Релізи агентів і моделей
Реліз Nanbeige4.3-33B. Nanbeige LLM Lab випустила Nanbeige4.3-33B під Apache 2.0 — 33B dense-модель для агентного програмування з контекстним вікном 512K. Вона лідирує в 17 із 20 бенчмарків у таблиці лабораторії серед моделей близько 30B, має сильні результати на Terminal-Bench 2.1, але слабші — на частині SWE та інших бенчмарків задач. Є кванти GGUF від спільноти; для GPU на 32 ГБ радять AD-IQ4_XS обсягом 20,3 ГБ.
Agensh від Microsoft. Microsoft Research відкрила код Agensh — децентралізованого каркаса для агентів-програмістів без центрального оркестратора. Воркери беруть підзадачі, діляться знахідками та зливають код. У тестах він масштабувався від 1 до 1024 агентів, і результати на найскладніших задачах ProgramBench зростали зі збільшенням кількості агентів.
Малий TTS Lure-TTS. Незалежний розробник випустив Lure-TTS і Lure-Turbo — голосові моделі на 600M параметрів, донавчені з Qwen3-TTS для синтезу швидше за реальний час, з вбудованими тегами, керуванням і клонуванням голосу. За словами розробника, навчання коштувало менш ніж $200 із використанням RLVR, OPD і дистиляції від кількох учителів.
Смартфонні агенти OpenMobile-2. Дослідники випустили OpenMobile-2 — відкриті моделі смартфонних агентів на базі Qwen3.5 і Qwen3.6 (9B/27B). Середовище тренування містить понад 110 симульованих застосунків; різноманітність застосунків підвищила успішність на небачених застосунках із 60,7 до 67,5, а більша модель набрала 59,6 на SPA-Bench — найвищий результат серед відкритих моделей.
DNA-модель Carbon-X. Hugging Face випустила Carbon-X — відкриту мовну модель для ДНК на 14,8B, яка читає сирі послідовності ДНК і відповідає англійською; вона прогнозує патогенність мутацій, регуляторні ділянки та наступні основи. У середньому вона дає 66,7% на п’яти DNA-бенчмарках — найкращий результат серед протестованих відкритих моделей — і працює на одній GPU з 80 ГБ.
Інструменти, фреймворки та інфраструктура
TorchTPU для PyTorch. Google і Meta відкрили код TorchTPU на PyTorch Conference 2026 — нативного бекенда PyTorch для TPU, який має замінити PyTorch/XLA. Портинг зводиться до заміни model.to('cuda') на model.to('tpu'), а Meta планує переносити більші LLM-навантаження на TPU.
ML Drift від Google. Google випустила ML Drift — кросплатформний рушій GPU-обчислень під Apache 2.0 для AI-інференсу на пристроях із підтримкою OpenGL ES, OpenCL, Metal і WebGPU. Це основний рушій під LiteRT; він має покращити портативність і продуктивність генеративного AI на edge-пристроях.
Flora від Nvidia. Nvidia відкрила код Flora — рушія даних, що розмічує відео роботів для опису дій, оцінки прогресу та успішності задач. За заявою компанії, розмітка коштує 72 центи за годину проти $88 у GPT-6 Astra, і Flora вже використовують для тренування GR00T — до 200 000 годин на день.
OSS Scanner від Anthropic. Anthropic запустила OSS Scanner — безплатний сканер уразливостей із добровільною участю для критичних open-source проєктів, що працює на найсильніших моделях компанії. Він прийняв 114 проєктів і повідомив про 77 критичних та 803 високих знахідок; 88% перевірених знахідок відповідають порогу розкриття, але є й завищення критичності та дублікати.
Прунінг токенів TokenGate. Stanford і UC Berkeley випустили TokenGate — готовий до вбудови навчений модуль прунінгу токенів для LLM. Він пропускає нерелевантні вхідні токени, дає прискорення time-to-first-token у 1,4–11,3 раза та зниження пам’яті під prefill у 1,5–3,4 раза без втрати точності на протестованих задачах із контекстом до 128k.
Головне з досліджень
FilmFlow для камер. FilmFlow — агентний фреймворк, який перетворює інструкції природною мовою або референсні відео на явні траєкторії камери для 3D-сцен. Агент Director планує разом з агентами Interpreter, Scout і Critic; CinemaBench містить 750 задач із текстовими вказівками та оцінювання за референсними відео.
Уніфікований роутинг RouteWeaver. RouteWeaver об’єднує однораундовий, багатораундовий та агентний роутинг в одній LLM-політиці, спільно обираючи режим виконання й моделі. Тренування COMET-GRPO розділяє вибір режиму та credit assignment за виконання, підвищуючи точність у задачах із математики, програмування та знань.
Прогноз RSI від Anthropic. Співзасновник Anthropic Джек Кларк переніс свій прогноз щодо рекурсивного самовдосконалення на 2027 рік, спираючись на бенчмарк TasteVal, де здатність AI до дослідницького смаку подвоювалася приблизно кожні три місяці. Найкраща модель перевершила 24 людських експертів за значно нижчої вартості, але бенчмарк охоплює лише вузький зріз наукової роботи.
Індустрія та бізнес
OpenAI переманює клієнтів Anthropic. OpenAI пропонує знижки до 90%, щоб переманити найбільших клієнтів Anthropic; Rippling, Replit і DataCamp уже перерозподілили витрати. Частка кодувального навантаження Rippling на OpenAI зросла з 16% до 52%, а частка Anthropic упала з 57% до 18%; Replit отримав 30% знижки на контракт на понад $100M.
Економіст Apollo: віддачі немає. Головний економіст Apollo Торстен Слок каже, що AI не дала жодної фінансової віддачі компаніям S&P 493 поза технологічним сектором: маржа прибутку та виторг на працівника не зростали. Він стверджує, що ділова кмітливість — це переважно судження, а AI не розуміє відповідальності, довіри, культури чи справедливості.
Вплив AI-пошуку Google. AI-функції пошуку Google перевернули онлайн-видавництво, зламавши давню взаємовигоду: видавці отримували трафік в обмін на контент. Видання, які роками оптимізувалися під пошук, бачать, як кліки й покази перетікають до AI-відповідей.
AI-імперії США та Китаю. У Foreign Affairs Ерік Шмідт, Ніл Ферґюсон і Ліза Клаасен стверджують, що США й Китай збудували AI-імперії, які роблять інші країни залежними: Вашингтон обмінює закриті системи на політичну лояльність, а Пекін роздає open-weight моделі, щоб поширювати стандарти. Найбільшим ризиком для AI-ланцюга постачання вони вважають потенційний конфлікт через Тайвань і TSMC.
Anthropic радить єдиного агента. Anthropic радить компаніям оцінити об’єднання субагентів в одного основного агента, який підвантажує контекст за потреби, бо новіші моделі можуть напряму працювати зі складними планами. В одному порівнянні одноагентна схема працювала приблизно вдвічі швидше за мультиагентну, а на GitHub доступний набір для міграції.
Софтверні доходи NVIDIA. У треді на Reddit звернули увагу на слова Дженсена Хуанга про те, що NVIDIA орієнтується на $2 000 софтверного доходу на рік із кожного GPU — це сигнал про рух у бік регулярного AI-софту поверх заліза.
Безпека та захист
Кіберризик open-weight моделей. У треді на Reddit стверджують: якщо США й КНР обмежуватимуть open-weight моделі з кіберможливостями, доступ до захисного й наступального AI сконцентрується в урядів і великих компаній, а люди й малий бізнес матимуть менше змоги захищати системи. Автор ставить під сумнів, чи зможуть моделі, натреновані спільнотою, встигати за фронтирними моделями.
CVE у llama.cpp. CVE у компоненті Pocket-TTS від llama.cpp дозволяє запис за межами буфера через шкідливий файл mmproj, але потребує локального доступу. Оновлення до b11796 або поточного master виявляє й перериває експлойт, проте PR із виправленням на рівні дизайну досі відкритий.
Руйнівні інциденти агентів. Користувач повідомляє, що агент VS Code Copilot стер його базу даних під час тесту, і питає, чи такі масові видалення агентами досі трапляються попри прогрес. Інцидент перегукується з попередніми вірусними повідомленнями й нагадує про потребу в бекапах і пісочницях.
Локальний AI і залізо
Qwen3.8-Flash локально. Користувачі порівнюють Qwen3.8-Flash-Next зі Swift-1.5: продуктивність краща, але модель надто заглиблюється в роботу й неефективно витрачає токени. Інша конфігурація запускає 125B-модель зі швидкістю ~20 ток./с на 16 ГБ VRAM і 8 ГБ RAM, з прямим офлоадом на NVMe через ExLlamaV3.
Розблокування P2P на RTX 3080. Спільнотне розблокування вмикає P2P і reBAR на RTX 3080 20GB, даючи до +70% швидкості обробки промптів у tensor parallel. Дві GPU тестували зі Swift-1.5-Qwen3.8-27B AWQ INT4 у vLLM.
Заяви ISTA про кванти. У треді питають, чи справді квант ISTA-DASLab Qwen3.8-27B-GSQ-RCO-GGUF IQ3_S відповідає заявленій продуктивності BF16 порівняно з Unsloth UD Q4_K_XL. Картка моделі обіцяє високу якість за нижчої квантизації, але підтвердження від спільноти ще немає.
Скарги на письмо Gemma 4. Користувачі скаржаться, що файнтюни Gemma 4 26B однорідні, видають перебільшено пишний текст і ігнорують надані приклади діалогів, а персонажі в різних моделях звучать однаково. Налаштування стилю залишається болючою точкою для цієї архітектури.
Це все за цей день – приблизно 5 хвилин читання.