Машинное обучение RU

Ideogram v4 Fast, когда генерация картинок перестаёт быть “поставил и жди”

fal выкатили ideogram-v4-fast на Hugging Face - ускоренную версию Ideogram 4, заточенную под быстрый FP4/NVFP4-инференс.

Главная идея простая: меньше лишних проходов, 20 шагов генерации и никакого runtime CFG. То есть модель не гоняет отдельную negative-ветку на каждом шаге, а сразу работает через один условный проход.

Для пользователя это звучит скучно, но для продакшена разница большая: быстрее генерация, проще масштабирование, меньше боли с latency.

Особенно интересно, что это Ideogram - модель, которую любят за нормальную работу с текстом на изображениях. Постеры, баннеры, обложки, карточки, UI-моки — там, где Stable Diffusion-подобные модели часто превращают буквы в кашу, Ideogram обычно чувствует себя увереннее.


MOSS-VL-Realtime is open for testing and research. 🤗 Huggingface: https://huggingface.co/OpenMOSS-Team/MOSS-VL-Realtime
💻 Github: https://github.com/OpenMOSS/MOSS-VL
📖 Technical blog: https://openmoss.github.io/MOSS-VL

✔️ Anthropic во второй раз продлила бесплатный доступ к Fable 5

Компания вновь сдвинула сроки окончания промо-периода - теперь использовать Fable 5 без дополнительных списаний можно до 19 июля. До этой же даты будет действовать бонус, который на 50% увеличивает еженедельный лимит запросов в Claude Code.

Изначально акцию планировали завершить еще 7 июля, после чего дедлайн перенесли на 12-е число, а теперь добавили еще одну неделю.

Пользователи могут тратить на генерации в Fable 5 до половины еженедельной квоты. При исчерпании лимита потребуется переключиться на другие модели или включить оплату по факту потребления. Промо-условия не распространяются на API.
claude.com

✔️ Сэм Альтман пересмотрел прогноз по сокращению рабочих мест из-за ИИ

Глава OpenAI теперь уверен, что актуальное поколение моделей создает больше рабочих мест, чем сокращает, а экономические последствия от внедрения ИИ оказались менее масштабными, чем он ожидал ранее.

Параллельно компания продолжает обсуждать долгосрочные меры борьбы с возможной технологической безработицей. Среди рабочих концепций - налог на автоматизацию, создание целевых госфондов и переход на четырехдневную рабочую неделю.
Sam Altman в сети Х

✔️ Ричард Саттон запустил стартап Oak Lab

Пионер RL и лауреат премии Тьюринга открыл стартап Oak Lab для разработки автономных агентов. Цель проекта - создать непрерывно обучающуюся модель на 1 трлн параметров с планированием в реальном времени и энергопотреблением 20 Вт.

Oak Lab строится на базе концепции непрерывного RL. Вместо разового трейна на статических датасетах агенты будут познавать среду в процессе работы. Система должна самостоятельно формировать внутреннюю модель мира, генерировать варианты действий и оценивать их успешность.

Саттон называет современные методы глубокого обучения неэффективными. По его оценке, генеративный ИИ справляется с имитацией, но не умеет критически оценивать свои результаты, поэтому не годится для реальных открытий.
Richard Sutton в сети X

✔️ Правительство Южной Кореи профинансирует разработку суверенного чат-бота

Южная Корея запустит бесплатный национальный ИИ до конца года. Власти выделят разработчикам кластер из 512 ускорителей NVIDIA B200, а со следующего года полностью возьмет на себя расходы на инференс для граждан.

В рамках проекта AI for All государство отберет двух-трех частных провайдеров, которые должны минимум на 50% работать на базе независимых корейских моделей. Локальные разработчики пока оценивают условия проекта, участие подтвердила только Kakao, местный ИТ-лидер.

Отбор компаний завершится к середине августа. Бета-тест системы запланирован на сентябрь, релиз - до конца года.
yna.co.kr

✔️ Sakana AI и Autodesk разработали смарт-блоки для самовосстанавливающихся конструкций

Smart Cellular Bricks - децентрализованные физические модули для сборки самовосстанавливающихся 3D-конструкций. Каждый блок выполняет легковесную модель NCA и обменивается данными с ближайшими соседями. Массив модулей улавливает структурные паттерны без обращения к заложенным в память шаблонам.

Агрегируя локальные состояния, кластер за 3 минуты определяет свою глобальную форму (например, стола или самолета). В тестах массив из почти 200 блоков успешно классифицировал форму даже при принудительном отключении части элементов.

Если дополнительно обучить систему поиску аномалий, модули смогут вычислять недостающие сегменты и управлять регенерацией конструкции из небольшого базового кластера. Метод ляжет в основу разработки смарт-материалов и реконфигурируемой робототехники. Статья опубликована в Nature, код - на Github.
sakana.ai

@ai_machinelearning_big_data

#news #ai #ml

9.5K stars у репозитория с Claude Code skills по одной книге

Sahil Lavingia упаковал идеи из The Minimalist Entrepreneur в набор команд для Claude Code.

По сути, это стартап-плейбук, который можно запускать прямо из рабочего окружения.

Внутри навыки для:

* поиска сообщества
* проверки идеи
* формулировки проблемы
* скоупа MVP
* ценообразования
* поиска первых клиентов
* маркетинга без лишнего шума
* разбора продукта через minimalist-подход

Каждый skill работает как отдельная slash-команда.

Идея сильная: не просто читать бизнес-книгу, а превращать её в исполняемые рабочие процессы для агента.

Полезно тем, кто хочет быстро проверить идею, собрать MVP и не утонуть в стартап-теории.

github.com/slavingia/skills

📌Про уровни ризонинга в GPT-5.6 Sol

Вайбхав Шривастав, руководитель направления развития экосистемы и инфраструктуры OpenAI в Европе, на Ближнем Востоке и в Африке пояснил про градацию ризонинга в GPT-5.6 Sol.

Новая система не соответствует тому, что было в GPT-5.5 и тем, кто переходит на более высокий уровень, следует начинать на один уровень ниже, чем они привыкли.

🟠Light и Low предназначены для быстрых и простых задач

🟠Medium подходит для планирования и анализа

🟠High и xhigh - для сложных многоэтапных задач или верификации

Max и Ultra работают по-разному:

🟢Первый позволяет модели уделять больше времени решению одной задачи;

🟢Ultra использует несколько суб-агентов параллельно, каждый из которых занимается отдельной частью задачи.

Вайбхав рекомендует начинать с низкого уровня и повышать его только при необходимости, так как более высокие уровни требуют больше времени и расходуют больше токенов.

Всё это ни разу не приближает OpenAI к цели, озвученной Грегом Брокманом на Big Technology AI Summit буквально месяц назад. Он хочет сделать ChatGPT простым настолько, насколько это возможно.

@ai_machinelearning_big_data

#news #ai #ml

KnowNote — это альтернатива Google NotebookLM, которая преобразует ваши документы в локальную базу знаний без необходимости использования Docker.

github.com/MrSibe/KnowNote

📊Новый единый подход к сравнению методов дообучения LLM

На ICML 2026 исследователи лаборатории научных исследований Т-Технологий предложили единый протокол для сравнения методов дообучения больших языковых моделей, обучающихся на парах ответов. Работа показала, что различия между подходами объясняются тем, как устроено ранжирование ответов.

🧠 Что сделали исследователи:
- Разные методы привели к единому протоколу оценки: одноэтапные подходы (ORPO, ASFT) перевели в двухэтапные и провели выравнивание на парах ответов.
- Ввели параметр β, который регулирует силу дообучения на человеческих предпочтениях и помогает более объективно сравнивать методы между собой.
- Выяснили, что ключевой фактор качества — тип сравнения ответов.

📈 Результаты:

- Попарное сравнение ответов (pairwise) дает более высокое качество на задачах средней сложности, чем поточечные (pointwise).

🛠️ В работе использовались Llama 3.x, Mistral 7B и Qwen 2.5. Модели обучали на данных Reddit TL;DR, UltraChat и UltraFeedback, а качество оценивали на AlpacaEval 2, ArenaHard, попарных сравнениях ответов с помощью более сильной модели и математических бенчмарках.

⚡️ Robbyant выложили LingBot-Vision - self-supervised ViT-бэкбоны для плотного пространственного восприятия.

Идея не в обычном “понимании картинки”, а в том, чтобы модель лучше видела:

* границы объектов
* формы
* геометрию сцены
* переходы между регионами
* структуру пространства

Флагманская версия - ViT-g/16 на 1.1B параметров. Также есть distilled-варианты: Large, Base и Small.


https://github.com/robbyant/lingbot-vision

Cloudflare анонсировала слой монетизации для agentic web: AI-агенты смогут платить сайтам прямо на уровне HTTP-запроса через x402 на edge.

Идея в том, что агенты будут не только читать бесплатные страницы или ходить в заранее подключённые API, а смогут оплачивать доступ к данным напрямую.

Сегодня AI-продукты получают внешнюю информацию через контракты, scraping, поисковые партнёрства, платные API или открытые страницы.

Cloudflare хочет превратить такой доступ в обычный платный web request.

Владелец сайта может сказать: «этот датасет стоит $0.01 за запрос», а Cloudflare проверит оплату ещё до того, как запрос дойдёт до сервера.

Сценарий такой:

агент запрашивает ресурс → получает 402 Payment Required → платит → повторяет запрос с подтверждением оплаты → получает ответ.

Главное изменение в том, что платёж становится частью самого web-запроса.

Для обычного пользователя это может означать, что ассистент иногда будет спрашивать разрешение потратить деньги перед выполнением задачи.

Например:

«Этот источник стоит $0.03. Использовать?»

Research-агент может платить за закрытые источники, shopping-агент — за данные о товарах, сравнения, бронирования или private market data.

Но есть условие: всё это заработает только тогда, когда агенты будут иметь кошельки, понимать x402 и соблюдать spending rules.

Хедж-фонд Bridgewater и Thinking Machines Lab дообучили open-weight модель для анализа финансовых документов.

На внутренних тестах она показала 84,7% точности и обошла лучшую frontier-модель на 6,5%.

При этом запуск обходится в 14 раз дешевле.

У компаний уже есть огромный скрытый рычаг - собственные данные и экспертиза сотрудников.

Если правильно дообучать модели на этой базе, можно получать результаты лучше и дешевле, чем у закрытых топ-моделей.

https://hedgefundalpha.com/news/bridgewater-thinking-machines-ai

YTsaurus превратили в рендер-ферму для 3D-аватаров. Внутри — среда для рендеринга: X11, Vulkan и устройства GPU.

Команда 3D-реконструкции в Яндексе запустила рендеринг Unity-сцен в YTsaurus. Задача: отсканировать гостей премьеры «Кибердеревни», превратить в 3DGS-аватары и отрендерить сотни роликов за два дня.

Что сделали:

- Взяли GPU-кластер A100 из YTsaurus вместо виртуалок — так дешевле и быстрее для волнообразной нагрузки
- Добавили поддержку Xorg для GPU-хостов через коллег из Yandex Infrastructure
- Пробросили в контейнер не только /dev/nvidia0, но и /dev/nvidia-modeset, /dev/dri/card0, /dev/dri/renderD128
- Подняли внутри контейнера dbus — без неё Unity не инициализируется

Прошли путь от Docker до «ванильной» операции в YTsaurus. На каждом шаге выяснялось, каких устройств не хватает. Без изменений на платформе не обошлось — коллеги за несколько часов добавили нужную поддержку. Перед запуском протестировали на Quake II RTX. Работает.

Результат: рендеринг стал обычной batch-задачей. Между 3D-реконструкцией и готовым видео больше нет ручного звена.

https://habr.com/ru/companies/yandex/articles/1049126/

SK Hynix планирует листинг в США на NASDAQ.

Момент выбран почти идеально.

Компания продаёт полупроводники, особенно память: HBM, DRAM и flash. На фоне AI-бума спрос на такие продукты сейчас, возможно, один из самых высоких за всю историю SK Hynix. И признаков, что он быстро закончится, пока не видно.

Если компания выходит на рынок именно сейчас, значит, она рассчитывает, что спрос и цены как минимум останутся стабильными, а скорее продолжат расти. Рынок акций оценивает будущее, и SK Hynix это прекрасно понимает.

Цены на память могут держаться высоко или расти дальше. Многие уже почувствовали это по стоимости RAM.

Получается палка о двух концах: AI-бум разгоняет рынок, но делает железо дороже.

https://fortune.com/2026/07/05/sk-hynix-us-stock-listing-nasdaq-29-billion-micron-ai-boom-chips/

Ещё одна работа под руководством Яна Лекуна: адаптация во время тестирования вместо замороженных world models!?

В этой статье AdaJEPA берёт предобученную JEPA-модель мира, планирует действия через MPC, выполняет действие, а затем использует наблюдаемый переход, чтобы обновить latent predictor перед новым планированием.

Базовый цикл выглядит так:

планирование → действие → адаптация → новое планирование.

Каждое действие создаёт собственный self-supervised обучающий сигнал через ошибку предсказания следующего latent-состояния.

Всего один gradient step на каждый MPC step помогает AdaJEPA лучше достигать целей при новых формах объектов, визуальных искажениях, сдвигах динамики и незнакомых лабиринтах.

World models не должны прекращать обучение после pretraining.

Они должны постоянно перекалибровываться во время deployment, превращая реальное взаимодействие в непрерывную коррекцию модели.

https://www.alphaxiv.org/abs/2606.32026

AutoMem ускоряет long-horizon агентов в 2–4 раза

Новая работа предлагает обучать память агента как отдельный cognitive skill.

Идея в том, что агент должен не просто складывать всё в контекст, а учиться:

• что сохранять
• как кодировать информацию
• когда доставать нужные данные
• как менять структуру памяти после опыта

AutoMem использует два цикла: LLM пересобирает memory structure по прошлым траекториям, а затем улучшает её через удачные решения.

На Crafter, MiniHack и NetHack авторы показывают, что одна только оптимизация памяти уже даёт сильный прирост и местами приближает агентов к frontier-моделям.

Почему это важно: long-horizon задачи часто ломаются не из-за слабого reasoning, а из-за плохой памяти. Агент забывает контекст, хранит мусор или не может достать нужный факт вовремя.

AutoMem пытается решить именно этот bottleneck без полного переобучения под каждую задачу.

Потенциально полезно для игровых агентов, робототехники и автономных workflow.

arxiv.org/abs/2607.01224

Anthropic, по данным СМИ, ведёт ранние переговоры с Samsung о производстве собственного кастомного AI-чипа.

The Information пишет, что создатели Claude пока определяют, что именно должен делать этот процессор, насколько мощным он должен быть и как он будет встраиваться в серверы или кластеры.

Сейчас Anthropic уже использует AWS Trainium, Google TPU и Nvidia GPU, и эти решения останутся ключевыми.

Но собственный чип дал бы компании ещё один рычаг, пока стоимость запуска моделей, мощности дата-центров, поставки памяти и энергопотребление становятся стратегическими ограничениями.

Для Samsung это шанс получить клиентом AI-гаганта для своего 2-нм техпроцесса и advanced packaging.

https://www.theinformation.com/articles/anthropic-talks-samsung-manufacture-custom-ai-chip

💵 GFusion: как мы обучали диффузионную LLM в GigaChat

«А что, если LLM будет генерировать не строго по одному токену слева направо, а сразу блок текста?»

Именно эту идею мы проверяли в проекте GFusion — диффузионной языковой модели на базе GigaChat3-10B-A1.8B-base.

Отдельно хочется отметить, что этот проект начал и довёл до релиза стажер команды GigaChat Pretrain. Он прошёл весь путь от идеи и первых экспериментов до обучения модели, оптимизаций, поддержки в inference runtime и публикации в open source.

Почему это интересно?

Классические LLM генерируют текст авторегрессионно: каждый следующий токен зависит от всех предыдущих. Это устоявшийся подход, но шаги генерации модели выполняются строго последовательно.

В то же время диффузионная LLM берёт частично замаскированный блок и постепенно восстанавливает токены внутри него. За один forward pass модель может финализировать не один, а сразу несколько токенов.

Так и появляется ускорение. Чем больше токенов модель уверенно восстанавливает за один проход, тем меньше шагов ей нужно для генерации ответа.

Вместо дорогостоящего обучения с нуля мы взяли сильную авторегрессионную LLM и перевели её в диффузионный режим генерации.

Цикл обучения включал:
🔘адаптацию AR-модели к диффузионной генерации;
🔘постепенное увеличение размера блока;
🔘сравнение полностью диффузионного обучения и гибридного подхода AR+dLLM;
🔘SFT с complementary masking и стадией confidence tuning для дополнительного ускорения генерации.

Результаты:

🔘GFusion в режиме одного пользователя генерирует в среднем на 70% быстрее GigaChat3-10B-A1.8B.
🔘Даже по сравнению с GigaChat3-10B-A1.8B + MTP-головой ускорение составило около 39%.
🔘Просадка качества относительно авторегрессионной модели осталась в пределах 2–4 п.п., а сам трейд-офф между скоростью и качеством можно контролировать параметрами диффузионной генерации.
🔘Добавлена поддержка GFusion в SGLang и реализован entropy-bounded sampling — алгоритм семплирования, который ускоряет генерацию не только GFusion, но и других диффузионных LLM.
🔘Для обучения написана и выложена в open-source своя реализация attention на TileLang под структуру диффузионной маски и получено до +77% end-to-end ускорения относительно Flex-Attention на длинном контексте.

💡 Главный вывод GFusion состоит в том, что ускорение LLM может требовать переосмысления самого подхода к генерации. Однако, чтобы это заработало на практике, важно довести до рабочего состояния весь стек от обучения и SFT до декодинга, attention-ядер и поддержки в inference runtime.

➡️Подробности — в статье на Habr.
➡️HF: GFusion-10B-A1.8B-base GFusion-10B-A1.8B
➡️GitVerse

⚡️ Claude Sonnet 5 обходится дороже за задачу: примерно на 15% дороже Opus 4.8 и почти в 2 раза дороже Sonnet 4.6, хотя цена за токен у него ниже, чем у Opus.

Причина в том, что для выполнения похожей benchmark-задачи он использует больше токенов.

Проще говоря: Sonnet 5 сильнее «думает» и больше пишет, поэтому итоговый счёт выходит выше, даже если каждый токен дешевле.

Промо-цены пока меняют картину. До 31 августа 2026 Sonnet 5 стоит $2 за 1M input-токенов и $10 за 1M output-токенов.

С 1 сентября 2026 цена вернётся к $3 / $15.

https://x.com/ArtificialAnlys/status/2072062595482456431

Anthropic выкатила Claude Sonnet 5 - мощнейший «агентный» Sonnet в линейке.

Главная идея: модель теперь лучше планирует, пользуется инструментами, браузером, терминалом и может дольше вести сложные задачи без постоянного контроля.

По словам Anthropic, Sonnet 5 приблизился к Opus 4.8 по агентным задачам, но стоит дешевле. Особенно упор сделали на кодинг, tool use, reasoning и работу с многошаговыми процессами.

Модель уже доступна во всех планах Claude, включая Free и Pro, а также в Claude Code и API.

Цена для разработчиков до 31 августа 2026:

• $2 за 1 млн input tokens
• $10 за 1 млн output tokens

Потом стандартная цена:

• $3 за input
• $15 за output

Интересный момент: Anthropic отдельно пишет, что Sonnet 5 безопаснее Sonnet 4.6 в агентных сценариях, лучше отказывается от вредных запросов и устойчивее к prompt injection.

По сути, это попытка сделать «рабочую лошадку» для AI-агентов: не самую дорогую, но достаточно сильную, чтобы закрывать кодинг, автоматизацию, браузерные задачи и долгие пайплайны.

https://www.anthropic.com/news/claude-sonnet-5

Apple, как сообщается, лоббирует администрацию Трампа, чтобы ей разрешили покупать memory chips у CXMT - китайского производителя чипов, который находится в чёрном списке Pentagon Chinese Military Company.

FT пишет, что Apple обратилась в Министерство торговли США больше месяца назад, после того как рост цен на память вынудил компанию поднять цены на MacBook и iPad.

Этот шаг стёр $263 млрд рыночной стоимости Apple.

Юридически Apple не запрещено покупать чипы у CXMT.

Список Пентагона в основном создаёт репутационный риск, если только Министерство торговли позже не внесёт CXMT в Entity List.

CXMT - национальный DRAM-чемпион Китая.

Сейчас Apple зависит от Micron, Samsung и SK Hynix.

Apple заявляет, что цены на память стали «неустойчивыми».

https://www.ft.com/content/d72a25e2-7bde-4aa9-bd8d-0c4f3d6cb2cb?syn-25a6b1a6=1

✔️ Японский разработчик выложил в open source drop-in замену NumPy, которая работает на GPU.

Она называется CuPy.

Меняете одну строку:

import numpy as np → import cupy as cp

И тот же код может работать до 100 раз быстрее на CUDA.

→ работает с существующим NumPy/SciPy-кодом
→ без переписывания логики
→ без нового синтаксиса
→ также поддерживает AMD ROCm

100% open source.

https://github.com/Hannibal046/Awesome-LLM

✔️ На OpenRouter появилась Fugu Ultra

OpenRouter добавил возможность запуска мультиагентной системы Fugu Ultra, которая по словам Sakana Ai обошла Fable 5 в кодинге на бенчмарках.

Это специализированная LLM для маршрутизации и координации задач между GPT-5.5, Gemini 3.1 Pro и Claude Opus 4.8.

Fugu Ultra поддерживает окно контекста в 1 млн токенов, вызов внешних инструментов и мультимодальность. Максимальная длина генерации - 128 тысяч токенов.

Биллинг формируется из базового тарифа маршрутизатора ($5 за 1 млн токенов ввода и $30 за вывод) и суммарной стоимости задействованных моделей.

Для контроля расходов можно самостоятельно ограничивать глубину рассуждений и лимиты токенов через настройки API.


@ai_machinelearning_big_data

#news #ai #ml