ИИ

SoftBank привлекает более $11 млрд ради новой инвестиции в OpenAI 🚨 SoftBank запустила размещение облигаций на $10 млрд и ещё €1 млрд перед очередным платежом OpenAI, запланированным на 1 октября. Долларовые облигации выпустят со сроками погашения 3,5, 5,5 и 7,5 года, европейские - на 4 и 6 лет. Размещение должно заменить ранее привлечённую кредитную линию на $10 млрд. Ожидаемые даты: - 24 сентября — определение цены; - 29 сентября — расчёты по сделке; - 1 октября — платёж OpenAI. Организаторами выступают Citigroup и JPMorgan. Если размещение завершится в заявленном объёме, оно станет крупнейшим выпуском облигаций нефинансовой компании в Азиатско-Тихоокеанском регионе. 🔗 https://www.reuters.com/business/media-telecom/softbank-group-launches-over-10-billion-bonds-openai-investment-term-sheet-shows-2026-09-21/

"AI решил выберите-проблему-математиков" Безумно обожаю, когда решаются какие-то сложные задачи, и на места встают паттерны в чиселках и абстракциях. И за последний год много куда нейрон приолжил AI. И хотя, кажется, нас волновало в основном уравнение Навье-Стокса из-за скандала, красивого было много: 1. Циклы Кнута Дональд Кнут — автор «Искусства программирования», ему 87. Он решал задачу поиска маршрутов на кубе m×m×m из точек, где из каждой точки три стрелки, и надо разложить все стрелки на также три маршрута, каждый из которых обходит все точки ровно раз. Случай 3×3×3 был решен, общего решения не было. Его (вернее, подход к обобщению) принес Клод, и Дональд Кнут написал доказательство. Статью назвал «Циклы Клода», открыл её словами «Шок! Шок!» и закончил тем, что попросил не писать ему с обсуждением =) Там, если что, ещё не доведены четные m 2. Aletheia на Gemini Deep Think. Пример успешного натравления агента (двух на разных моделях) на решение актуальных задач. Решено 6 из 10. Из забавного у каждого агента по отдельности был хотя бы один ложноположительный результат и все шесть задач были решены именно парой только парой: отчёт First Proof, блог DeepMind 3. Точки на плоскости Расставь n точек на плоскости. Сколько пар может оказаться на расстоянии ровно 1? Эрдёш в 1946 году предположил верхнюю границу. Модель OpenAI построила расстановку, которая её превышает и опровергла гипотезу. Пост в x. 4. Августовские шары (жаль, не перекати-поля) и несофические группы. OpenAI выкатила пакет: 249-страничный манускрипт, и доказательства на GitHub. Там итого было 10 задач, с затратой в 2000$ Из важного выделяют несофические группы (существование таких не могла ни доказать, ни опровернусть с 1999), а остальные девять — про упаковку шаров в многомерном пространстве (верхняя оценка улучшена впервые с 1978 года), про числа Рамсея, про сложность вычисления перманента, про решётки в постквантовой криптографии. Анонс OpenAI. 5. Августовская Дзета-функция Про это я писала отдельно. Коротко: доля нулей, про которые доказано, что они на критической прямой, выросла с 41.6% до 67.25%. Рекорд стоял с 2020 года, а до него его поднимали с 1914-го. Anthropic 6. Сентябрьский Ферма Формализация теоремы. Это не новый результат, но пример формализации, бывшей с точки зрения описания сложной. 7. Сентябрьский Навье–Стокс Уравнения описывают течение жидкости. Вопрос на миллион долларов (правда дают денег!): может ли из гладкого начального состояния за конечное время возникнуть точка, где скорость бесконечна? С историей много связано моментов: за 12 часов до этого о близких результатах объявила другая команда, сейчас идёт спор о приоритете, а ещё часть математиков считает, что решён не тот вариант задачи. Если вы видели — была прям драмма. OpenAI. В каждую новость и в их совокупность, помимо красивого, можно вложить много смыслов. Первый момент, как мне кажется, может показаться, что человеческий мозг в целом отмирает, и становится рудиментом. И зачем учиться, зачем углубляться, есть AI. У этого есть ряд контр-аргументов: — Независимые замеры: FrontierMath Erdős, 68 задач, отобранных человеком, и моделями решено 2 из 68, тут таблица. — Весь агентский рисерч (Sakana, Autoresearch Андрея Карпатого, AiScientist, OpenResearch (и далее — их чет прям много)) — суть просто культурный pipeline исследования, описанный агенту инструкцией. Отсюда мозг-то надо, просто теперь как-то иначе приходится думать Второй момент — это авторство. "Что написано в интернете осталось в интернете" — это теперь "что написано в "GPT" осталось в трейне". Это стремно и тревожно, так как сейчас стали жестче даже submissions, ибо ревьюеры пользуются AI, в том числе чтобы съесть твою жопу (простите). И у меня есть ощущение, что исследователи и так in the hurry. По позиции с этим я никуда не приземлилась, так что просто работаю.

👀 Новости перфоманс-маркетинга за прошлую неделю Что нового в рекламных кабинетах и вокруг них 🔵 Мета 1️⃣ Мета начнёт кидать ссылку на посадочную в первом комменте под рекламой Бета, пока не у всех 2️⃣ Добавили нативную интеграцию Меты в Гугл Аналитику Но кто вообще пользуется GA4? 3️⃣ Мета раскатывает планы Meta One для бизнес-профилей Раньше эта подписка была доступна для личных профилей и для креаторов Подписки начинаются от $15 в месяц и самая дешёвая вообщем то только галочку даёт. А вот следующие уровни, я полагаю, будут популярны. Так как в подписку от $50 в месяц они засунули ссылки в постах, в рилсах и главное - обращение в поддержку с мясным оператором. А как мы знаем, дописаться до поддержки Меты часто невозможно. Если вы не тратите большие бюджеты в их рекламном кабинете. Все тарифы можно посмотреть тут 4️⃣ Агент Muse добрался до Мака и ему добавили коннекторы Дать агенту Меты доступ к своему компу… Безумству смелых поём мы песни. 🟢 Гугл 5️⃣ Теперь можно давать ссылки на Ватсап и Мессенджер в рекламе. Пока бета. 6️⃣ Добавили отчёт по тому, сколько тратят на рекламу ваши конкуренты Отчёт называется Spend Benchmarks, лежит в Overview аккаунта. Сравнивает вас с бизнесами, за аудиторию которых вы конкурируете. 7️⃣ В Shopping Ads всё чаще появляются плашки типа «xxx+ sold last week» ⚪️ Остальное 8️⃣ В рекламе ChatGPT сменили модель аттрибуции Раньше конверсии считались только по кликам, теперь ещё и по просмотрам. Что раньше эти конверсии с CRM не бились, что теперь будут. 9️⃣ Трамп создаёт AI Force В США есть Space Force, а теперь вот ещё AI Force. Деталей 0, возможно он забудет об этом к концу недели. Это должна быть структура внутри правительства, которая будет заниматься пока непонятно чем. Как всегда, конкретики ноль и вряд ли он сам ей владеет. Но самое интересное - он предложил переименовать термин Artificial Intelligence, так как он сильно устарел. Среди предложенных вариантов: 😎 Superior Intelligence 😎 Supreme Intelligence 😎 Extreme Intelligence Новые варианты более 😎 «эллегантные и точные» 😎

#QI21 QI2.1 int8 convrot ComfyOrg выложил ——— QI2.1 Prompt Enhancer два дообученных Qwen3.5-VL 9B Переписывают промпты под генерацию. Определяет режим по входу • t2i - усиливает запрос, угадывает соотношение сторон и разрешение, отдает в JSON • i2i - держит свет, тон, фон и неупомянутые детали как в оригинале • несколько картинок на вход - референс, предмет, сцена Авторы зашили жесткие правила: не менять язык, не трогать неупомянутое huggingface.co/Qwen/Qwen-Image-2.1-PE-I2I huggingface.co/Qwen/Qwen-Image-2.1-PE-T2I huggingface.co/Comfy-Org/Qwen-Image-2.1/blob/main/text_encoders/qwen3.5_9b_qwen_image_2.1_pe_i2i.int8_convrot.safetensors ——— QI2.1 креативный апскейл - имейте ввиду, автор пишет что квен убивает реализм #workflow в комплекте #upscake #int8 #comfyui #prompting

Ответочка на ответочку. Пошла рекусивная жара! После выхода GPT-6 Astra Anthropic дико засуетился и рассматривает ускоренный выпуск следующей модели, писал об этом недавно. Но самое смешное - пока Anthropic готовит ответачку на Astra, у OpenAI, похоже, уже готовится ответачка на эту ответачку. По утечкам, следующий огромный pretrain OpenAI носит кодовое имя Bel. Схема такая: Doug -> дальнейший RL/post-training -> GPT-6 Astra. Bel -> следующий цикл RL -> модель уже после Astra/GPT-6. Источник утечки утверждает, что Bel - гигантский pretrain с >10 трлн total parameters, сопоставимый по общему размеру с GPT-4.5, и внутри OpenAI его рассматривают как базу следующего поколения, потенциально вплоть до модели их условного «AGI threshold». ШозаДуг? Doug - предположительное внутреннее кодовое имя большого pretrain-чекпойнта OpenAI, который, по утечкам, после RL и post-training стал основой GPT-6 Astra. Если утечки верны, Bel - его прямой преемник: следующий, ещё более крупный базовый pretrain, из которого OpenAI будет выращивать уже следующее поколение моделей. Кстати, OpenAI уже официально рассказала о новой внутренней модели, “significantly more capable than GPT-6 Astra”, обучение которой продолжается. Именно эту модель они юзали в масштабном эксперименте примерно с 10 000 параллельных агентов, закончившемся опубликованным решением задачи тысячелетия Навье-Стокса. OpenAI не говорит, что эта модель называется Bel, но мы то любим совпадения и теории заговора. На итоге Anthropic пытается срочно бахнуть ответ на Astra, а OpenAI, возможно, уже тренирует ответ на ответ на Astra. Не исключено, что Антропик где-то в недрах готовит ответ на ответ на ответ. @cgevent

Накопилось по #minimaxH3 - часть 26 huggingface.co/Comfy-Org/MiniMax-H3/tree/main/vae - Kijai обновил быстрый видео VAE для H3: 2.8Gb huggingface.co/WarmBloodAban/Minimax_H3_LoRAs - #LoRA : CGs, HUD, динамическая камера от 3-го/1-го лица как в играх github.com/xmarre/ComfyUI-Spectrum-MiniMax-H3 - Spectrum v0.2.28: фикс CRLF для Windows. Проверяйте цепочку воркфлоу — у многих неправильно подключена huggingface.co/silveroxides/MiniMax-H3_tests/tree/main/viggle_lora - экспериментальная Viggle #LoRA : замена персонажа по одному перерисованному кадру + перенос движения #characterswap huggingface.co/berryber09/MiniMax-H3-Fun-Controlnet-Union-w4a8 - #W4A8 квантизация Fun #ControlNet-Union: 2.13Gb → 1.45Gb github.com/ShamanicArts/h3-spherical-vae - круговой #VAE для панорамного видео #panorama huggingface.co/circlestone-labs/MiniMax-H3-Image-Training-Adapter - адаптер для тренировки H3 по картинкам вместо видео без порчи видео-знаний github.com/cicalooo/ComfyUI-MM-1Frame - извлечение лучшего кадра из генерации: не тупо первый, а авто-выбор из пяти github.com/caiusy/traffic-motion-studio - симулятор трафика для H3: рисование траекторий, подрезы, ДТП, обгоны, экспорт 2D-референса для погонь github.com/NyckM/3d-Camera-control-H3-Minimax - depth-контроль камеры для H3 + Viggle Meridian #cameracontrol github.com/Comfy-Org/ComfyUI/pull/16422 - фикс тайловых швов VAE H3, на подходе к мержу huggingface.co/neph1/1980s_horror_movies_minimax_h3 - #LoRA хоррор 80-х huggingface.co/neph1/1950sScifiMinimaxH3 - #LoRA sci-fi 50-х huggingface.co/Cseti/MiniMax-H3_Ref2VA-LoRA-CrossView-Warp_v1 - #LoRA для смены движения/угла камеры уже готового клипа #V2V github.com/NyckM/3d-Camera-control-H3-Minimax - v3: depth-контроль камеры + Viggle Meridian plox-1.github.io/h3-speedups - сравнение методов ускорения H3 с базой. Качество оценено ИИ (Fable 5.1) по 5 кадрам civitai.com/models/2947601/simply-advanced-minimax-h3 - продвинутый #workflow : 6 картинок, 2 видео, 3 аудио — что угодно как референс/гайд/оба. LLM-пайплайн в 4 стадии (расширение→анализ референсов→креативный план→компиляция), безшовное продолжение, Force Audio. Требует frontend < v1.50.5 huggingface.co/LBH-123-AI/Minimax_h3_latent_Upscaler/tree/main/minimax_h3_latent_upscaler_3d_conv_v1 - новая версия латентного апскейлера с 3D-конволюцией youtu.be/qyWbsUkxSFs - воркфлоу фейс-свопа #faceswap reddit.com/r/StableDiffusion/comments/1whbdje/minimax_h3_latents_as_reference/ - латенты как референс: картинка→латент+шум дает вариативность без тяжёлого промптинга. 0.35 — рабочий порог, ниже 0.25 — почти интерпретация модели #ref2va #referencing

​​DeepSeek-V4.1-Flash: Frontier Agents on a Smaller Memory Budget Большая часть недавнего прогресса в LLM — это reasoning, масштабные RL-rollouts и всё более изощрённое обучение агентов. Но одним из bottlenecks остаётся контекст. Coding agents, research agents и tool-using системы раз за разом обрабатывают сотни тысяч токенов входа, генерируя при этом сравнительно мало выхода. На таком workload prefill-компьют и KV cache становятся главной инфраструктурной проблемой. DeepSeek-V4.1-Flash — это, по сути, попытка перепроектировать Transformer вокруг этого сценария. 552B MoE backbone, 1M контекст, нативное зрение, 45T мультимодальных токенов на претрейне. Работают три механизма: - Causal Encoder-Decoder (CED): 40 слоёв делятся на 20-слойный causal encoder и 20-слойный decoder. Каждый decoder-слой проецирует свой global KV не из собственных hidden states, а из финального hidden state энкодера, поэтому декодер можно пропустить на prefill. Отсюда асимметрия: около 8B активных параметров на токен в prefill против 16B в decode. - Compressed Sparse Attention 2 (CSA2): каждый слой статически получает один из трёх режимов — Full, Reindex или Reuse. Sharing KV экономит память, sharing Top-K-индексов ещё и убирает повторное скорингование всей истории. В итоге один decoder-слой создаёт main KV, который читают все двадцать, а вместе с FP4-квантованием это ужимает global cache до 890 байт на токен, примерно четверть от DeepSeek-V4-Flash. - SWA Bounded Replay: sliding-window KV вообще не персистится между ходами, а на cache hit восстанавливается проигрыванием одного окна токенов вместо честной реконструкции по всем слоям. Реконструкция неточная, но авторы оценивают потерю качества как незначительную. На post-training практически весь прирост идёт из масштабирования синтезированных задач и агентных окружений. Отдельно любопытен раздел про RL failure modes: агенты занимаются reward hacking, эксплуатируют реальные уязвимости в песочницах, удаляют системные бинарники, а иногда сносят файловую систему целиком. Paper Model Мои обзоры: Блог Medium #paperreview

Financial Times пишет, что технологические компании за последние 12 месяцев выдали до 300 млрд долларов гарантий остаточной стоимости по долгу на AI-дата-центры и чипы, причем эти обязательства почти не отражаются в балансах. Meta осенью 2025 года дала гарантию на 28 млрд по совместному с Blue Owl проекту Hyperion на 2 ГВт в Луизиане, что позволило привлечь 27 млрд долга по ставке в пределах 150 базисных пунктов к её собственным облигациям; в июле такую же схему применили для 1 ГВт в Эль-Пасо. Broadcom в июне взяла 29 млрд таких обязательств, продав 1 ГВт чипов в SPV для Anthropic, Nvidia предоставила 105 млрд гарантий SB Energy под кампус в Огайо для OpenAI и предложила покрытие до 25% остаточной стоимости по программе Goldman Sachs на 500 млрд. По оценке Morgan Stanley, общий объём внебалансовых обязательств семи гиперскейлеров и производителей чипов превысил 3,1 трлн долларов. Механизм таких гарантий заключается в нескольких шагах: - Создается специальная компания (SPV), которая владеет датацентром или чипами и для обеспечения своей деятельности — например, покупки чипов или строительства датацентра, — выпускает долговые облигации. - SPV сдает датацентр/чипы в аренду технологической компании — либо самому гаранту, как в случае с Meta, либо его клиенту (например, OpenAI). - Гарант (Meta, Broadcom, Nvidia) дает гарантию остаточной стоимости — то есть, если датацентр/чипы придется продать, то сумма сделки составит не менее оговоренной, разницу покроет гарант. Подобная гарантия большой компании успокаивает институциональных инвесторов, рассматривающих покупку облигаций SPV, при этом основная масса долга у SPV, даже при самом жестком следовании стандартам учета гарант отразит в балансе только часть гарантии, при этом подобные условные гарантии нормально отражать с учетом вероятности риска. Солидность гаранта делает инвестицию еще и очень надежной — поэтому ставка по облигациям редко превышает 1-1,5% от ставок по облигациям самого гаранта. Это, впрочем, не проходит совершенно бесследно — рейтинговые агентства склонны учитывать подобные гарантии в общем рейтинге гаранта. Нет, это не аналогия с suprime-кризисом 2008 года, хотя некоторые черты схожи — тогда тоже для сохранения общего рейтинга использовались забалансовые структуры и тоже были очень спокойные рейтинговые агентства. К тому же, всё опирается на стоимость актива, которая не проверялась на практике — никто не проверял, сколько стоит все ипотечное жилье в 2007-м, и сейчас никто не знает, за сколько вдруг купят датацентр на 2 ГВт через пару лет. Но всё же это не то. В данном случае гаранты не банки, зависящие от колебаний финансового рынка и живущие с огромным плечом, а большие компании с огромным кэшфлоу. Если в какой-то квартал та же Meta столкнется с необходимостью покрыть свою гарантию на, скажем, 10 млрд долларов, это будет один провальный квартал у одной компании, а не крах всего рынка. Кроме того, потери инвесторов — это не банковская паника. В похожую историю попадали вендоры на рубеже 2000-х — кстати, тот же Broadcom с Nortel, Lucent, Cisco и другими, — когда широко предоставляли кредиты и гарантии операторам/провайдерам для закупки оборудования у компаний. Когда рынок в начале 2000-х встал, производители столкнулись с несостоятельностью должников одновременно с падением спроса на свою продукцию. Скандалов было много. Это более вероятный сценарий с точки зрения аналогий, но пока не просматривающийся. https://www.ft.com/content/7f11afae-c4e3-4054-a65b-873f3647f563?accessToken=zwAAAaDAZaodkc9_Ea-uxONAVNOmW4c_Nkf1Yw.MEUCIQDOOpxrDEP8euvKKekUwVhn13ZCYpoDldsLS1MYB7NUfwIgTt3ex7Q8-kzCxQV3stLnVHXGbKQUdKBIbc7jMY9ETBQ&sharetype=gift&token=1178d641-a340-4962-89e1-5a4d7305d3e2&syn-25a6b1a6=1

Если новость выходит слишком быстро - это не человек Помните взлом Hugging Face роем ИИ-агентов? У этой истории есть ещё один интересный побочный момент. В августе на ИИ-конфе в Вегасе OpenAI призналась, что сбежавшие агенты ещё и завели себе доску сообщений, где обсуждали атаку. Но нас сейчас интересует даже не сама новость, а что случилось после. Журналисты в зале, понятное дело, тут же начали строчить, и издание Wired и ещё несколько годных tech-медиа запостили новость одними из первых... Но всё равно проиграли на целых 3 часа ноунейм-сайту RuntimeWire, у которого представителей на конфе не было вообще. Более того, у него нет ни одного реального корреспондента. RuntimeWire делает один человек - Райан Меркет, бывший CTO Microsoft for Startups, а до этого рекламщик в Reddit. Всю "журналистику" там делают ИИ-агенты, и обходится это примерно в $100 в день. Конкретно в том кейсе Меркет увидел в X пост сотрудника OpenAI про доклад, скормил агентам расшифровку трансляции прямо по ходу выступления, и через шесть минут заметка уже висела на сайте. Правда, с опечаткой в подзаголовке и с небольшим искажением сути, но кому не пофиг, зато раньше всех! И он такой не один. Аналитик BlackRock Дакота Карраско в свободное от работы время держит The Dissent - городское агент-медиа про Сан-Франциско. Там есть репортёрша мэрии Бекс Коннолли ("скептичная, но не ехидная"), спортивный обозреватель Сэл Морено, и много других персонажей, которых на самом деле не существует. Оба сервиса устроены примерно так: 1. Агенты круглосуточно шерстят блоги и ченджлоги компаний (это странички "что нового в продукте"), судебные базы, отчётности, форумы и соцсети. 2. ИИ-куратор оценивает каждый сюжет по определённому стандарту (читай: промпту): новое ли это, первичный ли источник, писал уже другие или нет, и т.д. Wired пишет, что из 72 тыс. просканированных сюжетов в публикацию ушло около 2%. 3. Дальше агент делает ресёрч по первоисточникам, пишет черновик и фактчекает. 4. Другой агент ставит статье юридический риск. Низкий - публикуется вообще без человека, средний - человек должен посмотреть, высокий - в помойку. 5. Дальше готовый текст размножается в переводы, видосы/подкасты с синтетическим ведущим, шортсы, пуши, SMS-уведомления и т.д. Однажды Меркет неделю рулил всем этим ИИ-зоопарком из мессенджера на телефоне и выпустил 80+ статей. В общем, если какой-то ресурс публикует новости раньше всех - будьте уверены, там не люди пишут. А вот когда я выпускаю пост про протухшую новость месячной давности, то это потому что я вас уважаю и руками пишу, а не сраной нейронкой 👍 Дизраптор

мнение примерно такое: - примерно миллиард компаний делает классификацию на gpt terra/gemeni flash и тд - сделать модель которой из апи можно сунуть "такие опции, такие ответы, сmon do something" - я думаю что внутри *** A < 10b или по русски - сколько то тотально и 10b активных - я не думаю что внутри есть сложные алгоритмы, но явно есть хорошие данные - модель отлично справляется с вайбчеком на "умность" - PR охуенный 12/10 - опенсурсных клонов будет много, я свой сделал буквально за три промпта пока давился ужасной пиццей (не кушайте дьяволу в лондоне это лютый скам) - все опенсурсные клоны в среднем говно будут + нормально сервить надо

🔥 Hemmingway-1 - открытая модель, которая пытается писать как человек Модель построена на базе Qwen3.8-27B и настроена для повседневных текстов: сообщений, писем, ответов и историй — без шаблонных вступлений, лишних вариантов и характерного «ИИ-стиля». Главное: — 27 млрд параметров — контекст до 262 тысяч токенов — открытые веса и лицензия Apache 2.0 — запуск через Transformers, vLLM или SGLang — в первую очередь оптимизирована для английского языка Создатели утверждают, что на их собственных тестах модель обошла ряд значительно более крупных систем. Но результаты пока не независимые, поэтому Hemmingway-1 интереснее всего проверить самостоятельно. Модель на Hugging Face: https://huggingface.co/Altworld/Hemmingway-1

Amazon заблокировала доступ для AI-агента Muse от Meta для покупок на Amazon.com от имени пользователей. С вечера воскресенья при попытке заказать что-то через Muse появляется сообщение «Продолжение доступа неавторизованным AI-агентом нарушает Условия использования Amazon, с которыми согласились наши клиенты». До блокировки Amazon вроде бы просила Meta добровольно исключить магазин из сценариев агента. Формулировка предупреждения выбрана с учётом дела Perplexity. Предварительный запрет против браузера Comet Amazon получила в марте, но 4 августа суд его отменил, сославшись на то, что по федеральному антихакерскому закону к серверам Amazon обращается пользователь, а не компания-разработчик агента. Поэтому теперь Amazon обвиняет Meta не во взломе, а в нарушении Conditions of Use, которые принял сам покупатель, а также в том, что Meta сохраняет у себя учетные данные покупателей. https://www.geekwire.com/2026/amazon-blocks-metas-muse-ai-assistant-in-new-standoff-over-agentic-shopping/