World-Action модель для роботов: чем больше данных — тем лучше (by AgiBot World)

Классические VLA-политики учат маппинг наблюдение → действие, не моделируя физику. World-Action Models (WAM) сначала предсказывают, как изменится сцена, а потом извлекают действия. GE-Act 2.0 делает это с нуля, без готовых видео-генераторов.

Ключевые идеи:
1. Разделённое предобучение: visual planner учится на видео без меток действий, inverse dynamics model — на траекториях без языковых инструкций. Потом всё соединяется.
2. CoAE — компактный автоэнкодер, заточенный под управление, а не под качество картинки.
3. KASO решает "validity gap": когда предсказанное будущее не совпадает с записанным действием, модель выбирает только совместимые пары.

Результат: масштабирование с 300 до 30 000 часов данных поднимает zero-shot OOD успех с 17% до 44% на 100 реальных задачах — без файн-тюнинга под конкретные задачи.

https://arxiv.org/abs/2609.05588

OpenAI показала, как исследователь из MIT использует GPT-5.6 Sol вместе с Codex для автономного проведения квантовых вычислительных экспериментов. Система сама запускает опыты, анализирует результаты и калибрует кубиты — без постоянного участия человека.

Это важно: квантовые эксперименты требуют сложной итеративной настройки, которая раньше отнимала часы ручной работы. Теперь ИИ берёт на себя рутинный цикл "запустил — проверил — подстроил", ускоряя исследования.

Для учёных это означает возможность сосредоточиться на гипотезах, а не на операционной рутине. Связка мощной языковой модели с инструментом для работы с кодом превращает ИИ в полноценного лабораторного ассистента.

https://openai.com/index/codex-quantum-computing-experiments

Google DeepMind представила AlphaGenome Atlas — предсказательную карту всех возможных изменений ДНК в геноме человека.

Модель AlphaGenome анализирует, как каждая возможная мутация в ДНК влияет на работу генов. Это колоссальный объём данных: в геноме человека около 3 миллиардов пар оснований, и каждая может измениться тремя способами.

Почему это важно? Большинство генетических заболеваний вызваны именно точечными мутациями. Раньше учёным приходилось годами экспериментировать, чтобы понять последствия одного изменения. Теперь Atlas даёт готовые предсказания для всего генома сразу.

Это ускорит поиск причин редких болезней, разработку генных терапий и персонализированной медицины. По сути, DeepMind создала атлас последствий всех возможных генетических вариантов — инструмент, который раньше просто не существовал.

https://deepmind.google/blog/alphagenome-atlas-a-predictive-map-of-every-possible-dna-letter-change-in-the-human-genome/

Nvidia — CUDA Rust: пишем GPU-ядра на Rust

Nvidia представила CUDA Rust — два инструмента для написания GPU-ядер прямо на Rust, без C++.

Первый — cuda-oxide — компилирует Rust-код в PTX через кастомный бэкенд rustc. Требует nightly-тулчейн и LLVM, пока в альфе.

Второй — cutile-rs — работает на стабильном Rust 1.89+ с CUDA 13.3, уже опубликован на crates.io и используется в движках HuggingFace Grout и mistral.rs.

Оба инструмента гарантируют память-безопасность на этапе компиляции — никаких гонок и алиасинга.

Почему это важно: всё больше AI-инфраструктуры (inference, serving, агентные рантаймы) пишется на Rust. Раньше GPU-ядра оставались исключением — теперь нет.

NVIDIA планирует поддержку interop между CUDA Rust, C++ и Python, так что выбор языка не закроет доступ к другим экосистемам.

https://developer.nvidia.com/blog/introducing-cuda-rust-two-tracks-for-writing-gpu-kernels/

AuK: один голосовой движок вместо десяти (by Tencent Hunyuan)

Зачем держать отдельные модели для TTS, редактирования эмоций, шумоподавления и клонирования голоса, если можно одну?

AuK — это единая open-source модель, которая по текстовой инструкции делает всё сразу: синтез речи, правку акустики (темп, громкость, питч), смену эмоций и акцента, редактирование слов прямо в аудио, разделение и улучшение звука.

Архитектура: MLLM-энкодер для семантики + аудио VAE + гибридный flow-трансформер с dual-stream MMDiT блоками. Обучение в два этапа: unified pre-training на 1.95 млн часов аудио, затем post-training с RLHF для редактирования и Flow-GRPO для генерации.

Бонус: дистиллированная версия AuK-Flash делает инференс за 4 шага без CFG — в 4.5× быстрее учителя. Код и веса открыты.

https://arxiv.org/abs/2609.08936

Что нужно роботу, чтобы не просто видеть мир, но и действовать в нём?

Команда OpenWAM предлагает систематический подход к обучению World-Action Models (WAM) — моделей, которые наследуют знания о динамике мира из видеогенерации, а затем учатся управлять действиями через робототехнический опыт.

Три ключевых вопроса, на которые отвечает статья:
1. Какие знания о мире должна наследовать WAM?
2. Как создать синергию между моделированием мира и генерацией действий?
3. Как масштабировать это на разные домены?

Главные находки: синергия мира и действий возникает не из размера модели, а из правильного потока информации и совместного расписания денойзинга. Pretrain на эгоцентрическом видео людей + роботных траекториях даёт лучшую OOD-генерализацию.

Результат — OpenWAM-α, обученная на 518M кадров (~6400 часов), оценённая на 8 симуляционных бенчмарках и реальных роботах. Всё открыто: веса, инфраструктура, данные.

https://arxiv.org/abs/2609.07398

Игровой движок из одного промпта — теперь реально?

Представьте: вы описываете мир словами, а система сама строит интерактивную сцену с правилами, физикой и состоянием объектов. Именно это предлагает Programmable World Model.

Ключевая идея — разделить два процесса: эволюцию состояния мира и генерацию видео. Coding agent переводит инструкции пользователя в исполняемый код, который управляет сущностями через 3D oriented bounding boxes (OBB). Затем state compiler проецирует эти боксы в пиксельные контролы, а видеомодель рендерит детали — анимацию, физику, внешний вид.

Зачем OBB, а не полные 3D-сцены? Компромисс: текст слишком абстрактен, полная геометрия слишком дорога в аннотации и порождает train/inference mismatch. OBB — золотая середина: задаёт позицию и ориентацию объекта в мировых координатах, не требуя меша или скелета.

Плюс авторы представили CombatStateBench — бенчмарк, проверяющий, совпадает ли то, что видно в видео, с состоянием движка (живые/мёртвые персонажи).

https://arxiv.org/abs/2609.10540

Nvidia Tech запустила EPD-disaggregation для мультимодального AI

Nvidia представила технику оптимизации инференса для мультимодальных моделей — encode-prefill-decode (EPD) disaggregation в фреймворке Dynamo. Суть: визуальное кодирование изображений теперь выполняется отдельно от LLM-обработки, а не в одной очереди.

Что это даёт на практике: до 5x быстрее время до первого токена и до 7x быстрее общее время ответа при работе с изображениями. Текстовые запросы в смешанном трафике тоже ускоряются на 42% — они больше не стоят в очереди за тяжёлыми мультимодальными запросами.

Особенно эффективно для запросов с несколькими изображениями или видео, коротких и средних ответов, а также квантизированных MoE-моделей. При квантизации весов до NVFP4 прирост производительности вырастает с 1.78x до 2.64x.

Важно: для длинных генераций и больших плотных моделей выигрыш минимален — там декодирование всё равно доминирует по времени.

https://developer.nvidia.com/blog/when-to-use-encode-prefill-decode-disaggregation-to-accelerate-multimodal-model-serving/

Nvidia выпустила CUDA Toolkit 13.4

Крупное обновление для разработчиков GPU-приложений. Главное — CUDA теперь работает на Windows on Arm: раньше Arm-платформы поддерживались только через Linux, теперь барьер снят.

Что ещё важного:

Превью поддержки архитектуры Rubin (следующее поколение после Blackwell) — разработчики могут уже сейчас портировать приложения.

Multi-Process Service V3 — переработанное управление общими GPU: скриптуемый CLI, TOML-конфиги, интеграция с cgroup. Удобно для контейнерных сред и оркестрации.

CUDA Python расширился: текстуры и поверхности, NUMA-aware память, type stubs для IDE и AI-агентов.

CCCL 3.4 ускорил DeviceScan на Blackwell до 92% использования пропускной способности памяти.

Установщики SDK больше не включают драйвер Nvidia — теперь нужно ставить отдельно.

Toolkit доступен для скачивания на сайте Nvidia.

https://developer.nvidia.com/blog/cuda-toolkit-13-4-adds-windows-on-arm-support-and-greater-control-over-shared-gpus/

IBM Research: прорыв в квантовых вычислениях номинирован на премию Гордона Белла

Cleveland Clinic, RIKEN и IBM вошли в финал престижной премии ACM Gordon Bell Prize 2026 — одной из главных наград в области суперкомпьютинга.

Команда смоделировала белковую систему из 12 635 атомов — крупнейшую квантовую симуляцию биологически значимых молекул на сегодняшний день. Для этого объединили квантовые процессоры IBM Heron с японскими суперкомпьютерами Fugaku, RUQUO и Miyabi-G.

Новый результат: полностью автоматизированный сквозной воркфлоу, который убирает ручную координацию между квантовыми и классическими ресурсами. Это ускоряет расчёты и повышает точность вычислений энергии связывания белок-лиганд.

Проще говоря: квантовые компьютеры становятся реальным инструментом для медицинских исследований — быстрее, точнее, с меньшими усилиями.

https://research.ibm.com/blog/gordon-bell-finalists-2026?utm_medium=rss&utm_source=rss

RL для агентов-исследователей упёрся в потолок — и вот как его пробили

Представьте: вы обучаете RL-агента, который пишет ML-код и запускает эксперименты. Генерация текста батчится и масштабируется легко. А вот каждое выполнение кода требует отдельного Docker-контейнера с GPU — и стоит полную цену. Итог: execution становится жёстким bottleneck'ом при масштабировании.

Авторы из UIUC предлагают WMRL: заменить реальное окружение world model — языковой моделью, которая предсказывает результат выполнения кода без его реального запуска. Это даёт ускорение 3–4× при обучении.

Но бесплатного обеда нет: world model ошибается. Авторы формализуют ошибку как bias + noise и показывают, что они портят сходимость на O(B²) и O(σ²). Решение — два механизма коррекции: Online Debiasing (монотонное переотображение предсказанных наград по якорным реальным запускам) и Inverse-Variance Denoising (взвешенное слияние сигналов). С ними агент не просто не теряет в качестве — иногда превосходит baseline с реальным окружением.

LLM научился думать "концептами", а не токенами — и стал в 2 раза эффективнее

Стандартные LLM предсказывают следующий токен. Но что если обучать модель предсказывать не токены, а более высокоуровневые "концепты" — сжатые латентные представления сразу нескольких токенов?

Именно это делает NCP-ArchPreview. Архитектура состоит из трёх модулей: Token Encoder сжимает токены в концепты через mean pooling, Concept Module предсказывает следующий концепт в дискретном латентном пространстве (через vector quantization), а Token Decoder использует эти предсказания для генерации токенов. Обучение идёт совместно: и Next Token Prediction, и Next Concept Prediction.

Результат на 5.73T токенах: модель сходится в 1.95x быстрее OLMo-3-7B на тех же данных, обгоняет его на +2.45 пункта на бенчмарках и +5.99 на GSM8K. Бонус: концептное пространство ускоряет speculative decoding и даёт лёгкую доменную адаптацию через 17M-параметровый интерфейс.

Веса, код и рецепты обучения — в открытом доступе.

https://arxiv.org/abs/2609.10715

Один защитный слой для всех моделей — это провал. Нужен свой для каждой.

Исследователи из Johns Hopkins заметили очевидную, но важную вещь: фиксированный harness для защиты LLM-агентов работает плохо сразу по двум причинам. Для сильно выровненных моделей (Claude) он избыточен и убивает полезность до нуля. Для слабых моделей (GLM-5) он недостаточен и пропускает атаки.

Решение — EvoSafeHarness: система, которая автоматически эволюционирует отдельный harness под каждую пару модель×домен. Для финансового агента нужно отслеживать wash-trading через историю транзакций. Для файлового — фильтровать опасные команды и пути к секретам. Это принципиально разная логика.

Архитектура: Designer предлагает политику + код, Criticizer стресс-тестирует в чистом контексте, Cascade Test Environment оценивает отдельно utility и успешность атак (прямых и косвенных), Analyzer возвращает конкретные трейсы ошибок.

OpenAI — учёные используют ИИ в борьбе с супербактериями

Лаборатория Сесара де ла Фуэнте применяет Codex и ChatGPT для поиска новых антимикробных молекул прямо в геномах живых и вымерших организмов. ИИ помогает анализировать огромные массивы генетических данных и находить кандидатов, способных бороться с устойчивыми к антибиотикам инфекциями — одной из главных угроз современной медицины.

Раньше такой поиск занимал годы лабораторных экспериментов. Теперь ИИ ускоряет отбор перспективных молекул на порядки. Это не просто научный эксперимент — это реальный шанс создать новое поколение антибиотиков в эпоху, когда старые перестают работать.

Показательный пример того, как инструменты OpenAI выходят далеко за рамки написания текстов и кода.

https://openai.com/index/using-codex-chatgpt-to-search-for-new-antimicrobials

OpenAI заявила о решении одной из семи задач тысячелетия — уравнений Навье-Стокса. Это одна из величайших нерешённых проблем математики, за которую Институт Клэя обещает миллион долларов.

ИИ сгенерировал полное решение, включая математическое доказательство и его формальную верификацию на языке Lean — это специальный инструмент, который позволяет машинно проверить корректность каждого шага доказательства.

Уравнения Навье-Стокса описывают движение жидкостей и газов. Их решение имеет колоссальное значение для физики, авиации, климатологии и медицины.

Если доказательство пройдёт проверку математического сообщества — это станет историческим моментом: впервые ИИ решил задачу такого уровня. Пока эксперты изучают результат, но формальная верификация в Lean — уже серьёзный аргумент в пользу корректности.

https://openai.com/index/navier-stokes-solution

Nvidia обновила NIM до версии 2.0.12 для модели Nemotron 3 Ultra

Новый оптимизированный стек позволяет обслуживать в 2.5 раза больше пользователей одновременно на системе из 4 GPU Blackwell B200 — при том же уровне отзывчивости (50 токенов в секунду на пользователя).

Что изменилось: NIM теперь сочетает автонастроенные ядра для гибридной архитектуры MoE+Mamba, тензорный параллелизм, переиспользование префиксов и состояний, а также спекулятивное декодирование MTP. В итоге пропускная способность выросла с 718 до 1997 токенов в секунду.

Почему важно: для агентных сценариев с длинными промптами и многошаговым контекстом это прямая экономия на железе — та же нагрузка на меньшем числе GPU.

Разработчики могут воспроизвести собственный трафик через инструмент AIPerf и подобрать оптимальную конфигурацию под свои SLO. NIM доступен на NGC.

https://developer.nvidia.com/blog/how-full-stack-nim-optimizations-deliver-2-5x-more-users-on-nemotron-3-ultra/