ИИ

Qwen-AgentWorld новая world models с 🛍 Команда Qwen выпустила не просто очередную LLM, а world models 😎 (точнее Language World Model) - по сути это модель, которая симулирует последствия действий агентов в 7 доменах: терминал, веб, Android, OS, SWE, поиск, MCP😜 Модель уже доступна с контекстом до 262K токенов. В чём суть? Обычные агенты решают, что делать в среде, в RL это зовётся политикой (policy), а Qwen-AgentWorld же предсказывает, что произойдёт после действия. Это как симулятор "реальности" в голове ИИ, позволяющий планировать без постоянных обращений к реальной среде. Крч становится доступна "осмысленная" многоходовочка. 🧠 Ключевые факты из статьи: 🤍 Архитектура: уже знакомая 35B параметров, активируется только 3B за счёт MoE - 256 экспертов, 8 активных. Гибрид из Gated DeltaNet 75% слоёв для скорости и Gated Attention 25%, для точности. 📚 Обучение: >10 млн реальных траекторий из 7 доменов + 3-этапный пайплайн: - CPT – закладка знаний о динамике сред - SFT – активация рассуждений для next-state prediction. - RL (GSPO) – оттачивание точности с гибридной наградой рубрики + правила. Помните рубрики обсуждали тут. 🏆 Бенчмаркинг AgentWorldBench: результаты на уровне GPT‑5.4 и Claude Opus 4.8, а 35B-версия превосходит более крупные модели. 🤙 Где применять? 1. Симулятор для RL – ожидаемо, можно обучать агентов в тысячах виртуальных сред без развёртывания инфраструктуры. 2. Горячий старт ака warm‑up для агентных моделей, что улучшает результаты на 7ми downstream‑задачах. Это не просто LLM – это шаг к ИИ, который понимает мир через причинно-следственные связи. Следующий шаг - это VLA с алиэкспресс 👍

Наткнулся, что весь контент Reddit за всю историю бесплатно доступен. 20 лет общения сотен миллионов людей в «сердце интернета» - это всего 3.8 терабайт (только тексты). Стало интересно, какие ещё есть мега-архивы: 1/ Common Crawl - слепок почти всего интернета. Больше 9.5 петабайт суммарно. петабайт = 1000 терабайт https://commoncrawl.org 2/ Wikipedia - вся энциклопедия со всей историей правок, ~31 ТБ. Только текущие статьи - 25 ГБ. https://dumps.wikimedia.org 3/ The Stack v2 - открытый код с GitHub, 67 ТБ, 600+ языков. https://huggingface.co/datasets/bigcode/the-stack-v2 4/ LAION-5B - 5.8 млрд пар «картинка + описание», на этом росли генераторы изображений. https://laion.ai/blog/laion-5b/ 5/ arXiv - архив научных статей целиком, ~1 ТБ текста. https://info.arxiv.org/help/bulk_data.html Знал только про arXiv, остальное для меня открытие. Думаю, любая большая языковая модель, созданная с полного нуля, начиналась с этих массивов. Оставлю ссылки для удобства, в том числе своего (и конечно же никогда не воспользуюсь 😁). @midov_channel

✔️ Худший сценарий для США в ИИ-гонке уже не выглядит фантастикой Китай делает ставку не на один прорыв, а на сборку всей ИИ-инфраструктуры внутри страны. Open source здесь не про альтруизм. Это способ быстро набрать пользователей, занять рынок, снизить зависимость от западных API и давить на американские закрытые модели ценой и доступностью. Параллельно Китай тянет модели на свой стек. Huawei-чипы пока сильно уступают NVIDIA, но для Пекина важна не только максимальная производительность на один ускоритель. Важны объём, контроль поставок и возможность разворачивать модели без критической зависимости от США. У Америки проблема не только в конкуренции моделей. Спрос на дата-центры растёт быстрее, чем вводятся новые мощности. Даже если GPU есть, их нужно где-то разместить, охладить и подключить к сети. Следующая волна ИИ требует огромной стабильной генерации и мощной электросети. Китай отвечает на это строительством: солнечные станции, новые энергомощности, атомные проекты. В 2025 году он добавил солнечных мощностей примерно столько, сколько США строили много лет. Риск в том, что Китай может взять масштабом, дешёвым доступом к вычислениям, локальной инфраструктурой и скоростью ввода мощностей. США всё ещё впереди по frontier-моделям, чипам, капиталу и исследовательской экосистеме. Но лидерство становится дороже поддерживать. Если одна сторона упирается в дата-центры и сеть, а другая параллельно строит энергию, железо и open-source-канал распространения, разрыв начинает сжиматься не на уровне красивых демо, а на уровне физической инфраструктуры.

Magnific Plugin для Premiere Pro, After Effects, DaVinci Resolve и Final Cut Pro Еще одна новость от Магнифика. Они вслед за Хиггсами бахнули плагины для монтажек и композа. Не выходя из софта можно делать generate, upscale, relight, reframe, remove background. А также добавлять к видео AI music and voice Упор на том, что все это внутри софта. Нужен аккаунт Магнифика - именно оттуда будут списываться кредиты. Магнифик - это агрегатор моделей, у них свой - только апскейлер (с не очень понятной историей с кодом). Поэтому модели могут использоваться разные. На сайте указана еще поддержка Photoshop and Figma. Все подробности тут: https://www.magnific.com/plugins Пользователи, правда пишут, что пока все сыровато, особенно для Финала и Резолва. И что вроде просто взять кусок на полторы секунды на таймлайне и перегенерить именно эти полторы секунды нельзя. Надо пробовать. @cgevent

Главные AI и Tech новости за неделю 🔓 OpenAI открыла ограниченный доступ к GPT-5.6 OpenAI представила линейку GPT-5.6: Sol, Terra и Luna. Sol — флагманская модель, Terra рассчитана на повседневные задачи и стоит вдвое дешевле GPT-5.5, а Luna — самая быстрая и доступная версия. Источник 🏛️ Белый дом просит OpenAI ограничить запуск GPT-5.6 OpenAI может выпустить GPT-5.6 не сразу для всех пользователей, а только для ограниченного круга партнёров. По данным The Information, администрация Трампа попросила компанию замедлить релиз из-за опасений по безопасности. Источник 🧠 США разрешили Anthropic открыть доступ к Claude Mythos 5 Правительство США сняло блокировку с Claude Mythos 5 и разрешило Anthropic предоставить доступ более чем 100 американским организациям. Среди них — крупные компании и государственные структуры. Источник ⚠️ Anthropic обвинила Alibaba в попытке клонировать Claude Anthropic заявила, что операторы, связанные с Alibaba и Alibaba Qwen, провели крупнейшую атаку по извлечению возможностей Claude. По данным компании, за 45 дней они создали 28,8 млн взаимодействий через почти 25 тысяч фейковых аккаунтов. Источник 🎓 AI-компании вложат $500 млн в переобучение работников В США запустили двухпартийную инициативу RAISE US на $500 млн. Она должна помочь работникам адаптироваться к изменениям на рынке труда из-за AI. Среди доноров — Anthropic, OpenAI, Amazon, Microsoft и Bank of America. Источник 🌶️ OpenAI сделала собственный чип Jalapeño OpenAI и Broadcom представили Jalapeño — чип для ускорения работы AI-моделей. Он нужен, чтобы ChatGPT, Codex, API и будущие AI-сервисы отвечали быстрее, стабильнее и дешевле при большой нагрузке. Источник 🖱️ Google встроила computer use в Gemini 3.5 Flash Google добавила computer use прямо в Gemini 3.5 Flash. Теперь модель может видеть интерфейс, рассуждать и выполнять действия в браузере, мобильных и desktop-средах без отдельной модели для таких задач. Источник 🔄 AI-исследователи Google переходят в Anthropic Google продолжает терять заметных AI-специалистов. По данным Bloomberg, исследователи Йонас Адлер и Александр Прицель уходят в Anthropic. Они участвовали в разработке модели Gemini. Источник __ 14 июля начинается курс «Мастер Администрирования Агентов», второй модуль (MAA2). Тем, кто оплатит сегодня — бонус: любой второй модуль MAA в подарок (всего 4 модуля). Подробности: https://productuniversity.ru/maa2

Наткнулся, что весь контент Reddit за всю историю бесплатно доступен. 20 лет общения сотен миллионов людей в «сердце интернета» - это всего 3.8 терабайт (только тексты). Стало интересно, какие ещё есть мега-архивы: 1/ Common Crawl - слепок почти всего интернета. Больше 9.5 петабайт суммарно. петабайт = 1000 терабайт https://commoncrawl.org 2/ Wikipedia - вся энциклопедия со всей историей правок, ~31 ТБ. Только текущие статьи - 25 ГБ. https://dumps.wikimedia.org 3/ The Stack v2 - открытый код с GitHub, 67 ТБ, 600+ языков. https://huggingface.co/datasets/bigcode/the-stack-v2 4/ LAION-5B - 5.8 млрд пар «картинка + описание», на этом росли генераторы изображений. https://laion.ai/blog/laion-5b/ 5/ arXiv - архив научных статей целиком, ~1 ТБ текста. https://info.arxiv.org/help/bulk_data.html Знал только про arXiv, остальное для меня открытие. Думаю, любая большая языковая модель, созданная с полного нуля, начиналась с этих массивов. Оставлю ссылки для удобства, в том числе своего (как конечно же никогда не воспользуюсь 😁). @midov_channel

🔥 ChatGPT притащили в суд Похоже, мы наблюдаем любопытный прецедент. На процессе по делу о поджоге, с которого начался один из самых смертоносных пожаров в истории Лос-Анджелеса, обвинение приобщило к делу не только привычные улики, но и логи переписки подозреваемого с ChatGPT. Джонатана Риндеркнехта обвиняли в том, что он устроил пожар. И прокуроры вытащили на свет его диалоги с чат-ботом: как он просил нейросеть сгенерировать изображения огня, как спрашивал «почему я всё время такой злой?», как жаловался ИИ на богачей, которые губят мир. Отдельно показали запись экрана, где он интересуется у ChatGPT — можно ли обвинить человека в пожаре, если тот вспыхнул от его сигареты. Вот только присяжных это не убедило: голоса разделились 10 к 2 в пользу защиты, судья объявил коллегию несогласной — и процесс закончился ничем. Одна из присяжных призналась, что не увидела в переписке с ботом никакого доказательства: «Я сама постоянно болтаю с ChatGPT». Её даже возмутило, что обычное общение с нейросетью попытались выдать за изъян характера. Но мораль тут для всех нас совсем другая. Ваши разговоры с чат-ботами — это открытая книга. Никакой тайны переписки с ними нет. Так что прежде чем спросить у ИИ что-нибудь очень личное, подумайте несколько раз. @droidergram

🧠 Meta* показала Brain2Qwerty v2 — чтение текста из мозга без вживления электродов AI at Meta анонсировала вторую версию пайплайна, который восстанавливает напечатанный текст напрямую из мозговой активности, не вскрывая череп. Первая версия только что вышла в Nature, v2 — продолжение той же линии. v1 работала на уровне символов: модель угадывала отдельные клавиши по сигналу MEG. v2 поднялась на уровень слов и смысла - декодит не «буквы по одной», а семантику фраз, и делает это в реальном времени, end-to-end, из сырого сигнала. Это и есть качественный скачок, а не просто +X% к точности. Цифры, которые стоит знать (по v1, из Nature). С магнитоэнцефалографией (MEG) средняя ошибка на символах около 29–32%. С дешёвой и носимой ЭЭГ - 67%, то есть пока почти неюзабельно. Отсюда и главное ограничение: рабочая точность держится на громоздком неносимом MEG-сканере, а не на бытовом устройстве. Метод неинвазивный, но это лабораторная история: MEG стоит как небольшая квартира, требует экранированной комнаты и неподвижной головы. До «гарнитуры дома» отсюда далеко. Адресат - люди с поражениями мозга и неврологическими нарушениями, потерявшие речь. Для них даже несовершенный неинвазивный канал коммуникации - это много. Что Meta пока не раскрыла по v2: точность, скорость набора, размер словаря, работает ли это всё ещё только на MEG. Заявка громкая («самый результативный end-to-end декодер»), но проверяемых метрик второй версии в публичном анонсе нет. https://ai.meta.com/blog/brain2qwerty-brain-ai-human-communication/ *признана экстремистской и запрещена в России.

Клиенты Anthropic и OpenAI нашли миллионы долларов лишних списаний за токены Стартап Vaudit, который проверяет счета за AI-сервисы, изучил инвойсы 60 компаний на 34 миллиона долларов. В них нашли около 1.7 миллиона долларов ошибочных переплат, в основном за Claude Code. Типовая проблема — клиент использовал дешевую модель, а счет приходил как за более дорогую. Иногда списания шли за запросы, которые завершились ошибкой, или за retry storm, когда агент не справился с задачей, но продолжал снова и снова пытаться ее выполнить. Anthropic говорит, что не берет деньги за незавершенные запросы и ошибки, а OpenAI заявляет, что не видит таких проблем у своих клиентов. При этом, по словам Vaudit, 80% найденных переплат уже вернули. https://www.theinformation.com/newsletters/applied-ai/anthropic-customers-find-errant-charges-auditing-startup-says

🧠⌨️ Brain2Qwerty v2: мозговые волны → текст Meta Research показала новую версию Brain2Qwerty - AI-модель, которая декодирует текст (предложения) из brain recordings. Простыми словами: человек печатает, MEG-устройство (не инвазивное) считывает активность мозга, а модель учится восстанавливать текст из шумных сигналов. В v2 обучались на ~22 000 предложениях от 9 добровольцев, и результат уже заметный: 61% word accuracy в среднем и до 78% (в самом лучшем случае). Это все еще не «чтение мыслей» из воздуха и не готовый продукт для дома - пока нужны MEG, часы данных и активное участие человека. Но направление сильное: если такие системы масштабируются, они могут стать альтернативным способом коммуникации для людей, которые не могут говорить из-за поражений мозга, без риска операции. Мне нравится тренд: LLM + нейроданные начинают превращать очень шумный биосигнал в связный язык. Подробности тут: Brain2QWERTY

Ломка Раньше, когда я хотел запустить проект, в голове щёлкал один и тот же паттерн: кого нанять. Нужен проектный менеджер. Нужен человек на операционку. Нужен ещё кто-то под это. Любая новая задача начиналась с вопроса «какие люди мне нужны». Сейчас паттерн другой. Я думаю не «кого нанять», а «какие инструменты ИИ применить, чтобы это запустить или решить задачу». И специально не нанимаю, запретил себе это делать. Либо решу с ИИ, либо не буду решать вообще. «Закодировался» от найма, чтобы перестроить своё мышление. Ломка жуткая, но выхода другого нет. Звучит как мелочь возможно. Но это смена точки входа в процесс. Старый рефлекс добавлял к каждой идее людей, зарплаты, согласования, управление и отсутствие гибкости и скорости. Новый — добавляет связку инструментов, которую один человек собирает за вечер. И если не получилось — быстро выкинул, а при успешном старте быстро масштабировал. И знаете, что меняется в голове? Идеи перестают казаться дорогими и долгими. Раньше «а давай запустим вот это» автоматически означало «а давай наберём под это команду и найдём деньги». Теперь — «а давай я соберу это за вечер и завтра потестируем». ИИ сам по себе не делает предпринимателя богаче. Он просто позволяет одному сильному человеку создавать намного больше и ещё намного быстрее. Весь вопрос в том, какой рефлекс срабатывает у тебя первым. И хочешь ли ты перестроиться на новый.

Экс-глава AI в Databricks придумал, как снизить энергозатраты в 1000 раз Навин Рао, бывший руководитель AI-направления Databricks, строит стартап Unconventional AI. Компания обещает радикально снизить стоимость инференса за счет новой компьютерной архитектуры на основе осцилляторов На днях показали первую модель Un-0. Это генератор изображений, который должен доказать, что на такой архитектуре могут работать обычные диффузионные модели. Компьютер на новой архитектуре ещё не построен, так что модель пока живёт в симуляции. В конце прошлого года Unconventional AI привлёк 475 миллионов долларов с оценкой 4.5 миллиарда. https://techcrunch.com/2026/06/25/databricks-former-ai-chief-thinks-he-can-cut-ais-power-bill-by-1000x/

Приглашаем на ИИшную — бесплатный митап про нейросети в IT от ЮMoney и Сбера 🔥 ✅ 30 июня, вторник, 18:30 (мск) — приходите на митап в Санкт-Петербурге или подключайтесь онлайн. Спикеры из ЮMoney и Сбера расскажут, как искусственный интеллект меняет индустрию разработки, а после докладов ответят на вопросы зрителей. Темы митапа: — Агентные инструменты разработчика для задач вне разработки. Поговорим о Claude Code, Cursor и других агентах в контексте повседневных рабочих задач. — Не доверяй, а тестируй: проверяем, подходит ли LLM для вашей задачи. На примере нашего инструмента расскажем, как выбрать оптимальную модель для конкретного таска. — AI-Driven PDLC: от Copilot к агентным платформам. Трансформация разработки в Сбере. Разберём эволюцию ИИ и рассмотрим ключевые метрики: как AI увеличивает количество pull request, экономит до часа времени в день и вдвое ускоряет адаптацию новичков. — Агентный LLM-сервис для доступа к аналитической информации. Покажем архитектуру, возможности и основные компоненты сервиса, а также затронем сложности реализации и планы развития новых фичей. Для участия необходима регистрация. Все подробности — на сайте ИИшной 👈

Развитие искусственного интеллекта (ИИ) привело к тому, что классические студенческие работы перестали отражать реальный уровень подготовки учащихся, заявил министр науки и высшего образования России Валерий Фальков на форуме «Технологии ИИ в высшем образовании» в Тюмени. «Массовая технология проверки знаний, как у нас контрольно-измерительные материалы, — [это] написание дипломных или курсовых работ. То, что было 20–30 лет назад и работало вполне себе хорошо, сегодня по целому ряду направлений [изменилось]. <...> Дипломные работы уже не выполняют той функции, которую они выполняли в высшем образовании еще 10–15–20 лет назад», — подчеркнул Фальков (цитата по ТАСС). Как отметил министр, формат учебных работ будет меняться с учетом развития цифровых технологий. По его словам, ИИ должен стать помощником в учебе, однако единых правил использования искусственного интеллекта в вузах пока нет.

https://www.rbc.ru/rbcfreenews/6a422cbc9a79474c3ffc75d9 Интересно, что официальная пресс-служба министерства об этом скромно умолчала.

Чем CC на самом деле круче Codex с точки зрения бизнеса? В целом, будем честны, они уже плюс-минус одинаковые. Да, Claude лучше делает UI, а Codex педантичнее следует правилам. Обгоняют друг друга по разным фичам, но в основном в мелочах Но есть одна особенность, которая может быть критической при выборе Codex vs Claude Code для компании. По крайней мере, для тех компаний, где разрешен гитхаб Это automations (codex) vs routines (cc) Просто один из самых частых запросов у бизнеса сейчас: 1. Научите наших доменных экспертов автоматизировать себе задачки 2. А потом сделайте, чтобы часть задачек запускалась в фоне, чтобы не тратить на них фокус Раньше, переход из первого во второе означал кучу приседаний с SSH, CI/CD, Docker и кучей других слов, которые люди учить не хотели и правильно делали Теперь рутины в Claude Code это решают – там достаточно разобраться как запушить проект с AGENTS.md и скиллами на гитхаб (проверено, с этим справляются), скопировать .env, если был, и установить триггер по таймеру (но можно и вебхук, если хочется запускаться в ответ на внешнее событие) Всю сложность по деплою, триггерам, и т.д. забирает на себя антропик И для компаний, где мало разрабов или у них нет времени на создание такой инфраструктуры для своих нетехнических коллег – это прям киллер фича @ai_grably

Вот вам еще одно исследование, тоже вполне себе флеймовое. Авторы использовали серьезный набор данных — более 100 000 разработчиков GitHub плюс внутренняя телеметрия Microsoft по использованию AI-инструментов. Метод — сопоставленный событийный анализ (каждого, кто внедрил инструмент, сравнивают с близнецом-разработчиком на год раньше, чтобы отделить эффект инструмента от общей волны внедрения AI). Задача исследования — выяснить, как растет отдача по мере внедрения AI-инструментов и доходит ли эффект до конечного продукта. На уровне написания кода прирост огромный и растёт с каждым поколением. По числу коммитов накопленный эффект: ▪️ автодополнение — +40% ▪️ + синхронные (интерактивные) агенты — +140% ▪️ + асинхронные (автономные) агенты — +180% Но дальше по цепочке выигрыш стремительно затухает. Те же 180% по коммитам превращаются в +50% по числу проектов и всего +30% по фактическим выпускам. У синхронных агентов разрыв ещё нагляднее: +741% строк кода, +65% пул-реквестов — и лишь +20% релизов. Основная гипотеза, что происходит — в цепочке остаётся слабое звено, то есть человек. Громадный выигрыш в разработке и генерации кода дальше упирается в живого ревьюера — code review это же очень важная стадия, как можно доверять тупой машине? — и там и пропадает. Кстати, аналогичную картину авторы видят в приложениях в App Store, Chrome и Google Play — количество новых приложений выросло значительно, но общее использование приложений по площадкам осталось прежним. Подавляющее большинство новых приложений не смогли набрать даже минимальную аудиторию. Собственно, это полностью согласовывается с общей идеей — узкое место просто переехало в маркетинг приложения. https://www.nber.org/papers/w35275