Компания LTX внезапно анонсировала и в тот же день (веса — в 21:00 по Москве) выпустила обновление своего видеогенератора — LTX-2.5i, открытую 22B video/audio world model. Релиз позиционируется как ответ конкурентам (в частности MiniMax H3): модель полностью open weights, работает локально от 16 GB VRAM, поддерживает ComfyUIi с первого дня и бесплатна для использования при ARRi до $10 млн.

Главные заявленные фишки — нативное 4K HDR видео, RAW workflow, точное редактирование существующего видео и native multishot: генерация нескольких связанных кадров одной последовательностью с сохранением персонажа, окружения, света и голоса между склейками. LTX также опубликовал сравнительную таблицу с MiniMax H3, Seedance 2.5, Kling, Veo и Grok, где выигрывает у всех — но на Reddit эти цифры уже назвали нечестными («pathetic bullshit»), так как сравнивались разные режимы, железо и условия.

Полный разбор →

Марк Цукерберг опубликовал большое эссе «The Future is for Everyone» — расширенную версию своего прошлогоднего письма о суперинтеллекте. Главный тезис: опасен не сильный ИИ сам по себе, а его концентрация в одних руках; решение — «баланс силi», при котором сверхинтеллект доступен каждому человеку как личный инструмент, а не остаётся привилегией нескольких компаний или государств.

Цукерберг противопоставляет подход Meta (компания признана экстремистской и запрещена в РФ) стратегии других крупных лабораторий, которые, по его словам, создают ИИ «для государств и корпораций». Эссе — идеологическая рамка, а не анонс продуктов, и одновременно упаковывает конкретную лоббистскую повестку по регулированию ИИ в США.

Полный разбор →

Meta Superintelligence Labs представила Muse Glimmer — открытую dense-модель на 30 млрд параметров (точнее 29.6B), дистиллированную из более крупной закрытой Muse Spark. Модель заточена под локальных ИИ-агентов: работает с инструментами, пишет код, понимает изображения и видео, восстанавливается после ошибок инструментов, поддерживает более 100 языков и контекст 131К токенов. Веса выложены на Hugging Face под лицензией Apache 2.0, доступны официальные квантизации, GGUFi, MLX и ExecuTorch-версии.

Главная фишка — модель реально помещается на потребительское железо: при 4-битном квантовании она весит меньше 20 ГБ и работает на одной видеокарте (RTX 5090, Mac с M4/M5 Max) с 24–32 ГБ памяти. По заявленным бенчмаркам Glimmer обходит Qwen 3.6 27B и Gemma 4 31B в своём классе. Это первый заметный открытый релиз LLM от Meta с апреля 2025 года и первая модель такого размерного класса с Code Llama 34B (август 2023).

Полный разбор →

Стартап Cactus Compute представил Needle 2 — открытую модель с 45M параметров, заточенную под tool callingi (вызов функций) и извлечение структурированных данных в формате JSON. Чекпоинт весит всего 14 МБ и требует около 28 МБ RAM на всю сессию, что делает модель пригодной для IoT, носимых устройств и голосового управления даже на слабом или старом оборудовании.

По заявленным бенчмаркам Needle 2 идёт вровень с FunctionGemma 270M, LFM 2.5 230M и Apple FM, при этом будучи в 5–70 раз меньше их по размеру. Модель уже используется в реальном продукте: Pebble гоняет её локально в приложении для своего кольца без экрана.

Полный разбор →

Сотрудник Anthropic — по данным нескольких источников, это Джаред Самнер, создатель bun, — попросил неопубликованную исследовательскую версию Claude «серьёзно взяться» за гипотезу Римана, открытую с 1859 года и оценённую в миллион долларов премии. Модель не смогла доказать саму гипотезу, но за полтора дня работы улучшила ключевую оценку: доля нулей дзета-функции, лежащих на критической линии, поднялась с 41,6% до 67,2%.

Это значимый прогресс: с 1974 по 2020 год математики сдвинули эту границу лишь с 33,3% до 41,6% — за 46 лет коллективной работы десятков учёных. Claude добился скачка втрое большего масштаба за одну попытку, при этом всё «руководство» человека сводилось к фразам вроде «продолжай» и «верь в себя».

ВыводСначала Claude перебрал, по разным данным, 600+ (Data Secrets) или 650 (AI Central Александра Горного) идей и не смог найти рабочий подход

Полный разбор →

Команды «Интерпретируемый ИИ» лаборатории FusionBrain, «Основы генеративного ИИ» Института AIRI и «Генеративная поэзия» Сергея Маркова (SberAI) опубликовали на Хабре итог годичной совместной работы над диффузионными языковыми моделями (dLLMi). Они воспроизводили чужие методы, обучали свои модели и ускоряли инференс, чтобы разобраться, какие подходы к dLLM реально работают, а какие пока не стоят вложенного времени.

В отличие от классических LLM, генерирующих текст токен за токеном слева направо, dLLM раскрывают замаскированные позиции параллельно по всей последовательности — отсюда обещание кратного ускорения генерации. Но на практике эффект ограничен тем, что классический KV-кэшi в диффузионных моделях нормально не работает.

ВыводРазобраны три подхода к dLLM: адаптация готовой LLM в диффузионную, обучение с нуля и дистилляция уже обученной модели

Полный разбор →