Goldman Sachs: использование токенов AI-агентами может вырасти в 24 раза к 2030 году.
AI-агенты становятся первым серьёзным тестом на стоимость для всего AI-бума. На этой неделе уже писали, что Uber и Microsoft пересматривают дорогие сценарии использования агентов.
Обычный чат-бот может просто ответить один раз.
А агент планирует, вызывает инструменты, проверяет результат, исправляет ошибки и снова повторяет цикл.
Из-за этого один пользовательский запрос может съесть в 10 раз, 50 раз или даже намного больше токенов, чем обычный ответ.
Бычий сценарий Goldman Sachs: месячное потребление может дойти до 120 квадриллионов токенов к 2030 году, при этом стоимость inference за токен будет падать на 60–70% в год.
AI-агенты становятся первым серьёзным тестом на стоимость для всего AI-бума. На этой неделе уже писали, что Uber и Microsoft пересматривают дорогие сценарии использования агентов.
Обычный чат-бот может просто ответить один раз.
А агент планирует, вызывает инструменты, проверяет результат, исправляет ошибки и снова повторяет цикл.
Из-за этого один пользовательский запрос может съесть в 10 раз, 50 раз или даже намного больше токенов, чем обычный ответ.
Бычий сценарий Goldman Sachs: месячное потребление может дойти до 120 квадриллионов токенов к 2030 году, при этом стоимость inference за токен будет падать на 60–70% в год.
👍7❤5🔥4😁1
Пошаговый гайд по изучению GPU-архитектуры и программирования на CUDA.
https://github.com/mesutoezdil/Systematic-CUDA-Learning
https://github.com/mesutoezdil/Systematic-CUDA-Learning
👍14🔥1
Исследователи лаборатории научных исследований группы «Т-Технологии» представили на ICML 2026 единый подход к сравнению методов дообучения больших языковых моделей, обучающихся на парах ответов.
Подход позволяет привести разные алгоритмы к одинаковым условиям и понять, что именно влияет на качество. Главный вывод работы: решающим фактором является способ ранжирования ответов: попарный или поточечный.
Идея простая:
• разные методы обычно сравниваются в разных условиях
• исследователи привели их к единому протоколу сравнения, чтобы выровнять условия экспериментов и сделать результаты сопоставимыми
• дополнительно исследователи ввели параметр β, который регулирует силу дообучения на человеческих предпочтениях и позволяет более корректно сравнивать методы.
В результате оказалось, что ключевую роль играет именно тип ранжирования ответов. Когда модель выбирает лучший вариант из пары, качество оказывается выше, чем при оценке каждого ответа по отдельности.
🔗Статья: https://arxiv.org/pdf/2502.01237
Please open Telegram to view this post
VIEW IN TELEGRAM
👍31🔥2❤1
WTF: Apple подала в суд на OpenAI из-за предполагаемой кражи коммерческой тайны.
Компания утверждает, что OpenAI якобы вела скоординированную кампанию по получению конфиденциальной информации о ещё не выпущенных продуктах Apple для собственного AI-железа.
В иске упоминаются глава hardware-направления OpenAI Тан Тан, бывший VP по продуктовому дизайну Apple, и бывший инженер Apple Чан Лю.
Apple заявляет, что Лю скачал десятки конфиденциальных файлов по hardware-разработкам.
Также компания утверждает, что OpenAI поощряла уходящих сотрудников делиться материалами, чертежами и информацией о продуктах.
По данным иска, сейчас в OpenAI работают более 400 бывших сотрудников Apple.
Apple требует, чтобы OpenAI уничтожила эти материалы и переработала будущие устройства, если в них используется её технология.
На момент публикации Bloomberg OpenAI ещё не ответила.
https://www.bloomberg.com/news/articles/2026-07-10/apple-sues-openai-for-trade-secret-theft-in-blockbuster-case
Компания утверждает, что OpenAI якобы вела скоординированную кампанию по получению конфиденциальной информации о ещё не выпущенных продуктах Apple для собственного AI-железа.
В иске упоминаются глава hardware-направления OpenAI Тан Тан, бывший VP по продуктовому дизайну Apple, и бывший инженер Apple Чан Лю.
Apple заявляет, что Лю скачал десятки конфиденциальных файлов по hardware-разработкам.
Также компания утверждает, что OpenAI поощряла уходящих сотрудников делиться материалами, чертежами и информацией о продуктах.
По данным иска, сейчас в OpenAI работают более 400 бывших сотрудников Apple.
Apple требует, чтобы OpenAI уничтожила эти материалы и переработала будущие устройства, если в них используется её технология.
На момент публикации Bloomberg OpenAI ещё не ответила.
https://www.bloomberg.com/news/articles/2026-07-10/apple-sues-openai-for-trade-secret-theft-in-blockbuster-case
🤣14🔥4❤2👍2
Одна из главных проблем AI-агентов: они быстро теряют контекст.
Сегодня вы обсуждали проект, архитектуру, людей, решения и инструменты. Завтра агент снова спрашивает: «А что мы делаем?»
OpenChronicle пытается закрыть эту дыру.
Он запускается на Mac, смотрит на рабочий контекст и превращает его в постоянную Markdown-память:
* проекты
* решения
* инструменты
* людей
* последние действия
* важные рабочие детали
Память хранится локально, её можно открыть и прочитать руками. Под капотом - Markdown на диске и SQLite.
https://github.com/Einsia/OpenChronicle
Please open Telegram to view this post
VIEW IN TELEGRAM
👍8🤣8❤6🤔2🔥1
This media is not supported in your browser
VIEW IN TELEGRAM
Sakana AI показали “умные кирпичи”, которые понимают свою форму и находят повреждения
Звучит как sci-fi, но это уже опубликованная работа в Nature Communications.
Исследователи собрали простые кубические модули. У каждого — одинаковая маленькая нейросеть, связь только с соседними блоками и никакой карты всей конструкции.
Но вместе они могут определить, во что собраны: стол, лодку, самолёт, гитару и другие формы.
Cистеме не нужен центральный контроллер. Ни один “кирпич” не знает, где он находится. Глобальная картина появляется из локальных сообщений между соседями.
Что умеют Smart Cellular Bricks:
* распознавать общую 3D-форму
* работать при шумной связи
* переживать отказ части модулей
* находить, где структура повреждена
* подсказывать, куда нужно добавить новые блоки для восстановления
Это похоже на то, как живые ткани самоорганизуются и восстанавливаются после повреждений.
Пока это не “здание, которое само себя чинит”, а исследовательский прототип. Но направление мощное: материалы и конструкции, которые сами понимают свою конфигурацию, замечают поломки и помогают себя ремонтировать.
Звучит как sci-fi, но это уже опубликованная работа в Nature Communications.
Исследователи собрали простые кубические модули. У каждого — одинаковая маленькая нейросеть, связь только с соседними блоками и никакой карты всей конструкции.
Но вместе они могут определить, во что собраны: стол, лодку, самолёт, гитару и другие формы.
Cистеме не нужен центральный контроллер. Ни один “кирпич” не знает, где он находится. Глобальная картина появляется из локальных сообщений между соседями.
Что умеют Smart Cellular Bricks:
* распознавать общую 3D-форму
* работать при шумной связи
* переживать отказ части модулей
* находить, где структура повреждена
* подсказывать, куда нужно добавить новые блоки для восстановления
Это похоже на то, как живые ткани самоорганизуются и восстанавливаются после повреждений.
Пока это не “здание, которое само себя чинит”, а исследовательский прототип. Но направление мощное: материалы и конструкции, которые сами понимают свою конфигурацию, замечают поломки и помогают себя ремонтировать.
🔥18👍10🥰1
Сбер открыл доступ к новым моделям распознавания речи — GigaAM Multilingual и GigaChat Audio
GigaAM Multilingual включает два компонента. Аудиоэнкодер с самостоятельным обучением и многоязычную модель распознавания речи CTC ASR.
Аудиоэнкодер предварительно обучили на 2 млн часов речи на 70+ языках с фокусом на страны СНГ. Поэтому модель быстрее адаптируется к новым языкам и требует меньше данных для дообучения.
Многоязычную модель дообучили на 50 тысячах часов мультидоменной речи. Даже компактная версия с 240 млн параметров обгоняет популярные решения Whisper Large v3 и Omnilingual 1B.
Забирайте код и веса модели на Hugging Face и GitHub:
GigaAM Multilingual на Hugging Face
GigaAM Multilingual на GitHub
В свою очередь, GigaChat Audio — это большая языковая модель, которая объединяет возможности GigaAM Multilingual и GigaChat 3.1. Она распознаёт и переводит речь, классифицирует аудио и поддерживает диалог.
Её сильная сторона — работа с длинными записями. На аудио продолжительностью 20-60 минут показатель Intersection-over-Union локализации событий достигает 48.3. При этом объём контекста составляет до двух часов.
Кроме того, GigaChat Audio хорошо понимает русскую речь: 60.0 балла в бенчмарке RuBQ-Audio против 43.7 у Qwen3-Omni. А ещё распознаёт эмоции с точностью 90%+ по датасету Dusha.
Забирайте код и веса модели на Hugging Face:
GigaChat Audio на Hugging Face
GigaAM Multilingual включает два компонента. Аудиоэнкодер с самостоятельным обучением и многоязычную модель распознавания речи CTC ASR.
Аудиоэнкодер предварительно обучили на 2 млн часов речи на 70+ языках с фокусом на страны СНГ. Поэтому модель быстрее адаптируется к новым языкам и требует меньше данных для дообучения.
Многоязычную модель дообучили на 50 тысячах часов мультидоменной речи. Даже компактная версия с 240 млн параметров обгоняет популярные решения Whisper Large v3 и Omnilingual 1B.
Забирайте код и веса модели на Hugging Face и GitHub:
GigaAM Multilingual на Hugging Face
GigaAM Multilingual на GitHub
В свою очередь, GigaChat Audio — это большая языковая модель, которая объединяет возможности GigaAM Multilingual и GigaChat 3.1. Она распознаёт и переводит речь, классифицирует аудио и поддерживает диалог.
Её сильная сторона — работа с длинными записями. На аудио продолжительностью 20-60 минут показатель Intersection-over-Union локализации событий достигает 48.3. При этом объём контекста составляет до двух часов.
Кроме того, GigaChat Audio хорошо понимает русскую речь: 60.0 балла в бенчмарке RuBQ-Audio против 43.7 у Qwen3-Omni. А ещё распознаёт эмоции с точностью 90%+ по датасету Dusha.
Забирайте код и веса модели на Hugging Face:
GigaChat Audio на Hugging Face
🔥11👍8❤7🥱1
Кто-то только что переписал 40 лет PostgreSQL с нуля на Rust.
И он уже проходит 100% официальных тестов Postgres.
Проект называется pgrust.
Это не форк, а полная реализация с нуля, которая уже проходит все 46 066 запросов из официального тестового набора PostgreSQL 18.3.
Postgres разрабатывается уже 40 лет, и некоторые архитектурные решения из 80-х до сих пор приводят к сбоям:
- один поток на соединение, фактически отдельный OS-процесс на пользователя
- 350+ параметров настройки, которыми нужно управлять вручную
- один только
pgrust выбрасывает всё это и начинает заново.
Что уже работает:
- проходит 96% regression suite PostgreSQL
-
- query planner, buffer cache, storage engine, B-tree индексы
- JSON/JSONB, window functions, foreign keys,
- тот же движок компилируется в WebAssembly и запускается прямо в браузере на
100% open source.
https://github.com/malisper/pgrust
И он уже проходит 100% официальных тестов Postgres.
Проект называется pgrust.
Это не форк, а полная реализация с нуля, которая уже проходит все 46 066 запросов из официального тестового набора PostgreSQL 18.3.
Postgres разрабатывается уже 40 лет, и некоторые архитектурные решения из 80-х до сих пор приводят к сбоям:
- один поток на соединение, фактически отдельный OS-процесс на пользователя
- 350+ параметров настройки, которыми нужно управлять вручную
- один только
VACUUM стал причиной тысяч инцидентовpgrust выбрасывает всё это и начинает заново.
Что уже работает:
- проходит 96% regression suite PostgreSQL
-
psql подключается из коробки, есть совместимость с wire protocol- query planner, buffer cache, storage engine, B-tree индексы
- JSON/JSONB, window functions, foreign keys,
EXPLAIN ANALYZE, regex- тот же движок компилируется в WebAssembly и запускается прямо в браузере на
pgrust.com100% open source.
https://github.com/malisper/pgrust
🔥45🤔10👍2🙈2🥰1😁1
🚀 Anthropic выложили reference harness для поиска и исправления уязвимостей с Claude
Очень недооценённый репозиторий для defensive security.
Идея простая: Claude проходит полный цикл работы с уязвимостью:
* threat model
* поиск подозрительных мест
* проверка
* triage
* отчёт
* патч
Внутри есть Claude Code skills вроде
Есть и автономный harness: можно настроить цель, ограничения и дать агенту самому пройти цикл анализа.
https://github.com/anthropics/defending-code-reference-harness
Очень недооценённый репозиторий для defensive security.
Идея простая: Claude проходит полный цикл работы с уязвимостью:
* threat model
* поиск подозрительных мест
* проверка
* triage
* отчёт
* патч
Внутри есть Claude Code skills вроде
/vuln-scan, /triage и /patch, которые можно запускать интерактивно.Есть и автономный harness: можно настроить цель, ограничения и дать агенту самому пройти цикл анализа.
https://github.com/anthropics/defending-code-reference-harness
❤7👍6😁1
Thinking Machines Lab выкатила Inkling - свою первую open-weights модель.
И это сразу тяжёлый релиз:
* 975B total params
* 41B active
* 1M context
* обучение на 45T токенов
* текст, изображения, аудио и видео
* рядом идёт preview Inkling-Small с 12B active
Они прямо пишут, что Inkling не лидер среди всех open и closed моделей. Ставка другая: дать сильную multimodal базу, которую можно дообучать под свои задачи.
Самая интересная часть - связка с Tinker.
Inkling можно fine-tune’ить прямо на платформе Thinking Machines. В демо модель даже сама написала себе fine-tuning job, обучилась избегать буквы “e” в ответах, прогнала eval и переключилась на новые веса.
То есть они показывают полный контур кастомизации:
модель → задача → данные → fine-tune → eval → новые веса.
Похоже, Thinking Machines строит фабрику моделей под конкретные продукты.
https://thinkingmachines.ai/news/introducing-inkling/
И это сразу тяжёлый релиз:
* 975B total params
* 41B active
* 1M context
* обучение на 45T токенов
* текст, изображения, аудио и видео
* рядом идёт preview Inkling-Small с 12B active
Они прямо пишут, что Inkling не лидер среди всех open и closed моделей. Ставка другая: дать сильную multimodal базу, которую можно дообучать под свои задачи.
Самая интересная часть - связка с Tinker.
Inkling можно fine-tune’ить прямо на платформе Thinking Machines. В демо модель даже сама написала себе fine-tuning job, обучилась избегать буквы “e” в ответах, прогнала eval и переключилась на новые веса.
То есть они показывают полный контур кастомизации:
модель → задача → данные → fine-tune → eval → новые веса.
Похоже, Thinking Machines строит фабрику моделей под конкретные продукты.
https://thinkingmachines.ai/news/introducing-inkling/
❤3🔥3👍2🤣2