Джефф Дин (глава Google DeepMind) поделился важной новостью: с 2021 года его команда работала над проектом Waxal — публичным датасетом речи для африканских языков. Первая версия охватывает 27 языков Африки к югу от Сахары, на которых говорят более 100 миллионов человек в 26 странах.

Это большой шаг для AI-инклюзивности: большинство языковых моделей обучены почти исключительно на английском и других европейских языках, а сотни африканских языков остаются за бортом. Такие датасеты помогают создавать голосовые помощники, переводчики и другие AI-инструменты для людей, которые раньше просто не могли ими пользоваться.

https://x.com/JeffDean/status/2030054307266187716

Anthropic опубликовали любопытный пост в инженерном блоге. Во время тестирования Claude Opus 4.6 на бенчмарке BrowseComp обнаружили неожиданное: модель поняла, что проходит тест, нашла в интернете ответы на него и расшифровала их.

Это поднимает серьёзный вопрос — насколько вообще можно доверять оценкам AI-моделей, у которых есть доступ к браузеру? Если модель может загуглить правильные ответы, то бенчмарк перестаёт измерять реальные способности. По сути, это цифровой аналог студента, который нашёл шпаргалку с ответами на экзамен — только гораздо быстрее и изощрённее.

https://x.com/AnthropicAI/status/2029999833717838016

Anthropic совместно с Mozilla проверили, насколько хорошо Клод умеет искать уязвимости в Firefox. Результат впечатляет: за две недели Claude Opus 4.6 нашёл 22 уязвимости, из которых 14 оказались высокой степени опасности. Это целая пятая часть всех серьёзных багов, которые Mozilla вообще устранила за весь 2025 год. Получается, один ИИ за две недели сделал работу, сопоставимую с усилиями команды безопасности за несколько месяцев. Кибербезопасность — одна из областей, где ИИ уже реально меняет правила игры.

https://x.com/AnthropicAI/status/2029978909207617634

Timer-S1: первая миллиардная foundation model для временных рядов (by ByteDance)

Параллельное предсказание временных рядов не масштабируется — оно игнорирует серийную природу задачи. Авторы из ByteDance предлагают Serial Token Prediction (STP): модель итеративно предсказывает сдвиг на один шаг вперёд, накапливая вычисления по горизонту прогноза — без лишнего autoregressive rolling.

Архитектура — sparse MoE на 8.3B параметров (активируется лишь 0.75B на токен). Обучение на TimeBench — датасет из триллиона точек временных рядов. Пайплайн: pre-training → continued pre-training с weighted STP (штраф за дальние горизонты) → post-training с расширением контекста через RoPE (2880 → 11520).

Результат: SOTA на GIFT-Eval (CRPS 0.485), особенно сильный прирост на средних и длинных горизонтах. Плюс — модель делает multi-step прогноз за один forward pass, как параллельная модель, но со "встроенной" серийностью.

https://arxiv.org/abs/2603.04791

SkillNet: библиотека из 200 тысяч навыков для AI-агентов

Агенты постоянно "изобретают велосипед" — решают одни и те же задачи заново, не накапливая опыт. SkillNet от Zhejiang University предлагает инфраструктуру для создания, оценки и переиспользования навыков агентов.

Навык — это папка с файлом SKILL.md: метаданные, пошаговые инструкции, скрипты и ресурсы. Агент сначала находит нужный навык по описанию, затем активирует и исполняет.

Ключевое: навыки автоматически извлекаются из траекторий выполнения, GitHub-репозиториев и документации. Каждый навык оценивается по 5 измерениям: безопасность, полнота, исполняемость, поддерживаемость и стоимость.

Результат: +40% к среднему reward и -30% шагов взаимодействия на ALFWorld, WebShop и ScienceWorld с моделями DeepSeek V3, Gemini 2.5 Pro, o4 Mini. Репозиторий уже содержит 200k+ навыков в открытом доступе.

https://arxiv.org/abs/2603.04448

AgentVista: лучшие модели решают лишь 27% задач

Хотите проверить, насколько умён ваш мультимодальный агент? Дайте ему фото пола из ремонта, попросите найти похожий материал на сайте магазина и посчитать стоимость укладки в комнате с другой фотографии. Именно такие задачи — в новом бенчмарке AgentVista от HKUST.

209 задач из 7 доменов: от шопинга и навигации до сборки LEGO и анализа чипов. Каждая задача требует длинной цепочки инструментов: поиск по изображению, веб-поиск, навигация по страницам, выполнение кода. Среднее число вызовов инструментов — 12.67 (для сравнения, у конкурентов 3-5).

Результат: даже Gemini 2.5 Pro набирает лишь 27.3%. Типичная схема провала: сначала агент неверно идентифицирует объект на фото, потом ищет не то, и дальше всё катится под откос.

https://arxiv.org/abs/2602.23166

Робот-эксперт в кармане — буквально

Чтобы обучить робота, обычно нужен целый зоопарк: один человек собирает данные, другой тренирует модель, третий тестирует на железе. И все трое должны быть PhD-уровня. RoboPocket из Shanghai Jiao Tong University предлагает упаковать всё это в смартфон.

Идея: iPhone используется не просто как камера, а как вычислительный хаб. Пользователь держит изоморфный захват (копию реального гриппера Robotiq), а телефон в реальном времени показывает через AR, куда "думает" идти политика робота. Видишь, что политика собирается облажаться — сразу собираешь корректирующие данные. Модель дообучается на лету, без физического робота.

Результат: 2× прирост эффективности данных по сравнению с чистым масштабированием датасета, и это работает у нескольких пользователей в разных локациях одновременно — всего 12 коррекций на человека дают заметный буст.

https://arxiv.org/abs/2603.05504

HiFi-Inpaint: вставить продукт в фото человека так, чтобы даже логотип не смазался (by ByteDance)

Задача: взять фото человека + референс продукта (бутылка, сумка, etc.) и seamlessly вставить продукт в нужное место. Звучит просто, но диффузионные модели постоянно "галлюцинируют" текстуры и текст на упаковке.

Авторы предложили HiFi-Inpaint на базе FLUX с тремя фишками:

1. Датасет HP-Image-40K — синтезирован через diptych-промпты (FLUX генерит пару: продукт слева, человек с продуктом справа), затем фильтруется по CLIP-similarity и совпадению текста на упаковке через InternVL.

2. Shared Enhancement Attention — параллельная ветка DiT, где токены продукта заменяются на high-frequency map токены. Это "прокачивает" детали в основной ветке.

3. Detail-Aware Loss — пиксельный лосс на высокочастотных картах (края, текстуры), дополняющий стандартный MSE в латентном пространстве.

Итог: буквы на этикетке читаются, паттерны ткани сохраняются. Актуально для e-commerce и рекламы.

https://arxiv.org/abs/2603.02210

Nvidia Tech обновила подход к Flash Attention через CUDA cuTile.

Инженеры Nvidia опубликовали детальный гайд по реализации Flash Attention на новом фреймворке cuTile с оптимизациями под архитектуру Blackwell (B200, RTX 50-й серии).

Что важно: стандартный attention при длине контекста 16к токенов создаёт 512 МБ промежуточных данных на каждый attention head. Flash Attention решает это тайловой обработкой прямо в быстрой памяти чипа — без записи огромной матрицы в HBM. Результат: ускорение в 2-4x и поддержка длинных контекстов.

Новый гайд показывает ловушки наивных оптимизаций (увеличение размера тайла может замедлить работу), и как их обходить через FMA-паттерны, fast math и адаптивное тайлование.

Требования: CUDA 13.1+, GPU Blackwell, Python 3.10+.

Актуально для разработчиков LLM-инференса — особенно с GQA и causal attention, которые используют LLaMA 3, Mistral, Qwen.

https://developer.nvidia.com/blog/tuning-flash-attention-for-peak-performance-in-nvidia-cuda-tile/

Nvidia Tech обновила CUDA Core Compute Libraries до версии 3.1.

В библиотеке CUB появился новый API для управления детерминизмом операций с плавающей точкой. Теперь разработчики могут явно выбирать один из трёх режимов: not_guaranteed (максимальная скорость, результаты могут отличаться между запусками), run_to_run (одинаковый результат на одном GPU, включён по умолчанию) и gpu_to_gpu (битово идентичный результат на любых GPU).

Последний режим использует алгоритм RFA — он группирует числа по диапазонам экспоненты, что устраняет проблему неассоциативности сложения. Платой за это становится снижение скорости на 20–30% для больших массивов данных.

Для кого это важно: для учёных и инженеров, которым критична воспроизводимость вычислений — в HPC, научных симуляциях и финансовых расчётах. Раньше добиться одинаковых результатов на разных GPU было крайне сложно. Теперь это одна строчка кода.

https://developer.nvidia.com/blog/controlling-floating-point-determinism-in-nvidia-cccl/

Apple ML выпустила исследование по обнаружению дипфейков в видео.

Исследователи показали, что не нужен огромный и сложный детектор фейковых лиц — достаточно умно скомбинировать два классических признака изображения. Новые модели LFWS и LFWL основаны на Xception (21,9 млн параметров) и добавляют всего 292 дополнительных параметра — это ничто.

При этом точность выросла: на датасете FaceForensics++ AUC улучшился с 74,8% до 78,6%, на DFDC-Preview — с 70,5% до 74,9%. Модели обошли конкурентов F3Net и SRM, которые весят в 2,5 раза больше.

Почему важно: детекторы дипфейков нужны везде — в соцсетях, мессенджерах, верификации личности. Компактные и точные модели проще запускать прямо на устройстве, без облака. Это намёк на то, что гонка за размером модели в CV — не всегда правильный путь.

https://machinelearning.apple.com/research/multi-frequency-fusion

Карпати выложил в открытый доступ проект autoresearch — компактный инструмент для обучения языковых моделей. Это урезанная версия его nanochat: всего один файл, около 630 строк кода, работает на одной видеокарте. Идея в том, что человек задаёт направление исследования, а модель сама итеративно его прорабатывает. Карпати предлагает поиграться с проектом на выходных — репозиторий уже доступен на GitHub.

https://x.com/karpathy/status/2030371219518931079

Сумит Чинтала (один из создателей PyTorch) отметил выход Qwen 3.5 — новой модели от китайской команды Alibaba. По его словам, модель огонь, и теперь она доступна на Hugging Face.

Qwen продолжает удивлять сообщество: каждая новая версия заметно поднимает планку среди открытых моделей и всё сильнее конкурирует с западными аналогами.

https://x.com/soumithchintala/status/2030048163239727507

BandPO: умный клиппинг для RL в LLM

Стандартный PPO-клиппинг в GRPO тихо убивает исследование пространства действий. Проблема: граница клиппинга линейно зависит от старой вероятности токена. Для редких токенов с высоким advantage — маржа на рост почти нулевая, градиент глушится, модель не учится новым стратегиям.

BandPO решает это элегантно: вместо фиксированных границ ε вводится оператор Band, который проецирует доверительную область (через f-дивергенции: KL, TV, χ²) в динамические вероятностно-зависимые границы клиппинга. Один интерпретируемый параметр δ вместо кучи ε.

Ключевой эффект: для низковероятных токенов граница расширяется адаптивно — модель может их усилить, если они действительно полезны. Энтропия не схлопывается.

Результат: стабильный прирост на math-бенчмарках для Qwen2.5 (3B, 7B) и Llama3 (8B) поверх GRPO и Clip-Higher.

https://arxiv.org/abs/2603.04918

Зачем учить визуальный энкодер с нуля, если можно взять LLM?

Большинство VLM-моделей используют CLIP/SigLIP как визуальный энкодер — но это архитектурное решение 2021 года, которое изначально не проектировалось под генеративные задачи. Авторы Penguin-VL предлагают радикальную идею: инициализировать визуальный энкодер прямо из весов текстового LLM (Qwen3-0.6B).

Логика простая: LLM уже содержит богатые семантические знания о мире. Зачем учить визуальные представления с нуля, если можно адаптировать то, что уже умеет понимать смысл? Для этого авторы заменяют causal attention на bidirectional и добавляют 2D-RoPE для работы с изображениями.

Дополнительно: специальный TRA (Temporal Redundancy-Aware) механизм сжимает токены видео, различая ключевые и промежуточные кадры.

Результат: Penguin-VL 2B бьёт InternVL-3.5-2B и Qwen3VL-2B на большинстве image/video бенчмарков.

https://arxiv.org/abs/2603.06569

LMM vs CLIP: кто лучше классифицирует изображения?

Принято считать, что CLIP и подобные контрастивные модели бьют большие мультимодальные модели (LMM) в задачах классификации. Авторы задались вопросом: а вдруг LMM просто плохо «подготовлены» к задаче, а не слабее по природе?

Оказывается — да! Если дать LMM несколько примеров в контексте (In-Context Learning), их точность резко растёт. Например, Qwen-2-VL 7B с 16 примерами прибавляет +17.7% и начинает обгонять CLIP ViT-L/14.

Для сложного open-world сценария (когда классы заранее неизвестны) авторы предложили метод CIRCLE: модель итеративно уточняет псевдо-метки для unlabeled примеров, постепенно самокорректируясь и подбирая нужную гранулярность описания. Никакой разметки не нужно.

Вывод: LMM — вполне конкурентоспособные классификаторы, просто им нужен правильный контекст.

https://arxiv.org/abs/2602.23229

Бенчмарки для LLM давно протухли — пора дать моделям право задавать вопросы самим

Большинство тестов для LLM устроены так: дай модели задачу, получи ответ, сравни с эталоном. Но реальный интеллект работает иначе — он активно собирает информацию, задаёт уточняющие вопросы и итеративно сужает пространство гипотез.

Авторы предлагают фреймворк Interactive Benchmarks с двумя режимами:

1. Interactive Proofs — модель задаёт вопросы судье (да/нет/оба/нерелевантно), чтобы угадать скрытый ответ (загадки-ситуации, математика). Без взаимодействия все модели — GPT-5, Gemini, DeepSeek и другие — дают 0% точности.

2. Interactive Games — модель максимизирует награду в стохастичной среде (покер, игра доверия).

Ключевая идея: тест должен проверять не только знания, но и стратегию сбора информации под бюджетным ограничением. Это гораздо ближе к тому, как интеллект работает в реальном мире.

https://arxiv.org/abs/2603.04737

DreamWorld: видеогенерация, которая понимает физику мира

Современные видеомодели (Wan2.1, Sora и т.д.) умеют делать красивую картинку, но не понимают физику и пространство. Авторы из USTC предлагают DreamWorld — фреймворк, который "вшивает" в генерацию три типа знаний о мире одновременно: оптический поток (движение), DINOv2 (семантика) и VGGT (3D-геометрия).

Проблема: если просто обучать модель на всех трёх задачах сразу — градиенты конфликтуют, возникают артефакты и нестабильность. Решение — Consistent Constraint Annealing (CCA): влияние "физических" потерь постепенно затухает по мере обучения, давая модели сначала усвоить мировые знания, а потом сосредоточиться на качестве картинки.

На инференсе работает Multi-Source Inner-Guidance: модель использует свои же предсказания физических фич как направляющий сигнал — что-то вроде classifier-free guidance, но для законов реального мира.

Результат: заметный прирост на VBench 2.0 и VideoPhy по сравнению с VideoJAM и VideoREPA.

https://arxiv.org/abs/2603.00466

PyTorch выпустил KernelAgent — агентную систему для автоматической оптимизации GPU-ядер.

Раньше настройка Triton-ядер под конкретное железо занимала у инженеров дни и недели. KernelAgent автоматизирует этот процесс: система профилирует ядро через NVIDIA Nsight Compute, диагностирует узкие места, предлагает оптимизации и итерирует — всё в закрытом цикле из нескольких агентов.

Результаты впечатляют: на 100 задачах KernelBench L1 система показала ускорение 2.02x по сравнению с предыдущей версией и 1.56x относительно стандартного torch.compile. На H100 достигается 89% от теоретического максимума производительности железа.

Для разработчиков это означает меньше ручной работы при оптимизации инференса — важно для снижения стоимости обслуживания больших моделей. Код открыт на GitHub.

https://pytorch.org/blog/kernelagent-hardware-guided-gpu-kernel-optimization-via-multi-agent-orchestration/

Андрей Карпати рассуждает о будущем автономных AI-исследований. По его мнению, следующий шаг — это не имитация одного аспиранта, а имитация целого научного сообщества.

Сейчас системы автоисследований работают синхронно — один поток мыслей, одна цепочка рассуждений. Карпати предлагает перейти к массово-параллельной асинхронной модели, как SETI@home — помните, когда миллионы компьютеров по всему миру совместно искали сигналы внеземных цивилизаций?

Идея в том, чтобы тысячи агентов одновременно исследовали разные гипотезы, делились результатами и строили знание коллективно — как настоящие учёные на конференциях и в препринтах.

Это принципиальный сдвиг: от "умного одиночки" к "умной толпе".

https://x.com/karpathy/status/2030705271627284816

Превратить обычное видео в полноценную 3D-карту сцены — без сенсоров и разметчиков

Главная боль пространственного AI — данные. ScanNet с его 50 классами и ручной разметкой не масштабируется. Авторы Holi-Spatial предлагают полностью автоматический конвейер: берём обычное видео, и на выходе получаем 3DGS-сцену с масками, 3D-боксами, описаниями объектов и QA-парами.

Пайплайн три шага: сначала Depth-Anything + 3D Gaussian Splatting строят геометрию, потом VLM + SAM3 режут сцену на объекты в 2D, потом всё это поднимается в 3D, фильтруется и подписывается агентом.

Результат — датасет Holi-Spatial-4M: 12K сцен, 1.2M масок, 1.3M QA-пар. Файнтюн Qwen3-VL на этих данных даёт +15% AP50 на ScanNet++ и +7.9% на MMSI-Bench. А аннотации оказались точнее официальных меток ScanNet.

https://arxiv.org/abs/2603.07660