А еще сегодня, по слухам, выходит Opus 5. А завтра мощно обновляется Codex.

Сверху полный список моделей, которые теоретически должны выйти до конца лета (источник). Август тоже будет насыщенный, и вообще сезон релизов в этом году особенно хорош

Только что получившего Филдсовскую премию математика тут же захантили в OpenAI

Джейкоб Циммерман родился в Казани. В 18 лет он уже получил степень бакалавра в Торонто, и вскоре стал там самым молодым профессором в истории.

Он получил медаль за вклад в арифметическую и комплексную алгебраическую геометрию. В частности, за роль в доказательстве ряда центральных гипотез, включая сорокалетнюю гипотезу Андре-Оорта.

Премию вручили вчера. И уже через несколько часов на пресс-конференции ученый заявил, что переключается на область ИИ-безопасности и уходит работать в OpenAI.

Кстати, несколько учеников Циммермана работают в Anthropic. В том числе Levent Alpöge, который недавно опроверг с помощью Fable гипотезу Якобиана (https://t.me/data_secrets/9573).

Сам Циммерман увлекается AI safety уже давно. Его единственный пост в Твиттере – о том, что ИИ превзойдет математиков в течение двух лет. Он является соавтором статьи под названием «Таксономия будущих вымираний с участием ИИ», в которой систематически классифицируются сценарии, в которых ИИ может уничтожить человечество (https://arxiv.org/abs/2507.09369).

По поводу своего перехода в OpenAI он пояснил, что на самом деле поддерживает паузу в разработке ИИ, но, поскольку полностью остановить процесс невозможно, предпочитает участвовать в нем изнутри.

В эту субботу мы ходили на Turbo ML Conf и там нам удалось пообщаться с очень интересным спикером

Знакомьтесь: это Дмитрий Ушанов, Директор в AI-центре Т-Банка. В общем, Дмитрий управляет практически всем, что в Т-Банке связано с ИИ.

Поговорили про агентов, их реальную пользу и узкие места, а еще про изменяющуюся роль разработчиков в эру ИИ и опенсорс.

Полная версия – в видео, а ниже топ-3 самых значимых цитаты Дмитрия из нашего разговора:

Модели сейчас перестали быть узким горлышком для большого количества задач. Боттлнек сейчас не в моделях – это процессы, инструменты, данные, которые оптимизированы не под человека, а под автоматику. Большой потенциал именно в том, чтобы сделать AI-ready инфраструктуру и трансформировать процессы, и тогда мы сможем получать полноценный профит от автоматизации.

Мы будем продолжать выкладывать модели. Пока мы не пытаемся выкладывать general-модели, которые решают любые произвольные задачи: больше фокусируемся на том, чтобы выкладывать модели, которые хорошо заточены под конкретную задачу, под конкретный домен, и при этом являются эффективными с точки зрения инференса. Какой-то экономической цели мы тут не преследуем – это больше про развитие комьюнити и технологического бренда, про фасилитацию рабочих продуктов.

Мы точно видим, что в отдельных командах, в отдельных функциях уже происходит какой-то переход к работе человека с агентом. Это пока достаточно локально, но мы стараемся вот такой подход культивировать. Если мы говорим про внутреннее развитие сотрудников, то мы стараемся включать в их матрицы компетенции и процессы роста вещи, которые связаны с обучением, использованием искусственного интеллекта и построением таких систем для тех профессий, для которых на среднесрочном горизонте это станет обязательной практикой.

Sakana AI релизнули Fugu-Ultra 1.1. Это система оркестрации агентов, которая превосходит Fable и Sol

Про первую версию системы мы рассказывали здесь: https://t.me/data_secrets/9104. В открытый доступ ее выпустили месяц назад. А сегодня уже выходит следующее поколение.

Новая версия выжимает еще больше качества: смотрите бенчмарки и обратите внимание на Terminal Bench. Во-первых, конечно, за счет появления более свежих и способных моделей, которыми Fugu может пользоваться. Во-вторых, за счет улучшения самой LLM, которая лежит в основе вызова моделей.

Цены и система биллинга не изменились. Fugu Ultra все так же стоит $5/$30 за миллион input/output, и при этом обгоняет Fable 5 на всех бенчмарках, кроме SWE.

Команда технологий голосового ввода Яндекса придумала способ добавлять в умные устройства новые голосовые команды без забывания старых

Это классическая проблема непрерывного обучения, рассказали в ML Underhood. Чтобы устройство начало понимать новые команды, модель распознавания речи нужно дообучить. Но после обновления она может начать хуже распознавать знакомые фразы.

Стандартные методы вроде EWC пытаются удерживать параметры модели рядом с исходными значениями. Однако результат зависит от настройки ограничений, а гарантировать сохранение качества старых команд всё равно нельзя.

Исследователи Яндекса предложили другой подход — модульное расширение сети. Основную модель полностью замораживают, поэтому она продолжает отвечать за старые команды без изменений. Легковесные модули переиспользуют информацию из активаций старых слоёв и учатся распознавать новые команды. Поскольку параметры основной модели не меняются, качество старых команд сохраняется за счёт самой архитектуры, а не подбора настроек обучения.

Подход проверили на открытом наборе Google Speech Commands. В пяти отдельных экспериментах модель обучали распознавать новую пару команд, сохраняя поддержку восьми уже известных.

Средняя доля пропущенных новых команд снизилась с 6,46% до 4,37% по сравнению с отдельной моделью с тем же бюджетом дополнительных параметров. Модульное расширение также превзошло адаптеры и LoRA по качеству и количеству вычислений.

В результате получился практичный способ обновлять голосовые устройства с ограниченными ресурсами процессора и памяти: новые сценарии можно дополнять компактными модулями, не переобучая всю модель и не рискуя уже работающими функциями.

Статью Scalable Keyword Spotting via Modular Network Expansion приняли на Interspeech 2026. Конференция пройдёт с 27 сентября по 1 октября в Сиднее.

https://habr.com/ru/companies/yandex/articles/1061968