Google DeepMind представила Decoupled DiLoCo — новый подход к распределённому обучению больших языковых моделей.

Суть: вместо жёсткой синхронизации тысяч чипов система делит обучение на независимые «острова» вычислений, которые общаются асинхронно. Если один кластер падает — остальные продолжают работу, а вернувшийся узел бесшовно переподключается.

Что важно на практике: технологию уже проверили на моделях Gemma 4. 12-миллиардная модель обучалась сразу в четырёх регионах США через обычный интернет (2–5 Гбит/с) — в 20 раз быстрее традиционных методов. При этом качество модели не пострадало.

Бонус: система позволяет смешивать чипы разных поколений (TPU v5 и v6) в одном прогоне обучения, продлевая жизнь старого железа.

Для индустрии это важный шаг: масштабировать следующее поколение AI-моделей станет проще и дешевле.

https://deepmind.google/blog/decoupled-diloco/

Джефф Дин (Google DeepMind) анонсировал новый чип TPU 8t для масштабного обучения и инференса. Под (кластер) из 9600 чипов выдаёт 121 экзафлопс в формате FP4 — это почти в 3 раза больше, чем у предыдущего поколения Ironwood (42.5 экзафлопс). Грубо говоря, Google продолжает наращивать вычислительную мощь собственных ускорителей, не завися от Nvidia. Цифры впечатляют: 121 экзафлопс — это 121 миллиард миллиардов операций в секунду.

https://x.com/JeffDean/status/2047405389856297387

Джефф Дин, один из отцов-основателей Google Brain, поделился впечатлениями от анонса новых чипов Google — TPU v8t и v8i, который прошёл на конференции Cloud Next. Дин обсудил новинки вместе с Амином Вахдатом и ведущими подкаста Acquired FM.

TPU (Tensor Processing Unit) — фирменные ИИ-ускорители Google, которые компания разрабатывает уже почти десять лет. Восьмое поколение приходит в двух вариантах: v8t заточен под обучение моделей, а v8i — под инференс (то есть запуск уже готовых моделей). Подробности о новых чипах Google опубликовала в официальном блоге.

https://x.com/JeffDean/status/2047403921912873257

OpenAI сообщают, что в ChatGPT провели серьёзную оптимизацию инференса на всех уровнях стека — и это дало ощутимый результат: модель стала одновременно мощнее и быстрее.

Главный бенефициар — GPT-5.5 Pro. Раньше он был скорее имиджевым продуктом для избранных задач, теперь же, по словам компании, это реально практичный инструмент для сложной и ресурсоёмкой работы.

OpenAI называют это "game-changer" и говорят о качественном скачке в уровне задач, которые ChatGPT теперь способен брать на себя.

Проще говоря: та же мощь, но быстрее и доступнее для реального использования. Посмотрим, насколько это ощутимо на практике.

https://x.com/OpenAI/status/2047376567559668222

OpenAI анонсировали GPT-5.5 — и это интересно не только по возможностям, но и по эффективности.

Новая модель не уступает GPT-5.4 по скорости ответа, но при этом показывает лучшие результаты почти во всех тестах. Плюс — тратит заметно меньше токенов на выполнение тех же задач в бенчмарке Codex.

Проще говоря: умнее, не медленнее и экономнее. Именно такой прогресс обычно и нужен разработчикам — когда улучшения не приходят за счёт скорости или стоимости запросов.

https://x.com/OpenAI/status/2047376564309115134

OpenAI анонсировали GPT-5.5 — и судя по описанию, это серьёзный шаг в сторону «цифрового сотрудника». Модель заточена под агентные задачи: пишет и дебажит код, ищет информацию в интернете, анализирует данные, создаёт документы и таблицы, управляет программами и переключается между инструментами, пока задача не выполнена до конца.

Особый прогресс отмечается в агентном кодинге, управлении компьютером и работе со знаниями. Твит обрывается на полуслове — OpenAI, судя по всему, готовят полноценный анонс.

Если коротко: GPT-5.5 метит не просто в «умный чат», а в полноценного автономного помощника, который сам доводит дела до конца.

https://x.com/OpenAI/status/2047376562916581513

OpenAI представила GPT-5.5 — новую модель, заточенную под реальную работу и автономных агентов. По заявлению компании, модель лучше понимает сложные цели, умеет пользоваться инструментами, проверять свою работу и доводить задачи до конца.

OpenAI называет это новым способом взаимодействия с компьютером — не просто чат, а полноценный рабочий инструмент. Модель уже доступна в ChatGPT и Codex.

https://x.com/OpenAI/status/2047376561205325845

GoogleDeepMind поделились впечатляющим достижением в области распределённых вычислений. Им удалось обучить модель Gemma на 12 миллиардов параметров одновременно в четырёх регионах США через обычные низкоскоростные сети — без потери производительности. Ещё интереснее то, что они смешивали разные поколения своих чипов TPU (6e и v5p) в одном процессе обучения, и это тоже не замедлило работу. По сути, это означает, что больше не нужно сосредотачивать огромные вычислительные мощности в одном месте — можно обучать большие модели распределённо по всему миру, используя разное железо. Это серьёзный шаг к переосмыслению того, как вообще организуются глобальные AI-вычисления.

https://x.com/GoogleDeepMind/status/2047330992713589009

Google DeepMind поделились интересной деталью про их систему Decoupled DiLoCo — она умеет самовосстанавливаться.

Во время экспериментов исследователи искусственно устраивали сбои железа прямо в процессе обучения модели. Система не падала и не останавливалась — она просто изолировала проблемный узел и продолжала работать дальше. А когда "упавший" блок возвращался в строй, система спокойно его реинтегрировала обратно.

Это важно для распределённого обучения больших моделей: раньше один сбой мог положить весь процесс. Теперь — нет.

https://x.com/GoogleDeepMind/status/2047330989936894350

Google DeepMind поделились интересной разработкой — Decoupled DiLoCo.

Проблема: при обучении больших AI-моделей тысячи чипов должны работать в идеальной синхронизации. Если один чип выходит из строя — весь процесс обучения останавливается. Это огромная головная боль, учитывая масштабы современных тренировочных кластеров.

Decoupled DiLoCo — новый подход, который позволяет продолжать обучение модели без остановок даже при сбоях железа. По сути, система становится устойчивой к отказам отдельных компонентов.

Звучит как техническая деталь, но на практике это может серьёзно ускорить и удешевить разработку frontier-моделей — меньше простоев, меньше потерянных вычислений.

https://x.com/GoogleDeepMind/status/2047330984983400793

Google DeepMind представил Decoupled DiLoCo — новый подход к обучению мощных ИИ-моделей сразу в нескольких дата-центрах одновременно.

Суть в том, что раньше тренировка больших моделей требовала плотной синхронизации между серверами — это дорого и уязвимо к сбоям. DiLoCo решает эту проблему, позволяя разным кластерам работать более независимо и синхронизироваться реже. Decoupled — это следующий шаг: ещё больше гибкости и устойчивости к отказам отдельных узлов.

Проще говоря: можно обучать один огромный ИИ, раскидав вычисления по всему миру, и если один дата-центр упадёт — всё равно ничего не сломается. Это важный шаг к масштабированию следующего поколения моделей.

https://x.com/GoogleDeepMind/status/2047330981145669790

Google DeepMind объявил, что через их платформу Model Garden теперь доступно более 200 ведущих AI-моделей мира.

В числе новинок — Gemini 3.1 Pro, Gemini 3.1 Flash Image и Lyria 3 (судя по названию, это модель для работы с музыкой или аудио). Также доступна открытая модель Gemma 4.

Model Garden — это своего рода магазин моделей от Google, где разработчики могут подбирать и запускать нужные им инструменты прямо в облаке. Более 200 моделей в одном месте — серьёзная заявка на то, чтобы стать главной точкой входа для AI-разработчиков.

https://x.com/GoogleDeepMind/status/2046983343481270459

Даже GPT-4 не умеет читать графики с временными рядами — и вот почему

Авторы из Alibaba/Amap выяснили неожиданную вещь: современные LLM и VLM буквально не могут нормально считать значения с графика временного ряда. Они галлюцинируют или "overthink" даже на базовых задачах вроде "найди максимум".

Чтобы это исправить, авторы предложили 4-уровневую таксономию сложности (L1-L4): от считывания числовых значений → распознавания паттернов → семантического рассуждения → прогнозирования. На основе неё собрали датасет HITSR (83k примеров с верифицированными цепочками рассуждений).

Модель LLaTiSA обучается в три этапа, строго следуя этой иерархии: сначала учится "читать" числа с графика, потом видеть паттерны, потом рассуждать о смысле. Результат — лучше проприетарных моделей и хорошая генерализация на OOD-данных.

Идея простая, но важная: нельзя учить модель прогнозировать, если она ещё не умеет читать значения с оси Y.

https://arxiv.org/abs/2604.17295

DR-Venus: сильный deep research агент на 4B параметрах из 10K открытых данных (by inclusionAI)

Можно ли сделать крутого агента для глубокого веб-исследования, если у тебя маленькая модель и почти нет данных? Оказывается — да.

DR-Venus-4B обучен всего на ~10K открытых траекторий и бьёт все агентные системы до 9B параметров, при этом заметно приближаясь к 30B-моделям.

Ключевые трюки:
1. Фильтрация и ресэмплинг траекторий — длинные траектории (100+ шагов) апсэмплируются с весом 5x, чтобы модель училась на сложных случаях.
2. Turn-level RL вместо sparse trajectory-level наград — кредит назначается на каждый шаг, что критично для маленьких моделей, где целые роллауты могут быть пустыми.
3. Pass@K показывает, что потолок способностей маленьких моделей уже высок — test-time scaling особенно эффективен для них.

Код и модели открыты.

https://arxiv.org/abs/2604.19859

Как сравнить видео-модели мира, если каждая живёт по своим правилам?

YUME управляется текстом, HY-World — позами камеры, Genie 3 — геймпадом, Matrix-Game — кастомными функциями. Каждая публикует результаты на своём приватном бенчмарке. Сравнить их напрямую — невозможно.

WorldMark решает это через единый слой перевода команд: один и тот же WASD-словарь действий автоматически конвертируется в нативный формат каждой модели. Плюс 500 стандартных тест-кейсов на 50 сценах (от фотореализма до стилизации, от первого до третьего лица), три уровня сложности от 20 до 60 секунд.

Главный вывод первого честного сравнения: визуальное качество и долгосрочная консистентность почти не коррелируют. YUME красивее всех, но хуже всех держит мир. Genie 3 геометрически точен, но визуально средний. А third-person view — общая слабость почти всех open-source моделей.

https://arxiv.org/abs/2604.21686

Nvidia Tech — поддержка DeepSeek V4 на платформе Blackwell

DeepSeek выпустил четвёртое поколение флагманских моделей: V4-Pro (1.6T параметров, 49B активных) и V4-Flash (284B параметров, 13B активных). Обе поддерживают контекстное окно до 1 миллиона токенов.

Главное архитектурное новшество — гибридное внимание, которое снижает нагрузку на KV-кэш на 90% и уменьшает вычислительные затраты на 73% по сравнению с V3.2. Это критично для агентных систем, где модель держит в памяти инструкции, код, логи и многошаговые цепочки рассуждений.

На GPU Blackwell B300 модель V4-Pro уже показывает более 150 токенов/сек на пользователя прямо "из коробки".

Разработчики могут начать работу через build.nvidia.com или развернуть модель самостоятельно через NVIDIA NIM. Обе модели распространяются под лицензией MIT.

https://developer.nvidia.com/blog/build-with-deepseek-v4-using-nvidia-blackwell-and-gpu-accelerated-endpoints/

Nvidia FLARE обновился — федеративное обучение теперь без боли

Nvidia выпустила новую версию FLARE — платформы для федеративного обучения, где данные не покидают локальные серверы, а между узлами передаются только веса моделей.

Главное изменение: разработчикам больше не нужно переписывать код с нуля. Раньше переход от локального скрипта к федеративному обучению требовал глубокого рефакторинга — новые классы, конфиги, архитектура. Теперь всё решается в два шага.

Шаг 1: добавляешь 5-6 строк в существующий PyTorch или Lightning скрипт — flare.init(), receive(), send() — и локальный код становится федеративным клиентом.

Шаг 2: выбираешь готовый job-рецепт и запускаешь один и тот же код в симуляции, пилоте или проде — меняется только среда выполнения.

Это важно для медицины, финансов и госсектора, где данные нельзя централизовать по юридическим причинам. FLARE поддерживает дифференциальную приватность, гомоморфное шифрование и confidential computing.

https://developer.nvidia.com/blog/federated-learning-without-the-refactoring-overhead-using-nvidia-flare/

Nvidia Tech: LLM-агенты выиграли соревнование Kaggle

Инженер Nvidia использовал трёх LLM-агентов (GPT-5.4 Pro, Gemini 3.1 Pro, Claude Opus 4.6) для победы в мартовском Kaggle-соревновании по предсказанию оттока клиентов телеком-компании.

Результат: 600 000 строк кода, 850 экспериментов, финальное решение из 150 моделей в четырёхуровневом стеке — и первое место.

Агенты работали по классическому пайплайну: анализ данных, построение базовых моделей, инжиниринг признаков, комбинирование моделей. GPU-библиотеки NVIDIA cuDF и cuML ускорили запуск экспериментов, а LLM взяли на себя генерацию кода.

Главный вывод: узкое место ML-соревнований — скорость написания и тестирования идей. LLM-агенты решают именно эту проблему, радикально увеличивая темп итераций.

https://developer.nvidia.com/blog/winning-a-kaggle-competition-with-generative-ai-assisted-coding/

UniT: один язык движений для людей и роботов (by XPENG Robotics)

Главная проблема обучения роботов-гуманоидов — данных катастрофически мало. Человеческих видео с движениями — завались, но напрямую перенести их на робота нельзя: разные суставы, разные степени свободы, разная механика.

Авторы из XPENG предложили UniT — токенизатор, который создаёт единое латентное пространство для человека и гуманоида. Ключевая идея: хотя кинематика разная, визуальный результат движения — универсален. Значит, видео можно использовать как «якорь» для выравнивания.

Три ветки кодировщика (визуальная, кинематическая, слитая) обучаются с cross-reconstruction: кинематика должна предсказывать визуальные переходы, а видео — восстанавливать действия. Это отфильтровывает шум и извлекает только физически значимое намерение.

Результат: VLA-UniT бьёт SOTA на симуляционных бенчмарках и реальном гуманоиде, включая zero-shot перенос задач. WM-UniT улучшает предсказание динамики при совместном обучении на человеческих и роботных данных.

Открытые данные для мобильных агентов: разрыв в 40% наконец закрывается?

Закрытые системы типа Step-GUI достигают 70% на AndroidWorld, а open-source решения — лишь 30%. Причина проста: у топовых систем закрытые данные для обучения. OpenMobile пытается это исправить.

Два ключевых трюка:

1. Генерация задач через глобальную память приложения. Вместо того чтобы придумывать задачи из одной траектории, агент сначала исследует всё приложение целиком, строит "карту функциональности", а потом генерирует сложные многошаговые инструкции, комбинируя разные части этой карты.

2. Policy-switching при сборе траекторий. Во время rollout монитор следит за ошибками агента-ученика — и когда тот отклоняется, вмешивается эксперт. Так в данных появляются примеры восстановления после ошибок, которых нет при обычной дистилляции.

Итог: 2.8K задач, 34K шагов, 20 Android-приложений. Qwen2.5-VL-7B достигает 51.7%, Qwen3-VL-8B — 64.7% на AndroidWorld. Данные и код открыты.

https://arxiv.org/abs/2604.15093