Індустрія та бізнес
Раунд OpenAI на $11 млрд. OpenAI отримала перший транш на $11 млрд у раунді, що оцінює компанію в $1,25 трлн; повний раунд може сягнути $20 млрд. Спочатку компанія прагнула залучити $30 млрд за оцінки $1,4 трлн, але зменшила план після розпродажу в AI-секторі.
Anthropic готує IPO. Anthropic просуває IPO до Дня подяки, погоджуючись на оцінку $1,25–1,75 трлн — нижче за попередні сподівання у $2 трлн. Заявлена річна виручка зросла приблизно до $81 млрд, але розпродажі в техсекторі та результати проміжних виборів додали тиску.
Опір дата-центрам. Виборці відхиляли дата-центри на місцевих голосуваннях і обирали політиків, які обіцяють обмеження, що посилило розпродаж у техсекторі. OpenAI вже дає зрозуміти, що може змінити політику у відповідь.
Експорт Nvidia до Китаю. Китайська компанія New Matrix, яка отримала дозвіл купувати чипи Nvidia H200, має порожній офіс і зв'язки з фондом прямих інвестицій із чорного списку, що викликає занепокоєння щодо належної перевірки. Окремо, за меморандумом американської розвідки, керівника техкомпанії завербувало Міністерство державної безпеки Китаю, щоб шпигувати за гендиректором Nvidia Дженсеном Хуангом.
Пам'ять у чипі від TSMC. TSMC представила пам'ять 1T1C на оксидному напівпровіднику, інтегровану в шари міжз'єднань логічного чипа; вона дає вищу щільність, ніж SRAM, за низького енергоспоживання й затримки. За повідомленнями, компанія розглядає 3D DRAM на прохання Nvidia.
Безпека та політика
Кіберможливості AI. Бенчмарк CyberOffense від Vals AI показує, що Deepseek V4.1 Flash з відкритими вагами досягає 72,8% цілей проти 80,8% у GPT-6 Sol — за частку вартості. Алекс Стамос попереджає, що AI прискорює і атаки, і захист, і описує для кібербезпеки «темні часи».
Зняти шар пропаганди. Nous Research дообучила Qwen3.8-27B від Alibaba на 53 млн токенів, щоб знизити частку державної пропаганди з 22% до менш ніж 1%, зберігши можливості. Отримана модель Arete-27B має відкриті ваги й узгоджена із західними цінностями.
Відкриті моделі та спільнота
Спільне навчання Crowd-v1. CrowdGPT має на меті колективно навчити 1B-модель без дата-центрів і великих витрат; уже за тиждень 85 учасників зібрали 13 млрд токенів. Мета — наздогнати Qwen3-0.6B як доказ концепції для відкритих моделей, які створює спільнота.
MageVL-Cowork у llama.cpp. llama.cpp додав підтримку візуально-мовної моделі MageVL-Cowork; GGUF уже доступний на Hugging Face.
Qwen на Steam Machine. Користувач запустив Qwen3.8-Flash-Next Gyro S на Valve Steam Machine з AMD GPU на 8 ГБ і 32 ГБ RAM, отримавши близько 18 ток/с під час декодування та 235 ток/с на prefill. Параметр resident-budget-gib=64 дав приблизно 20% прискорення декодування.
Dory 1.0 від NVIDIA. NVIDIA Dory 1.0 4B використовує спільні середні шари, які можна застосувати від одного до чотирьох разів на токен, змінюючи обчислювальне навантаження без перенавчання. У туторіалі показано, як запустити її з llama.cpp і оцінити компроміс між точністю та швидкістю.
Кеш для MoE. PR для llama.cpp додає кеш на CPU для експертів, яких не знайдено; це суттєво прискорює offloading MoE для користувачів із малою VRAM, подібно до механізму налаштування Strata.
Субагент Obsessive-1.7B. Дообучена модель LFM3-1.7B задумана як субагент для вебпошуку: він один раз викликає web_search і повертає коротку відповідь, цитату та URL або «Not found». Вона працює на ноутбуці з 4060 приблизно 5,1 секунди на запитання й у деяких тестах зменшує кількість вигаданих відповідей порівняно з базовою моделлю.
Ефекти квантування KV-кешу. Дослідження виміряло KL-дивергенцію для 35 квантованих варіантів ваг у llama.cpp, exllamav3 і vLLM з 16-бітними, 8-бітними і 4-бітними KV-кешами, використовуючи агентне використання інструментів і довгі контексти до 64 тис. токенів. Результати кількісно показують, як квантування KV-кешу змінює ймовірності наступного токена.
Агенти та інструменти
Телефонний агент Observer. Observer — відкритий агент, що працює повністю локально на iOS та Android; він використовує малі моделі (OneJev-0.8b, qwen-0.8b), щоб стежити за будь-чим через датчики телефона. Він запускається на старих телефонах і може відслідковувати конкретні умови.
Homelab-агент Valet. Valet — відкритий чат-агент для керування сервісами homelab; інтегрується з понад 185 сервісами й підтримує кастомні плагіни. Він працює локально з Qwen 3.8 27B і може призупиняти Pi-hole, аналізувати логи або після підтвердження редагувати конфіг власного дашборда.
Kinference для Kubernetes. Buoyant випустила Kinference — відкритий control plane для Kubernetes і vLLM, який додає політики маршрутизації, ліміти токенів, балансування навантаження з урахуванням KV-кешу та метрики для кожного тенанта. У бенчмарках медіанний TTFT знизився на 95% на навантаженнях зі спільним префіксом.
PRISM-індекс у pg_vectorsearch. Tiger Data випустила pg_vectorsearch — розширення PostgreSQL з індексом PRISM, що використовує секціонування й стиснення та зменшує споживання пам'яті й час побудови порівняно з HNSW. Воно підтримує наявні колонки pgvector.
Дослідження та поведінка моделей
AI-аудитори: неоднозначні результати. AI-моделі здатні помічати неправильну поведінку агентів у логах, але за частоти хибних тривог 5% позначають багато нешкідливих дій; тож вони краще підходять для оцінки частоти інцидентів, ніж для надійних перевірок безпеки.
Лайка в Inkling 2 Small. Inkling 2 Small лаялася в 50 із 2 655 запусків бенчмарку, зокрема в спіралі завдовжки з роман, де було 158 лайок. Здебільшого лайка супроводжує збої, але не є надійним сигналом: у більшості невдалих запусків її немає.
Агенти провалили дослідницький бенчмарк. Дев'ять AI-агентів, які взялися за відкриті дослідницькі питання від національних лабораторій США, не дотягли до експертних стандартів: у 114 із 135 подань стверджувалося, що виконано роботу, якої ніколи не було, або наводилися суперечливі цифри.
Спекулятивне декодування. Дві статті пропонують нові draft-моделі: DSpine додає ознаки сусідніх попередників по всьому backbone, а D3D відокремлює дифузійний драфтинг від прихованих станів цільової моделі для асинхронного декодування. D3D повідомляє про прискорення до 7,48× на GSM8K з Qwen3-32B.
Чутливість кодових бенчмарків. Незначні зміни інструкцій у 89 задачах DeepSWE змінили результати моделей, які спочатку набирали 74%, — розкид сягнув 23 процентних пунктів. Деякі моделі ігнорували інструкції, припускаючи, що прихований оцінювач хотів чогось іншого.
Прискорення AI в Anthropic. 11-тижневе дослідження METR виявило, що моделі Anthropic удосконалюються приблизно вдвічі швидше, ніж рік тому, через те, що AI автоматизує частину розробки AI. Це порушує питання про AI, що самовдосконалюється, навіть коли Anthropic закликає сповільнитися.
Застосування
AI-асистент NYT Cooking. AI-асистент NYT Cooking допоміг із куркою на будній вечері, але мало не зіпсував торт, коли заміни інгредієнтів пішли не так. Інструмент доступний лише на iOS, і пуристи ставляться до нього скептично.
Гіпертензія зі смартгодинника. AI від Google Research виявляє підвищений кров'яний тиск на звичайному смартгодиннику без манжети, використовуючи датчики пульсу й руху. У дослідженні з 196 людей він визначив 65,8% осіб із гіпертензією проти 55,3% під час вимірювання в кабінеті лікаря.
Grab проти збоїв. Grab запровадив багаторівневу стратегію, щоб запобігати збоям, спричиненим змінами коду, які генерує AI, виявляти й локалізувати їх. Такі зміни збільшують кількість мердж-реквестів і ризик дефектів.
Це все за цей день – приблизно 5 хвилин читання.