Sony анонсировала компактную кинокамеру FX5
Moonshot AI выпустила Kimi K3 — крупнейшую в мире опенсорсную LLM на 2.8 трлн параметров
Moonshot AI представила Kimi K3 — открытую языковую модель на 2.8 триллиона параметров, что более чем в полтора раза крупнее прежних топовых опенсорс-моделей (1.6T). По ряду бенчмарков и в голосовании живых разработчиков она впервые обошла закрытые флагманы Claude Fable 5 и GPT-5.6, а модели чуть старше — Opus 4.8 и GPT-5.5 — отстали заметно. Модель заточена под фронтенд/веб-разработку, 3D и агентные задачи.
Событие значимо тем, что впервые опенсорсная модель возглавила публичные рейтинги — арену, где голосуют люди, Frontend Code Arenai и агентный бенчмарк «LLM под капотом». Спрос на модель оказался настолько высоким, что Moonshot временно приостановила приём новых подписок из-за нехватки мощностей, а на американских биржах прошла распродажа акций производителей полупроводников — рынок пересчитывает реальный разрыв между США и Китаем, работающим в условиях запрета на покупку топовых чипов Nvidia.
Разработка персонального тренажера японской азбуки
Yet Another Zombie Survivors выходит из раннего доступа 20 августа
Thermaltake и SilverStone представили блоки питания мощностью до 3200 Вт
Исследование: предприниматели видят главную угрозу кибербезопасности в наивности сотрудников
Карьерная рефлексия и мемы о работе
Human Fall Flat исполнилось 10 лет: 60 миллионов игроков
Тестирование генерации рук в нейросетях: пальцевый бенчмарк
TimeLens2: поиск моментов в видео по текстовому запросу
Тренировка когнитивных функций меняет структуру мозга у взрослых
AI VK научили матричную факторизацию ALS планировать рекомендации через MCTS
Исследователи AI VK предложили добавить к классической матричной факторизации ALSi планирование на несколько шагов вперёд с помощью Monte Carlo Tree Search (MCTSi), а не просто выбирать top-K ближайших айтемов. Работа «Planning over Matrix-Factorization MDPs for Candidate Generation» принята на воркшопе Customer Journey в рамках KDD 2026.
Обычные рекомендательные системы на ALS не учитывают, как показ конкретного айтема изменит эмбеддинг пользователя и последующие выдачи. Новый подход представляет процесс рекомендаций как RL-среду и строит дерево возможных последовательностей показов, что даёт заметный прирост качества в офлайн-экспериментах на нескольких датасетах.
ВыводЗа основу взяли ALS и механику обновления профилей из сервиса Profile Stream во VK, где эмбеддинг пользователя пересчитывается после новых взаимодействий