Grok 4.5 получит мышление xhigh.

На публичном бенчмарке RuneBench засветился Grok 4.5 с уровнем мышления xhigh, которого официально ещё не существует. Сейчас у модели максимум high.

⚪️ Похоже, xhigh уже раздали узкому кругу на тесты. Вместе с ним xAI обещала 1M контекста. Судя по всему, оба апдейта выйдут скоро.

Кстати, ещё Илон снова обещает Гроку регулярные обновления. Но такие же посты он писал и про Grok 4, и про 4.1, 4.2, 4.3, почти одними и теми же словами, а заметных улучшений после них не было. Может благодаря новым обстоятельствам улучшения действительно будут, кто знает...

* RuneBench — бенч одного ноу-нейма, где ИИ-агенты играют в RuneScape: модель пишет код через SDK, сама ищет стратегии в вики и качает персонажа. По сути, тест на многошаговое планирование.

Как Muse Image сама исправляет свои генерации. Я немного поделюсь своим мнением насчет этой системы.

В прошлом посте я обещал отдельно рассказать про самоулучшение вывода Muse Image. Эта возможность действительно интересная, но работает она далеко не всегда хорошо.

⚪️ Картинку на самом деле делают две модели. В рассуждениях используется Muse Spark которая передаёт инструкции Muse Image. После генерации Spark может посмотреть на результат, изменить своё мнение и выводы, и запустить ещё одну попытку генерации.

⚪️ Исправлять себя её никто не учил. По словам Александра Вана, это поведение появилось само во время RL.

⚪️ Google сделала так первой. В Nano Banana Pro ту же роль выполняет Gemini: составляет инструкции для image-модели и при необходимости просит переделать изображение.

Meta почти полностью повторила архитектуру Google (nano-banana-pro). Идея хорошая, поэтому ничего удивительного.

Но у такой системы есть серьёзная проблема.
Рассуждающая модель не всегда понимает, что происходит на изображении, а image-модель не всегда правильно выполняет её инструкции.

Если Spark ошиблась в рассуждениях, следующая итерация может сделать картинку ещё хуже. На моём примере именно это и произошло: модель пыталась исправить результат, но с каждой попыткой сильнее отдалялась от правильного ответа.

То есть возможность самоисправления уже есть, а понимания геометрии и взаимодействия объектов пока не хватает.

Есть и вопрос с оплатой. Неизвестно, списываются ли дополнительные токены за внутренние итерации. Если каждая повторная генерация оплачивается отдельно, Самоулучшение просто увеличит стоимость одного результата. Изначально у моделей принято возвращать только одно изображение.

И немного про Google.
Nano Banana 2 тоже может искать изображения в интернете, но часто не умеет нормально использовать найденное. У Meta поиск референсов выглядит полезнее. — Поэтому я считаю, что они более ответственно подошли к выпуску своей модели.

В чистой генерации Muse Image особо не превосходит gpt-image-2.

❗️ Anthropic опять продлили Fable 5 на подписках до 19 Июля.
Также акция 50% больше недельных лимитов тоже была продлена до 19 июля.
Похоже они продлевают до тех пор пока не решат перманентно держать Fable на подписке либо пока не выпустят Opus 5.

Источник.

👀 Kimi K3 возможно выйдет уже очень скоро

Уже удаленная страница показывала специальную акцию связанную с K3 и назначенную на 14 июля 19:00 (По МСК)

* У Kimi k2.7 была точно такая же акция

Kimi K3 перенесли. Но мы успели её потестить.

Релиз должен был состояться ещё 14 июля: разработчики случайно оставили страницу с акцией к выходу K3, о находке которой мы писали вчера. Страницу удалили, релиз сдвинулся.

Сама модель при этом тестируется на arena.ai под кодовым названием saga-decima.

⚪️ Модель чересчур долгая и неэкономная по токенам мышления. На SVG-тесте она думала больше 8 минут. Даже на простое "привет, какая ты модель" уходит не меньше 3 минут.

Зачем так, неизвестно, но это явно не экономно.

* Судя по графику Artificial Analysis прошлая K2.6 и так самая медленная среди больших моделей. См.

❗️ Срочно: Gemini 3.6 Flash выйдет уже в этом месяце.

Раньше это были лишь слухи, но теперь подтвердилось довольно надёжным источником. До этого модели Gemini Flash уже тестировались на arena.ai.

⚪️ Сегодня туда добавили ещё один чекпоинт. Разницы с flash 3.5 мы не выявили. Разве что модель заявляет, что срез её знаний март 2026, но сама ничего позже начала 2025 не знает.

🤔 Довольно странно, мы списываем это на галлюцинации модели, которые google DeepMind не может исправить на притяжении 2 лет.

Источник.