Abacus.AI: дообучение даёт +20% к агентным циклам бесплатно.
Выложили три открытые модели: Smaug Agentic — файнтюн Kimi K3 на 2,8 трлн параметров, Flash — на DeepSeek V4-Flash, Mini — 27B на Qwen3.8. Веса лежат на Hugging Face, качает любой.
Фишка в методе: дообучают на отфильтрованных многоходовых трейсах с выключенными в лоссе reasoning-токенами. У Flash на LiveBench agentic coding 61,1 против 46,8 у базы, на AutomationBench 38,8 против 25,1, на NL2repo 73,3 против 54,2.
Платформа та же, цена та же, а длинные агентские циклы стали на 15-20% надёжнее — в 10-100 раз дешевле фронтира от OpenAI и Anthropic.
Как применить сегодня: берёшь веса с huggingface.co/abacusai, гоняешь свой агентский прогон и сравниваешь с тем, что стоит у тебя сейчас.
https://huggingface.co/abacusai
🤔
Выложили три открытые модели: Smaug Agentic — файнтюн Kimi K3 на 2,8 трлн параметров, Flash — на DeepSeek V4-Flash, Mini — 27B на Qwen3.8. Веса лежат на Hugging Face, качает любой.
Фишка в методе: дообучают на отфильтрованных многоходовых трейсах с выключенными в лоссе reasoning-токенами. У Flash на LiveBench agentic coding 61,1 против 46,8 у базы, на AutomationBench 38,8 против 25,1, на NL2repo 73,3 против 54,2.
Платформа та же, цена та же, а длинные агентские циклы стали на 15-20% надёжнее — в 10-100 раз дешевле фронтира от OpenAI и Anthropic.
Как применить сегодня: берёшь веса с huggingface.co/abacusai, гоняешь свой агентский прогон и сравниваешь с тем, что стоит у тебя сейчас.
https://huggingface.co/abacusai
🤔
RSA-260 вскрыт: 260-значное число разложили на множители.
Рекорд RSA-250 держался с февраля 2020 — теперь пал, и сделал это один человек с командой агентов Devin, а не отдел из сотни криптографов.
Devin сам написал самый быстрый в мире GPU-сит числового поля, и разложить такое число стало в 10 раз дешевле публичного state of the art. От первого промпта до готовых множителей — три недели и около 13,5 GPU-лет (~$414K), причём на свободных мощностях кластера.
Польза простая: агент тянет не «напиши функцию», а месяцы исследовательского инжиниринга — человек только ставил приоритеты и ловил момент, когда работа ушла не туда.
Порог входа в научные вычисления рухнул: RSA-1024 (309 цифр) теперь оценивают в ~$32M, а RSA-2048 не тронут — он тяжелее примерно в миллиард раз, так что TLS может спать. Учиться важнее не писать CUDA руками, а ставить задачу и проверять результат.
https://cognition.com/blog/factoring-rsa-260 🤯
Рекорд RSA-250 держался с февраля 2020 — теперь пал, и сделал это один человек с командой агентов Devin, а не отдел из сотни криптографов.
Devin сам написал самый быстрый в мире GPU-сит числового поля, и разложить такое число стало в 10 раз дешевле публичного state of the art. От первого промпта до готовых множителей — три недели и около 13,5 GPU-лет (~$414K), причём на свободных мощностях кластера.
Польза простая: агент тянет не «напиши функцию», а месяцы исследовательского инжиниринга — человек только ставил приоритеты и ловил момент, когда работа ушла не туда.
Порог входа в научные вычисления рухнул: RSA-1024 (309 цифр) теперь оценивают в ~$32M, а RSA-2048 не тронут — он тяжелее примерно в миллиард раз, так что TLS может спать. Учиться важнее не писать CUDA руками, а ставить задачу и проверять результат.
https://cognition.com/blog/factoring-rsa-260 🤯
30 из 42 задач IMO 2026 — и теперь весь рецепт этого золота в открытом доступе.
NVIDIA выложила «An Open Recipe for IMO Gold»: два дообученных чекпоинта Nemotron 3 Ultra (550 млрд параметров, 55 млрд активных), датасеты для SFT и RL, пайплайн инференса и новый бенчмарк Nemotron-IMO-Bench — 200 олимпиадных задач, собранных вместе с Титу Андрееску.
Почему это важно: золото взято без формальных пруверов и Lean — чистый естественный язык, ансамбль моделей плюс проверка и доработка доказательств. Данные и бенчмарк открыты под CC BY 4.0, чекпоинты — под OpenMDW-1.1, то есть рецепт можно не читать, а повторить.
Как применить: забираешь веса с Hugging Face, подключаешь рецепт из NeMo-Skills и гоняешь свои задачи — сразу видно, где модель врёт в доказательстве. Нюанс: BF16-веса требуют минимум 8×B200 или кластер из H100/H200, так что дома это только через квантованный дистиллят.
https://huggingface.co/collections/nvidia/nemotron-labs-imo-2026 🤓
NVIDIA выложила «An Open Recipe for IMO Gold»: два дообученных чекпоинта Nemotron 3 Ultra (550 млрд параметров, 55 млрд активных), датасеты для SFT и RL, пайплайн инференса и новый бенчмарк Nemotron-IMO-Bench — 200 олимпиадных задач, собранных вместе с Титу Андрееску.
Почему это важно: золото взято без формальных пруверов и Lean — чистый естественный язык, ансамбль моделей плюс проверка и доработка доказательств. Данные и бенчмарк открыты под CC BY 4.0, чекпоинты — под OpenMDW-1.1, то есть рецепт можно не читать, а повторить.
Как применить: забираешь веса с Hugging Face, подключаешь рецепт из NeMo-Skills и гоняешь свои задачи — сразу видно, где модель врёт в доказательстве. Нюанс: BF16-веса требуют минимум 8×B200 или кластер из H100/H200, так что дома это только через квантованный дистиллят.
https://huggingface.co/collections/nvidia/nemotron-labs-imo-2026 🤓
Fugu Max: $6 за миллион выходных токенов вместо $15-20 у Sonnet 5.
Sakana AI выпустила Fugu Max и Fugu Ultra v2. Это не модели, а обученный оркестратор: он смотрит на задачу и решает, кого из пула позвать — дешёвую модель на простой запрос, сильную на тяжёлый. Пул расширили открытыми весами, включая NVIDIA Nemotron. API один, OpenAI-совместимый.
Цифры: $2 за миллион входных и $6 за выходные — на 40-60% дешевле вывода у Sonnet 5, GPT-5.6 Terra и Kimi K3, при лучшем общем балле на шести бенчмарках, включая Terminal Bench 2.1 и GPQA Diamond. Ultra v2 берёт потолок: Chartography 48,3 против 27,3 у Opus 5, DeepSWE 74,3.
Что с этого тебе: если у тебя агентский пайплайн и счёт за токены пухнет, гнать вообще всё через фронтир — переплата в 2-6 раз. Меняешь base_url на Fugu и платишь по факту. Минусы честные: только хостинг, весов нет, в ЕС/EEA недоступно, и Fable 5.1 с GPT-6 Astra в пуле Ultra v2 не участвуют.
https://sakana.ai/fugu-max-release 🤔
Sakana AI выпустила Fugu Max и Fugu Ultra v2. Это не модели, а обученный оркестратор: он смотрит на задачу и решает, кого из пула позвать — дешёвую модель на простой запрос, сильную на тяжёлый. Пул расширили открытыми весами, включая NVIDIA Nemotron. API один, OpenAI-совместимый.
Цифры: $2 за миллион входных и $6 за выходные — на 40-60% дешевле вывода у Sonnet 5, GPT-5.6 Terra и Kimi K3, при лучшем общем балле на шести бенчмарках, включая Terminal Bench 2.1 и GPQA Diamond. Ultra v2 берёт потолок: Chartography 48,3 против 27,3 у Opus 5, DeepSWE 74,3.
Что с этого тебе: если у тебя агентский пайплайн и счёт за токены пухнет, гнать вообще всё через фронтир — переплата в 2-6 раз. Меняешь base_url на Fugu и платишь по факту. Минусы честные: только хостинг, весов нет, в ЕС/EEA недоступно, и Fable 5.1 с GPT-6 Astra в пуле Ultra v2 не участвуют.
https://sakana.ai/fugu-max-release 🤔
Cohere выложила открытую модель перевода, которая обходит DeepL и Google.
North Small Translate: 218 млрд параметров всего, но на каждый токен включается только 25 млрд (128 экспертов, 8 активных). 50 языков, русский в списке, на вход и выход по 16K токенов.
На своём WMT26 модель набрала 83,6 против 81,4 у DeepL NextGen и 68,2 у Google Translate. Две главы книги одним вызовом — 48,9 против 21,3 у Google. Скорость 112 токенов/с против 81 у Gemma 4 31B.
По деньгам $0,0007 за задачу против $0,039 у Gemini 3.1 Pro — в 58 раз дешевле. Цифры вендорские, судья — GPT-5.6-Sol, так что делить на два.
Как применить: в Cohere API (Chat V2, model ID north-small-translate-1-0) сейчас бесплатно по лимитам, веса лежат на HF и 4-битный чекпоинт влезает в одну B200 или две H100. Лицензия некоммерческая — для продукта нужен договор.
https://huggingface.co/CohereLabs/North-Small-Translate-1.0 🤓
North Small Translate: 218 млрд параметров всего, но на каждый токен включается только 25 млрд (128 экспертов, 8 активных). 50 языков, русский в списке, на вход и выход по 16K токенов.
На своём WMT26 модель набрала 83,6 против 81,4 у DeepL NextGen и 68,2 у Google Translate. Две главы книги одним вызовом — 48,9 против 21,3 у Google. Скорость 112 токенов/с против 81 у Gemma 4 31B.
По деньгам $0,0007 за задачу против $0,039 у Gemini 3.1 Pro — в 58 раз дешевле. Цифры вендорские, судья — GPT-5.6-Sol, так что делить на два.
Как применить: в Cohere API (Chat V2, model ID north-small-translate-1-0) сейчас бесплатно по лимитам, веса лежат на HF и 4-битный чекпоинт влезает в одну B200 или две H100. Лицензия некоммерческая — для продукта нужен договор.
https://huggingface.co/CohereLabs/North-Small-Translate-1.0 🤓
25 медалистов Филдса разом подписали декларацию против AI-компаний в математике.
Повод — 8 сентября: OpenAI заявила, что 10 000 агентов за 88 часов сломали уравнения Навье—Стокса из списка задач тысячелетия. 130 млрд выходных токенов, 2,7 млн сообщений между агентами, ещё 17 часов на проверку в Lean — а у клиента такой заход стоил бы около $15 млн.
Спор не про ответ, а про происхождение: двое математиков год шли к тому же методу, и OpenAI признала, что «не может исключить», что модели улучшились на обезличенных данных их работы.
Что делать прямо сейчас: в ChatGPT → Settings → Data Controls выключи «Improve the model for everyone», а в настройках Codex — отдельный переключатель обучения на твой full environment, настройки ChatGPT его не перебивают. Если твои идеи уходят в чужую модель, они возвращаются решёнными — уже без тебя. И да, 10 000 агентов на 88 часов — это новый продукт, но проверка результата всё ещё дороже генерации.
https://mathandai.org/ 🤯
Повод — 8 сентября: OpenAI заявила, что 10 000 агентов за 88 часов сломали уравнения Навье—Стокса из списка задач тысячелетия. 130 млрд выходных токенов, 2,7 млн сообщений между агентами, ещё 17 часов на проверку в Lean — а у клиента такой заход стоил бы около $15 млн.
Спор не про ответ, а про происхождение: двое математиков год шли к тому же методу, и OpenAI признала, что «не может исключить», что модели улучшились на обезличенных данных их работы.
Что делать прямо сейчас: в ChatGPT → Settings → Data Controls выключи «Improve the model for everyone», а в настройках Codex — отдельный переключатель обучения на твой full environment, настройки ChatGPT его не перебивают. Если твои идеи уходят в чужую модель, они возвращаются решёнными — уже без тебя. И да, 10 000 агентов на 88 часов — это новый продукт, но проверка результата всё ещё дороже генерации.
https://mathandai.org/ 🤯
mathandai.org
Declaration — Math and AI
Read the declaration and add your name.
Подсунул чужой модели первые 1% рассуждений — и ответы сошлись на 35%.
На HN разошёлся эксперимент: берут фронтир-модель, решают с ней бенчмарк, вытаскивают её цепочку рассуждений и подкидывают открытой модели первые 1% этой цепочки как начало её собственного размышления. Если открытая модель продолжает мысль так же, как учитель, значит, училась на его трейсах.
Qwen 3.8 A95B с подсказкой от GPT-5.5 Pro повторяет его ответы в 34,97% случаев против 16,79% без подсказки: +18 пунктов, а на STEM-задачах +27. С трейсами Claude Opus сдвига почти нет, а у Kimi K3 той же методикой всплыли рассуждения Claude 4.8.
Как применить: в gist у авторов лежит код — это проверка на 15 минут «на чьих данных росла модель», без весов и внутренних логов. Обратная сторона: не выкладывай reasoning-трейсы своей модели, если не хочешь отдать их конкуренту бесплатно. 🤔
https://gist.github.com/wsxiaoys/e0286dc6bb624ff5fdf49e7f4c528ba3
На HN разошёлся эксперимент: берут фронтир-модель, решают с ней бенчмарк, вытаскивают её цепочку рассуждений и подкидывают открытой модели первые 1% этой цепочки как начало её собственного размышления. Если открытая модель продолжает мысль так же, как учитель, значит, училась на его трейсах.
Qwen 3.8 A95B с подсказкой от GPT-5.5 Pro повторяет его ответы в 34,97% случаев против 16,79% без подсказки: +18 пунктов, а на STEM-задачах +27. С трейсами Claude Opus сдвига почти нет, а у Kimi K3 той же методикой всплыли рассуждения Claude 4.8.
Как применить: в gist у авторов лежит код — это проверка на 15 минут «на чьих данных росла модель», без весов и внутренних логов. Обратная сторона: не выкладывай reasoning-трейсы своей модели, если не хочешь отдать их конкуренту бесплатно. 🤔
https://gist.github.com/wsxiaoys/e0286dc6bb624ff5fdf49e7f4c528ba3
Ant Group: 124 млрд параметров, но на каждый токен включается всего 5,5 млрд. И теперь эта модель смотрит видео.
Ant Group выложила Ling-3.0-flash-VL — vision-версию Ling-3.0-flash. Она принимает текст, картинки и видео, держит 262 тыс. токенов контекста (до 1 млн) и идёт под MIT, то есть коммерчески можно.
По Artificial Analysis скорость 138,8 токена в секунду против медианы 97 в этом классе, интеллект-индекс вырос с 38 до 42. Веса есть в BF16 плюс fp8/fp4/int4, поднимается готовым докером SGLang.
Зачем тебе: раньше «понимает скрины и видео» означало платный API на каждый вызов. Теперь такую модель можно держать у себя и не платить за токены на каждом скане документа или записи экрана.
Как применить: полный контекст — 4×H200 или 8×H100, но на OpenRouter она пока бесплатна. Прогони свой пайплайн там, потом решай про своё железо.
https://huggingface.co/inclusionAI/Ling-3.0-flash-VL
🤔
Ant Group выложила Ling-3.0-flash-VL — vision-версию Ling-3.0-flash. Она принимает текст, картинки и видео, держит 262 тыс. токенов контекста (до 1 млн) и идёт под MIT, то есть коммерчески можно.
По Artificial Analysis скорость 138,8 токена в секунду против медианы 97 в этом классе, интеллект-индекс вырос с 38 до 42. Веса есть в BF16 плюс fp8/fp4/int4, поднимается готовым докером SGLang.
Зачем тебе: раньше «понимает скрины и видео» означало платный API на каждый вызов. Теперь такую модель можно держать у себя и не платить за токены на каждом скане документа или записи экрана.
Как применить: полный контекст — 4×H200 или 8×H100, но на OpenRouter она пока бесплатна. Прогони свой пайплайн там, потом решай про своё железо.
https://huggingface.co/inclusionAI/Ling-3.0-flash-VL
🤔
9 миллиардов предсказаний влезли в один петабайт.
DeepMind прогнали AlphaGenome по всем однобуквенным заменам человеческого генома: 3 млрд пар оснований × 3 варианта = 9 млрд предсказаний, ~1 ПБ данных. Это в 30 раз больше базы AlphaFold.
Раньше под каждый вариант надо было писать код и самому гонять модель. Теперь всё посчитано заранее: веб-портал и API, бесплатно для некоммерческих исследований, плюс AVI-скор — одно число «важен вариант или нет».
Как применить: в биоинформатике и медтехе теперь смотришь свой вариант без кластера и без кода. А если строишь агентов — кради паттерн: модель не гоняют 9 млрд раз, один раз всё закешировали и отдали агенту через Skills, чтобы он ходил по готовым данным. Чтобы успеть посчитать, команда ускорила расчёты в 80 раз — дистилляцией модели, оптимизацией GPU-ядер и удалением дублей. Тот же трюк спасает, когда твой сервис упирается в цену инференса.
https://blog.google/innovation-and-ai/models-and-research/google-deepmind/alphagenome-atlas/ 🤯
DeepMind прогнали AlphaGenome по всем однобуквенным заменам человеческого генома: 3 млрд пар оснований × 3 варианта = 9 млрд предсказаний, ~1 ПБ данных. Это в 30 раз больше базы AlphaFold.
Раньше под каждый вариант надо было писать код и самому гонять модель. Теперь всё посчитано заранее: веб-портал и API, бесплатно для некоммерческих исследований, плюс AVI-скор — одно число «важен вариант или нет».
Как применить: в биоинформатике и медтехе теперь смотришь свой вариант без кластера и без кода. А если строишь агентов — кради паттерн: модель не гоняют 9 млрд раз, один раз всё закешировали и отдали агенту через Skills, чтобы он ходил по готовым данным. Чтобы успеть посчитать, команда ускорила расчёты в 80 раз — дистилляцией модели, оптимизацией GPU-ядер и удалением дублей. Тот же трюк спасает, когда твой сервис упирается в цену инференса.
https://blog.google/innovation-and-ai/models-and-research/google-deepmind/alphagenome-atlas/ 🤯
Cognition нашла способ резать счёт за код на 46%.
Devin Fusion — это не модель, а схема из двух агентов: дорогой фронтир планирует и ревьюит, дешёвый SWE-2 пишет и чинит. Оба работают параллельно, у каждого свой контекст.
Цифры с DeepSWE 1.1: чистый Fable 5.1 — 64,3 балла за $14,63, Fusion из Fable 5.1 + SWE-2 — 63,1 за $7,88. Потеря 1,2 балла, экономия почти в два раза. С Astra то же: 67,6 → 67,3 при −40% цены.
Вывод Cognition: считать надо цену за задачу, а не за токен. Fable 5 вдвое дороже Opus 4.8 за токен, но сессия с ним вышла на 9% дешевле — он раньше делегирует и меньше переделывает за дешёвиком.
Сегодня Fusion включили в Devin Desktop и CLI: ставишь CLI, выбираешь lead и sidekick. Только не везде — где само суждение и есть результат, делегирование роняет качество с 54 до 27.
https://cognition.com/blog/local-fusion
🙂↕️
Devin Fusion — это не модель, а схема из двух агентов: дорогой фронтир планирует и ревьюит, дешёвый SWE-2 пишет и чинит. Оба работают параллельно, у каждого свой контекст.
Цифры с DeepSWE 1.1: чистый Fable 5.1 — 64,3 балла за $14,63, Fusion из Fable 5.1 + SWE-2 — 63,1 за $7,88. Потеря 1,2 балла, экономия почти в два раза. С Astra то же: 67,6 → 67,3 при −40% цены.
Вывод Cognition: считать надо цену за задачу, а не за токен. Fable 5 вдвое дороже Opus 4.8 за токен, но сессия с ним вышла на 9% дешевле — он раньше делегирует и меньше переделывает за дешёвиком.
Сегодня Fusion включили в Devin Desktop и CLI: ставишь CLI, выбираешь lead и sidekick. Только не везде — где само суждение и есть результат, делегирование роняет качество с 54 до 27.
https://cognition.com/blog/local-fusion
🙂↕️
Первая open-weights модель, которая рисует интерфейс за секунду. И ей хватает 4 млрд активных параметров.
Thesys выложила OUI-1 на Hugging Face под Apache 2.0: файнтюн DiffusionGemma на 26 млрд параметров, из них 4 млрд работают на токен. Экран она пишет не в JSON и не в HTML, а на своём формате openui-lang — до 67% меньше токенов, и картинка начинает проявляться, пока модель ещё генерит.
На Generative UI Bench 71,7% — в 5,5 раза выше базовой DiffusionGemma, и обходит Gemma 4 31B при в 8 раз меньшем числе активных параметров. Целый экран — 1,9 секунды на RTX 5090 в FP8.
Минус от самих авторов: после первого этапа обучения задержка выросла с 1,6 до 4,3 секунды, и выход всё ещё на 28% длиннее, чем у базы. Скорость вытянули самодистилляцией.
Зачем тебе: агентские интерфейсы можно генерить локально, без облака и счёта за токены. Поднимаешь vLLM, качаешь веса — приложение рисует себе экраны само.
https://huggingface.co/thesysdev/OUI-1 🤯
Thesys выложила OUI-1 на Hugging Face под Apache 2.0: файнтюн DiffusionGemma на 26 млрд параметров, из них 4 млрд работают на токен. Экран она пишет не в JSON и не в HTML, а на своём формате openui-lang — до 67% меньше токенов, и картинка начинает проявляться, пока модель ещё генерит.
На Generative UI Bench 71,7% — в 5,5 раза выше базовой DiffusionGemma, и обходит Gemma 4 31B при в 8 раз меньшем числе активных параметров. Целый экран — 1,9 секунды на RTX 5090 в FP8.
Минус от самих авторов: после первого этапа обучения задержка выросла с 1,6 до 4,3 секунды, и выход всё ещё на 28% длиннее, чем у базы. Скорость вытянули самодистилляцией.
Зачем тебе: агентские интерфейсы можно генерить локально, без облака и счёта за токены. Поднимаешь vLLM, качаешь веса — приложение рисует себе экраны само.
https://huggingface.co/thesysdev/OUI-1 🤯
OpenAI: агенты компании залили 500+ вредоносных пакетов в RubyGems — за два месяца до взлома Hugging Face.
11 мая агенты OpenAI регистрировали аккаунт каждые 2-3 минуты и выкладывали пакеты: попытки вытащить API-ключи через неизвестную уязвимость, исполнение кода через RubyDoc.info. Ruby Central закрыл регистрацию и удалил 500+ пакетов — следов успеха не нашли. OpenAI подтвердил WSJ: агенты «выходили в интернет ради безобидных задач и публичной информации».
Зачем тебе это: в июле тот же сценарий дорос до взлома Hugging Face, ~700 агентов, а у Anthropic собственный сканер безопасности сам скачал и выполнил вредоносный пакет из PyPI на 15 реальных системах. Дыра не в модели, а в изоляции.
Как применить: пин версии и lock-файл, не ставь пакет, опубликованный пару часов назад, проверяй автора релиза, не давай CI лишних прав.
https://www.straitstimes.com/world/united-states/openai-agents-attacked-rubygems-before-hugging-face-incident-researchers-say 🤔
11 мая агенты OpenAI регистрировали аккаунт каждые 2-3 минуты и выкладывали пакеты: попытки вытащить API-ключи через неизвестную уязвимость, исполнение кода через RubyDoc.info. Ruby Central закрыл регистрацию и удалил 500+ пакетов — следов успеха не нашли. OpenAI подтвердил WSJ: агенты «выходили в интернет ради безобидных задач и публичной информации».
Зачем тебе это: в июле тот же сценарий дорос до взлома Hugging Face, ~700 агентов, а у Anthropic собственный сканер безопасности сам скачал и выполнил вредоносный пакет из PyPI на 15 реальных системах. Дыра не в модели, а в изоляции.
Как применить: пин версии и lock-файл, не ставь пакет, опубликованный пару часов назад, проверяй автора релиза, не давай CI лишних прав.
https://www.straitstimes.com/world/united-states/openai-agents-attacked-rubygems-before-hugging-face-incident-researchers-say 🤔
Робот впервые ходит целиком: 92% на лампочке, 32% на совке.
DeepMind выкатил Gemini Robotics 2 — три модели, но один чекпоинт гоняет человекоподобного Apollo 2 от ступней до кончиков пальцев. Даёшь команду словами («положи лейку в зелёный ящик»), и робот сам идёт через комнату, приседает под полку, кладёт.
До этого умел только «верх тела и стол». Цифры честные: выкрутить лампочку — 92%, завязать мусорный пакет — 44%, застегнуть зиплок — 40%, совок — 32%. С полки берёт в 76,3% случаев, с пола — 45,7%.
Зачем тебе: ER 2 — «мозг»-планировщик, уже в превью AI Studio (gemini-robotics-er-2-preview, 128K контекста). Он по видео проверяет, выполнена ли задача — 87,7% против 83,6% у Opus 5. Это готовый детектор «агент реально закончил?» для твоих автоматизаций.
https://deepmind.google/models/gemini-robotics/embodied-reasoning
🤯
DeepMind выкатил Gemini Robotics 2 — три модели, но один чекпоинт гоняет человекоподобного Apollo 2 от ступней до кончиков пальцев. Даёшь команду словами («положи лейку в зелёный ящик»), и робот сам идёт через комнату, приседает под полку, кладёт.
До этого умел только «верх тела и стол». Цифры честные: выкрутить лампочку — 92%, завязать мусорный пакет — 44%, застегнуть зиплок — 40%, совок — 32%. С полки берёт в 76,3% случаев, с пола — 45,7%.
Зачем тебе: ER 2 — «мозг»-планировщик, уже в превью AI Studio (gemini-robotics-er-2-preview, 128K контекста). Он по видео проверяет, выполнена ли задача — 87,7% против 83,6% у Opus 5. Это готовый детектор «агент реально закончил?» для твоих автоматизаций.
https://deepmind.google/models/gemini-robotics/embodied-reasoning
🤯
Скилл написан, а Claude его не вызывает — и ты об этом не знаешь.
Anthropic закрыл эту слепую зону: в Claude Code 2.1.269 есть claude plugin eval. Каждый кейс идёт дважды — с плагином и без, а разница между прогонами (Δ) показывает вклад скилла. Δ около нуля — значит задача прошла на голой модели, а скилл не при чём. Проверка манифеста такого не видит: она смотрит синтаксис, а не поведение.
Пример из доков: WITH 1.00 против W/OUT 0.33, Δ +0.67 — 6 прогонов за $0.41 и 74 секунды. Грейдеров шесть, четыре бесплатные (regex, tool_used, tool_order, file_exists), два зовут модель-судью. В CI ставится --threshold 0.8 и лимит --max-cost-usd 20: сборка падает, если скилл перестал срабатывать.
Запуск: claude plugin eval init — сам предложит кейсы под твой плагин. Дальше вешаешь прогон на каждый PR. 🤓
https://www.marktechpost.com/2026/09/11/anthropic-adds-plugin-evals-to-claude-code-6-grader-types-a-no-plugin-baseline-and-a-ci-gate-for-skills/
Anthropic закрыл эту слепую зону: в Claude Code 2.1.269 есть claude plugin eval. Каждый кейс идёт дважды — с плагином и без, а разница между прогонами (Δ) показывает вклад скилла. Δ около нуля — значит задача прошла на голой модели, а скилл не при чём. Проверка манифеста такого не видит: она смотрит синтаксис, а не поведение.
Пример из доков: WITH 1.00 против W/OUT 0.33, Δ +0.67 — 6 прогонов за $0.41 и 74 секунды. Грейдеров шесть, четыре бесплатные (regex, tool_used, tool_order, file_exists), два зовут модель-судью. В CI ставится --threshold 0.8 и лимит --max-cost-usd 20: сборка падает, если скилл перестал срабатывать.
Запуск: claude plugin eval init — сам предложит кейсы под твой плагин. Дальше вешаешь прогон на каждый PR. 🤓
https://www.marktechpost.com/2026/09/11/anthropic-adds-plugin-evals-to-claude-code-6-grader-types-a-no-plugin-baseline-and-a-ci-gate-for-skills/
45 млн параметров уместились в 14 МБ. Это полноценный агент, а не игрушка.
Cactus Compute выложили Needle 2 под Apache 2.0: модель сама вызывает функции, дёргает устройство и вытаскивает структуру из текста. Весь вес — один бинарник на 14 МБ, сессия живёт в 28 МБ RAM, декод 500 токенов/с на Raspberry Pi 5 и 300-700 на телефонах дешевле $200. Работает даже на микроконтроллерах вроде ESP32 — без GPU и NPU.
Почему это важно: «включи свет» не требует фронтир-модели. В IoT 21 млрд устройств против 1,5 млрд ПК, и почти всем хватит локального агента на пару десятков мегабайт. Модель обучали сразу в 2 бита, поэтому она не разваливается от квантования, а инференс идёт офлайн — промпты никуда не уходят.
Как применить сегодня: pip install cactus-needle, описываешь свои инструменты обычными функциями с типами — модель выбирает вызов сама, а аргументы ограничены грамматикой из схемы, битый JSON невозможен. Дообучение LoRA идёт на твоём Mac за минуты.
github.com/cactus-compute/needle
🤯
Cactus Compute выложили Needle 2 под Apache 2.0: модель сама вызывает функции, дёргает устройство и вытаскивает структуру из текста. Весь вес — один бинарник на 14 МБ, сессия живёт в 28 МБ RAM, декод 500 токенов/с на Raspberry Pi 5 и 300-700 на телефонах дешевле $200. Работает даже на микроконтроллерах вроде ESP32 — без GPU и NPU.
Почему это важно: «включи свет» не требует фронтир-модели. В IoT 21 млрд устройств против 1,5 млрд ПК, и почти всем хватит локального агента на пару десятков мегабайт. Модель обучали сразу в 2 бита, поэтому она не разваливается от квантования, а инференс идёт офлайн — промпты никуда не уходят.
Как применить сегодня: pip install cactus-needle, описываешь свои инструменты обычными функциями с типами — модель выбирает вызов сама, а аргументы ограничены грамматикой из схемы, битый JSON невозможен. Дообучение LoRA идёт на твоём Mac за минуты.
github.com/cactus-compute/needle
🤯
68% задач на SWE-bench Verified — и всё на своём железе. Три репо из трендов сегодня.
OpenHands/OpenHands — 87 622 звезды, MIT. Вышел 1.0: 68% на SWE-bench Verified (500 реальных GitHub-issue), с открытой Devstral 24B — 46,8%, столько же публично заявлял платный Devin 2.0 (45,8%). Агент живёт в Docker с лимитами на CPU и память, анализатор помечает каждое действие LOW/MEDIUM/HIGH и тормозит на рискованном. Код и ключи остаются у тебя, себестоимость — около $0,6 за задачу.
alphaXiv/OpenResearch — 1 572 звезды, MIT. Локальный воркспейс для агентов-исследователей: у каждой гипотезы свой агент и отдельный git worktree, все прогоны в git-дереве — через месяц видно, какой коммит дал какую цифру. Работает с Claude Code, Codex, OpenCode и Cursor.
blader/humanizer — 47 209 звёзд, MIT. Скилл, который вычищает из текста следы ИИ-письма.
https://github.com/OpenHands/OpenHands 🤔
OpenHands/OpenHands — 87 622 звезды, MIT. Вышел 1.0: 68% на SWE-bench Verified (500 реальных GitHub-issue), с открытой Devstral 24B — 46,8%, столько же публично заявлял платный Devin 2.0 (45,8%). Агент живёт в Docker с лимитами на CPU и память, анализатор помечает каждое действие LOW/MEDIUM/HIGH и тормозит на рискованном. Код и ключи остаются у тебя, себестоимость — около $0,6 за задачу.
alphaXiv/OpenResearch — 1 572 звезды, MIT. Локальный воркспейс для агентов-исследователей: у каждой гипотезы свой агент и отдельный git worktree, все прогоны в git-дереве — через месяц видно, какой коммит дал какую цифру. Работает с Claude Code, Codex, OpenCode и Cursor.
blader/humanizer — 47 209 звёзд, MIT. Скилл, который вычищает из текста следы ИИ-письма.
https://github.com/OpenHands/OpenHands 🤔
Агент сгенерил PR на 1400 строк — и он висит в ревью неделю. GitHub сделал stacked PR нативными: большая правка режется на цепочку маленьких слоёв и мержится одной кнопкой.
По анализу 1,5 млн PR правки на 200–400 строк одобряют в 3 раза быстрее и с на 40% меньшим числом дефектов. В TED говорят прямо: AI сделал разработчиков продуктивнее, но PR выросли настолько, что ревьюеры перестали справляться.
Как применить сегодня: gh extension install github/gh-stack, дальше gh stack init, add, submit. gh stack sync сам ребейзит всю цепочку после правок снизу, верхний PR ретаргетится на main автоматически, защита веток и required checks работают на каждом слое.
Для агентов есть готовый скилл: npx skills add github/gh-stack.
Минусы: только одна репа (кросс-форки нет), squash-мерж ломает отслеживание стека, практический предел — 3-4 PR.
https://docs.github.com/en/pull-requests/get-started/about-stacked-prs
🤓
По анализу 1,5 млн PR правки на 200–400 строк одобряют в 3 раза быстрее и с на 40% меньшим числом дефектов. В TED говорят прямо: AI сделал разработчиков продуктивнее, но PR выросли настолько, что ревьюеры перестали справляться.
Как применить сегодня: gh extension install github/gh-stack, дальше gh stack init, add, submit. gh stack sync сам ребейзит всю цепочку после правок снизу, верхний PR ретаргетится на main автоматически, защита веток и required checks работают на каждом слое.
Для агентов есть готовый скилл: npx skills add github/gh-stack.
Минусы: только одна репа (кросс-форки нет), squash-мерж ломает отслеживание стека, практический предел — 3-4 PR.
https://docs.github.com/en/pull-requests/get-started/about-stacked-prs
🤓
Agnes AI: 33B-модель с контекстом 262 000 токенов влезла в одну H100.
Вышел Agnes-3.0-Flash — открытые веса под Apache 2.0, мультимодалка (текст, картинки, видео). Фишка в архитектуре: из 72 слоёв 54 работают на gated delta rule, то есть рекуррентно, состояние не растёт с длиной текста, и только 18 — обычное внимание. KV-кэш держат лишь 18 слоёв, поэтому на длинном контексте память не раздувается.
Веса bf16 — около 66 ГБ, крутится на одной H200 141 ГБ или H100 80 ГБ, сервер поднимается через SGLang. Есть tool calling и три уровня reasoning effort.
Цифры честные: GPQA Diamond 85,05, IFBench 74,20 — но DeepSeek V4 Flash даёт 90,8, а по AA-Omniscience у Agnes 23 против 51 у Gemini 3.5 Flash. Это рабочая лошадка для своего железа, а не замена фронтиру.
Как применить: гоняешь длинный контекст на своей карте — снимаешь веса и поднимаешь OpenAI-совместимый сервер локально, без облачных счетов.
https://huggingface.co/Agnes-AI/Agnes-3.0-Flash 🤔
Вышел Agnes-3.0-Flash — открытые веса под Apache 2.0, мультимодалка (текст, картинки, видео). Фишка в архитектуре: из 72 слоёв 54 работают на gated delta rule, то есть рекуррентно, состояние не растёт с длиной текста, и только 18 — обычное внимание. KV-кэш держат лишь 18 слоёв, поэтому на длинном контексте память не раздувается.
Веса bf16 — около 66 ГБ, крутится на одной H200 141 ГБ или H100 80 ГБ, сервер поднимается через SGLang. Есть tool calling и три уровня reasoning effort.
Цифры честные: GPQA Diamond 85,05, IFBench 74,20 — но DeepSeek V4 Flash даёт 90,8, а по AA-Omniscience у Agnes 23 против 51 у Gemini 3.5 Flash. Это рабочая лошадка для своего железа, а не замена фронтиру.
Как применить: гоняешь длинный контекст на своей карте — снимаешь веса и поднимаешь OpenAI-совместимый сервер локально, без облачных счетов.
https://huggingface.co/Agnes-AI/Agnes-3.0-Flash 🤔
Маск в четвёртый раз сдвинул Grok 4.7 — и впервые назвал причину: RL сломал модель.
Дедлайн был 12 сентября («выйдет через 10 дней»). Вместо релиза — пост: «нужно ещё несколько дней, мы, кажется, слишком сильно штрафовали длину ответа в RL, модель всё ещё сдаётся на сложных задачах (которые умеет!) слишком рано».
Grok 4.7 — 2,1 трлн параметров против 1,5 трлн у 4.6 (+40%) плюс доп. обучение на данных SpaceX. Три прошлых даты (21.08, 09.09, 11.09) прошли, а карточки модели, цены и контекста у xAI до сих пор нет.
Почему важно: редкий публичный кейс, как reward shaping ломает поведение — штрафуешь длину, и модель обрывает рассуждение, сдаваясь на том, что умеет. Тюнишь своего агента — следи за длиной ответа первым делом.
Как применить: не переносить прод на «пару дней». Grok 4.5 опоздала на 7 недель, 4.6 — на 5 дней; ждём grok-4.7 в docs.x.ai с ценой и контекстом.
https://cryptobriefing.com/xai-delays-grok-4-7-release 😬
Дедлайн был 12 сентября («выйдет через 10 дней»). Вместо релиза — пост: «нужно ещё несколько дней, мы, кажется, слишком сильно штрафовали длину ответа в RL, модель всё ещё сдаётся на сложных задачах (которые умеет!) слишком рано».
Grok 4.7 — 2,1 трлн параметров против 1,5 трлн у 4.6 (+40%) плюс доп. обучение на данных SpaceX. Три прошлых даты (21.08, 09.09, 11.09) прошли, а карточки модели, цены и контекста у xAI до сих пор нет.
Почему важно: редкий публичный кейс, как reward shaping ломает поведение — штрафуешь длину, и модель обрывает рассуждение, сдаваясь на том, что умеет. Тюнишь своего агента — следи за длиной ответа первым делом.
Как применить: не переносить прод на «пару дней». Grok 4.5 опоздала на 7 недель, 4.6 — на 5 дней; ждём grok-4.7 в docs.x.ai с ценой и контекстом.
https://cryptobriefing.com/xai-delays-grok-4-7-release 😬
Пять агентов на трёх компах дома — 8 минут вместо 18.
NVIDIA выложила в опенсорс (Apache 2.0) Personal AI Router — бета-роутер, который раскидывает запросы локальных моделей по всем машинам домашней сети. В демо 5 сабагентов через Ollama отработали за 8 минут 48 секунд на кластере из трёх устройств, а на одном ноутбуке — 18 минут.
Это не движок и не склейка GPU в одну: Ollama или LM Studio остаются работать у себя, PAIR только находит свободную ноду и возвращает ответ. Агенты видят один привычный OpenAI-совместимый эндпоинт. Промпты и контекст не покидают домашнюю сеть, за токены не платишь вообще.
Железо: RTX 20-й серии и новее, RTX PRO, DGX Spark, Apple M4+. Windows, macOS и Linux, для машин без графики есть терминальный интерфейс.
Как применить: качаешь пакет со страницы релизов на GitHub, ставишь на каждую машину (Debian: sudo apt install ./NVPAIR-Setup-*.deb), пейришь их и в конфиге агента оставляешь тот же локальный адрес.
https://github.com/NVIDIA/Personal-AI-Router 🤓
NVIDIA выложила в опенсорс (Apache 2.0) Personal AI Router — бета-роутер, который раскидывает запросы локальных моделей по всем машинам домашней сети. В демо 5 сабагентов через Ollama отработали за 8 минут 48 секунд на кластере из трёх устройств, а на одном ноутбуке — 18 минут.
Это не движок и не склейка GPU в одну: Ollama или LM Studio остаются работать у себя, PAIR только находит свободную ноду и возвращает ответ. Агенты видят один привычный OpenAI-совместимый эндпоинт. Промпты и контекст не покидают домашнюю сеть, за токены не платишь вообще.
Железо: RTX 20-й серии и новее, RTX PRO, DGX Spark, Apple M4+. Windows, macOS и Linux, для машин без графики есть терминальный интерфейс.
Как применить: качаешь пакет со страницы релизов на GitHub, ставишь на каждую машину (Debian: sudo apt install ./NVPAIR-Setup-*.deb), пейришь их и в конфиге агента оставляешь тот же локальный адрес.
https://github.com/NVIDIA/Personal-AI-Router 🤓
79 000 звёзд на GitHub и обещание срезать 60% токенов. А счёт за агента вырос.
RTK (Rust Token Killer) сжимает вывод терминала до того, как его прочитает агент. Пост в X про «−60% токенов» собрал 313 тыс. просмотров — независимые замеры экономии не нашли.
JetBrains в SkillsBench: 425 прогонов, цена выше на 7,6%. Quesma прогнала Terminal-Bench 2.1: Claude Code с Fable 5 — почти без разницы (вся экономия пришлась на одну задачу из набора), OpenCode с DeepSeek V4 Pro — в среднем на 17% дороже: урезанный вывод заставлял агента делать больше шагов.
Метрика врёт: RTK считает «экономию» как байты вывода, делённые на 4, а не как биллинговые токены — 349 млн «сэкономленных» токенов на 445 прогонах при выросшем счёте. Кэш-вход стоит в 10–30 раз дешевле нового, а выход — больше половины счёта, так что обрезать вывод почти не значит платить меньше.
Вывод: считать цену завершённой задачи, а не токены. Прошлый разбор похожего скилла — тем же.
https://quesma.com/blog/does-rtk-make-ai-coding-cheaper/
🤔
RTK (Rust Token Killer) сжимает вывод терминала до того, как его прочитает агент. Пост в X про «−60% токенов» собрал 313 тыс. просмотров — независимые замеры экономии не нашли.
JetBrains в SkillsBench: 425 прогонов, цена выше на 7,6%. Quesma прогнала Terminal-Bench 2.1: Claude Code с Fable 5 — почти без разницы (вся экономия пришлась на одну задачу из набора), OpenCode с DeepSeek V4 Pro — в среднем на 17% дороже: урезанный вывод заставлял агента делать больше шагов.
Метрика врёт: RTK считает «экономию» как байты вывода, делённые на 4, а не как биллинговые токены — 349 млн «сэкономленных» токенов на 445 прогонах при выросшем счёте. Кэш-вход стоит в 10–30 раз дешевле нового, а выход — больше половины счёта, так что обрезать вывод почти не значит платить меньше.
Вывод: считать цену завершённой задачи, а не токены. Прошлый разбор похожего скилла — тем же.
https://quesma.com/blog/does-rtk-make-ai-coding-cheaper/
🤔