Релизы агентов и моделей
Вышел Nanbeige4.3-33B. Nanbeige LLM Lab выпустила Nanbeige4.3-33B под Apache 2.0 — 33B dense-модель для агентного кодинга с контекстом 512K. Она лидирует в 17 из 20 бенчмарков в таблице лаборатории среди моделей около 30B: сильный результат в Terminal-Bench 2.1, но слабее в некоторых SWE- и task-бенчмарках. Доступны GGUF-кванты от сообщества; для GPU с 32 ГБ рекомендуют AD-IQ4_XS объёмом 20,3 ГБ.
Microsoft Agensh. Microsoft Research открыла исходный код Agensh — децентрализованного харнеса для кодинг-агентов без центрального оркестратора. Воркеры сами выбирают подзадачи, делятся находками и мержат код. В тестах система масштабировалась с 1 до 1 024 агентов: на самых сложных задачах ProgramBench результаты росли вместе с числом агентов.
Малая TTS Lure-TTS. Разработчик-одиночка выпустил Lure-TTS и Lure-Turbo — голосовые модели на 600M параметров, дообученные из Qwen3-TTS для синтеза быстрее реального времени с inline-тегами, управлением интонацией и клонированием голоса. По его словам, обучение стоило меньше $200 с использованием RLVR, OPD и multi-teacher distillation.
Смартфонные агенты OpenMobile-2. Исследователи выпустили OpenMobile-2 — open-source-модели смартфонных агентов на базе Qwen3.5 и Qwen3.6 (9B/27B). Среда обучения включает 110+ симулированных приложений; разнообразие приложений подняло успешность на незнакомых приложениях с 60,7 до 67,5, а старшая модель набрала 59,6 в SPA-Bench — лучший результат среди открытых моделей.
DNA-модель Carbon-X. Hugging Face выпустила Carbon-X — открытую языковую модель для ДНК на 14,8B параметров, которая читает сырые последовательности ДНК и отвечает на английском. Она предсказывает патогенность мутаций, регуляторные области и следующие основания. В среднем 66,7% на пяти DNA-бенчмарках — лучший результат среди протестированных открытых моделей; работает на одном GPU с 80 ГБ.
Инструменты, фреймворки и инфраструктура
TorchTPU для PyTorch. Google и Meta открыли исходный код TorchTPU на PyTorch Conference 2026 — нативного бэкенда PyTorch для TPU, который должен заменить PyTorch/XLA. Портирование сводится к замене model.to('cuda') на model.to('tpu'); Meta планирует запускать на TPU более крупные LLM-нагрузки.
Google ML Drift. Google выпустила ML Drift — кросс-платформенный движок вычислений на GPU для инференса ИИ на устройстве. Он распространяется под Apache 2.0 и поддерживает OpenGL ES, OpenCL, Metal и WebGPU. Это основной движок LiteRT; он должен улучшить переносимость и производительность генеративного ИИ на edge-устройствах.
Nvidia Flora для разметки. Nvidia открыла исходный код Flora — движка данных, который размечает видео с роботами для описаний действий, оценок прогресса и успешности задач. По заявлению компании, разметка стоит 72 цента в час против $88 у GPT-6 Astra; Flora уже используют для обучения GR00T — до 200 000 часов в день.
Anthropic OSS Scanner. Anthropic запустила OSS Scanner — бесплатный opt-in-сканер уязвимостей для критичных open-source-проектов на самых сильных моделях компании. Он принял 114 проектов и сообщил о 77 критических и 803 высоких обнаружениях; 88% проверенных обнаружений соответствуют порогу раскрытия, но есть завышение серьёзности и дубликаты.
TokenGate для прунинга токенов. Stanford и UC Berkeley выпустили TokenGate — встраиваемый обучаемый модуль прунинга токенов для LLM. Он пропускает нерелевантные входные токены, ускоряя время до первого токена в 1,4–11,3 раза и снижая память под prefill в 1,5–3,4 раза без потери точности на протестированных задачах с контекстом до 128k.
Исследования
Агенты камеры FilmFlow. FilmFlow — агентный фреймворк, который превращает инструкции на естественном языке или референсные видео в явные траектории камеры для 3D-сцен. Агент Director планирует вместе с агентами Interpreter, Scout и Critic; CinemaBench включает 750 задач с текстовыми указаниями и оценки по референсным видео.
Единый роутинг RouteWeaver. RouteWeaver объединяет однораундовый, многораундовый и агентный роутинг в одной политике LLM, совместно выбирая режим выполнения и модели. Его обучение COMET-GRPO разделяет выбор режима и credit assignment за выполнение, повышая точность в математических, кодинг- и knowledge-задачах.
Anthropic: RSI к 2027. Сооснователь Anthropic Джек Кларк сдвинул свой прогноз по рекурсивному самосовершенствованию на 2027 год, опираясь на бенчмарк TasteVal: способность ИИ к исследовательскому чутью удваивалась примерно каждые три месяца. Лучшая модель превзошла 24 экспертов-людей при существенно меньшей стоимости, но бенчмарк покрывает лишь узкий срез научной работы.
Индустрия и бизнес
OpenAI перебивает Anthropic скидками. OpenAI предлагает скидки до 90%, чтобы переманить крупнейших клиентов Anthropic; Rippling, Replit и DataCamp уже перераспределили расходы. Кодинг-нагрузка Rippling на OpenAI выросла с 16% до 52%, а на Anthropic упала с 57% до 18%; Replit получил скидку 30% на контракт более чем на $100 млн.
Экономист Apollo: отдачи нет. Главный экономист Apollo Торстен Слок говорит, что ИИ не дал никакой финансовой отдачи нетековым компаниям из S&P 493: маржа прибыли и выручка на сотрудника не растут. Он утверждает, что бизнес-аналитика — это в основном суждение, а ИИ не понимает ответственности, доверия, культуры и справедливости.
Удар ИИ-поиска Google. ИИ-поиск Google перевернул рынок онлайн-изданий, разрушив давнюю взаимную схему: издатели получали трафик в обмен на контент. Сайты, годами оптимизировавшиеся под поиск, видят, как клики и показы утекают к ответам, сгенерированным ИИ.
ИИ-империи США и Китая. В Foreign Affairs Эрик Шмидт, Нил Фергюсон и Лиза Клаассен утверждают, что США и Китай построили ИИ-империи, которые ставят другие страны в зависимость. Вашингтон обменивает закрытые системы на политическую лояльность, а Пекин раздаёт open-weight-модели, чтобы распространять свои стандарты. Главным риском для цепочки поставок ИИ они считают потенциальный конфликт вокруг Тайваня и TSMC.
Anthropic: переход к одному агенту. Anthropic рекомендует компаниям оценить объединение субагентов в одного основного агента, который подгружает контекст по запросу: новые модели справляются со сложными планами напрямую. В одном сравнении один агент работал примерно вдвое быстрее мультиагентной схемы; на GitHub доступен набор для миграции.
Nvidia: ставка на софт. В ветке на Reddit обратили внимание на слова Дженсена Хуанга: NVIDIA ориентируется на $2 000 годовой софтверной выручки на каждый GPU. Это указывает на движение в сторону повторяющегося дохода от ИИ-софта в дополнение к железу.
Безопасность
Киберриски open-weight-моделей. В ветке на Reddit рассуждают: если США и КНР ограничат open-weight-модели с кибервозможностями, доступ к оборонительному и наступательному ИИ сосредоточится у государств и крупных компаний. Тогда частным лицам и малому бизнесу будет сложнее защищать системы. Автор задаётся вопросом, смогут ли модели, обученные сообществом, угнаться за frontier-моделями.
CVE в llama.cpp. CVE в компоненте Pocket-TTS из llama.cpp позволяет выполнить запись за границы буфера через вредоносный файл mmproj — но нужен локальный доступ. Обновление до b11796 или текущего master обнаруживает и прерывает эксплуатацию, однако PR с исправлением by design всё ещё открыт.
Агенты ломают данные. Пользователь сообщает, что агент VS Code Copilot стёр его базу данных во время теста, и спрашивает, случаются ли такие массовые удаления по вине агентов до сих пор, несмотря на прогресс. Инцидент перекликается с прежними вирусными историями и напоминает о необходимости бэкапов и песочниц.
Локальный ИИ и железо
Qwen3.8-Flash локально. Пользователи сравнивают Qwen3.8-Flash-Next со Swift-1.5: производительность лучше, но модель слишком уходит в глубокие рассуждения и неэффективно тратит токены. В другой конфигурации 125B-модель работает примерно на 20 ток/с при 16 ГБ VRAM и 8 ГБ RAM с прямым offload на NVMe через ExLlamaV3.
RTX 3080: разблокирован P2P. Разблокировка от сообщества включает P2P и reBAR на RTX 3080 20 ГБ и даёт до +70% к скорости обработки промптов при tensor parallel. Тестировали на двух GPU со Swift-1.5-Qwen3.8-27B AWQ INT4 в vLLM.
Заявления ISTA о кванте. В ветке спрашивают, действительно ли квант IQ3_S из Qwen3.8-27B-GSQ-RCO-GGUF от ISTA-DASLab соответствует заявленным показателям BF16 — в сравнении с Unsloth UD Q4_K_XL. Карточка модели обещает высокое качество при более низком квантовании, но валидация сообществом ещё не завершена.
Жалобы на стиль Gemma 4. Пользователи жалуются, что файнтюны Gemma 4 26B однородны, выдают напыщенную прозу и игнорируют примеры диалогов, а персонажи звучат одинаково в разных моделях. Настройка стиля остаётся слабым местом этой архитектуры.
Это всё за этот день – примерно 5 минут чтения.