Фонд экс-исследователя OpenAI попал под удар собственной ставки на ИИ
Хедж-фонд Situational Awareness Леопольда Ашенбреннера, управляющий примерно $20 млрд, ищет дополнительный капитал после резкого падения акций, связанных с ИИ. По данным FT, фонд использовал заёмные средства, поэтому снижение рынка усилило потери.
Контраст впечатляющий: ещё на 30 июня 2026 года фонд сообщал инвесторам о доходности 439% после комиссий с начала года. Спустя несколько недель он начал обсуждать привлечение денег с инвесторами и кредиторами, а некоторым предложил выкупить активы из портфеля.
Новый капитал может понадобиться для покрытия залоговых требований, защиты от вынужденных продаж или покупки подешевевших активов. Сам Ашенбреннер считает нынешний обвал одной из лучших возможностей для входа в технологический сектор с начала 2025 года.
Стратегия фонда строится на глобальной ставке на компании, которые выиграют от роста ИИ: технологии, энергетика, дата-центры и инфраструктура. Но история вновь показывает цену плеча: оно одинаково быстро увеличивает и прибыль, и убытки.
Сначала +439%, затем срочный поиск капитала. Самая громкая ставка на ИИ проходит первую серьёзную проверку.
ft.com/content/280336bf-dbed-405f-b38e-5af644a21549
Хедж-фонд Situational Awareness Леопольда Ашенбреннера, управляющий примерно $20 млрд, ищет дополнительный капитал после резкого падения акций, связанных с ИИ. По данным FT, фонд использовал заёмные средства, поэтому снижение рынка усилило потери.
Контраст впечатляющий: ещё на 30 июня 2026 года фонд сообщал инвесторам о доходности 439% после комиссий с начала года. Спустя несколько недель он начал обсуждать привлечение денег с инвесторами и кредиторами, а некоторым предложил выкупить активы из портфеля.
Новый капитал может понадобиться для покрытия залоговых требований, защиты от вынужденных продаж или покупки подешевевших активов. Сам Ашенбреннер считает нынешний обвал одной из лучших возможностей для входа в технологический сектор с начала 2025 года.
Стратегия фонда строится на глобальной ставке на компании, которые выиграют от роста ИИ: технологии, энергетика, дата-центры и инфраструктура. Но история вновь показывает цену плеча: оно одинаково быстро увеличивает и прибыль, и убытки.
Сначала +439%, затем срочный поиск капитала. Самая громкая ставка на ИИ проходит первую серьёзную проверку.
ft.com/content/280336bf-dbed-405f-b38e-5af644a21549
❤8👍6🔥4
Forwarded from Machinelearning
DeepSeek запустила официальный API модели V4-Flash и заметно улучшила её работу в агентных сценариях.
По тестам компании, новая версия значительно опережает V4-Pro-Preview в задачах, связанных с кодом и автономными агентами.
Что изменилось:
- усилены возможности для долгих агентных задач;
- добавлена нативная поддержка Responses API;
- появились параллельные вызовы инструментов;
- доступны уровни рассуждения
- контекст увеличен до 1 млн токенов;
- модель адаптирована для работы с Codex.
V4-Flash можно подключить к Codex CLI, расширению для VS Code и другим совместимым инструментам через единый конфиг.
⚠️ Примечание
🔷 DeepSeek-V4-Flash-0731 сохранила ту же архитектуру и размер модели, что и предварительная версия.
🔷 Сегодняшнее обновление касается только API DeepSeek-V4-Flash. API DeepSeek-V4-Pro, а также модели в приложении и веб-версии пока остаются без изменений.
Официальный релиз DeepSeek-V4-Pro состоится в ближайшее время.
Документация:
https://api-docs.deepseek.com/quick_start/agent_integrations/codex
По тестам компании, новая версия значительно опережает V4-Pro-Preview в задачах, связанных с кодом и автономными агентами.
Что изменилось:
- усилены возможности для долгих агентных задач;
- добавлена нативная поддержка Responses API;
- появились параллельные вызовы инструментов;
- доступны уровни рассуждения
low, high и max;- контекст увеличен до 1 млн токенов;
- модель адаптирована для работы с Codex.
V4-Flash можно подключить к Codex CLI, расширению для VS Code и другим совместимым инструментам через единый конфиг.
⚠️ Примечание
🔷 DeepSeek-V4-Flash-0731 сохранила ту же архитектуру и размер модели, что и предварительная версия.
🔷 Сегодняшнее обновление касается только API DeepSeek-V4-Flash. API DeepSeek-V4-Pro, а также модели в приложении и веб-версии пока остаются без изменений.
Официальный релиз DeepSeek-V4-Pro состоится в ближайшее время.
Документация:
https://api-docs.deepseek.com/quick_start/agent_integrations/codex
❤12👍7🔥5
⚡️ Thinking Machines Lab Миры Мурати выпустила Inkling-Small - открытую MoE-модель на 276 млрд параметров, которая активирует лишь 12 млрд на токен.
И эта «младшая» версия обошла Inkling с 41 млрд активных параметров:
— Terminal-Bench 2.1: 64,7% против 63,8%;
— HLE: 31,6% против 29,7%;
— SWE-Bench Verified: 80,2% против 77,6%.
Результат получили после on-policy-дистилляции от старшей модели и ещё двух недель RL на агентном программировании.
Inkling-Small поддерживает изображения и аудио, контекст до 1 млн токенов и регулируемую глубину рассуждений. Веса опубликованы полностью.
Похоже, у разработчиков мультимодальных агентов появился крайне эффективный открытый фундамент.
https://thinkingmachines.ai/news/inkling-small/
И эта «младшая» версия обошла Inkling с 41 млрд активных параметров:
— Terminal-Bench 2.1: 64,7% против 63,8%;
— HLE: 31,6% против 29,7%;
— SWE-Bench Verified: 80,2% против 77,6%.
Результат получили после on-policy-дистилляции от старшей модели и ещё двух недель RL на агентном программировании.
Inkling-Small поддерживает изображения и аудио, контекст до 1 млн токенов и регулируемую глубину рассуждений. Веса опубликованы полностью.
Похоже, у разработчиков мультимодальных агентов появился крайне эффективный открытый фундамент.
https://thinkingmachines.ai/news/inkling-small/
🔥14👍8❤6
🤯 OpenAI заявила о десяти прорывах в задачах, которые математики не могли решить десятилетиями
Результаты получила внутренняя версия Astra - следующей крупной модели компании.
Среди достижений:
— построен первый явный пример не-софической группы (особого типа абстрактной алгебраической структуры, которую раньше удавалось описывать только косвенно);
— опровергнута гипотеза жёсткости Конна (долгосрочное предположение в функциональном анализе о том, насколько строго определяются такие математические объекты);
— доказана квантовая теорема о параллельном повторении для общих двухигровых систем (показывает, как быстро падают шансы на успех при многократном повторении квантовых игр);
— доказана гипотеза Эрхарта об объёме (результат из геометрии, связанный с подсчётом точек в многомерных фигурах и их объёмами);
— впервые с 1978 года улучшена общая верхняя оценка плотности упаковки сфер (то есть насколько плотно можно «уложить» шары в пространстве).
По заявлению OpenAI, Astra самостоятельно нашла основные математические аргументы, а затем формализовала каждое доказательство в Lean. Вместе с машинно проверяемыми сертификатами опубликована рукопись на 249 страниц.
Успешные запуски обошлись бы примерно в $2000 по тарифам Sol API.
одели начинают предлагать новые доказательства для открытых задач - хотя теперь результаты должен внимательно проверить весь математический мир.
Astra ещё не выпущена, и OpenAI не называет её GPT-6.
openai.com/index/ten-advances-in-mathematics/
Результаты получила внутренняя версия Astra - следующей крупной модели компании.
Среди достижений:
— построен первый явный пример не-софической группы (особого типа абстрактной алгебраической структуры, которую раньше удавалось описывать только косвенно);
— опровергнута гипотеза жёсткости Конна (долгосрочное предположение в функциональном анализе о том, насколько строго определяются такие математические объекты);
— доказана квантовая теорема о параллельном повторении для общих двухигровых систем (показывает, как быстро падают шансы на успех при многократном повторении квантовых игр);
— доказана гипотеза Эрхарта об объёме (результат из геометрии, связанный с подсчётом точек в многомерных фигурах и их объёмами);
— впервые с 1978 года улучшена общая верхняя оценка плотности упаковки сфер (то есть насколько плотно можно «уложить» шары в пространстве).
По заявлению OpenAI, Astra самостоятельно нашла основные математические аргументы, а затем формализовала каждое доказательство в Lean. Вместе с машинно проверяемыми сертификатами опубликована рукопись на 249 страниц.
Успешные запуски обошлись бы примерно в $2000 по тарифам Sol API.
одели начинают предлагать новые доказательства для открытых задач - хотя теперь результаты должен внимательно проверить весь математический мир.
Astra ещё не выпущена, и OpenAI не называет её GPT-6.
openai.com/index/ten-advances-in-mathematics/
🔥43❤16👍10😁4👌1
Media is too big
VIEW IN TELEGRAM
⚡️ Opus 5 за два часа превратила абзац из «Властелина колец» в интерактивный 3D-мир
Андрей Карпати дал модели первый абзац книги, бюджет в 1 млн токенов - около $10 - и попросил создать сцену на Three.js.
Результат: 5500 строк кода, процедурная генерация объектов, расстановка моделей по координатам и анимация событий.
Местами всё выглядит криво. Но раньше никто не стал бы тратить дни на настолько узкую сцену. Теперь достаточно описать мир - и через пару часов получить рабочий прототип.
Пока слабое место моделей - проверка результата. Они не умеют полноценно смотреть видео и играть в собственные игры, поэтому анализируют скриншоты и пропускают ошибки.
https://x.com/Machinelearrn/status/2083859736387035332
@data_analysis_ml
Андрей Карпати дал модели первый абзац книги, бюджет в 1 млн токенов - около $10 - и попросил создать сцену на Three.js.
Результат: 5500 строк кода, процедурная генерация объектов, расстановка моделей по координатам и анимация событий.
Местами всё выглядит криво. Но раньше никто не стал бы тратить дни на настолько узкую сцену. Теперь достаточно описать мир - и через пару часов получить рабочий прототип.
Пока слабое место моделей - проверка результата. Они не умеют полноценно смотреть видео и играть в собственные игры, поэтому анализируют скриншоты и пропускают ошибки.
https://x.com/Machinelearrn/status/2083859736387035332
@data_analysis_ml
🤣20👍17🔥6❤4😁2
⚡️ Если вы уже работаете с ИИ-агентами, вы примерно среди 0,14% людей на планете
По июльским оценкам ourworldindata, около 71% трудоспособного населения мира ещё не использовали генеративный ИИ. Массовым кажется только то, что мы видим внутри технологического пузыря.
Платные подписки занимают ещё меньшую долю. Даже Codex, один из крупнейших агентных продуктов, насчитывает чуть больше 5 млн активных пользователей в неделю.
Пока разработчики делегируют агентам рефакторинг, тесты и многочасовые задачи, большая часть человечества ещё ни разу не открывала ChatGPT или его аналоги.
Разрыв огромен.
Цифры о платящих пользователях и 12 млн пользователей агентов остаются приблизительными: единой мировой статистики по всем сервисам нет.
По июльским оценкам ourworldindata, около 71% трудоспособного населения мира ещё не использовали генеративный ИИ. Массовым кажется только то, что мы видим внутри технологического пузыря.
Платные подписки занимают ещё меньшую долю. Даже Codex, один из крупнейших агентных продуктов, насчитывает чуть больше 5 млн активных пользователей в неделю.
Пока разработчики делегируют агентам рефакторинг, тесты и многочасовые задачи, большая часть человечества ещё ни разу не открывала ChatGPT или его аналоги.
Разрыв огромен.
Цифры о платящих пользователях и 12 млн пользователей агентов остаются приблизительными: единой мировой статистики по всем сервисам нет.
🔥22❤10👍6😁1🤣1
Forwarded from Machinelearning
⚡️ Qwen представила Qwen3.8-Max - модель на 2,4 трлн параметров для автономной разработки и рабочих агентов
По заявлению команды, модель способна вести длинные проекты почти без вмешательства человека: планировать работу, писать код, запускать инструменты, анализировать результат и исправлять ошибки по обратной связи.
Пример - oh-my-cli. Агент начал с пустой папки и развивал проект больше десяти дней, оставив полный журнал изменений в открытом GitHub-репозитории.
Qwen также заявляет о сотнях последовательных итераций при оптимизации чипов, долгосрочном планировании бизнес-стратегий и нативной работе с изображениями. Визуальные данные используются внутри цикла «планирование - выполнение - проверка», а не только как входной контекст.
Цена API:
- ввод - $2 за 1 млн токенов;
- вывод - $6;
- закешированный ввод - $0,25.
На следующей неделе компания обещает открыть веса Qwen3.8-Max и более компактной Qwen3.8-27B.
Если заявленные возможности подтвердятся на независимых тестах, Qwen получит редкую комбинацию: огромную агентную модель, мультимодальность и открытые веса.
Блог:
https://qwen.ai/blog?id=qwen3.8
Qwen Studio:
https://chat.qwen.ai/?models=qwen3.8-max
API:
https://qwencloud.com/models/qwen3.8-max
Автономный проект:
https://github.com/qwen-code-dev-bot/oh-my-cli
@ai_machinelearning_big_data
#qwen
По заявлению команды, модель способна вести длинные проекты почти без вмешательства человека: планировать работу, писать код, запускать инструменты, анализировать результат и исправлять ошибки по обратной связи.
Пример - oh-my-cli. Агент начал с пустой папки и развивал проект больше десяти дней, оставив полный журнал изменений в открытом GitHub-репозитории.
Qwen также заявляет о сотнях последовательных итераций при оптимизации чипов, долгосрочном планировании бизнес-стратегий и нативной работе с изображениями. Визуальные данные используются внутри цикла «планирование - выполнение - проверка», а не только как входной контекст.
Цена API:
- ввод - $2 за 1 млн токенов;
- вывод - $6;
- закешированный ввод - $0,25.
На следующей неделе компания обещает открыть веса Qwen3.8-Max и более компактной Qwen3.8-27B.
Если заявленные возможности подтвердятся на независимых тестах, Qwen получит редкую комбинацию: огромную агентную модель, мультимодальность и открытые веса.
Блог:
https://qwen.ai/blog?id=qwen3.8
Qwen Studio:
https://chat.qwen.ai/?models=qwen3.8-max
API:
https://qwencloud.com/models/qwen3.8-max
Автономный проект:
https://github.com/qwen-code-dev-bot/oh-my-cli
@ai_machinelearning_big_data
#qwen
❤8👍8🔥6
⚡️ DeepSeek V4 Flash теперь можно запустить локально на одном Mac
На Hugging Face появилась специальная GGUF-сборка DeepSeek-V4-Flash-0731 для компьютеров Apple Silicon со 128 ГБ объединённой памяти.
Официальная модель содержит 304 млрд параметров и поддерживает контекст до 1 млн токенов. После смешанной 2- и 4-битной квантизации файл занимает 97,6 ГБ.
Чувствительные слои, attention и общие эксперты сохранены в повышенной точности, а основная часть MoE-экспертов сжата агрессивнее.
Для запуска используется специализированный движок ds4 / DwarfStar:
Это нестандартный GGUF. Он не загрузится в Ollama, LM Studio или llama.cpp из-за особой структуры тензоров и схемы квантизации.
Модель уровня крупного серверного кластера удалось целиком уместить в память одного мощного Mac. Медленно и требовательно к железу, зато полностью локально .
Модель:
https://huggingface.co/ox-ox/DeepSeek-V4-Flash-0731-gguf-ds4
На Hugging Face появилась специальная GGUF-сборка DeepSeek-V4-Flash-0731 для компьютеров Apple Silicon со 128 ГБ объединённой памяти.
Официальная модель содержит 304 млрд параметров и поддерживает контекст до 1 млн токенов. После смешанной 2- и 4-битной квантизации файл занимает 97,6 ГБ.
Чувствительные слои, attention и общие эксперты сохранены в повышенной точности, а основная часть MoE-экспертов сжата агрессивнее.
Для запуска используется специализированный движок ds4 / DwarfStar:
git clone https://github.com/antirez/ds4
cd ds4
make
./ds4 -m gguf/DeepSeek-V4-Flash-0731-....gguf \
-p "Напиши распределённый кеш на Go"
Это нестандартный GGUF. Он не загрузится в Ollama, LM Studio или llama.cpp из-за особой структуры тензоров и схемы квантизации.
Модель уровня крупного серверного кластера удалось целиком уместить в память одного мощного Mac. Медленно и требовательно к железу, зато полностью локально .
Модель:
https://huggingface.co/ox-ox/DeepSeek-V4-Flash-0731-gguf-ds4
👍8❤3🔥3
⚡️ Y Combinator открыл исходники QM - мультиплеерного харнесса для управления компанией через ИИ-агентов
QM создавался внутри YC после экспериментов с десятками персональных агентов. В какой-то момент команда развернула более 50 Hermes-инстансов и столкнулась с очевидной проблемой: управлять таким флотом вручную слишком сложно.
В QM каждый сотрудник, канал и проект получает собственное изолированное пространство с памятью, файлами, разрешениями, секретами, cron-задачами и постоянной песочницей. Люди могут работать с агентами лично или совместно через Slack и веб-интерфейс.
Агенты умеют искать информацию в документах, почте, базах данных и внутренних заметках, создавать веб-приложения, работать с репозиториями, запускать тесты, открывать PR и следить за CI.
QM опубликован под лицензией MIT.
GitHub: https://github.com/yc-software/qm
QM создавался внутри YC после экспериментов с десятками персональных агентов. В какой-то момент команда развернула более 50 Hermes-инстансов и столкнулась с очевидной проблемой: управлять таким флотом вручную слишком сложно.
В QM каждый сотрудник, канал и проект получает собственное изолированное пространство с памятью, файлами, разрешениями, секретами, cron-задачами и постоянной песочницей. Люди могут работать с агентами лично или совместно через Slack и веб-интерфейс.
Агенты умеют искать информацию в документах, почте, базах данных и внутренних заметках, создавать веб-приложения, работать с репозиториями, запускать тесты, открывать PR и следить за CI.
QM опубликован под лицензией MIT.
GitHub: https://github.com/yc-software/qm
👍11❤4🔥4