Новый Grok-4.5 уже доступен в нашем API-сервисе DS Lab

Теперь попробовать модель можно без VPN и иностранной карты. Цены: 200р/1М input, 600р/1М output.

Пробуйте: https://dslab.tech/ai/models/llm/grok-4.5

OpenAI выпустили GPT-Live – голосовой режим нового поколения

(Вообще-то релиз случился еще вчера, но Grok-4.5 немного его затмил)

Итак, что мы имеем:

— Модель научили слушать и говорить одновременно. Даже в Advanced Voice Mode это был все еще обмен репликами по очереди, но теперь общение ощущается как живой разговор (особенно, если вы говорите с моделью по английски). Мы потестили на синхронном переводе, и звучит действительно хорошо.

— Архитектуру заменили на Full-Duplex. Это значит, что вместо последовательности «юзер -> обработка -> ответ» модель теперь слушает, обновляется и думает одновременно. В частности, раз в несколько секунд она принимает решение: продолжать слушать, перебить, вызвать инструмент и тд.

— Если запрос сложный, система умеет перенаправлять вопрос GPT-5.5 (при этом разговор естественно поддерживается, пока ответ подготавливается).

Новый режим (+ новые голоса) можно попробовать уже сегодня. На бесплатный тариф раскатывают GPT-Live-1 mini, остальным уже должна быть доступна GPT-Live-1.

Видео и демонстрации экрана пока нет, и некоторые языки звучат с заметным акцентом, но разработчики обещают все это постепенно исправить.

https://openai.com/index/introducing-gpt-live/

Российские исследователи нашли способ улучшить качество текста и кода в моделях маскированной диффузии

Исследователи из лаборатории научных исследований Т-Технологий и Института ИИ и цифровых наук ФКН НИУ ВШЭ разработали G-Star+ — новый метод для моделей маскированной диффузии, который улучшает генерацию текста и кода. Работу представили на ML-конфе ICML 2026 в Сеуле.

Проблема таких моделей для генерации текста и кода в том, что они заменяют замаскированные элементы на токены постепенно. Если модель ошибается на раннем этапе, исправить ошибку потом сложно: выбранные токены больше не пересматриваются.

Авторы предлагают решить эту проблему с помощью Guided Star-Shaped sampler. По сути, это «внутренний редактор» модели: он находит подозрительные токены, маскирует их и дает модели возможность переписать их позднее.

При этом подход не требует полного переобучения модели: достаточно дообучить один дополнительный слой. Модуль обучается не на искусственных грубых ошибках, а на реальных, которые допускает сама модель и которые сложнее обнаружить, чем очевидно случайные замены.

На практике метод оказался особенно полезен в режимах быстрой генерации (64–256 шагов), где время на исправление ошибок ограничено. G-Star+ был оценен на семи бенчмарках и может использоваться в ИИ-ассистентах, инструментах генерации и автодополнения кода и в других системах, где одновременно важны скорость работы и качество ответа.

Статья

SWE-Bench Pro умер и больше не подходит для измерения моделей, – расследование OpenAI

Некоторое время назад OpenAI выпустили статью, в которой заявили, что один из самых популярных бенчмарков для оценки способностй моделей в кодинге – SWE-bench Verified – больше не работает. Они нашли в нем кучу проблем, сказали, что результаты на нем мало чего стоят, и призвали всех переходить на SWE-Bench Pro. Подробности вот: t.me/data_secrets/8779.

Это было в конце февраля, менее 5 месяцев назад. И угадайте, что? Сейчас OpenAI объявили, что провели аналогичный тест для SWE-Bench Pro, и он... тоже оказался сломан.

В случае с SWE-bench Verified основная проблема состояла в том, что модели воспроизводят решения "по памяти" из-за утечек задач в обучающие датасеты. Здесь же проблема скорее в самих задачах. Дело в том, что issues и PR из опенсорсных репозиториев изначально создавались для человеческого сотрудничества через долгие переписки и уточнения, а вовсе не как изолированные, чистые задачи для оценки моделей. В частности, всплыли такие проблемы:

– Слишком строгие тесты, которые навязывают конкретные детали реализации, не указанные в условии задачи, из-за чего множество функционально корректных решений отбраковываются.
– Тесты с низким покрытием, которые, наоборот, недостаточно проверяют запрошенную функциональность, из-за чего неполные решения все равно проходят.
– Вводящие в заблуждение условия, которые направляют модель к неверному поведению или прямо противоречат тому, что требуют тесты.

OpenAI оценивает, что примерно 30% задач SWE-Bench Pro сломаны (автоматический пайплайн проверки пометил как испорченные 200 задач, а кампания ручной аннотации людьми – 249 задач, то есть 34,1%). Когда 1/3 задач бенчмарка – с такими ошибками в условиях, доверять ему сложно, поэтому OpenAI формально отзывает свою прежнюю рекомендацию использовать SWE-Bench Pro и "надеется, что сообщество разработает новые бенчмарки, созданные специально для тестирования возможностей моделей".

openai.com/index/separating-signal-from-noise-coding-evaluations/

Тем временем в мире ИИ-слопа

Кто-то сгенерировал кавер на God's Plan Дрейка, но только – про агентов и вайбкодинг

В продолжение к предыдущему посту — важный контекст о том, что происходит дальше.

Методология, которую приняли крупнейшие игроки финансового рынка, — это первый шаг. Она создана для финансовой отрасли и решает задачу внутри неё. Но проблема оценки финансового эффекта от ИИ ровно такая же в промышленности, энергетике, ритейле, транспорте — везде, где идут внедрения.

Следующий шаг — Атлас финансовых эффектов от ИИ, новые активы (АФИИНА), универсальная методология для ключевых отраслей экономики, над которой сейчас ведётся работа.

Она будет построена на трёх уровнях оценки — от краткосрочных финансовых результатов до долгосрочного влияния на устойчивость, капитал и конкурентную позицию отрасли. Это важно: оценивать ИИ только через окупаемость за год — значит намеренно не видеть большую часть его реального эффекта.

По сути, отрасль движется к тому, что уже давно есть в финансовом учёте: общие принципы, сравнимые результаты, доверие к цифрам. Просто применительно к новому классу активов.

Как устроена уже принятая методология и как по ней считают миллиарды реальные компании — в подробном разборе в статье Никиты Худова.


Следим за развитием.

Реклама. Альянс в сфере ИИ, ИНН 9725034035

Вышла новая модель от Meta*!

Встречаем: Muse Spark 1.1. Бенчмарки наверху. Кратко: уровень Opus 4.8 и GPT-5.5, в кодинге совсем немного отстает, но все равно выглядит очень конкурентоспособно.

Как водится, модель ориентирована в первую очередь на агентов и оркестрацию мультиагентных систем, а также на длительные задачи. Контекст – до 1 миллиона токенов.

Пишут, что модель очень хорошо ориентируется в модальностях и интерфейсах и отлично выполняет даже сложные многошаговые computer use задачки. Это интересно потестить.

Параллельно запускают новое Meta Model API. Пока в превью, но Spark 1.1 уже доступна. Кстати, по очень приятной цене: $1.25/М input, $4.25/M output.

Неужели Цукерберг все-таки возвращается в гонку?

https://ai.meta.com/blog/introducing-muse-spark-meta-model-api/

Новая Muse Spark 1.1 от Meta* показала отличные результаты на Vibe Code Bench с агентскими задачами. Обратите внимание на столбик с ценой и скоростью.

Скачок качества относительно первой версии модели, вышедшей в начале года, огромный

Лучший бенчмарк с презентации

ChatGPT Work, в котором объединили агентов, ChatGPT и Codex, уже можно скачать на MacOS и Windows: openai.com/chatgpt-work/

Еще из приятного: в новом приложении появился аналог артефактов из клода – так называемые sites. Модель генерирует вам какие-то интерактивные демки прямо в чате, с ними можно взаимодействовать, сохранять и делиться.

Как выглядит интерфейс и начинка ⬆️

ICML 2026 — почти все.

На воркшопах начинают объявлять лучшие статьи, и одна из наград — Best Paper Award — досталась работе GraphPFN: A Prior-Data Fitted Graph Foundation Model команды исследователей графовых нейронных сетей Yandex Research. Статья победила на воркшопе Graph Foundation Models: A New Era for Graph Machine Learning.

Сам воркшоп был посвящен развитию graph foundation models — переходу от узкоспециализированных моделей для отдельных задач к универсальным базовым моделям для работы с графами.

В своей работе исследователи представили GraphPFN — графовую foundation model, развивающую подход Prior-Data Fitted Networks (PFN). Модель предобучается на миллионах специально сгенерированных синтетических графов, а затем применяется к реальным данным как в режиме in-context learning, так и после дообучения. В экспериментах на широком наборе реальных графовых датасетов GraphPFN показала лучшие результаты среди протестированных в работе подходов.