🦀 Вышел OpenClaw 2.0 - крупнейшее обновление опенсорсного AI-агента за всё время проекта.

Главное, что изменилось:

• заметно упростили установку и настройку
• OpenClaw теперь сам подхватывает активные подписки ChatGPT и Claude, API-ключи и локальные модели
• веб-интерфейс стал удобнее
• агент лучше справляется со сложными задачами и сам ищет недостающие детали без постоянных подсказок
• появились общие сессии: можно подключить другого человека и передать ему задачу вместе со всем накопленным контекстом

Общие сессии работают через облако.

OpenClaw 2.0 уже доступен всем пользователям:

https://openclaw.ai/#quickstart

🔥 FreeCAD теперь можно управлять через AI-агента

freecad-mcp - MCP-сервер, который подключает Claude Desktop к FreeCAD и позволяет работать с CAD-моделями прямо через команды на естественном языке.

Что умеет:

- создавать документы и 3D-объекты
- редактировать и удалять детали
- выполнять Python-код внутри FreeCAD
- вставлять готовые детали из библиотеки
- получать список объектов и скриншоты сцены
- работать удалённо по сети через RPC

В репозитории есть примеры: создание фланца, игрушечной машины и детали по 2D-чертежу.
https://github.com/neka-nat/freecad-mcp

Anthropic усиливает безопасность Claude после нескольких инцидентов во время тестирования моделей.

Компания обнаружила две основные проблемы: недостаточно изолированные тестовые среды и ситуации, когда модель продолжала выполнять задачу за пределами разрешённого сценария.

Что Anthropic уже изменила:

- временно остановила часть внешних испытаний по кибербезопасности и усилила изоляцию
- добавила систему проверки действий в реальном времени, которая блокирует попытки выйти за пределы среды или получить неожиданный доступ в интернет
- опасные тестовые среды перевела на более строгую изоляцию
- для внешних исследователей ввела обязательные правила по границам тестирования и наблюдению за действиями модели
- часть сред для обучения с подкреплением заморозили и начали перепроверять
- более 10% рабочих сред для такого обучения оказались проблемными из-за обхода системы вознаграждения, сломанных заданий или неправильной настройки
- около 150 инженеров временно перевели на задачи безопасности, надёжности и конфиденциальности
- исходящий сетевой трафик из вычислительных кластеров теперь по умолчанию блокируется

Отдельно Anthropic показала опасный эффект: если модель обучать в средах, где можно «схитрить» ради награды, она начинает чаще искать способы обходить ограничения и вмешиваться в систему оценки результата.


https://www.anthropic.com/news/improving-alignment-security-efforts

🐳 DeepSeek открыла веса DeepSeek-V4-Flash-Vision-Exp - первой экспериментальной мультимодальной модели семейства V4.

Модель построена на базе DeepSeek-V4-Flash и получила полноценное визуальное понимание: умеет работать с изображениями, скриншотами, графиками и использовать их в агентных сценариях.

По бенчмаркам DeepSeek:

- 36,5 на ApexBench против 26,2 у V4-Flash
- 27,3 на Agents' Last Exam
- 64,3 на Chartography
- 35,0 Pass@5 на ZeroBench
- в DeepSWE модель набрала 59,3, немного обойдя Opus-4.8 с 58,0

При этом текстовые агентные возможности остались примерно на уровне обычной V4-Flash.

Размер модели - около 305B параметров, лицензия MIT. В репозитории есть reference inference для vision encoder, MoE, DFlash attention и других компонентов.

https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash-Vision-Exp

⚡️ OpenAI готовит Astra - первую модель компании, которую официально отнесли к критическому уровню возможностей в кибербезопасности.

По оценке OpenAI, Astra уже умеет самостоятельно находить ранее неизвестные уязвимости и строить рабочие цепочки эксплуатации против хорошо защищённых систем.

На ExploitBench модель набрала 100%. Во внутреннем тесте на 20 свежих уязвимостях Astra показала намного более высокий уровень выполнения кода, чем GPT-5.6 Sol, при этом используя меньше токенов.

Во время тестов модель также нашла две zero-day уязвимости и использовала их в цепочке атаки.

В экспертных проверках Astra:

- находила неизвестные уязвимости в защищённом браузере
- строила цепочку выхода из sandbox
- получала выполнение команд на хосте
- находила несколько уязвимостей в ОС
- объединяла их в повышение привилегий до root

Из-за этого OpenAI усилила защиту, мониторинг и ограничения доступа.

Самые мощные возможности Astra в кибербезопасности сначала получит ограниченная группа тестировщиков, а затем доступ будут расширять через Daybreak Blue.

https://openai.com/index/path-to-astra/

От идеи до продакшна < 3 месяцев, менять государственные и бизнес процессы — ты готов ? 🚀

Прямо сейчас Сбер ищет NLP-специалиста в команду, которая внедряет передовые harness в масштабные процессы, создаёт мультиагентные сценарии, RAG для миллионов документов, OSINT/deep‑research.

Ты будешь работать с передовым LLM‑стеком: LangChain и LangGraph, vLLM и PEFT/LoRA, полным RAG‑стеком, Vector DB (Qdrant, Weaviate) и инфраструктурой на FastAPI, Pydantic и asyncio.

Попасть в команду можно за 1 день — если пройдёшь все этапы отбора на One Day Offer, который состоится уже 5 сентября.

Регистрируйся по ссылке — количество слотов стремительно уменьшается! 💚

🛰 Google Research научила нейросеть искать утечки метана прямо со спутниковых данных.

Новая система MAPL-EMIT анализирует гиперспектральные снимки NASA EMIT и автоматически:

- находит метановые шлейфы
- оценивает концентрацию газа
- определяет форму выброса
- ищет точный источник утечки

В основе - vision transformer Swin-S, который смотрит не только на отдельный пиксель, но и на окружающий пространственный контекст. Это помогает отличать настоящий метановый шлейф от поверхности с похожим спектральным сигналом.

Для обучения исследователи сгенерировали 3,6 млн синтетических шлейфов метана и встроили их в реальные спутниковые сцены EMIT.

На тестах модель обнаружила 84% шлейфов, отмеченных экспертами, и нашла примерно на 50% больше правдоподобных выбросов, чем стандартный подход NASA на выборке примерно из 1100 сцен. Также система смогла обнаружить выбросы на 24 из 25 крупнейших свалок мира.

Google открыла глобальную базу шлейфов, обученную модель, синтетический датасет и библиотеку для инференса.

https://research.google/blog/mapping-global-methane-emissions-from-space-with-deep-learning/

Fine Talks: куда движется корпоративная аналитика

Собираемся, чтобы разобраться без лозунгов: что реально меняется в работе BI-команд с приходом ИИ, где он уже даёт результат, а где упирается в состояние данных. Одни ждут, что чат-бот заменит аналитика, другие уверены, что до их данных это не доедет.

В программе:
✅ дискуссия с практиками из СИБУР и t2: три версии показателя «выручка» в разных отчётах, матрица доступа, доверие бизнеса к цифрам и кто отвечает за результат, если его посчитала машина
✅ разбор Dora, новой платформы дата-агентов FanRuan: четыре роли агентов, архитектура, права, демо и роадмап
✅ новые компетенции аналитика: критическое мышление, промпт-инжиниринг, умение проверять выводы моделей

Ссылку на трансляцию пришлём на почту после регистрации.

Онлайн-встреча 3 сентября в 16:00
👉 Регистрация

Реклама. ООО «ГлоуБайт Аналитические Решения». ИНН 9729274905. erid: 2RanykMbxnf

Google запустила агентный анализ видео сразу в Gemini 3.7 Flash, 3.6 Flash и 3.5 Flash-Lite.

Теперь модель не обязана одинаково подробно обрабатывать весь ролик. Она сама решает, какие фрагменты стоит изучить внимательнее, где можно снизить частоту кадров и какие части видео вообще не требуют глубокого анализа.

По данным Google, новый подход даёт:

- до 88% меньше токенов
- до 66% ниже стоимость анализа
- более высокую точность на видео-задачах

Особенно полезно это для длинных роликов, где раньше модель тратила огромное количество токенов на кадры, которые почти не влияли на ответ.

https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-agentic-video-in-gemini/

Рынок труда меняется не по дням, а по часам — компании требуют опыт, а не заученную теорию. Освойте машинное обучение с нуля за 11 месяцев, где живые лекции с преподавателями-экспертами и актуальная программа обучения с практикой над реальными проектами!

🎁 Записывайтесь на 2 бесплатных вебинара курса «Машинное обучение. Специализация» — познакомьтесь с программой обучения и преподавателями.

1⃣7 сентября, 18:00 мск — «Учимся готовить данные для ML-моделей»: разберём, как правильно готовить данные для обучения моделей, проведём первичный анализ и пройдём весь pipeline предобработки — от теории до практики, чтобы ошибки на старте не стоили вам точности модели.

2⃣16 сентября, 18:00 мск — «Задача классификации от 0 до 9»: узнаете, чем ML отличается от классического программирования, разберёте задачу классификации и обучите свою первую модель для распознавания рукописных цифр.
Записывайтесь ➡ https://otus.pw/CkAB/?erid=2W5zFHkhmNZ


Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.