Больше шагов — не значит лучше. Как верификация спасает агентов от накопления ошибок.
Классическая проблема агентных LLM: чем длиннее цепочка рассуждений, тем больше шанс, что ранняя ошибка утащит весь вывод в пропасть. MiroMind предлагают два уровня верификации прямо в процессе инференса.
Локальный верификатор проверяет каждый промежуточный шаг — вызов инструмента, гипотезу, план — и при необходимости заставляет модель пересмотреть решение прямо сейчас. Глобальный верификатор в конце аудирует весь трек рассуждений и сравнивает кандидатные пути к ответу.
Параллельно авторы вводят "agentic mid-training" — отдельную стадию обучения, где модель учится декомпозиции задач, работе с инструментами и промежуточным суммаризациям. Результат: MiroThinker-1.7 решает задачи за меньшее число шагов, а H1 бьёт конкурентов на BrowseComp (88.2) и BrowseComp-ZH (84.4).
https://arxiv.org/abs/2603.15726
Классическая проблема агентных LLM: чем длиннее цепочка рассуждений, тем больше шанс, что ранняя ошибка утащит весь вывод в пропасть. MiroMind предлагают два уровня верификации прямо в процессе инференса.
Локальный верификатор проверяет каждый промежуточный шаг — вызов инструмента, гипотезу, план — и при необходимости заставляет модель пересмотреть решение прямо сейчас. Глобальный верификатор в конце аудирует весь трек рассуждений и сравнивает кандидатные пути к ответу.
Параллельно авторы вводят "agentic mid-training" — отдельную стадию обучения, где модель учится декомпозиции задач, работе с инструментами и промежуточным суммаризациям. Результат: MiroThinker-1.7 решает задачи за меньшее число шагов, а H1 бьёт конкурентов на BrowseComp (88.2) и BrowseComp-ZH (84.4).
https://arxiv.org/abs/2603.15726
Nvidia на GTC 2026 представила концепцию AI Grid — распределённой инфраструктуры для вывода AI-моделей.
Суть: телеком-операторы и облачные провайдеры превращают свои сети в единую управляемую платформу, где AI-нагрузки умно распределяются между региональными узлами, edge-локациями и дата-центрами.
Что это даёт на практике: единая плоскость управления маршрутизирует запросы с учётом задержки, стоимости и требований по суверенитету данных. Бенчмарки Comcast показали, что AI Grid держит задержку голосового AI в пределах 500 мс даже при пиковой нагрузке, а стоимость токена снижается на 52–76% по сравнению с централизованной архитектурой.
Почему важно: по мере роста AI-сервисов узкое место смещается с обучения на предсказуемый инференс в реальном времени. AI Grid решает именно эту проблему для голоса, видео и персонализированных приложений.
https://developer.nvidia.com/blog/building-the-ai-grid-with-nvidia-orchestrating-intelligence-everywhere/
Суть: телеком-операторы и облачные провайдеры превращают свои сети в единую управляемую платформу, где AI-нагрузки умно распределяются между региональными узлами, edge-локациями и дата-центрами.
Что это даёт на практике: единая плоскость управления маршрутизирует запросы с учётом задержки, стоимости и требований по суверенитету данных. Бенчмарки Comcast показали, что AI Grid держит задержку голосового AI в пределах 500 мс даже при пиковой нагрузке, а стоимость токена снижается на 52–76% по сравнению с централизованной архитектурой.
Почему важно: по мере роста AI-сервисов узкое место смещается с обучения на предсказуемый инференс в реальном времени. AI Grid решает именно эту проблему для голоса, видео и персонализированных приложений.
https://developer.nvidia.com/blog/building-the-ai-grid-with-nvidia-orchestrating-intelligence-everywhere/
NVIDIA Technical Blog
Building the AI Grid with NVIDIA: Orchestrating Intelligence Everywhere
AI-native services are exposing a new bottleneck in AI infrastructure: As millions of users, agents, and devices demand access to intelligence, the challenge is shifting from peak training throughput…
NVIDIA Dynamo 1.0: до 7x прирост производительности для масштабного AI-инференса
NVIDIA выпустила Dynamo 1.0 — production-ready фреймворк для распределённого инференса на нескольких GPU-узлах одновременно.
Что нового: поддержка агентного AI с приоритетной маршрутизацией запросов, ускорение мультимодального инференса через разделение этапов encode/prefill/decode, нативная поддержка видеогенерации и инструмент ModelExpress для запуска моделей в 7x быстрее через стриминг весов.
Почему важно: на железе Blackwell система показала 7x рост пропускной способности (данные SemiAnalysis). Фреймворк уже используют ByteDance, Tencent, Pinterest, SoftBank и десятки других компаний. AWS, Google Cloud, Azure и Oracle интегрировали Dynamo в свои Kubernetes-среды.
Для пользователей: меньше задержек при работе с агентами и мультимодальными моделями, более дешёвый инференс за счёт умного кэширования KV-блоков.
https://developer.nvidia.com/blog/nvidia-dynamo-1-production-ready/
NVIDIA выпустила Dynamo 1.0 — production-ready фреймворк для распределённого инференса на нескольких GPU-узлах одновременно.
Что нового: поддержка агентного AI с приоритетной маршрутизацией запросов, ускорение мультимодального инференса через разделение этапов encode/prefill/decode, нативная поддержка видеогенерации и инструмент ModelExpress для запуска моделей в 7x быстрее через стриминг весов.
Почему важно: на железе Blackwell система показала 7x рост пропускной способности (данные SemiAnalysis). Фреймворк уже используют ByteDance, Tencent, Pinterest, SoftBank и десятки других компаний. AWS, Google Cloud, Azure и Oracle интегрировали Dynamo в свои Kubernetes-среды.
Для пользователей: меньше задержек при работе с агентами и мультимодальными моделями, более дешёвый инференс за счёт умного кэширования KV-блоков.
https://developer.nvidia.com/blog/nvidia-dynamo-1-production-ready/
NVIDIA Technical Blog
How NVIDIA Dynamo 1.0 Powers Multi-Node Inference at Production Scale
Reasoning models are growing rapidly in size and are increasingly being integrated into agentic AI workflows that interact with other models and external tools. Deploying these models and workflows in…
Nvidia обновила DGX Spark — теперь до 4 узлов
Nvidia расширила возможности своей настольной AI-станции DGX Spark. Теперь устройства можно объединять в кластер до четырёх узлов (раньше — максимум два), что даёт доступ к 512 ГБ памяти и позволяет запускать модели до 700 млрд параметров прямо на рабочем столе.
Что важно: при минимальном межузловом обмене данными масштабирование почти линейное. Например, задержка на токен (TPOT) сокращается вчетверо при переходе с одного на четыре узла.
Также добавлена поддержка мультиагентных сценариев — четыре параллельных агента выполняют задачи лишь в 2,6 раза дольше, чем один. Плюс интеграция с NVIDIA NemoClaw и OpenShell для безопасного запуска автономных агентов локально.
Для кого это важно: разработчики AI-агентов получают мощную локальную альтернативу облаку без компромиссов по производительности.
https://developer.nvidia.com/blog/scaling-autonomous-ai-agents-and-workloads-with-nvidia-dgx-spark/
Nvidia расширила возможности своей настольной AI-станции DGX Spark. Теперь устройства можно объединять в кластер до четырёх узлов (раньше — максимум два), что даёт доступ к 512 ГБ памяти и позволяет запускать модели до 700 млрд параметров прямо на рабочем столе.
Что важно: при минимальном межузловом обмене данными масштабирование почти линейное. Например, задержка на токен (TPOT) сокращается вчетверо при переходе с одного на четыре узла.
Также добавлена поддержка мультиагентных сценариев — четыре параллельных агента выполняют задачи лишь в 2,6 раза дольше, чем один. Плюс интеграция с NVIDIA NemoClaw и OpenShell для безопасного запуска автономных агентов локально.
Для кого это важно: разработчики AI-агентов получают мощную локальную альтернативу облаку без компромиссов по производительности.
https://developer.nvidia.com/blog/scaling-autonomous-ai-agents-and-workloads-with-nvidia-dgx-spark/
NVIDIA Technical Blog
Scaling Autonomous AI Agents and Workloads with NVIDIA DGX Spark
Autonomous AI agents are driving the next wave of AI innovation. These agents must often manage long-running tasks that use multiple communication channels and background subprocesses simultaneously…
Клеман Делангё, CEO Hugging Face, анонсировал новое расширение для командной строки HF. Оно автоматически определяет, какая модель и квантизация лучше всего подойдут под железо конкретного пользователя, и сразу запускает локального coding-агента.
Проще говоря: одна команда в терминале — и у тебя свой ИИ-помощник для кода, который работает прямо на твоём компьютере. Без облака, без подписки, без слежки за твоими данными.
Делангё подчёркивает четыре главных плюса: локально, приватно, бесплатно и быстро. Всё это стало возможным благодаря open-source экосистеме.
https://x.com/ClementDelangue/status/2033982183791108278
Проще говоря: одна команда в терминале — и у тебя свой ИИ-помощник для кода, который работает прямо на твоём компьютере. Без облака, без подписки, без слежки за твоими данными.
Делангё подчёркивает четыре главных плюса: локально, приватно, бесплатно и быстро. Всё это стало возможным благодаря open-source экосистеме.
https://x.com/ClementDelangue/status/2033982183791108278
X (formerly Twitter)
clem 🤗 (@ClementDelangue) on X
We just released an hf CLI extension to detect the best model/quant for a user's hardware and then spins up a local coding agent.
Time to go local/private/free/fast for your agents thanks to open-source!
Time to go local/private/free/fast for your agents thanks to open-source!
OpenAI выпустила GPT-5.4 mini — новую компактную модель, которая уже доступна в ChatGPT, Codex и через API.
Модель заточена под работу с кодом, управление компьютером, мультимодальные задачи и работу в составе агентных систем. При этом она в два раза быстрее, чем GPT-5 mini.
Судя по всему, OpenAI активно развивает линейку "мини"-моделей — быстрых и дешёвых, но при этом всё более способных. GPT-5.4 mini явно метит в разработчиков и тех, кто строит AI-агентов.
https://x.com/OpenAI/status/2033953592424731072
Модель заточена под работу с кодом, управление компьютером, мультимодальные задачи и работу в составе агентных систем. При этом она в два раза быстрее, чем GPT-5 mini.
Судя по всему, OpenAI активно развивает линейку "мини"-моделей — быстрых и дешёвых, но при этом всё более способных. GPT-5.4 mini явно метит в разработчиков и тех, кто строит AI-агентов.
https://x.com/OpenAI/status/2033953592424731072
X (formerly Twitter)
OpenAI (@OpenAI) on X
GPT-5.4 mini is available today in ChatGPT, Codex, and the API.
Optimized for coding, computer use, multimodal understanding, and subagents. And it’s 2x faster than GPT-5 mini.
https://t.co/DKh2cC5S3F
Optimized for coding, computer use, multimodal understanding, and subagents. And it’s 2x faster than GPT-5 mini.
https://t.co/DKh2cC5S3F
Baidu сделал OCR-модель на 4B параметров, которая бьёт пайплайны из десятков компонентов (by Baidu)
Классический OCR — это зоопарк: детектор разметки, распознаватель текста, отдельный LLM для понимания. Ошибка на одном этапе убивает всё. Baidu решили упаковать всё это в одну модель — Qianfan-OCR.
Три ключевых идеи:
1. End-to-end архитектура: один VLM делает и разметку, и распознавание, и понимание. Никакого каскада ошибок.
2. Layout-as-Thought: если документ сложный, модель сначала "думает" через think-токены — генерирует bounding boxes и порядок чтения, а потом выдаёт результат. Для простых документов этот шаг пропускается.
3. Единая модель для всего: таблицы, формулы, рукописный текст, графики, VQA — всё через промпты.
Результат: 93.12 на OmniDocBench v1.5 — первое место среди end-to-end моделей, обогнав Gemini 2.5 Pro, Qwen3-VL-235B и GPT-4o.
https://arxiv.org/abs/2603.13398
Классический OCR — это зоопарк: детектор разметки, распознаватель текста, отдельный LLM для понимания. Ошибка на одном этапе убивает всё. Baidu решили упаковать всё это в одну модель — Qianfan-OCR.
Три ключевых идеи:
1. End-to-end архитектура: один VLM делает и разметку, и распознавание, и понимание. Никакого каскада ошибок.
2. Layout-as-Thought: если документ сложный, модель сначала "думает" через think-токены — генерирует bounding boxes и порядок чтения, а потом выдаёт результат. Для простых документов этот шаг пропускается.
3. Единая модель для всего: таблицы, формулы, рукописный текст, графики, VQA — всё через промпты.
Результат: 93.12 на OmniDocBench v1.5 — первое место среди end-to-end моделей, обогнав Gemini 2.5 Pro, Qwen3-VL-235B и GPT-4o.
https://arxiv.org/abs/2603.13398
❤2
Галлюцинации в мультимодальных моделях рождаются в момент неопределённости — и это можно поймать (by Cornell)
Авторы заметили любопытный паттерн: в мультимодальных reasoning-моделях галлюцинации чаще всего появляются сразу после слов-переходов (however, wait, but). Оказалось, что именно эти токены имеют наибольшую энтропию — то есть модель в этот момент максимально "не уверена", какой путь рассуждения выбрать.
Решение — LEAD (Latent Entropy-Aware Decoding). Идея проста: когда энтропия токена высокая, вместо одного дискретного токена модель получает взвешенную смесь эмбеддингов всего словаря (по вероятностям). Так сохраняется семантическое разнообразие, и модель не "схлопывается" в галлюцинацию. Плюс в моменты высокой энтропии добавляется визуальный guidance-вектор, чтобы модель не теряла связь с картинкой.
Метод plug-and-play, без дообучения, работает поверх любой MLRM.
https://arxiv.org/abs/2603.13366
Авторы заметили любопытный паттерн: в мультимодальных reasoning-моделях галлюцинации чаще всего появляются сразу после слов-переходов (however, wait, but). Оказалось, что именно эти токены имеют наибольшую энтропию — то есть модель в этот момент максимально "не уверена", какой путь рассуждения выбрать.
Решение — LEAD (Latent Entropy-Aware Decoding). Идея проста: когда энтропия токена высокая, вместо одного дискретного токена модель получает взвешенную смесь эмбеддингов всего словаря (по вероятностям). Так сохраняется семантическое разнообразие, и модель не "схлопывается" в галлюцинацию. Плюс в моменты высокой энтропии добавляется визуальный guidance-вектор, чтобы модель не теряла связь с картинкой.
Метод plug-and-play, без дообучения, работает поверх любой MLRM.
https://arxiv.org/abs/2603.13366
Видеомодели с пространственной памятью: ни явная, ни неявная — а мозаичная
Хочешь, чтобы видеомодель помнила сцену при возвращении камеры? Есть два подхода: явная память (3D-облака точек, гауссианы) — геометрически точная, но ломается на динамических объектах. Неявная память (позированные кадры через attention) — гибкая, но дрейфует и жрёт контекст.
Авторы предлагают MosaicMem — гибрид на уровне патчей. Каждый патч геометрически поднимается в 3D (как в явной памяти), а при возврате камеры — проецируется и подаётся в модель через нативный attention (как в неявной). Получается "мозаика": нужные патчи вставляются точно куда надо, а модель сама дорисовывает динамику и новый контент по тексту.
Итог: точнее управление камерой, чем у неявной памяти, и поддержка движущихся объектов в отличие от явной. Плюс — длинные навигационные видео и редактирование сцен через копирование патчей.
https://arxiv.org/abs/2603.17117
Хочешь, чтобы видеомодель помнила сцену при возвращении камеры? Есть два подхода: явная память (3D-облака точек, гауссианы) — геометрически точная, но ломается на динамических объектах. Неявная память (позированные кадры через attention) — гибкая, но дрейфует и жрёт контекст.
Авторы предлагают MosaicMem — гибрид на уровне патчей. Каждый патч геометрически поднимается в 3D (как в явной памяти), а при возврате камеры — проецируется и подаётся в модель через нативный attention (как в неявной). Получается "мозаика": нужные патчи вставляются точно куда надо, а модель сама дорисовывает динамику и новый контент по тексту.
Итог: точнее управление камерой, чем у неявной памяти, и поддержка движущихся объектов в отличие от явной. Плюс — длинные навигационные видео и редактирование сцен через копирование патчей.
https://arxiv.org/abs/2603.17117
Один математик, ноль строк кода вручную — и новая теорема доказана машиной
Исследователь из Вашингтонского университета поставил эксперимент: можно ли формализовать новый результат в математической физике, не написав ни строчки Lean самому?
Задача — доказать, что единственные стационарные решения системы Власова-Максвелла-Ландау (плазма с кулоновскими столкновениями) — это максвеллианы с нулевым E и константным B. Результат новый, даже сформулировать его в Lean было нельзя — пришлось определять оператор Ландау и тороидальную структуру с нуля.
Пайплайн: Gemini DeepThink придумал доказательство за 5 диалогов → Claude Code написал весь Lean-код (~10K строк) → Aristotle автоматически закрыл 111 лемм → итог: 0 sorry, всё верифицировано.
10 дней работы, $200 на подписку Claude, полный лог всех промптов и коммитов в открытом доступе. Главный вывод: research-level формализация стала доступна математикам без экспертизы в Lean.
https://arxiv.org/abs/2603.15929
Исследователь из Вашингтонского университета поставил эксперимент: можно ли формализовать новый результат в математической физике, не написав ни строчки Lean самому?
Задача — доказать, что единственные стационарные решения системы Власова-Максвелла-Ландау (плазма с кулоновскими столкновениями) — это максвеллианы с нулевым E и константным B. Результат новый, даже сформулировать его в Lean было нельзя — пришлось определять оператор Ландау и тороидальную структуру с нуля.
Пайплайн: Gemini DeepThink придумал доказательство за 5 диалогов → Claude Code написал весь Lean-код (~10K строк) → Aristotle автоматически закрыл 111 лемм → итог: 0 sorry, всё верифицировано.
10 дней работы, $200 на подписку Claude, полный лог всех промптов и коммитов в открытом доступе. Главный вывод: research-level формализация стала доступна математикам без экспертизы в Lean.
https://arxiv.org/abs/2603.15929
Роботы наконец-то получили честный 4D-симулятор
Большинство видео-симуляторов для роботов живут в 2D: генерируют пиксели, не понимая геометрии. Kinema4D предлагает другой подход — разделить симуляцию на две части: детерминированное движение робота и генеративную реакцию среды.
Как это работает: берём URDF-модель робота, прогоняем через прямую/обратную кинематику и получаем точную 4D-траекторию суставов. Эту траекторию проецируем в последовательность pointmap-ов — пространственно-временной визуальный сигнал, который управляет диффузионной моделью. Та уже генерирует синхронно RGB и pointmap всей сцены, не гадая "что сделал робот", а зная это точно.
Ключевая идея: движение робота — физическая определённость, его не надо предсказывать. А вот реакция среды (деформации, скрытые объекты) — задача для генеративной модели.
Дополнительно авторы собрали датасет Robo4D-200k: 200k+ демонстраций с 4D-аннотациями. Модель показывает zero-shot перенос на новые сцены.
https://arxiv.org/abs/2603.16669
Большинство видео-симуляторов для роботов живут в 2D: генерируют пиксели, не понимая геометрии. Kinema4D предлагает другой подход — разделить симуляцию на две части: детерминированное движение робота и генеративную реакцию среды.
Как это работает: берём URDF-модель робота, прогоняем через прямую/обратную кинематику и получаем точную 4D-траекторию суставов. Эту траекторию проецируем в последовательность pointmap-ов — пространственно-временной визуальный сигнал, который управляет диффузионной моделью. Та уже генерирует синхронно RGB и pointmap всей сцены, не гадая "что сделал робот", а зная это точно.
Ключевая идея: движение робота — физическая определённость, его не надо предсказывать. А вот реакция среды (деформации, скрытые объекты) — задача для генеративной модели.
Дополнительно авторы собрали датасет Robo4D-200k: 200k+ демонстраций с 4D-аннотациями. Модель показывает zero-shot перенос на новые сцены.
https://arxiv.org/abs/2603.16669
Google Gemini обновил API для разработчиков — теперь агенты стали умнее и проще в сборке.
Три ключевых изменения:
1. Комбинирование инструментов. Раньше нужно было выбирать: либо встроенные инструменты (Google Search, Maps), либо свои функции. Теперь всё это работает в одном запросе. Gemini сам решает, когда обратиться к поиску, а когда вызвать ваш бэкенд.
2. Циркуляция контекста. Результат одного инструмента теперь автоматически передаётся следующему. Например, модель получает данные о погоде через Search и сразу передаёт их в вашу функцию бронирования площадки.
3. Google Maps для Gemini 3. Геолокация, данные о бизнесах, время в пути — всё это теперь доступно в новом семействе моделей.
Для разработчиков это означает меньше кода на оркестрацию и более быстрые агентные приложения.
https://blog.google/innovation-and-ai/technology/developers-tools/gemini-api-tooling-updates/
Три ключевых изменения:
1. Комбинирование инструментов. Раньше нужно было выбирать: либо встроенные инструменты (Google Search, Maps), либо свои функции. Теперь всё это работает в одном запросе. Gemini сам решает, когда обратиться к поиску, а когда вызвать ваш бэкенд.
2. Циркуляция контекста. Результат одного инструмента теперь автоматически передаётся следующему. Например, модель получает данные о погоде через Search и сразу передаёт их в вашу функцию бронирования площадки.
3. Google Maps для Gemini 3. Геолокация, данные о бизнесах, время в пути — всё это теперь доступно в новом семействе моделей.
Для разработчиков это означает меньше кода на оркестрацию и более быстрые агентные приложения.
https://blog.google/innovation-and-ai/technology/developers-tools/gemini-api-tooling-updates/
Google
Gemini API tooling updates: context circulation, tool combos and Maps grounding for Gemini 3
Developers can now combine function calling with built-in tools such as Google Search in a single Gemini API call to build agentic and complex tool-use applications.
Google DeepMind представила научный фреймворк для измерения прогресса к AGI.
Исследователи опубликовали статью "Measuring Progress Toward AGI: A Cognitive Taxonomy" — таксономию из 10 ключевых когнитивных способностей, которые считают важными для общего интеллекта: восприятие, внимание, память, рассуждение, метакогниция, социальное познание и другие.
Для каждой способности предлагается сравнивать AI-системы с репрезентативной выборкой людей — чтобы понять, где модели уже превосходят человека, а где сильно отстают.
Параллельно запускается хакатон на Kaggle с призовым фондом 200 000 долларов. Участников просят создать оценки для пяти областей с наибольшим пробелом: обучение, метакогниция, внимание, исполнительные функции и социальное познание. Приём заявок — до 16 апреля, результаты — 1 июня.
Это попытка перевести расплывчатый термин AGI в измеримые метрики. Без чётких бенчмарков невозможно понять, насколько близко мы к этому рубежу.
https://deepmind.google/blog/measuring-progress-toward-agi-a-cognitive-framework/
Исследователи опубликовали статью "Measuring Progress Toward AGI: A Cognitive Taxonomy" — таксономию из 10 ключевых когнитивных способностей, которые считают важными для общего интеллекта: восприятие, внимание, память, рассуждение, метакогниция, социальное познание и другие.
Для каждой способности предлагается сравнивать AI-системы с репрезентативной выборкой людей — чтобы понять, где модели уже превосходят человека, а где сильно отстают.
Параллельно запускается хакатон на Kaggle с призовым фондом 200 000 долларов. Участников просят создать оценки для пяти областей с наибольшим пробелом: обучение, метакогниция, внимание, исполнительные функции и социальное познание. Приём заявок — до 16 апреля, результаты — 1 июня.
Это попытка перевести расплывчатый термин AGI в измеримые метрики. Без чётких бенчмарков невозможно понять, насколько близко мы к этому рубежу.
https://deepmind.google/blog/measuring-progress-toward-agi-a-cognitive-framework/
Google
Measuring progress toward AGI: A cognitive framework
Google DeepMind proposes a cognitive framework to evaluate AGI and launches a Kaggle hackathon to build capability benchmarks
👍1
Nvidia представила Newton 1.0 GA — GPU-ускоренный симулятор физики для промышленной робототехники с открытым исходным кодом.
Что нового: симулятор объединяет несколько решателей в единой архитектуре. Ключевые из них — Kamino от Disney Research для сложных механизмов с замкнутыми кинематическими цепями и MuJoCo Warp от Google DeepMind, который ускоряет обучение роботов в 252 раза для локомоции и в 475 раз для манипуляций на GPU RTX PRO 6000.
Почему важно: впервые в одном инструменте объединены реалистичная физика деформируемых объектов, продвинутое обнаружение столкновений и масштабируемое обучение с подкреплением. Это критично для задач вроде вставки разъёмов или тактильных манипуляций.
Для пользователей: разработчики роботов получают стабильный API, совместимость с URDF, MJCF и OpenUSD, а также нативную интеграцию с Isaac Sim и Isaac Lab. Проект развивается совместно с Google DeepMind, Disney Research и Toyota Research Institute.
https://developer.nvidia.com/blog/newton-adds-contact-rich-manipulation-and-locomotion-capabilities-for-industrial-robotics/
Что нового: симулятор объединяет несколько решателей в единой архитектуре. Ключевые из них — Kamino от Disney Research для сложных механизмов с замкнутыми кинематическими цепями и MuJoCo Warp от Google DeepMind, который ускоряет обучение роботов в 252 раза для локомоции и в 475 раз для манипуляций на GPU RTX PRO 6000.
Почему важно: впервые в одном инструменте объединены реалистичная физика деформируемых объектов, продвинутое обнаружение столкновений и масштабируемое обучение с подкреплением. Это критично для задач вроде вставки разъёмов или тактильных манипуляций.
Для пользователей: разработчики роботов получают стабильный API, совместимость с URDF, MJCF и OpenUSD, а также нативную интеграцию с Isaac Sim и Isaac Lab. Проект развивается совместно с Google DeepMind, Disney Research и Toyota Research Institute.
https://developer.nvidia.com/blog/newton-adds-contact-rich-manipulation-and-locomotion-capabilities-for-industrial-robotics/
NVIDIA Technical Blog
Newton Adds Contact-Rich Manipulation and Locomotion Capabilities for Industrial Robotics
Physics forms the foundation of robotic simulation, enabling realistic modeling of motion and interaction. For tasks like locomotion and manipulation, simulators must handle complex dynamics such as…
OpenAI рассказала, как следит за своими внутренними ИИ-агентами для написания кода.
Компания использует мониторинг цепочки рассуждений — то есть анализирует не только действия агентов, но и их "мысли" в процессе работы. Это помогает вовремя замечать признаки рассогласования: когда агент начинает действовать не так, как задумано, или преследует нежелательные цели.
Данные берутся из реальных внутренних деплойментов, а не из лабораторных тестов. Это важно: поведение агентов в боевых условиях сильно отличается от синтетических сценариев.
Зачем это нужно? OpenAI хочет выстроить надёжные защитные механизмы до того, как агенты получат широкое распространение. По сути, это ранняя система предупреждения против потенциально опасного поведения ИИ.
Для пользователей это сигнал: компания серьёзно занимается безопасностью агентных систем — тех самых, которые скоро будут выполнять задачи автономно от нашего имени.
https://openai.com/index/how-we-monitor-internal-coding-agents-misalignment
Компания использует мониторинг цепочки рассуждений — то есть анализирует не только действия агентов, но и их "мысли" в процессе работы. Это помогает вовремя замечать признаки рассогласования: когда агент начинает действовать не так, как задумано, или преследует нежелательные цели.
Данные берутся из реальных внутренних деплойментов, а не из лабораторных тестов. Это важно: поведение агентов в боевых условиях сильно отличается от синтетических сценариев.
Зачем это нужно? OpenAI хочет выстроить надёжные защитные механизмы до того, как агенты получат широкое распространение. По сути, это ранняя система предупреждения против потенциально опасного поведения ИИ.
Для пользователей это сигнал: компания серьёзно занимается безопасностью агентных систем — тех самых, которые скоро будут выполнять задачи автономно от нашего имени.
https://openai.com/index/how-we-monitor-internal-coding-agents-misalignment
OpenAI
How we monitor internal coding agents for misalignment
How OpenAI uses chain-of-thought monitoring to study misalignment in internal coding agents—analyzing real-world deployments to detect risks and strengthen AI safety safeguards.
Nvidia представила OpenShell — безопасную среду для автономных AI-агентов
Nvidia выпустила OpenShell — open source рантайм для запуска долгоживущих AI-агентов, которые работают без постоянного участия человека. Это часть NVIDIA Agent Toolkit и стека NemoClaw.
Главная проблема: автономные агенты с доступом к файлам, командной строке и API — серьёзная угроза безопасности. OpenShell решает это через изоляцию: политики исполняются вне самого агента, поэтому он не может их обойти даже при компрометации.
Три ключевых компонента: песочница для изолированного запуска, движок политик с контролем на уровне файлов и процессов, и privacy router — он решает, какие данные уходят в облако, а какие обрабатываются локально.
Работает с Claude Code, Codex и другими агентами без изменения кода. Запуск — одной командой.
https://developer.nvidia.com/blog/run-autonomous-self-evolving-agents-more-safely-with-nvidia-openshell/
Nvidia выпустила OpenShell — open source рантайм для запуска долгоживущих AI-агентов, которые работают без постоянного участия человека. Это часть NVIDIA Agent Toolkit и стека NemoClaw.
Главная проблема: автономные агенты с доступом к файлам, командной строке и API — серьёзная угроза безопасности. OpenShell решает это через изоляцию: политики исполняются вне самого агента, поэтому он не может их обойти даже при компрометации.
Три ключевых компонента: песочница для изолированного запуска, движок политик с контролем на уровне файлов и процессов, и privacy router — он решает, какие данные уходят в облако, а какие обрабатываются локально.
Работает с Claude Code, Codex и другими агентами без изменения кода. Запуск — одной командой.
https://developer.nvidia.com/blog/run-autonomous-self-evolving-agents-more-safely-with-nvidia-openshell/
NVIDIA Technical Blog
Run Autonomous, Self-Evolving Agents More Safely with NVIDIA OpenShell
AI has evolved from assistants following your directions to agents that act independently. Called claws, these agents can take a goal, figure out how to achieve it, and execute indefinitely—while…
Nvidia представила Vera Rubin POD — суперкомпьютер масштаба дата-центра для агентного ИИ.
Система объединяет 5 специализированных стоечных систем на базе архитектуры MGX третьего поколения: 40 стоек, 1152 GPU Rubin, 60 экзафлопс вычислений и 10 ПБ/с пропускной способности — всё это спроектировано совместно на уровне 7 типов чипов.
Что внутри: NVL72 с 72 GPU Rubin даёт 10x больше производительности на ватт по сравнению с Blackwell. Groq 3 LPX с 256 LPU на стойку обеспечивает сверхнизкую задержку для триллионных моделей. Vera CPU rack поддерживает 22 500 параллельных RL-сред. BlueField-4 STX хранит KV-кэш с эффективностью в 5x выше обычного. Spectrum-6 SPX связывает всё в единый суперкомпьютер.
Почему важно: агентный ИИ требует одновременно высокой пропускной способности, минимальной задержки и масштабируемых CPU-сред. Vera Rubin POD — первая платформа, где всё это спроектировано как единое целое, а не собрано из разрозненных компонентов.
https://developer.nvidia.com/blog/nvidia-vera-rubin-pod-seven-chips-five-rack-scale-systems-one-ai-supercomputer/
Система объединяет 5 специализированных стоечных систем на базе архитектуры MGX третьего поколения: 40 стоек, 1152 GPU Rubin, 60 экзафлопс вычислений и 10 ПБ/с пропускной способности — всё это спроектировано совместно на уровне 7 типов чипов.
Что внутри: NVL72 с 72 GPU Rubin даёт 10x больше производительности на ватт по сравнению с Blackwell. Groq 3 LPX с 256 LPU на стойку обеспечивает сверхнизкую задержку для триллионных моделей. Vera CPU rack поддерживает 22 500 параллельных RL-сред. BlueField-4 STX хранит KV-кэш с эффективностью в 5x выше обычного. Spectrum-6 SPX связывает всё в единый суперкомпьютер.
Почему важно: агентный ИИ требует одновременно высокой пропускной способности, минимальной задержки и масштабируемых CPU-сред. Vera Rubin POD — первая платформа, где всё это спроектировано как единое целое, а не собрано из разрозненных компонентов.
https://developer.nvidia.com/blog/nvidia-vera-rubin-pod-seven-chips-five-rack-scale-systems-one-ai-supercomputer/
NVIDIA Technical Blog
NVIDIA Vera Rubin POD: Seven Chips, Five Rack-Scale Systems, One AI Supercomputer
Artificial intelligence is token-driven. Every prompt, reasoning step, and agent interaction generates tokens. Over the past year, token consumption has grown multifold and now exceeds 10 quadrillion…
Видеогенераторы умеют понимать 3D — и это можно использовать!
Когда видеомодель (типа Wan2.1) генерирует правдоподобное видео, она вынуждена "понимать" геометрию сцены: окклюзии, глубину, движение камеры. Значит, в её латентных представлениях уже зашит неявный 3D-прайор — и никакой явной 3D-разметки для этого не нужно.
Авторы предлагают VEGA-3D: берём замороженную видеогенеративную модель как "Latent World Simulator", вытаскиваем из неё промежуточные признаки (лучше всего работают средние слои и средние шаги денойзинга), и сливаем их с семантическими признаками через адаптивный gated fusion.
Результат: модель перестаёт страдать "пространственной слепотой" — на задачах 3D grounding, spatial QA и робото-манипуляций она бьёт более крупные модели с явными 3D-входами.
Ключевой инсайт: генеративные и семантические признаки комплементарны — их объединение даёт +4–9% там, где каждый по отдельности теряет.
https://arxiv.org/abs/2603.19235
Когда видеомодель (типа Wan2.1) генерирует правдоподобное видео, она вынуждена "понимать" геометрию сцены: окклюзии, глубину, движение камеры. Значит, в её латентных представлениях уже зашит неявный 3D-прайор — и никакой явной 3D-разметки для этого не нужно.
Авторы предлагают VEGA-3D: берём замороженную видеогенеративную модель как "Latent World Simulator", вытаскиваем из неё промежуточные признаки (лучше всего работают средние слои и средние шаги денойзинга), и сливаем их с семантическими признаками через адаптивный gated fusion.
Результат: модель перестаёт страдать "пространственной слепотой" — на задачах 3D grounding, spatial QA и робото-манипуляций она бьёт более крупные модели с явными 3D-входами.
Ключевой инсайт: генеративные и семантические признаки комплементарны — их объединение даёт +4–9% там, где каждый по отдельности теряет.
https://arxiv.org/abs/2603.19235
Nemotron-Cascade 2: как 30B-модель взяла золото на IMO и IOI (by NVIDIA)
NVIDIA выпустила открытую MoE-модель на 30B параметров (3B активных), которая получила золотые медали на IMO 2025 и IOI 2025. Как?
Ключевая идея — Cascade RL: вместо совместного обучения на всех задачах сразу, RL-этапы идут последовательно по доменам (математика → код → агентные задачи и т.д.). Это даёт три плюса: меньше катастрофического забывания, можно тюнить гиперпараметры под каждый домен, и вычисления эффективнее (однородные батчи).
Новинка в v2 — on-policy дистилляция прямо внутри Cascade RL: лучшая промежуточная модель-учитель помогает восстанавливать просадки на предыдущих бенчмарках при обучении на новых сложных задачах.
Результат: обходит Qwen3.5-35B-A3B и даже Nemotron-3-Super-120B на большинстве бенчмарков. Веса, данные и детали обучения полностью открыты.
https://arxiv.org/abs/2603.19220
NVIDIA выпустила открытую MoE-модель на 30B параметров (3B активных), которая получила золотые медали на IMO 2025 и IOI 2025. Как?
Ключевая идея — Cascade RL: вместо совместного обучения на всех задачах сразу, RL-этапы идут последовательно по доменам (математика → код → агентные задачи и т.д.). Это даёт три плюса: меньше катастрофического забывания, можно тюнить гиперпараметры под каждый домен, и вычисления эффективнее (однородные батчи).
Новинка в v2 — on-policy дистилляция прямо внутри Cascade RL: лучшая промежуточная модель-учитель помогает восстанавливать просадки на предыдущих бенчмарках при обучении на новых сложных задачах.
Результат: обходит Qwen3.5-35B-A3B и даже Nemotron-3-Super-120B на большинстве бенчмарков. Веса, данные и детали обучения полностью открыты.
https://arxiv.org/abs/2603.19220
V-JEPA 2.1: как научить видео-SSL понимать и глобальное, и локальное (by Meta)
Проблема старых V-JEPA: модель хорошо понимала видео глобально, но фичи были "размытыми" — плохо подходили для сегментации, детекции, depth estimation. Почему? Потому что лосс считался ТОЛЬКО на замаскированных токенах, а видимые токены превращались в "мусорные регистры" для агрегации глобального контекста.
Решение в V-JEPA 2.1: добавить лосс на ВСЕ токены, включая видимые (context loss Lctx). Плюс — глубокий self-supervision на промежуточных слоях энкодера.
Результат: +20% success rate на реальных роботах-манипуляторах Franka, SOTA в depth estimation (NYUv2: 0.307 RMSE), видео-сегментации и предсказании действий. Скорость планирования в 10x быстрее предыдущих методов.
Модели (до 2B параметров) открыты публично.
https://arxiv.org/abs/2603.14482
Проблема старых V-JEPA: модель хорошо понимала видео глобально, но фичи были "размытыми" — плохо подходили для сегментации, детекции, depth estimation. Почему? Потому что лосс считался ТОЛЬКО на замаскированных токенах, а видимые токены превращались в "мусорные регистры" для агрегации глобального контекста.
Решение в V-JEPA 2.1: добавить лосс на ВСЕ токены, включая видимые (context loss Lctx). Плюс — глубокий self-supervision на промежуточных слоях энкодера.
Результат: +20% success rate на реальных роботах-манипуляторах Franka, SOTA в depth estimation (NYUv2: 0.307 RMSE), видео-сегментации и предсказании действий. Скорость планирования в 10x быстрее предыдущих методов.
Модели (до 2B параметров) открыты публично.
https://arxiv.org/abs/2603.14482