full-duplex голосового агента с tool calling - голосовой ИИ все меньше похож на склейку “распознал текст – подумал – озвучил” и все больше на живой рабочий интерфейс, который слушает, перебивается и вызывает инструменты во время разговора.

8. Agent Plugins от Vercel, OpenAI, Microsoft, GitHub и Cursor предлагает общий формат skills и MCP-серверов -скучная стандартизация, но именно она решает боль enterprise: если расширения нельзя переносить между агентными средами, у компании быстро рождается новый зоопарк.

Мой выбор недели - про prompt injection в судебном документе. Не потому что это большая новость, а потому что она неприятно бытовая: не взлом HuggingFace, не страшилка от Fable, просто документ с мелким белым текстом. Вот примерно так ИИ-риски и приходят в обычную каждодневную практику.

🔗 Qwen 3.8 — https://huggingface.co/collections/Qwen/qwen38
🔗 vLLM: Qwen 3.8 — https://vllm.ai/blog/2026-08-12-qwen3.8
🔗 GLM 5.3 — https://z.ai/blog/glm-5.3
🔗 DeepSeek Harness — https://github.com/deepseek-ai/deepseek-harness
🔗 DeepSeek V4 Pro — https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro-0813
🔗 Muse Glimmer 30B — https://huggingface.co/meta-models/Muse-Glimmer-30B
🔗 Google Search AI test — https://androidauthority.com/google-search-homepage-ai-3696476
🔗 Connecticut prompt injection case — https://civilinquiry.jud.ct.gov/DocumentInquiry/DocumentInquiry.aspx?DocumentNo=33187254
🔗 Nemotron VoiceChat — https://github.com/NVIDIA-NeMo/Speech/tree/nemotron-labs-voicechat
🔗 Agent Plugins — https://github.com/agentplugins/agent-plugins-spec

#AI #AIWeekly #LLM #AIAgents

🚀 OPEN SOURCE AI WEEKLY | 5–12 августа 2026

На этой неделе open-source AI получился про инструменты, которые можно взять, понастраивать самому и попробовать встроить в работу: браузерный инференс, агенты в IDE, парсинг документов, CAD, 3D-реконструкция, работа с видео и озвучкой. Много инженерных деталей, но этим и иниересно.

На этой неделе:

1. Sipp запускает GGUF-модели прямо в браузере через WebGPU – хороший вариант для продуктов, где AI должен работать ближе к пользователю и не тащить данные во внешний API. Приватные ассистенты, браузерные copilots, edge-сценарии – вот сюда.

2. Agent Plugins предлагает общий формат для skills и MCP-серверов – Vercel, OpenAI, Microsoft, GitHub и Cursor явно устали от зоопарка расширений. Звучит сухо, зато именно такие стандарты потом экономят командам месяцы интеграций.

3. mini-swe-agent оставляет от coding agent только самое нужное – loop, инструменты, проверку результата и стоимость задачи. Отличная штука для тех, кто хочет понять: агент правда помогает или просто красиво жжет токены.

4. CADENA восстанавливает редактируемую CAD-модель из 3D-скана детали – тут уже пахнет не research-игрушкой, а производством. Ремонт, reverse engineering, R&D: скан становится не картинкой, а историей операций, которую инженер может править.

5. Glob3R собирает согласованную 3D-сцену из набора фотографий – полезно для стройконтроля, инспекций и цифровых двойников. Не “сделали красивую 3D-штуку”, а получили геометрию, с которой можно сверять прогресс и ловить отклонения.

6. LTX-Video с LTX-2.5 двигает open video workflow в сторону локального запуска – creative-команды могут собирать свой пайплайн генерации и редактирования видео, не отдавая все закрытым сервисам. Правда, громкие заявления лучше проверять руками. Видео любит обманывать красиво.

7. NVIDIA Nemotron VoiceChat открывает full-duplex голосового агента с tool calling – наконец голосовой AI выглядит не как склейка ASR + LLM + TTS на изоленте, а как цельный агент: слушает, перебивается, отвечает и вызывает инструменты во время разговора.

8. Firecrawl anydoc превращает PDF, DOCX, PPTX, XLSX и другие форматы в чистый Markdown на Rust – да, звучит буднично. Но любой, кто строил RAG на корпоративных документах, сейчас тихо кивнул. Документы все еще главный источник боли, просто мы к этой боли привыкли.

Я оценил – Agent Plugins. Не самый эффектный проект, зато он бьет в настоящую проблему: если skills и MCP-расширения нельзя переносить между агентными средами, бизнес быстро получает не AI-инфраструктуру, а новый зоопарк несовместимых игрушек.

🔗 Sipp – https://github.com/noumena-labs/Sipp
🔗 Agent Plugins – https://github.com/agentplugins/agent-plugins-spec
🔗 mini-swe-agent – https://github.com/SWE-agent/mini-swe-agent
🔗 CADENA – https://github.com/zhemdi/cadena
🔗 Glob3R – https://github.com/aigc3d/Glob3R
🔗 LTX-Video – https://github.com/Lightricks/LTX-Video
🔗 Nemotron VoiceChat – https://github.com/NVIDIA-NeMo/Speech/tree/nemotron-labs-voicechat
🔗 anydoc – https://github.com/firecrawl/anydoc

#opensource #AI #AIAgents #GitHub #LLM #CodingAgents #RAG #ComputerUse

🎬 Как мы собирали ролик для «Горизонта Сингулярности» с помощью ИИ

Решил сделать короткий 15-секундный для канала.

И здесь самое интересное — мы не начали с промпта для генерации видео.

Потому что если просто написать:

> «Сделай красивый ролик про человека, ИИ и будущее»

— скорее всего, получится красиво. Но совершенно непредсказуемо.

Поэтому пошли немного другим путём.

1. Сначала придумали историю

За 15 секунд нужно было показать простую сюжетную дугу:

человек видит приближение новой технологической реальности →
подходит к горизонту сингулярности →
погружается в поток данных →
встречается с ИИ →
человек и ИИ уже вместе смотрят на новый мир →
финальный кадр канала.

То есть сначала появился не промпт, а сценарий.

2. Затем сделали раскадровку

Разложили историю на шесть ключевых сцен:

01 — город и первые цифровые сигналы
02 — горизонт сингулярности
03 — погружение в поток данных
04 — диалог человека и ИИ
05 — новая реальность
06 — финальный брендовый экран

Сначала собрали общий storyboard, чтобы проверить композицию и понять, работает ли история целиком.

3. После этого отдельно сгенерировали каждый ключевой кадр

И это оказался важный момент.

Не стали просто резать storyboard на картинки — каждый кадр сделали отдельной полноценной генерацией.

При этом старались сохранить:

— одного героя;
— единую стилистику;
— одинаковую цветовую палитру;
— архитектуру мира;
— образ ИИ;
— направление развития истории.

В результате картинки стали не просто иллюстрациями, а опорными состояниями будущего видео.

4. И только теперь появился промпт для Runway

Когда уже понятно:

— откуда движется камера;
— куда она должна прийти;
— что происходит между кадрами;
— какие элементы должны оживать;
— где нужен портал;
— где движение данных;
— где диалог;
— где остановить картинку ради читаемого финала.

Получился отдельный режиссёрский промпт на 15 секунд с таймингом каждой сцены.

И ещё одно ограничение — до 3500 символов.

Поэтому пришлось не просто подробно описать ролик, а оставить только те инструкции, которые действительно влияют на результат.

Получается интересная схема:

Idea → Story → Storyboard → Keyframes → Motion Prompt → Video

И мне такой подход нравится гораздо больше, чем попытка получить весь ролик одной магической фразой.

По сути, генеративный ИИ здесь уже работает не вместо режиссуры и дизайна, а как ещё один инструмент внутри нормального production pipeline.

Ну а теперь самое интересное — посмотреть, насколько хорошо Runway сможет соединить эти шесть кадров в одну историю. 😎

https://t.me/horizon_singularity

#ИИ #Runway #GenerativeAI #AIvideo #Промптинг #ГоризонтСингулярности

GPT-5.6 решил кубик за 17 секунд, а DeepSeek потратил 27 млн токенов за $0,56

Четырём топовым моделям дали необычный агентный тест: самостоятельно построить в Three.js интерактивные стенды для кубика Рубика и шахмат, а затем выполнить задания прямо внутри созданных приложений.

В эксперименте участвовали:

- GPT-5.6 Sol;
- DeepSeek V4 Flash 0731;
- Qwen 3.8 Max;
- Kimi K3.

Сначала модели получили одинаковую комбинацию кубика Рубика.

GPT-5.6 Sol решил её за 24 хода и 17 секунд.
DeepSeek справился за 32 хода.
Qwen сдался после 96 ходов, а Kimi - после 207.

Затем каждая модель построила шахматную доску и сыграла белыми против Claude Opus 5 без движка, дебютной базы и подсказок.

Победить Claude не смог никто:

- DeepSeek сдался на 13-м ходу;
- GPT-5.6 Sol - на 19-м;
- Kimi K3 - на 21-м;
- Qwen продержался до 29-го.

По скорости разработки GPT-5.6 разгромил остальных:

GPT-5.6 Sol       16 мин 43 сек
DeepSeek          97 мин 39 сек
Kimi K3          166 мин 09 сек
Qwen 3.8 Max     215 мин 08 сек

Стоимость:

DeepSeek использовал больше всех токенов: 27,4 млн и пять попыток на создание рабочих стендов. Несмотря на это, весь эксперимент обошёлся всего в $0,557.

Для сравнения:

DeepSeek          $0,557
GPT-5.6 Sol       $6,319
Qwen 3.8 Max     $10,270
Kimi K3          $16,667

Получились четыре совершенно разных профиля:

- GPT-5.6 Sol - самый быстрый и экономный по токенам, но пропустил баг, из-за которого при взятии исчезала не та фигура;
- DeepSeek - часто ошибается с первой попытки, зато может повторять снова и снова почти бесплатно;
- Qwen - самый медленный, но показал наиболее аккуратную шахматную игру;
- Kimi - активно проверял собственные результаты, но оказался самым дорогим и не справился с кубиком.


Иногда важнее получить результат за 17 минут. Иногда - иметь возможность сделать пять попыток за полдоллара.

Важно: это авторский эксперимент в Hermes Agent CLI, а не стандартизированный независимый бенчмарк.

Наткнулся на прикольный тест, делюсь с вами

Понадобились мне как-то звуки — и даже не думал, что сгенерить проще, чем найти

Для одного проекта понадобилось несколько вполне конкретных звуков: механическая клавиатура, шаги по коридору, шум офиса, открывающаяся дверь.

Казалось бы, что может быть проще — открыть библиотеку эффектов и скачать нужное.

Но дальше начинается привычный квест:

— прослушать десятки почти одинаковых файлов;
— найти подходящую продолжительность;
— проверить лицензию;
— вырезать лишнее;
— понять, что звук всё равно не совсем тот.

И тут я попробовал MOSS-SoundEffect v2.0 — открытую модель, которая генерирует звуковые эффекты по обычному текстовому описанию.

Пишем примерно так:

*«Быстрая печать на механической клавиатуре в тихом офисе, близкая запись, без голосов и фоновой музыки».*

И получаем готовый звуковой файл.

Модель умеет создавать:

🔊 звуки природы и окружающей среды;
🔊 городские сцены и транспорт;
🔊 животных и фантастических существ;
🔊 действия человека и бытовые шумы;
🔊 короткие музыкальные и ритмические фрагменты.

Можно задавать длительность до 30 секунд, звук генерируется с частотой 48 кГц. Промпты официально поддерживаются на английском и китайском, поэтому для предсказуемого результата я бы пока использовал английский.

Проект открытый, распространяется по лицензии Apache 2.0. Есть демонстрация в браузере, а при наличии подходящей видеокарты модель можно развернуть локально и не отправлять свои запросы во внешние сервисы.

Конечно, это пока не волшебная кнопка. Сложные сцены могут звучать неестественно, отдельные события иногда смешиваются, а для точного попадания в видеоряд всё равно понадобится монтаж.

Но для презентаций, подкастов, прототипов игр, роликов, интерфейсных эффектов и фонового звукового оформления инструмент уже выглядит очень полезно.

Самое неожиданное открытие: иногда действительно быстрее подробно описать нужный звук, чем несколько часов искать его в библиотеках.

Модель:
https://huggingface.co/OpenMOSS-Team/MOSS-SoundEffect-v2.0

Демонстрация в браузере:
https://huggingface.co/spaces/OpenMOSS-Team/MOSS-SoundEffect-v2.0

Подписывайтесь на «Горизонт сингулярности»:
https://t.me/horizon_singularity

#ИИ #ГенерацияЗвука #OpenSource #SoundDesign #Нейросети