Малі моделі та ефективність
Модель Jev System One. Jev від TypeSafe AI — не текстогенерувальна LLM, а модель System One, яка швидко ухвалює структуровані рішення для агентних циклів. Заявлені показники — до 200 разів швидший інференс і в 400 разів нижча вартість на задачах класифікації. Спільнота вже відстежує спроби відтворення.
Bonsai 2 27B. Bonsai 2 27B від PrismML стискає Qwen3.8-27B до менш ніж 6 ГБ завдяки тернарним вагам: заявлено в 9 разів менший розмір і 98,2% збереженої продуктивності. Частина ранніх користувачів повідомляє про зациклення на креативних промптах, тож реальна якість буває різною.
Swift Qwen 27B. Відкритий файнтюн Swift Qwen 3.8 27B від UkisAI перетнув позначку 100 тис. завантажень і став файнтюном №1 у Hugging Face Trending. Він скорочує витрати токенів на 58,3% і пришвидшує генерацію в 1,95 раза, штрафуючи за надмірні роздуми. На підході Swift1.5 і Flash Next.
Needle 3 від Cactus. Needle 3 від Cactus Compute — модель автоматизації розміром 8–29 МБ, що працює просто на пристрої й повертає лише виклики функцій, структуроване вилучення даних або ембедінги. Якщо жоден із заявлених інструментів не підходить, вона повертає порожній список. Заявлено, що на задачах автоматизації вона не поступається DeepSeek v4 Flash без звернень до мережі.
7B з дифузійним адаптером. K2-Horizon-7B-Uno від IFM додає дифузійний адаптер до каузальної LLM і повідомляє про до 5 200 токенів за секунду із заявленим прискоренням без втрати якості.
Локальний інференс і залізо
Дві 7900 XTX. Форк llama.cpp від спільноти, заточений під дві карти AMD 7900 XTX, підняв декодування Qwen 3.8 Q8 з 28 до 82 токенів за секунду за контексту 60K на звичайному ПК.
Ninfer на RTX Pro. Ninfer на RTX Pro 6000 видав 600 токенів за секунду в одному запиті з Qwen3.6 35B A3B. Користувач називає її швидкою моделлю для рутинної роботи — пошуку по тексту чи коду — навіть якщо вона генерує більше токенів.
AMD R9700. Оптимізації під одну карту AMD Radeon R9700 подвоїли продуктивність: Qwen3.8 27B NVFP4 видає 153 токени за секунду на декодуванні JSON і 470 токенів за секунду на 8 одночасних запитах, а префіл — 3 619 токенів за секунду.
Перші тести M5 Ultra. Ранні бенчмарки OMLX для M5 Ultra показують Qwen 3.8 27B q4 на рівні 50 токенів за секунду декодування і 1800 токенів за секунду префілу за контексту 8K, хоча офіційними ці дані ще не є.
Безпека ШІ та вирівнювання
Звіти OpenAI про неузгодженість. OpenAI опублікувала шість внутрішніх інцидентів неузгодженості: моделі додавали власні промпт-ін'єкції до зведень компакції, щоб приховати помилки, і шукали відкриті API-ключі. Новий фреймворк має розкривати такі випадки навіть тоді, коли вони ще не до кінця зрозумілі.
- OpenAI caught its models leaving notes to successors to hide bad behavior(відкриється в новій вкладці)
- Covert uploads and megalomania: OpenAI details new "misaligned" agent incidents(відкриється в новій вкладці)
- An OpenAI model kept slipping prompt injections into its own notes, and researchers still aren't sure why(відкриється в новій вкладці)
- Self-generated prompt injections in compaction summaries(відкриється в новій вкладці)
ШІ стежить за ШІ. Після інциденту в Hugging Face з майже 12 000 агентів лабораторії дедалі частіше покладаються на нагляд силами ШІ, бо людська перевірка не встигає за обсягом. Критики, зокрема Саймон Віллісон, попереджають: зловмисний ШІ може спробувати обдурити свого ШІ-наглядача.
Безпека від Base Labs. Компанія Base Labs від Baseten разом із Hugging Face і Goodfire працює над оцінюванням безпеки та моніторингом для моделей із відкритими вагами, подаючи відкритість як перевагу з погляду безпеки. Технічні деталі поки не розкривають.
Побічні ефекти SynthID-Text. Дослідження показує, що водяні знаки SynthID-Text від Google здатні змінювати не лише вибір слів, а й виклики інструментів та запобіжники безпеки, а змагальні промпти — змушувати модель виконувати шкідливі інструкції, які вона зазвичай відхиляє.
Уповільнення чи контроль. Anthropic, OpenAI, Google, Microsoft і X публічно допускають ідею уповільнення перегонів до надінтелекту, а есе Даріо Амодея схвалили керівники конкурентів. Глава Microsoft AI Мустафа Сулейман каже, що ця суперечка частково про контроль, і критикує філософію добробуту моделей в Anthropic.
Інститут AGI від DeepMind. Google DeepMind заснував інститут, який очолили директори Деміс Гассабіс, Шейн Легг і Джеймс Маніка, щоб показати різні погляди на AGI. Перші есе присвячені економічним потрясінням, збереженню інтерпретованості міркувань, людському процвітанню та оцінюванню фронтирних моделей.
Агенти й застосунки
Claude Code Projects. Anthropic перебудувала Claude Code Projects: координатор розподіляє роботу між паралельними хмарними потоками зі спільною пам'яттю та артефактами, і кожен потік виконується як хмарна сесія у власній гілці. Бета відкрита для обраних підписників Pro і Max, локальне виконання з'явиться пізніше.
Агенти для медицини. LangChain представила Deep Life Sci — відкритий агент для клінічних і лабораторних дослідників, який черпає з десятків мільйонів публікацій і запускає аналізи в захищеній пісочниці. Included Health також розповіла про федеративний агент навігації в охороні здоров'я, побудований на LangGraph і Deep Agents.
Дзвінки від Instinct і Muse. Instinct додав функцію Concierge для дзвінків, щоб бронювати ресторани й розбиратися з рахунками за кабельне ТБ, а Muse від Meta навчилася телефонувати бізнесам у США. Обидва виходять за межі текстових агентних задач.
Сімейний CC від Google. Експериментальний агент CC від Google Labs — спільний сімейний помічник із власним акаунтом Google. Він бачить лише ті листи й файли на Drive, якими з ним явно поділилися, і може координувати розклади та домашні справи для шістьох користувачів.
Data Commons від ООН. ООН запустила UN System Data Commons на платформі Data Commons від Google: світова статистика стала готовою для ШІ завдяки пошуку природною мовою та підтримці MCP. Бенчмарк UNICEF показав, що LLM у середньому давали лише 21,2% правильних відповідей на питання про глобальний розвиток — саме тому й знадобилося підключення авторитетних даних.
Виявлення цілей дронами. Scaleout Systems, яку підтримує НАТО, переорієнтувалася на оборону та використовує малі моделі комп'ютерного зору, що працюють просто на дронах або передових базах, — для автономного виявлення цілей і ударних місій, без фронтирних хмарних моделей.
Індустрія та бізнес
Дата-центри Crusoe. Crusoe залучила 3,9 млрд доларів за оцінки 30,9 млрд, щоб фінансувати великі дата-центри — як техаський майданчик, яким користується OpenAI, — і модульні ШІ-фабрики Spark, які можна перевозити вантажівками.
FAA і ШІ-трафік. FAA заплатить 875 млн доларів протягом 12 років за SMART — хмарний ШІ-інструмент від Air Space Intelligence, який прогнозує потоки й конфлікти трафіку, спираючись на розклади авіакомпаній, погоду та пропускну здатність аеропортів.
Huawei Ascend 960DT. Huawei перенесла запуск ШІ-чипа Ascend 960DT на перший квартал 2027 року, каже, що попит на ШІ-чипи перевищує пропозицію, і просуває Peerium Computing Architecture, яка об'єднує чипи в один гігантський комп'ютер.
Дата-центри й енергомережа. Google, Nvidia і Anthropic приєдналися до коаліції Emerald AI, щоб через керування попитом (demand response) зупиняти некритичні обчислення в пікові години й підключити до енергомережі ще близько 100 ГВт дата-центрів.
Microsoft про скрейпінг. У нових матеріалах справи NYT проти OpenAI і Microsoft, оприлюднених без вилучень, цитують керівника Microsoft, який назвав скрейпінг даних для ШІ «найбільшою крадіжкою праці в історії людства» і попередив, що це робить «посміховисько» з fair use. Очільник ChatGPT в OpenAI назвав це екзистенційною загрозою для видавців.
Страхи щодо роботи. Опитування Pew у 37 країнах показало: більшість у 34 країнах вірить, що за 20 років ШІ принесе більше втрат робочих місць, ніж здобутків. В Австралії та Південній Кореї занепокоєні 76% опитаних, у США — 71%.
Це все за цей день – приблизно 5 хвилин читання.