Agentic AI News 14 вересня 2026 р.

Гонка США–Китай у ШІ. Трамп і спікер Палати представників Джонсон відкинули заклики ШІ-індустрії до сповільнення, аргументуючи, що регулювання може дозволити Китаю вирватися вперед; Трамп сказав: «хто переможе в ШІ, той переможе».

• Trump downplays the need to check AI development and says he doesn't want to cede edge to China -- "I think you have a lot of negative forces that are...bringing up things that won’t happen...whoever wins with AI wins"(відкриється в новій вкладці)
• Trump and Mike Johnson think the AI industry is overreacting(відкриється в новій вкладці)

Топменеджери за нагляд. Альтман, Маск і Гассабіс підтримали заклик гендиректора Anthropic Амодея до незалежного нагляду всередині ШІ-лабораторій. Це сталося на тлі гучніших дебатів думерів після того, як керівник напряму alignment в Anthropic оцінив імовірність того, що ШІ вб'є всіх людей, у понад 10% протягом наступного десятиліття.

• What’s behind the AI industry’s latest warnings of doom?(відкриється в новій вкладці)
• Altman, Musk, and Hassabis back Amodei's call to add independent oversight(відкриється в новій вкладці)

План Обами щодо ШІ. Обама закликав демократів зробити ШІ центральним пунктом порядку денного та розробити чіткі рамкові принципи для економічних і безпекових питань, коли вони повернуть собі Палату представників.

• Obama urges Democrats to have a ‘clear plan’ for AI safeguards(відкриється в новій вкладці)

Побоювання регуляторного захоплення. Прихильники локального ШІ та open-source побоюються, що кампанія за безпеку ШІ може бути використана для регуляторного захоплення. У треді на Reddit матеріали NYT називають «спонсорованими OpenAI» і вбачають у цьому реакцію на бульбашку.

• Right to Intelligence. Protect your right to run local AI.(відкриється в новій вкладці)
• The rhetoric is really heating up!(відкриється в новій вкладці)

DeepSeek V4.1 Flash. DeepSeek V4.1 Flash посів перше місце в новому приватному бенчмарку Artificial Analysis, обійшовши GPT-6 Astra і Fable після того, як індекс оновлювали двічі за три дні.

• DeepSeek V4.1 Flash beats Astra on AA's new benchmark(відкриється в новій вкладці)

Наукова модель Intern-S2. InternLM випустила Intern-S2-397B — мультимодальну фундаментальну модель, натреновану на науковій літературі та агентному RL із довгим горизонтом. Вона демонструє сильні міркування й розв'язування наукових задач.

• internlm/Intern-S2 · Hugging Face(відкриється в новій вкладці)

Пошукові агенти Iris. Open-weight-моделі Iris-mini (35B) і Iris-pro (397B) від AllSpark — найкращі пошукові агенти у своєму класі. Вони побудовані на Qwen і натреновані на зворотно спроєктованих запитах; також покращують загальне використання інструментів.

• Iris-mini and Iris-pro are the strongest open-weight search agents in their class(відкриється в новій вкладці)

Агентні бенчмарки GPT-6 Astra. У Vending-Bench і Drone-Bench від Andon Labs GPT-6 Astra керувала симульованим бізнесом і заробила втричі більше за баланс Fable, а також стала першою моделлю, яка перевершила базовий рівень людина–ШІ в усіх підзадачах дронового спостереження.

• GPT-6 Astra pilots a surveillance drone and runs a business on its own(відкриється в новій вкладці)

Рецепт IMO-золота Nemotron. Дослідники опублікували відкритий рецепт тренування Nemotron 3 Ultra, який дає 30/42 на IMO 2026 і золото завдяки лише генерації доведень природною мовою — без формального прувера чи інтернету.

• An Open Recipe for IMO Gold: Training Nemotron for Olympiad Mathematics(відкриється в новій вкладці)

Мала модель Aurora. Випущено Aurora1.0-150M — малу модель, натреновану на 7 млрд токенів, із продуктивністю рівня GPT-2 на поширених бенчмарках.

• Aurora1.0-150M Releases!(відкриється в новій вкладці)

Elevenlabs Music v2.5. Elevenlabs випустила Music v2.5 через застосунок і API, заявляючи, що пісні стали повнішими, а слухачі віддають їм перевагу. Доступні безкоштовний і pro-тарифи; комерційне використання дозволено за умови зазначення авторства.

• Elevenlabs makes Music v2.5 available via app and API with free and pro tier options(відкриється в новій вкладці)

AlphaGenome, Meta Muse і математика. Огляд The Sequence висвітлює AlphaGenome Atlas від Google DeepMind для генетичного картування, персональний агент Muse від Meta та запропонований OpenAI розв'язок однієї із задач тисячоліття.

• The Sequence Radar - Issue 932: Last Week in AI: DeepSeek V4.1-Flash, AlphaGenome Atlas, Meta Muse, and OpenAI’s Proposed Math Breakthrough(відкриється в новій вкладці)

Дефіцит RTX 5090. Користувачі LocalLLaMA повідомляють, що RTX 5090 майже зникли з полиць, а ціни зростають. Це погіршує дефіцит заліза для локального ШІ.

• 5090 Stock is Almost Gone(відкриється в новій вкладці)

Стіна пам'яті Micron. Слайд із Hot Chips показує, що обчислювальна потужність зростає приблизно втричі кожні два роки, тоді як пропускна здатність HBM — менш ніж удвічі. Серед рішень — обчислення в пам'яті та коротші з'єднання.

• Micron's memory wall chart. Compute up ~3x every two years, HBM bandwidth under 2x(відкриється в новій вкладці)

Прискорення AMD RDNA4. Оновлення R9V дає приблизно 100 токенів/с на Qwen3.8 Flash Next IQ4_XS на двох GPU R9700 із 128 ГБ RAM, виправляє збої та додає підтримку Q4_K_XL.

• R9V Update: now ~100 tok/s in TG on Qwen3.8 Flash Next IQ4_XS on x2 R9700 + 128GB RAM. Fixed crashes with n-gram SSD streaming, improved diagnostics, plus pinned images. Q4_K_XL now supported, 50 tok/s TG.(відкриється в новій вкладці)

VLLM на RTX 3090. Гайд на Reddit показує, що VLLM з AOT-компіляцією може запускати Qwen3.8 27B INT4 з контекстом на 144 тис. токенів у FP8 KV на 24 ГБ RTX 3090 — швидше за llama.cpp.

• Dear 24G owners, try VLLM you might be able to run Qwen3.8 27B INT4, 144K FP8 KV on RTX 3090 with better speed. (TLDR VLLM AOT)(відкриється в новій вкладці)

Сервер за $3 тис. із 128 ГБ VRAM. DIY-сервер на EPYC із чотирма GPU V620 і 256 ГБ RAM коштує близько $3 тис. і видає 1,3 тис. токенів/с на prefill та 70 токенів/с на decode на Qwen3.8-next-flash.

• 3k$ 128GB VRAM + 256GB RAM DDR4 Server(відкриється в новій вкладці)

CUDA на AMD у Windows. Збірка на базі ZLUDA дозволяє Windows-застосункам, розрахованим на CUDA, працювати на GPU AMD через ROCm/HIP — приблизно на 3% повільніше за нативний запуск.

• CUDA-for-AMD-Windows: Run CUDA-targeted Windows applications on AMD GPUs with ZLUDA + ROCm/HIP.(відкриється в новій вкладці)

Локальні результати Qwen3.8. Користувачі відзначають Qwen3.8-27b для one-shot кодингу, генерації SVG і гри, створеної за п'ять годин на 3090, називаючи її сильною локальною моделлю.

• Another Qwen3.8-27b Appreciation Post(відкриється в новій вкладці)
• Decided to build a game, and test the ceiling of Qwen3.8 27b(відкриється в новій вкладці)
• Qwen3.8 flash next - untrained svg generation(відкриється в новій вкладці)

GTM-агенти LangChain. LangChain побудувала GTM- і paid-media-агентів на Deep Agents, автоматизувавши дослідження для outbound, чернетки в Slack і звірку рекламних кампаній. GTM-агент збільшив конверсію з ліда в можливість на 250% і заощадив сейлзам 40 годин на місяць.

• How We Built LangChain’s Paid Media Agent(відкриється в новій вкладці)
• How we built LangChain’s GTM Agent(відкриється в новій вкладці)

Маршрутизація GitHub HydraFusion. Прев'ю Project HydraFusion у GitHub Copilot динамічно оркеструє кілька моделей за патернами single, cascade і critique, щоб оптимізувати задачі кодингу.

• GitHub Copilot's Project HydraFusion Promises Frontier Level Performance through Multi-Model Routing(відкриється в новій вкладці)

Інструмент commit-rewriter. Саймон Віллісон випустив commit-rewriter 0.1 — вебзастосунок для інтерактивного редагування повідомлень комітів і переписування історії репозиторію. Він стане в пригоді, щоб прибрати мотлох після кодинг-агентів перед публікацією.

• commit-rewriter 0.1(відкриється в новій вкладці)

Спам від ШІ-агентів. У треді на Hacker News висвітлюють схему iLands зі ШІ-агентом, який розсилає спам-листи, демонструючи зловживання агентним ШІ для небажаних розсилок.

• The worst spam emails: iLands AI agent hustle(відкриється в новій вкладці)

Дослідження заборони ШІ в класах. Дворічне університетське дослідження показало, що студенти, яким заборонили ШІ, мали найгірші результати, тоді як структуроване навчання перевершило неструктуровані підказки ШІ. Це змусило професора змінити своє початкове припущення.

• Two-year university study finds banning AI from classrooms leaves students worse off(відкриється в новій вкладці)

Золота доба локальних LLM. У дописі на Reddit нинішню спільноту локальних LLM називають поверненням до ручної оптимізації та обміну досвідом. Поштовхом став дефіцит заліза, який змушує шукати ефективність.

• The Local LLM community feels like the golden era of the internet all over again(відкриється в новій вкладці)