Сотрудники Amazon случайно превысили бюджет на использование ИИ-модели Claudei)">i (Sonneti) на $1,8 млн — ошибку в настройке ИИ-агента не замечали пять месяцев, сообщила Financial Times. Проект, где произошёл сбой, должен был автоматически сопоставлять авторов с карточками книг на Amazon, но так и не заработал, зато сжёг огромные суммы на токенах.
Случай показывает новую категорию корпоративных рисков: простые программные ошибки, которые в обычных системах почти ничего не стоили бы, при работе с платными LLM превращаются в сотни тысяч и миллионы долларов незапланированных расходов.
[features] default_mode_request_user_input = trueЭта строка разрешает Codex использовать интерактивное окно, не только в plan-режиме но и в обычных чатах, где он задаёт вопрос и предлагает несколько готовых вариантов ответа Я уже привык к этой фичи в клоде, и вот в кодексе её особенно не хватало @tips_ai
Liquid AI представила LFM2.5-2.6B — агентную модель на 2,6 млрд параметров, которая полностью работает на устройстве: планирует действия, вызывает инструменты и выполняет многошаговые задачи без облачного API. Это важно для тех, кто хочет запускать ИИ-агентов локально, без затрат на облачную инфраструктуру и с сохранением приватности данных.
По тестам разработчика, модель по ряду задач на следование инструкциям и tool usei превосходит более крупные Gemma и Qwen, при этом потребляет менее 2,5 ГБ памяти на CPU.
Китайская компания Moonshot AI выпустила Kimi K3 — MoEi-модель с 2,8 трлн общих и 104 млрд активных параметров, открытыми и бесплатно скачиваемыми весами, native vision и контекстом в 1M токенов. По заявлению авторов, это первая открытая модель 3T-класса, и по многим тестам она приблизилась к топовым закрытым американским моделям, вызвав ажиотаж в индустрии — вплоть до реакции Илона Маска, который назвал релиз «впечатляющим» и сообщил, что xAI готовит ответ на 2 трлн параметров.
Однако «бесплатность» весов не означает дешевизну использования: по официальным рекомендациям Moonshot AI для развёртывания К3 нужна конфигурация «суперузла» из 64+ ускорительных карт, с первоначальными инвестициями порядка 20 млн юаней (~$3 млн), не считая затрат на электроэнергию — что резко ограничивает круг тех, кто реально может запустить модель у себя.
Сбер выложил в открытый доступ под лицензией MIT семейство моделей Kandinsky WM 1.0i — генератор обучающих видеороликов для роботов и беспилотных автомобилей. Технологию уже применяет собственный Центр робототехники Сбера и институт AIRI в своём дорожном симуляторе.
Это не полноценная нейросеть-симулятор реальности, как модели от Google и Nvidia, а инструмент для синтеза физически достоверных обучающих данных — решение критической проблемы: снимать вживую редкие и опасные сценарии (ДТП, экстремальную погоду, отказы оборудования) дорого и небезопасно.
Автор разбираемой статьи выдвигает тезис, что Google «не проиграл» гонку ИИ, а сознательно вышел из неё, выбрав другую стратегию. По его наблюдениям, OpenAI и Anthropic вышли на петлю самоулучшения (RSIi), делая ставку на грубую силу вычислений и масштабирование — по «горькому уроку» Ричарда Саттона. Те, кто первым построит топовые модели уровня 2025-2026 годов, получат «скорость убегания» (escape velocityi) и оторвутся от конкурентов настолько, что догнать их станет практически невозможно.
Google, по мнению автора, стоит в стороне от этой PR-гонки RSI и делает экзистенциальный выбор «всё или ничего» в пользу иной теории развития ИИ — world models и альтернативных архитектур вместо чистого масштабирования трансформеров.