Хах, OpenAI покупает Джони Айва с его компанией впридачу за 6.5 миллиардов. Надо бы пересмотреть фильм Her.
https://www.bloomberg.com/news/articles/2025-05-21/openai-to-buy-apple-veteran-jony-ive-s-ai-device-startup-in-6-5-billion-deal

Ну что же, есть время разобрать анонсы от OpenAI для разработчиков, там есть много интересного
https://openai.com/index/new-tools-and-features-in-the-responses-api/

- Поддержка удалённых MCP серверов: по сути убили все конкурирующие стандарты, потому что поддержка Anthropic + Microsoft + OpenAI + комьюнити означает доминирующее положение и все большую поддержку. Можете теперь в API вызывать другие приложения через их MCP (по сути API для ллм-ок) и конечно же добавить в свой продукт MCP.

- Генерация изображений: выделили для генерации новую модель gpt-image-1, которая может выдавать потоковую генерацию картинок (постепенно улучшать качество, как в ChatGPT) и позволять редактировать сгенерированные изображения дальше (просто ID картинки прошлой запихнуть в промпт)

- Code Interpreter - наконец-то: и в Responses теперь есть написание и вызов кода, а также можно "думать по картинке", например, какую-то часть "увеличить", чтобы детальнее рассмотреть или перевернуть.

- Улучшенный поиск по файлам: тоже маст-хев для RAG, а теперь добавили возможность поиска сразу по нескольким хранилищам данных и расширенные фильтры поиска, но пока только на уровне файлов, то есть можно например указать дату файла и при поиске, например, данных по прошлой неделе, фильтровать для RAG только файлы с датой на прошлой неделе.

- Фоновый режим, как в Deep Search: не нужно постоянно опрашивать результат и бояться таймаута, можно запулить и потом получить вебхук о том, что результат готов.

- Сводки рассуждений (Reasoning Summaries): естественные описания внутренней логики модели для удобства отладки и аудита. Так же как в ChatGPT работают. Можно внутри использовать, либо прям пользователям показывать.

- Шифрование элементов рассуждений: возможность повторного использования контекста без его хранения на серверах OpenAI, улучшая безопасность и производительность. Но только для тех, у кого персональный контракт и Zero Retention.

Все функции доступны в моделях GPT-4o, GPT-4.1, а также в линейке моделей OpenAI o-series (o1, o3, o3-mini, o4-mini).

Кстати, кто следил за этим с прошлого Google I/O, Google движется-таки к релизу Gemini-модели внутри Chrome, то есть можно будет на веб-сайте вызывать локальную небольшую модель и делать все, что нужно, офлайн, безопасно, без использования сторонних библиотек. Мне кажется это просто нереальные возможности открывает, в частности в корпоративном и закрытом окружении.
Вот подробности
https://developer.chrome.com/docs/ai

Пока зарелизили только определение языка, но в сентябре будет и все остальное, причем как на странице, так и в экстеншенах: writer для написания текстов, rewriter, translator, summarizer и в целом кастомный prompt. Сейчас можно присоединиться к preview.
Но конечно нужен Win 10+, Mac OS 13+, 4 GB GPU, 22GB на жестком диске (жестоко)

Andrew Ng представил новый Agentic Document Extraction, OCR с помощью LLM-ок.
Обещают правильно понимать формат, в том числе инвойсы всякие, и не галлюцинировать. Но конечно координаты найденных частей текста не выдают. Интересно потестить с классическим Document Understanding от Microsoft и Google.
На страницу сейчас уходит 8 секунд. Можно потестить на va.landing.ai

Вау, grok будет встроен в Telegram. Дуров договорился с Маском. И что мне нравится, что это прям нормальные живые сценарии, а не просто "давайте просто приткнем куда-нибудь AI". Убили сотню стартапов )
- Ask Grok в поиске
- Разделение вопросов к Гроку на группы автоматические
- Переписывание/модификация текста сообщения
- Саммаризация группового чата
- Саммаризация загруженных документов и ссылок
- Модерация каналов
- Агенты для бизнеса
- Факт-чекинг
- Ну и генерация стикеров и аватаров, блин, как же без нее )

Дошли руки по мультиспикерной генерации голоса от гугла - https://aistudio.google.com/generate-speech

Можно расписывать параметры каждого голоса, в целом сценарии, выбирать из 30 голосов и 20 языков. Работает круто по эмоциям, хотя с ударениями иногда косячит, ну долго, конечно. Речь выше генерил больше 30 секунд, так что для рекламы и озвучки скорее, а не для живой речи и ассистентов. Для них есть другое - Live API, с голосами попроще.

DeepSeek R1 вчера обновился и теперь вошел в топ-3 моделей, обогнав даже Gemini последний. И это опенсорс! Особен силен стал в кодинге, математике и логике