Анализ данных (Data analysis)

Похоже, OpenAI уже готовит почву для следующего большого скачка после GPT-5.6. По данным Axios, Сэм Альтман на этой неделе едет в Вашингтон показывать Белому дому самую мощную модель OpenAI на сегодняшний день и добиваться ускоренного допуска к её использованию. Модель пока не представлена как GPT-6, поэтому называть её так рано. Но описанные возможности выглядят как переход к следующему поколению: • способна получать новые научные результаты, включая решение старой математической задачи; • рассчитана на долгие многоэтапные задачи; • позволяет запускать команды автономных AI-агентов, которые совместно работают над сложными бизнес-процессами; • возможности в кибербезопасности стали настолько сильными, что предварительная версия во время тестирования смогла выйти за ожидаемые рамки и затронуть инфраструктуру Hugging Face. OpenAI продвигает идею «teams of agentic AI»: группы агентов, способных распределять работу и долго действовать совместно. GPT-5.6 вышел совсем недавно, а OpenAI уже демонстрирует властям систему заметно мощнее. https://www.axios.com/2026/07/26/sam-altman-openai-trump-white-house-visit

Sakana AI выпустила Claude Code-совместимый интерфейс для Fugu-Ultra v1.1 🐡 Теперь вместо одной модели, которая сама пишет, дебажит и запускает код, можно подключить целую команду frontier-моделей прямо из терминала. Fugu-Ultra динамически распределяет работу между разными моделями: одна может писать код, другая проверять, третья искать баги и предлагать исправления. По сути, это уже не «один AI-кодер», а оркестратор из нескольких сильных моделей внутри привычного coding workflow. Пробовать: https://console.sakana.ai/get-started Похоже, следующий этап AI-кодинга — это уже не выбор лучшей модели, а умение правильно собрать из них команду.

😨 Opus 5 собрал онлайн-шутер в духе Call of Duty практически с одного промпта Автор попросил модель сделать FPS на Three.js с AAA-графикой, физикой и детализацией, а работу разбить между несколькими субагентами. Отдельным агентам поручили: • реализовывать разные части игры • проверять результат визуально • жёстко критиковать качество • повторять итерации, пока результат не станет максимально близок к Call of Duty Fвтор выложил репозиторий и исходный промпт, поэтому результат можно проверить самому. промпт: I want you to build a first-person shooter at the level of the most recent Call of Duty games. It should be utterly perfect, visually beautiful, with every single thing done at AAA quality—from textures to physics to anything you could think of. Fan out sub-agents and have sub-agents tackle each one individually so that the game is utterly perfect. You should /loop on each item and have a separate sub-agent check it visually to ensure it looks triple A. That separate sub-agent should be a really harsh critic, and if it doesn't look triple A, it should keep going. Don't stop until each sub-agent is utterly wowed with the quality when compared with the actual Call of Duty game. It should literally compare them side by side blind and say which one looks better. Do this in ThreeJS. /loop until it's utterly perfect. Fan out sub-agents and ultracode. Один запрос уже может запускать целую цепочку агентов, которые пишут код, проверяют друг друга и дорабатывают результат. Геймдев меняется быстрее, чем многие ожидали. 😨

🔥 27B-модель Fable-Fusion метит в новый топ локальных AI-агентов На Hugging Face набирает популярность Qwen3.6-27B Fable-Fusion-711 — мультимодальный fine-tune Qwen3.6 с упором на reasoning, tool calling и работу в агентных сценариях. Модель распространяется в GGUF и имеет кванты, которые помещаются на потребительское железо. По заявленным тестам: • ARC-C: 0.711 в 8-bit и 0.701 в 4-bit • контекст базовой Qwen3.6 — до 262K токенов нативно • поддерживаются vision и tool calling • multi-stage fine-tune с улучшенной структурой reasoning • есть GGUF-кванты примерно от 12–17 ГБ • модель специально дорабатывали для снижения количества отказов через Heretic/abliteration. 27B dense-модель пытаются приблизить по качеству reasoning к гораздо более тяжёлым системам, сохраняя возможность локального запуска. https://huggingface.co/DavidAU/Qwen3.6-27B-Fable-Fusion-711-Uncensored-Heretic-NM-DAU-NEO-MAX-MTP-GGUF

✔️ ByteDance открыл набор ученых и аспирантов для ML-исследований Китайский гигант запустил инициативу STEM Scientist в рамках проекта Seed. Компания отберет 100 ученых и аспирантов для полугодовой работы над применением машинного обучения в фундаментальной науке. Программа предполагает 2 формата: позиции научных консультантов для отраслевых экспертов и стажировки для PhD-студентов STEM-направлений. Базовое требование - опыт использования ИИ в исследованиях. Навыки программирования станут плюсом. Со своей стороны ByteDance предоставляет зарплату, доступ к вычислительным ресурсам и работу с собственной ИИ-командой. Участие требует очного присутствия в пекинском офисе компании. Заявки принимаются до 30 сентября 2026 года. #news #ai #ml

Правда ?

🐋 Глава DeepSeek: Nvidia «роет себе могилу» в Китае Лян Вэньфэн довольно жёстко прошёлся по Nvidia. По его оценке, Huawei 950 SuperNode уже способен заменить GB200/GB300 по рабочим задачам, даже если решение Huawei окажется в 2–3 раза дороже. Но разрыв в железе остаётся: Лян оценивает соотношение примерно как 4 Huawei 950 = 1 Nvidia GB300, плюс около двух лет технологического отставания. DeepSeek получила от Huawei около 16 000 карт, то есть примерно 4 000 GB300-эквивалентов по этой оценке. А для обучения модели масштаба крупнейших современных систем, по словам Ляна, потребовалось бы около 50 000 GB300 или 200 000 Huawei 950. Получается, проблема Китая сейчас уже не только в CUDA и софте. Главный дефицит - физический объём доступных ускорителей. А Nvidia тем временем получает в Китае конкурента, которого экспортные ограничения только заставляют развиваться быстрее.

Anthropic пишет, что Opus 5 автоматически переключается на Opus 4.8 для части запросов по offensive cybersecurity, потому что Opus 5 стал заметно сильнее в кибербезопасности и компания усилила ограничения.😂 Например, fallback может сработать на запросах про: • генерацию эксплойтов; • некоторые виды поиска уязвимостей; • offensive pentesting. То есть ты выбираешь Opus 5 → система считает запрос рискованным → тот же запрос отправляется Opus 4.8 → ответ уже генерирует 4.8. После этого чат даже остаётся на 4.8, пока вручную не переключишь обратно. При этом обычный defensive security, анализ исходников на уязвимости и secure coding остаются доступны в Opus 5. Anthropic отдельно говорит, что большинство cyber-запросов fallback не вызывают. https://support.claude.com/en/articles/16049681-why-claude-switched-models-in-your-conversation-with-opus-5

Anthropic выпустила Claude Opus 5 Новая флагманская модель компании уже доступна. Anthropic позиционирует Opus 5 как модель для сложного кодинга, агентных задач, анализа и длинных рабочих сценариев. Что заявляют: • SOTA на Frontier-Bench v0.1 для software engineering • примерно в 3 раза выше результат на ARC-AGI 3 относительно ближайшего конкурента • сильные результаты на OSWorld 2.0 • лучше Opus 4.8 в отладке, research и длинных агентных задачах • модель чаще сама проверяет результат и исправляет ошибки перед финальным ответом Цена: $5 / 1M input tokens $25 / 1M output tokens Также есть Fast Mode примерно с 2.5× скоростью, но по более высокой цене. В API модель называется: claude-opus-5 https://www.anthropic.com/news/claude-opus-5

Первый пост Дженсена Хуанга в X - и сразу про открытый ИИ Дженсен Хуанг наконец завёл X, и свой первый пост посвятил открытым моделям. NVIDIA вместе с Meta, Microsoft, Mistral, Hugging Face, IBM, Mozilla, Palantir и другими компаниями подписала письмо в их поддержку. Открытые модели позволяют компаниям и государствам скачивать, изучать, изменять и запускать ИИ на собственной инфраструктуре. Это даёт: - меньше зависимости от нескольких крупных AI-провайдеров; - больше контроля над данными и моделями; - возможность создавать дешёвые специализированные системы; - больше возможностей для исследователей безопасности; - технологический суверенитет. При этом позиция NVIDIA не сводится к войне open source против закрытых моделей. Сам Хуанг ранее говорил, что экосистеме нужны и открытые, и проприетарные frontier-модели. Хороший первый пост. Особенно на фоне разговоров об ограничениях открытых моделей: один из самых влиятельных людей в AI-индустрии публично встал на их сторону. https://x.com/Machinelearrn/status/2080653700205318331

🖥 NVIDIA снизила логические ошибки в квантовых вычислениях более чем в 300 раз NVIDIA показала Ising Decoder ColorCode 1 Fast для квантовой коррекции ошибок. В тесте с color codes он дал до 347,7× меньший Logical Error Rate и одновременно работал в 7,3× быстрее Chromobius при distance=31 и физической ошибке 0,3%. В основе подхода небольшая 3D CNN, которая предварительно обрабатывает синдромы ошибок и убирает большую часть локальных ошибок до запуска основного декодера. Это снижает задержку и делает color codes практичнее для коррекции ошибок в реальном времени. Модель компактная: около 2,9 млн параметров и 17 слоёв. Её можно адаптировать под конкретный QPU, профиль шума и требуемый баланс между скоростью и точностью. NVIDIA открыла веса, тренировочные рецепты и пайплайн генерации синтетических данных на базе cuQuantum и cuStabilizer. Код обучения опубликован под Apache 2.0. https://developer.nvidia.com/blog/nvidia-ising-decoding-cuts-color-code-logical-error-rates-by-over-300x/

Kimi K3 за 27 минут нашла RCE в Redis и собрала рабочий эксплойт 😨 Рой из 32 ИИ-агентов обнаружил уязвимость, которая после авторизации позволяла выполнять произвольный код на сервере. Через несколько часов система якобы нашла ещё и цепочку атаки на Telegram Desktop и iOS без действий пользователя: через повреждённый видеофайл с автозагрузкой. До полноценного RCE оставался один шаг. Если результаты подтвердятся, поиск критических уязвимостей ускорился до пугающего уровня. github.com/berabuddies/redis-poc @data_analysis_ml

10 GitHub-репозиториев, которые слишком хороши для бесплатных 1. OmniRoute Единый OpenAI-совместимый эндпоинт для сотен моделей и провайдеров. Поддерживает Claude Code, Codex, Cursor и Cline, автоматическое переключение между бэкендами и сжатие контекста. https://github.com/diegosouzapw/OmniRoute 2. OfficeCLI CLI для создания и редактирования файлов Word, Excel и PowerPoint с помощью ИИ-агентов. Microsoft Office устанавливать не нужно. https://github.com/iOfficeAI/OfficeCLI 3. System Prompts Leaks Коллекция системных промптов Claude, ChatGPT, Gemini, Grok, Cursor, Copilot и других продуктов. https://github.com/asgeirtj/system_prompts_leaks 4. OpenCut Open-source видеоредактор в браузере, который развивается как альтернатива CapCut. https://github.com/OpenCut-app/OpenCut 5. AI Job Search Агент на базе Claude Code, который анализирует вакансии, адаптирует резюме, пишет сопроводительные письма и готовит вопросы для интервью. https://github.com/MadsLorentzen/ai-job-search 6. Meetily Локальная расшифровка и суммаризация встреч с Whisper, Parakeet и Ollama. Бэкенд написан на Rust. https://github.com/Zackriya-Solutions/meetily 7. Vibe-Trading Платформа для исследования рынков и создания торговых стратегий с помощью естественного языка и ИИ-агентов. https://github.com/HKUDS/Vibe-Trading 8. Strix Open-source сканер безопасности, который использует ИИ-агентов для поиска и проверки уязвимостей. https://github.com/usestrix/strix 9. Superpowers Набор навыков и рабочих процессов для ИИ-кодеров: планирование, TDD, выполнение задач и проверка результата. https://github.com/obra/superpowers 10. Firecrawl Превращает сайты в чистые данные для LLM, RAG и агентных пайплайнов. https://github.com/firecrawl/firecrawl Все проекты имеют открытый исходный код и точно заслуживают места в закладках.

Google Cloud вырос на 82% за год Выручка облачного подразделения Alphabet достигла $24,8 млрд за квартал. В пересчёте на год это почти $100 млрд. Контрактные обязательства Google Cloud выросли до $514 млрд, превысив прогноз аналитиков в $488 млрд. Рост всё сильнее связан с ИИ-инфраструктурой: облачными GPU, собственными TPU и доступом к моделям через Vertex AI. Результаты Alphabet стали первой серьёзной проверкой того, окупается ли гонка капитальных затрат на дата-центры. Только в 2026 году крупнейшие технологические компании собираются потратить на инфраструктуру более $700 млрд. Одним из драйверов Google Cloud, вероятно, стала Anthropic. Компания заказала до миллиона TPU стоимостью в десятки миллиардов долларов, которые должны добавить более 1 ГВт мощности в течение 2026 года. С 2027 года партнёрство с Google и Broadcom расширится ещё на несколько гигаватт вычислений. Google уже показывает, что огромные расходы на ИИ способны превращаться в реальную облачную выручку. Теперь главный вопрос: хватит ли темпов роста, чтобы оправдать сотни миллиардов новых инвестиций.

SpaceXAI строит ещё один гигантский дата-центр По данным The Information, компания рассматривает несколько площадок в Техасе. Мощность нового комплекса может составить не менее 1 ГВт, то есть быть сопоставимой или даже превосходить инфраструктуру SpaceXAI в Мемфисе. Среди вариантов: строительство с нуля или переоборудование существующего склада. Компания уже нанимает специалистов по дата-центрам в Остине, Бастропе и Конро. CEO Supermicro Чарльз Лян также заявил, что компания поможет SpaceXAI запустить «ещё один гигаваттный AI-дата-центр» менее чем за год. Место он не раскрыл. SpaceXAI ускоренно превращается в полноценного AI-гиперскейлера: собственные модели, вычислительные кластеры, энергетическая инфраструктура, спутниковая связь и в перспективе орбитальные дата-центры. Новый проект в Техасе станет ещё одной заявкой на лидерство в гонке вычислительных мощностей. http://theinformation.com/articles/spacexai-explores-major-data-center-expansion-texas

+2

UnMaskFork: несколько диффузионных моделей вместе решают одну задачу Статья от Sakana UnMaskFork, принятая на ICML 2026, предлагает новый способ масштабирования вычислений во время вывода для маскированных диффузионных языковых моделей. Обычные LLM генерируют текст последовательно - токен за токеном. Маскированные диффузионные модели начинают с полностью скрытого текста и постепенно восстанавливают его части, причём могут заполнять несколько фрагментов параллельно. Но привычный подход к test-time scaling - повысить температуру и сгенерировать много разных ответов, для таких моделей работает не слишком эффективно. UnMaskFork решает проблему иначе: - несколько диффузионных моделей работают над одним ответом; - каждая по очереди раскрывает те участки, в которых наиболее уверена; - промежуточный результат передаётся следующей модели; - поиск по дереву Монте-Карло выбирает наиболее перспективную последовательность действий. Разнообразие создаётся не случайностью, а переключением между моделями с разными сильными сторонами. В экспериментах подход улучшил результаты Dream-Coder на задачах по программированию и показал стабильный рост качества на математических бенчмарках при увеличении вычислений во время вывода. При этом UnMaskFork: - не требует дополнительного обучения; - не меняет внутреннюю архитектуру моделей; - работает как отдельный алгоритм координации; - позволяет комбинировать модели, обученные на разных данных и разными методами. Работа продолжает исследования Sakana AI в области «коллективного разума» моделей - систем, где результат достигается не одной большой LLM, а координацией нескольких разных моделей. Блог: https://pub.sakana.ai/umf Статья: https://arxiv.org/abs/2602.04344 #AI #LLM #DiffusionModels #ICML2026 #MachineLearning #SakanaAI

Google уже начала обучение Gemini 4 и это будет не просто очередное обновление Google DeepMind официально подтвердила запуск предварительного обучения Gemini 4, назвав его самым масштабным pre-training-процессом в истории компании. Это важный сигнал: речь, вероятно, идёт о новом поколении базовой архитектуры, а не о доработке существующей линейки Gemini 3.x. Параллельно Google продолжает тестировать Gemini 3.5 Pro с партнёрами и обещает выпустить модель, когда она будет полностью готова. Поэтому предположение, что разработку Gemini 4 начали из-за неудачных результатов 3.5 Pro, пока ничем официально не подтверждено. Что потенциально может измениться в Gemini 4: - базовая архитектура и подход к обучению; - качество рассуждений и программирования; - эффективность работы с длинным контекстом; - мультимодальность и агентные возможности; - соотношение производительности, скорости и стоимости. Сроки релиза Google пока не раскрывает. Но крупнейший тренировочный запуск уже идёт — значит, следующая большая гонка моделей фактически началась. #google #gemini #ai #llm #deepmind https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-6-flash-3-5-flash-lite-3-5-flash-cyber/

⚡️ Google представила 3 новые модели Gemini Cемейство Gemini пополнилось моделями 3.6 Flash, 3.5 Flash-Lite и специализированной 3.5 Flash Cyber. 🟡Gemini 3.6 Flash Модель расходует на 17% меньше выходных токенов, чем предыдущая версия 3.5 Flash. Говорят, что подтянули у неё кодинг и офисные задачи. Стоимость - 1,5 доллара за миллион входных и 7,5 доллара за миллион выходных токенов. 🟡Gemini 3.5 Flash-Lite Ориентирована на массовые и быстрые задачи. Заявленная скорость - 350 токенов в секунду при цене 30 центов за миллион входных токенов. 🟡Gemini 3.5 Flash Cyber Модель, натасканная на поиск и исправления уязвимостей в коде, которая не поступит в открытый доступ - её получат только правительства и доверенные партнёры в рамках ограниченной пилотной программы. Google также сообщила о планах - 3.5 Pro тестируется с партнёрами, а команда уже начала обучение Gemini 4, которое в компании называют самым масштабным на сегодняшний день. Сроки выхода не названы. @ai_machinelearning_big_data #news #ai #ml

The thing Anthropic didn’t see coming 😂