Пользователь Твиттера с помощью Claude Fable 5i переделал планшет reMarkablei в аналог волшебного дневника Тома Риддла из «Гарри Поттера»: написанный от руки текст на экране стирается, а вместо него появляется ответ, сгенерированный LLM.
Эффект выглядит как настоящая магия — устройство «читает» и «отвечает» прямо на экране для заметок, что стало возможным благодаря современным языковым моделям и возможностям reMarkable по перезаписи экрана.
Вышла большая статья-обзор, сравнивающая две новые LLM — GPT-5.6i и Fablei. Автор тестировал инструмент Sol на протяжении 2 месяцев и потратил на это 25 миллиардов токенов, собрав таблицы и сравнения по обеим моделям.
По его оценке, GPT-5.6 субъективно в 2-3 раза быстрее предыдущих моделей линейки, генерирует код быстрее и точнее, затрагивая меньше кода — это лучшая модель в серии GPT-5, вероятно завершающая её. Fable, напротив, представляет собой первую модель нового этапа обучения: она делает ошибки новичка, но имеет больший потенциал роста. Отдельно, по данным другого источника, Fable протестирован на лидербордiе безопасности: модель показала абсолютную защиту от уязвимостей, но заняла лишь 11-е место из-за рекордного числа отказов работать.
ВыводАвтор обзора использовал инструмент Sol для тестирования моделей в течение 2 месяцев, сожгя 25 миллиардов токенов
6 июля 2026 года Сбер опубликовал в open source новую флагманскую LLM GigaChat 3.5 Ultra — модель на 432 млрд параметров под MIT-лицензией. Это первый в открытом доступе гибрид архитектур GatedDeltaNeti (линейное внимание) и MLA (классическое внимание), доведённый до масштаба сотен миллиардов параметров; рецепт обучения для него собирали в более чем 1500 экспериментах. Модель встроена в ИИ-помощника GigaChat, а веса выложены на HuggingFace и GitVerse.
При этом GigaChat 3.5 Ultra стала на 40% компактнее предыдущего флагмана GigaChat 3.1 Ultra (по данным «Рестарт», тот был на 700 млрд параметров), но выросла в коде, математике и агентных сценариях, а по ряду метрик обходит китайские DeepSeek V3.2 и свежий DeepSeek V4 Flash. Сбер подчёркивает, что весь стек — данные, архитектура, рецепт обучения и инфраструктура — сделан командой end-to-end, а детали реализации гейтов и стабилизации обучения раскрыты в статье на Habr.
Команда Stage.AI опубликовала блогпост о сжатии edge-моделей Gemma-4i почти в 6,4 раза при умеренной потере качества. Заявленная цель материала — 7-кратное уменьшение размера моделей для работы на устройствах с ограниченными ресурсами.
Ценность работы не в новом методе, а в комбинации: авторы соединили классические и свежие техники сжатия, чтобы найти лучший баланс между размером модели и качеством ответов.