Agentic AI News 2 августа 2026 г.

Интеллект на уровне марта 2026 года. DeepSeek V4 Flash (0731) достигает показателя индекса интеллекта 50, почти соответствуя 51 у передовых моделей пятимесячной давности. На потребительском оборудовании он работает с приемлемыми скоростями: 44 t/s на RTX PRO 6000 eGPU, 15 t/s на трёх MI50 и даже 4,5 t/s на двух RTX 3060 с выгрузкой в ОЗУ благодаря умной квантизации и частичной выгрузке.

• DeepSeek-V4-Flash-0731: Models you can run locally now have the intelligence score of the top frontier model from March 2026(откроется в новой вкладке)
• DeepSeek-V4-Flash-0731 on Bosgame M5 with RTX PRO 6000 Max-Q eGPU(откроется в новой вкладке)
• Ran DS V4-Flash-0731 Locally on 3xMI50 32GB @ ~15 t/s TG(откроется в новой вкладке)
• DeepSeek V4 Flash 0731 IQ2_M benchmark for Dual 3060 and 96GB RAM ≈ 3.5 tok/s.(откроется в новой вкладке)

Вызов инструментов исправлен, следование правилам всё ещё ненадёжно. После сообщений сообщества о неработающих вызовах инструментов было исправлено llama.cpp, и были опубликованы обходные пути для Unsloth Studio. Однако пользователи обнаруживают, что модель часто игнорирует системные промпты и навыки, сохраняя их в виде сжатых сводок, а не строго следуя им, что подрывает её надёжность для агентных задач, требующих точного следования инструкциям.

• Fix for Deep Seek v4 Flash 0731 tool calling has been added to llama cpp(откроется в новой вкладке)
• DeepSeek V4 Flash 0731 local setup gotcha: model, tool call & config setting(откроется в новой вкладке)
• Deepseek v4 flash 0731 still not holding up.(откроется в новой вкладке)

Бенчмарки сообщества для агентов Hermes. Пользователи LocalLLaMA обсуждают лучшие бенчмарки для оценки моделей, способных к агентной работе, таких как Hermes, и многие считают, что устоявшиеся лидерборды вроде SWE-bench не подходят для их рабочих процессов с домашними ассистентами или обработкой документов.

• What’s the community’s favorite benchmark to validate performance?(откроется в новой вкладке)

Критика лидербордов, посвящённых только коду. Призыв к более разнообразным бенчмаркам утверждает, что недавние лидерборды непропорционально сосредоточены на задачах программирования, оставляя изучение языков, творческое письмо и научные рассуждения недостаточно представленными, что затрудняет оценку производительности моделей для некодовых агентных сценариев.

• Why are almost all new benchmarks and leaderboards coding focused?(откроется в новой вкладке)

DIY-набор для доменных бенчмарков. Один реддитор создал коллекцию из более чем 30 небольших доменных тестов (например, здравый смысл, симуляция автомойки) и веб-инструмент для сравнения ответов моделей, стремясь заполнить разрыв между широкими бенчмарками и личными сценариями использования.

• A collection of small domain-specific benchmarks for local models (30+ and growing)(откроется в новой вкладке)

Astra решает математические задачи десятилетней давности. Следующее семейство моделей OpenAI, Astra, решило десять ранее открытых задач в математике и теоретической информатике, предоставив формальные доказательства в Lean и затраты менее 2000 долларов на решение. Результаты охватывают геометрию, теорию кодирования и квантовую сложность и уже вдохновили на дальнейшие человеческие исследования.

• Ten advances in mathematics and theoretical computer science(откроется в новой вкладке)
• OpenAI announces its "next major model" Astra by dropping ten previously unsolved math solutions(откроется в новой вкладке)

Кодинг-агенты оживляют стареющее научное ПО. Полевое исследование с участием OpenAI и академических партнёров показывает, что ИИ-агенты для кода, такие как GPT-5.5 и Claude Code, могут модернизировать хрупкое научное ПО, достигая более чем 60-кратного ускорения в некоторых случаях, но работа переносит бремя на проверку корректности — агенты не могут оценить научную сторону.

• AI coding agents can modernize research software but can't judge if the science is right(откроется в новой вкладке)

Самораспространяющийся червь с инъекцией промптов атакует Copilot. Специалист по безопасности продемонстрировал червя, который использует скрытый белый текст на белом фоне в документах Word для внедрения вредоносных инструкций в Microsoft Copilot, который затем копирует полезную нагрузку в новые файлы. Microsoft подтвердила это поведение, но не исправила его спустя 144 дня.

• A security researcher built a self-spreading worm that hides inside Word docs and hijacks Microsoft Copilot(откроется в новой вкладке)

Вступает в силу требование о маркировке EU AI Act. С 2 августа 2026 года ЕС требует, чтобы изображения, видео, аудио и текст, созданные ИИ, были чётко маркированы. Регулирование может затронуть агентов, которые автономно публикуют контент или создают медиа.

• EU AI Act takes effect tomorrow, August 2, 2026. 🤡(откроется в новой вкладке)

Запрет на «nudify» в Миннесоте выдерживает юридический вызов xAI. Федеральный судья отклонил попытку xAI временно заблокировать закон Миннесоты против приложений, создающих изображения откровенного содержания без согласия, отметив, что xAI ждал три месяца перед подачей иска. Закон вступит в силу, пока судебный процесс продолжается.

• Judge denies xAI’s request to block Minnesota ban on ‘nudify’ apps(откроется в новой вкладке)

Kimi K3 запускается на одном CPU, медленно. Два разработчика независимо написали минимальные движки инференса на C для запуска модели MoE Kimi K3 объёмом 1,56 ТБ с диска без GPU. Один добился одного токена каждые 30 секунд, используя 8 ГБ ОЗУ и потоковую передачу NVMe; другой получил 0,5 t/s с 29 ГБ ОЗУ, все эксперты читаются по требованию.

• I pushed Kimi K3 onto one CPU with 8 GB of RAM(откроется в новой вкладке)
• Weight-Aware Streaming Tensor Engine: run Kimi K3 using 29 GB of RAM at 0.50 tok/s(откроется в новой вкладке)

LongCat-Flash-Lite-Sparse теперь доступен. Этот новый релиз заменяет плотное внимание на LongCat Sparse Attention (LSA) и нативно поддерживает контекст до 1 миллиона токенов, что делает его подходящим для агентных задач с длинными документами.

• LongCat-Flash-Lite-Sparse Is Now Available for Download(откроется в новой вкладке)

Laguna S 2.1 обновляет контекст и квантизацию. Poolside выпустил новые контрольные точки FP8 и NVFP4 для Laguna S 2.1, увеличив размер контекста по умолчанию до 1 млн токенов и надеясь исправить проблему зацикливания, которая мешала рабочим процессам разработки.

• New official weights for Laguna S 2.1 FP8 & NVFP4 are now available(откроется в новой вкладке)