➡️ AWS выпустила нативный векторный поиск для DynamoDB в общем доступе. Теперь эмбеддинги хранятся прямо рядом с операционными данными в тех же таблицах — без репликации в отдельную специализированную базу и без синхронизации между ними.

Цифры: одноразрядная миллисекундная задержка при recall выше 99%, масштаб до триллионов векторов, без администрирования инфраструктуры. Можно использовать любую модель эмбеддингов — от Amazon Titan до OpenAI — и единая serverless-оплата по факту использования.

🔥 Важнее технических цифр сигнал по рынку: по опросу индустрии, большинство специалистов по данным предпочли бы держать векторный движок прямо внутри основной БД, а не городить отдельный стек. Прямой удар по нише standalone векторных баз вроде Pinecone — облачные провайдеры один за другим встраивают векторный поиск в существующие движки.

❓ Держите отдельную векторную базу для RAG, или готовы перейти на встроенный поиск?

✅ Команда юристов GitHub использовала Copilot CLI, чтобы автоматизировать повторяющиеся задачи: проверку контрактов, анализ кода, DMCA-запросы, NDA и оценку рисков.

Один из юристов собрал собственный инструмент для работы с договорами. Вместо постоянного копирования промтов он вынес инструкции, шаблоны и внутренние материалы в репозиторий. В результате время на подготовку и проверку документов сократилось примерно вдвое.

👍 Главное здесь даже не Copilot. AI позволяет специалисту превратить собственную экспертизу в рабочий инструмент — без необходимости становиться разработчиком.

Юристы фактически начали «программировать» на естественном языке: описывают методологию, правила и нужный результат, а AI превращает это в повторяемый workflow.

‼️ Google и Raspberry Pi опубликовали гайд: полноценный локальный ИИ-конвейер — речь, зрение, языковая модель — работает целиком на Raspberry Pi 5 без облака. Витрина — робот Reachy Mini: слышит, распознаёт объекты, рассуждает через Gemma, отвечает речью и движением. Весь стек — около $80 в железе.

В основе — LiteRT (эволюция TensorFlow Lite) с надстройкой под LLM. Семейство Gemma подобрано под разные ограничения железа — от компактной 270M-модели до полноценной Gemma 4 E2B для диалога. Цифры: 99 токенов/сек prefill, 9 токенов/сек генерация при памяти всего 1432 МБ — это около 300 слов в минуту, вдвое быстрее обычной человеческой речи.

☀️ Порог входа снизили сильно — весь тулчейн ставится одним pip install, а CLI объединяет конвертацию, квантизацию и инференс, убирая обычную возню с зависимостями. Есть и GPU-ускорение для разгрузки компьютерного зрения.

Продолжение темы Qwen3.8-27B на Mac — только здесь совсем другой класс железа: не ноутбук, а $80 одноплатник без Wi-Fi.

❓ Пробовали бы собрать что-то подобное сами, или локальный ИИ такого масштаба кажется больше хобби-проектом?

🖥 Фло Кривелло, CEO Lindy, запустил Lindy Teammate — ИИ-«сотрудника» в Slack, который подключается ко всем корпоративным инструментам и накапливает общий контекст команды. Тезис: интеллект без контекста менее полезен, чем обычный коллега.

Архитектура памяти интересна отдельным memory.md файлом с «настоящей» памятью и санитизированной версией для демо. Разговор разбирает ту же проблему context rot, что мы видели через RLM от LangChain и Memora от Microsoft — только на уровне продукта для реальных команд.

🚨 Самое острое — не техническое: Lindy по умолчанию работает на DeepSeek («уровень Sonnet 4.6» при цене в 100 раз ниже), что сделало убыточный продукт прибыльным. При этом сам Кривелло публично выступает за запрет китайских моделей в США по соображениям безопасности — строит бизнес на том, что сам же считает нужным запретить.

Продолжение спора про раскол вокруг китайских моделей, только конфликт интересов здесь не абстрактный, а внутри одного человека.

🔥 Знакомая тема: CEO Palantir предупреждает, что компании рискуют потерять контроль над ценными данными и IP, если слишком полагаются на сторонние ИИ-компании. Тезис прежний — получать выгоды от ИИ, не отдавая активы, которые формируют конкурентное преимущество.

Новое здесь — сам факт, что тема снова всплывает, отражая реальное движение рынка в сторону суверенитета данных и контроля клиента. Учитывая всё, что мы разбирали за последние месяцы — портативность через ACP от Kiro, открытые модели вроде Qwen3.8 и Kimi K3, попытки Microsoft переманить Anthropic на свои чипы — картина действительно складывается: крупные игроки предлагают клиентам больше свободы, а не меньше.

💢 У Карпа тут прямой коммерческий интерес — Palantir продаёт именно этот слой контроля. Но если рынок движется в эту сторону независимо от того, кто это озвучил первым, тенденция важнее автора тезиса.

❓ Бизнес правда стал осторожнее с передачей данных ИИ-провайдерам, или это пока больше разговоры, чем практика?

✅ 24 августа ChatGPT Реклама становится доступна в 31 стране Европы, включая Германию, Францию, Испанию, Италию, Швецию, Норвегию, Данию, Нидерланды и Австрию. На первом этапе доступ только через рекламные команды OpenAI, агентства и технопартнёров — самостоятельный запуск через Менеджер рекламы обещают позже в этом квартале.

Пилот в США стартовал в феврале, и за полгода OpenAI добавила ещё восемь рынков, а теперь разом выходит на 31 европейский. Параллельно платформа доросла технически: от простой модели CPM до CPC и теперь оптимизированной под конверсии oCPC, плюс геотаргетинг, пользовательские аудитории и расширенная отчётность через OpenAI Pixel и Conversions API — то есть это уже полноценный рекламный стек, а не экспериментальная надстройка.

👍 Заявленный принцип — реклама чётко маркирована, отделена от ответов ChatGPT и не влияет на сами ответы модели. Но сам факт масштабирования на 31 рынок за полгода показывает, что монетизация через рекламу — уже не пилот, а стратегическое направление роста, причём десятки тысяч рекламодателей уже используют платформу.

Интересно здесь то, что ChatGPT становится не просто поисковиком-заменителем, а точкой принятия решения о покупке — именно на это и целится реклама. Учитывая, что Anthropic принципиально держит свои продукты без рекламы, разница в подходах двух главных конкурентов становится всё заметнее.

👍 OpenAI на две недели приостановила RL-обучение передовых моделей, чтобы укрепить исследовательские среды и мониторинг. Причина — взлом Hugging Face сбежавшим агентом (уже разбирали) и предварительные данные о том, что будущая модель Astra может достичь порога «критических возможностей» в кибербезопасности.

Крупнейший запланированный запуск RL всё ещё на паузе — идут только эксперименты меньшего масштаба.
Ввели три слоя защиты: строгую изоляцию для недоверенного кода, сетевую изоляцию высокорисковых процессов и постоянное тестирование безопасности через симуляцию атак. Расширили мониторинг цепочки рассуждений — классификаторы проверяют каждый токен, при подозрении на нарушение критической границы поднимают тревогу за 30 минут. Вся эта система съедает около 20% вычислительных ресурсов отслеживаемого инференса.

➡️ Показательна формулировка: OpenAI ожидает, что скоро модели сами будут обеспечивать бóльшую часть безопасности, включая защиту от других моделей.
Первый случай, когда крупная лаборатория публично объясняет конкретный измеримый риск, а не маркетинговый тайминг, как причину паузы в релизах.

❓ Такая прозрачность усиливает доверие к компании, или тревожит тем, что риски оказались настолько реальны?

➡️ IOL-AI Challenge — соревнование на невиданных задачах Международной олимпиады по лингвистике 2026, где результаты моделей впервые оценивало настоящее жюри по тем же критериям, что и у школьников-участников. Ценность именно такого теста в том, что рассуждения LLM обычно изучают на математике и коде, где модели заранее даны правила. В лингвистике их нет — сначала нужно самому обнаружить систему языка, а данных для заучивания просто не существует.

731 заявка от 46 команд при жёстком бюджете — одна видеокарта T4, 30 минут. Отдельно без ограничений прогнали 15 топовых моделей: Claude Opus 4.8 набрала оценку жюри, эквивалентную золотой медали, а системы под жёстким compute-бюджетом оказались в нижних 5% участников.

☀️ Показательно: способность не определяется масштабом — заявки на 14B параметров обходили модели вдвое большего размера, прирост шёл от настройки декодинга, а не от размера. Автоматические метрики ранжируют системы правильно, но сжимают шкалу — завышают слабых и занижают сильных.

Главный вывод: предзнание языка задачи почти не помогает модели её решить — значит лингвистическое рассуждение честно проверяет обобщаемые способности, а не память.

‼️ На бенчмарке ARC-AGI-3 (2D-игры без инструкций, тест, который особенно раздражает OpenAI) Claude Opus 5 без специальной обвязки набрал 30% — лучший результат среди всех моделей. С кастомным харнессом та же модель показала 100%.

Ключевая находка — прорыв дал не просто менеджмент памяти, а отдельный агент-«супервайзер», который следит за основным и подталкивает его, если тот застрял. По словам VP продукта Nvidia, агент — это модель плюс харнесс, плюс рантайм и скиллы, а не просто API модели. Показателен контраст: OpenAI, увидев позорные <10% на этом бенчмарке, потюнила две настройки харнесса и утроила счёт — но так и не приблизилась к 100%, не добавив супервизирующий слой.

🔥 Не единичный случай — Databricks в июле показала, что харнесс, а не модель, драматически влияет на стоимость: один вызов с разным харнессом может обойтись вдвое дороже. Nvidia продвигает открытые харнессы через свой стек Nemo и напрямую связывает это с недавней паузой OpenAI в обучении модели Astra из-за проблем безопасности — по их логике, контроль именно на уровне харнесса и есть путь к безопасному прогрессу.

❓ Рынок недооценивает важность харнесса по сравнению с выбором модели, или для повседневных задач разница пока не критична?