интересные такие обороты получились

Одна и та же сила в двух руках:
лечить броню — и сталь её ломать.
Её вручают сторожам в дверях,
чтоб первым был чинящий, а не тать.

это про Glasswing

полный венок в комментарии

скажем так, - ошибки мелкие есть в каждом сонете. так что по эффективности 13 из 15ти наверное.

понятно, что слабее Fable чуть, но не на много.
При том, что Опус дешевле в 2 раза, - новый фаворит наравне с 5.6 Sol
остальное будет видно по ходу использования

#венок #Opus
———
@tsingular

HuggingFace с помощью роя из 40 GPT-5.6 Sol-агентов разогнали Kimi K3-подобную модель до 406 tok/s в браузере

Joshua Lochner (Xenova), Open Source ML Engineer в Hugging Face и создатель Transformers.js, выкатил результат одного из самых впечатляющих экспериментов с агентной оптимизацией ядер.

Рой GPT-5.6 Sol-агентов 40 с лишним часов искал способы ускорить инференс Kimi K3-подобной модели в браузере через WebGPU. Нашёл.

⚡️ На старте было: 331 узел вычислительного графа и 65 tok/s.
В результате получилось 22 GPU-диспатча на токен и 406 tok/s.
Ускорение в 6,25 раза!
Агенты исследовали пространство оптимизаций независимо друг от друга: предлагали fused-ядра, трансформировали граф и писали кастомные WebGPU-шейдеры на WGSL под три компонента архитектуры: KDA (Kimi Delta Attention), MLA (Multi-Head Latent Attention) и MoE (Mixture of Experts).

🔍 Kimi K3 — флагманская модель Moonshot AI: 2,8 трлн параметров (MoE, 896 экспертов), 1M-токеновый контекст, open-weight. По бенчмаркам вплотную подошла к GPT-5.6 Sol и Claude Fable 5. Оптимизация модели такого класса для WebGPU означает, что инференс уровня frontier в браузере перестаёт быть фантастикой.

💰 Эксперимент построен на инфраструктуре 🤗 Kernels от Hugging Face. Связка kernel-builder + kernels даёт агентам отлаженный конвейер: скаффолд ядра, сборка под целевое железо, прогон бенчмарков и итеративная оптимизация.
На Hugging Face этому посвящён целый раздел: «Develop kernels with agents».

🔮 Xenova пообещал скорый релиз фреймворка для автономной агентной оптимизации ядер. Это прямое развитие 🤗 Kernels: агенты самостоятельно находят и применяют оптимизации под конкретное железо, без ручного тюнинга.

💡 Это третий виток экспериментов Xenova. В июне Fable 5 написал WebGPU-ядра для Gemma 4 и разогнал её до 255 tok/s в браузере (через день, правда, Anthropic отключила Fable 5). Затем Opus 4.8 разогнал крошечную Liquid AI LFM2.5 до 1400 tok/s.
Теперь же не один агент, а рой, и не на маленькой модели, а на архитектуре класса Kimi K3.

Пока одни компании пушат фронтиры вверх, вливая миллиарды, HF оптимизирует их работу "на земле" и, возможно, для обычного народа второе будет даже полезнее.

Отдельно хотелось бы увидеть навык на создание таких анимаций :)

#WebGPU #HuggingFace #обучение
——
@tsingular

#юмор
———
@tsingular

Гермес агент раздаёт задания субагентам :)

https://youtu.be/GKazp5lOtjU?t=88

#юмор
———
@tsingular

Agibot A3 на подходе

#роботы #Agibot #Китай
------
@tsingular

Удивительно, конечно, сколько всего можно увидеть с новыми технологиями.

#юмор
------
@tsingular

img2threejs: навык для агента для создания 3Д модели на Three.js из фото

Вьетнамский разработчик hoainho выкатил img2threejs: опенсорсный тулкит, который по одной референсной фотографии объекта генерирует полноценную процедурную Three.js-модель.
На выходе чистый TypeScript-код, а не меш, фотограмметрия или Gaussian Splatting.

⚡️ Пайплайн работает как поэтапная скульптурная лепка под надзором AI-агента: blockout → structural → form → material → surface → lighting → interaction → optimization.

Каждый этап проходит через цикл самопроверки агента со зрительной оценкой: агент рендерит промежуточный результат, сравнивает с референсом и принимает решение — продолжить или переделать.

На выходе получается модель готовая к анимации: с иерархией runtime (pivots, sockets, colliders, destruction groups), а не жёсткий меш.

🔍 Принципиальное отличие от всего существующего зоопарка image-to-3D: это не нейросеть, а навык для кодовых-агентов (Claude Code, Codex, OpenCode, Hermes).
Агент не предсказывает геометрию, а пишет код, воссоздающий объект из примитивов, процедурных шейдеров и сгенерированной геометрии.

📦 В галерее уже есть шесть примеров: наушники Sony WF-1000XM3, дробовик ISSACA 12 Gauge, нож Gerber, дом-Doraemon в изометрии, War-Hauler и лут-сундук.

В v1.3 (23 июля) добавили CIEDE2000-метрику цвета, candy-coat-материалы, InstancedMesh-рендеринг и reference-grounded градиенты.

💡 Проект резко контрастирует с мейнстримным image-to-3D (TRELLIS, SceneGen, TripoSR), где модели генерируют меши или 3D-гауссианы.
Здесь модель — это исходный код: легче текстуры в сто раз, бесконечно параметризуема и не требует GPU для рендеринга.
Идеально для e-commerce, игровых ассет-пайплайнов и веба, где каждый килобайт на счету.

Помимо того, что навык шикарный сам по себе, можно записать как очередной пример, когда агентский навык даёт более крутой результат, чем чисто LLM.

#ThreeJS #ImageTo3D #3D
——
@tsingular

🔥 27B-модель Fable-Fusion метит в новый топ локальных AI-агентов

На Hugging Face набирает популярность Qwen3.6-27B Fable-Fusion-711 — мультимодальный fine-tune Qwen3.6 с упором на reasoning, tool calling и работу в агентных сценариях. Модель распространяется в GGUF и имеет кванты, которые помещаются на потребительское железо.

По заявленным тестам:

• ARC-C: 0.711 в 8-bit и 0.701 в 4-bit
• контекст базовой Qwen3.6 — до 262K токенов нативно
• поддерживаются vision и tool calling
• multi-stage fine-tune с улучшенной структурой reasoning
• есть GGUF-кванты примерно от 12–17 ГБ
• модель специально дорабатывали для снижения количества отказов через Heretic/abliteration.

27B dense-модель пытаются приблизить по качеству reasoning к гораздо более тяжёлым системам, сохраняя возможность локального запуска.


https://huggingface.co/DavidAU/Qwen3.6-27B-Fable-Fusion-711-Uncensored-Heretic-NM-DAU-NEO-MAX-MTP-GGUF

Пишут, что новая модель MK1

Но, может и генерация.

В любом случае 3 года до 2029,- там видно будет

Спокойной ночи 🫣

#роботы
------
@tsingular

NVIDIA Vera: свои CPU для проектирования собственных GPU

NVIDIA запустила Vera, 88-ядерный CPU на собственных Olympus-ядрах для проектирования собственных чипов. Компания замкнула петлю: процессор NVIDIA помогает создавать следующие процессоры и GPU NVIDIA.

⚡️ CPU Vera создан на базе Armv9.2: 88 ядер Olympus, 176 потоков через spatial multithreading, до 1,5 ТБ памяти LPDDR5X (SOCAMM2) с пропускной способностью 1,2 ТБ/с и 164 МБ L3-кеша.
Декодер на 10 инструкций за такт, против 8 у AMD Zen 5.
Чип заточен под однопоточный режим, как раз то, что нужно для EDA-нагрузок: логическая симуляция и формальная верификация упираются в одно ядро.

🔍 Vera уже работает в связке с Cadence Jasper и Synopsys VCS, двумя ключевыми платформами для верификации чипов.
На отдельных производственных нагрузках получено до 1,5× ускорения при том же числе ядер.
NVIDIA продолжает тюнинг через профайлинг приложений и оптимизацию системного софта.

🔮 Следом за Vera пойдёт Rosa на ядре Rigel.
Дорожная карта CPU становится самостоятельной линией внутри NVIDIA, параллельной GPU-архитектурам. Конкуренты в EDA-сегменте: AMD EPYC с 3D V-Cache (до 1 152 МБ L3) и Xeon.

NVidia пытается выстроить полную независимость от внешних вендоров.
Интересно что из этого получится, конечно.
Кажется, что уже пора QPU развивать, а не CPU.

#NVIDIA #CPU #Semiconductors
———
@tsingular

Сегодня MoonshotAI выпускает открытые веса Kimi K3

Следим тут:

https://huggingface.co/moonshotai/Kimi-K3

#Kimi #Huggingface
------
@tsingular

Открытое письмо индустрии: open-weight модели под ударом

NVIDIA, Microsoft и ещё два десятка компаний призвали Белый дом не ограничивать open-weight модели.
Подписанты: AMD, Palantir, IBM, Hugging Face, GitHub, Mozilla, SpaceX, Y Combinator и десятки стартапов.
OpenAI присоединилась позже под давлением сообщества, а Anthropic и Google пока не подписали.

⚡️ Повод: администрация Трампа рассматривает запрет китайских моделей после выхода Kimi K3 от Moonshot AI.
Модель сравнялась с американскими аналогами при цене в разы ниже.
Аргумент письма: запрет не остановит распространение, а фактически передаст рынок Пекину.

🔍 Центральный тезис: открытость может быть самым важным путём к безопасности ИИ.
Закрытые модели не дают гарантий — их можно взломать, а сбои невидимы снаружи.
Open-weight позволяет сообществу тестировать, искать уязвимости и строить защиту.
Прямая аналогия с открытым ПО: прозрачность надёжнее закрытости.

💰 Экономика: open-weight дают стартапам и университетам доступ к передовому ИИ без frontier-тарифов за каждую задачу.
Это рассредоточивает выгоду по экономике, а не запирает её в руках пары лабораторий.

🔮 Письмо отдельно защищает дистилляцию, обучение на выходах другой модели, как легитимный метод.
Прямой ответ на обвинения Moonshot в использовании Anthropic Claude для обучения Kimi.

Раскол индустрии: производители железа, инфраструктура и open-source — против закрытых frontier-лабораторий.
При этом обе стороны апеллируют к «безопасности» с противоположными аргументами, регулятор выбирает между защитой конкуренции и защитой дуополии.

#OpenWeights #письмо
———
@tsingular

Спойлер из будущего :)

Каждое лето миллионы GPU серверов мигрируют на север в поисках охлаждения и дешёвого питания.

#юмор
------
@tsingular

KPMG выпустила стратегический обзоров технологий 2026 года

Большинство технологических прогнозов строятся вокруг списка трендов: AI, квантовые вычисления, роботы, космос, биотех. Но KPMG предлагает другую модель. Главная идея отчета: ИИ перестал быть отдельной отраслью. Он стал мультипликатором всех остальных технологических фронтиров. Авторы выделяют шесть взаимосвязанных направлений:

Path to AGI — интеллект становится масштабируемым ресурсом. Организации будут конкурировать уже не количеством сотрудников, а количеством доступной «когнитивной мощности». Главным дефицитом становятся не знания, а контекст, доверие и способность принимать решения.
Physical AI — AI окончательно выходит из экрана. Роботы, автономная логистика, производство, инспекция инфраструктуры. Причем ближайшие победители — вовсе не гуманоиды, а специализированные системы, работающие в конкретных задачах.
Energy & Compute — неожиданно главным ограничением AI становится не алгоритм, а электричество. Центры обработки данных, энергосети, память HBM и даже земельные участки превращаются в стратегические активы.
Quantum & NextGen Computing — квантовые вычисления уже рассматриваются не как лабораторная экзотика, а как элемент корпоративной архитектуры наряду с фотонными, нейроморфными и in-memory вычислениями. Победят те, кто научится оркестрировать разные архитектуры, а не ставить на одну.
Future of Trust — по мере появления агентных систем главным становится вопрос: кому вообще можно доверять? Проверяемая идентичность, происхождение данных и непрерывная верификация становятся частью инфраструктуры бизнеса.
Space — космос перестает быть отраслью и становится инфраструктурой. Связь, навигация, наблюдение Земли и даже будущие орбитальные вычисления начинают рассматриваться как часть корпоративной ИТ-архитектуры.

Авторы не пытаются угадывать дату появления AGI. Вместо этого они задают гораздо более практичный вопрос:

Что нужно изменить в компании уже сейчас, если интеллект перестает быть дефицитным ресурсом?

Именно поэтому в отчете почти нет разговоров про очередную модель LLM. Вместо этого обсуждаются новые организационные модели, энергетика, доверие, вычислительная архитектура и Physical AI.

На мой взгляд, это один из первых действительно целостных взглядов на технологический ландшафт после бума генеративного ИИ. Не «шесть модных технологий», а единая система, где AI ускоряет развитие всех остальных направлений, а ограничения одного фронтира (например, энергетики) начинают определять скорость развития всех остальных.

Именно такой подход сегодня нужен не только технологическим компаниям, но и государствам, которые формируют научно-технологическую политику.