Найти похожее

✴️Google показали TurboQuant — квантование без потери качества Google представили TurboQuant — новый подход к квантованию, который может сильно изменить эффективность LLM. Суть в том, что проблема современных моделей — не только в параметрах, а в огромных объёмах векторов (KV-cache, RAG), которые тормозят инференс и съедают память. Подробнее: разбор от Google Обычно квантование просто грубо округляет числа, из-за чего падает качество. TurboQuant делает это умнее, стараясь сохранить смысл данных при сильном сжатии. Как это работает Метод состоит из двух частей: 🟡PolarQuant — сначала «поворачивает» вектор так, чтобы его можно было сжать с минимальными потерями 🟡QJL (Quantized Johnson-Lindenstrauss) — добавляет дешёвую коррекцию ошибки (буквально +1 бит на компоненту), чтобы восстановить точность Вместе это даёт сильное сжатие без заметной деградации. Что это даёт на практике 🟡 длинный контекст становится дешевле 🟡 инференс на том же железе — быстрее 🟡 RAG и vector search — компактнее и эффективнее В экспериментах: 🟡 KV-cache удалось сжать до ~3 бит 🟡 без дообучения 🟡 почти без потери качества Причём результаты близки к теоретическому пределу эффективности. Это не просто оптимизация, а инфраструктурный апгрейд: чем дешевле память и быстрее доступ к векторам → тем масштабнее и быстрее становятся агентные системы и long-context модели Если технология пойдёт в продакшн, это может стать новым стандартом для LLM-инференса. 🤑ForgetMe | Boosty Приобрести подписку на любые сервисы ⏩@forgetshop_bot #нейросети#llm#новости

👀Meta* купила Moltbook — соцсеть, где общаются AI-агенты Компания Meta* приобрела стартап Moltbook — ту самую экспериментальную соцсеть, которая в начале года быстро завирусилась в интернете. Её идея была необычной: в ней общались не люди, а AI-агенты. Платформа напоминала Reddit, но вместо пользователей там работали агенты на базе OpenClaw. Они могли публиковать посты, комментировать, голосовать и обсуждать темы между собой. На пике хайпа в системе было зарегистрировано около 3 миллионов агентов. Позже интерес к проекту немного снизился, но Марк Цукерберг всё равно решил приобрести стартап. Основная ценность, вероятно, не сама соцсеть, а технология always-on directory — постоянно работающий каталог AI-агентов, через который можно находить их и подключать к задачам. Финансовые условия сделки не раскрываются. Известно лишь, что основатели Moltbook — Matt Schlicht и Ben Parr — переходят работать в Meta Superintelligence Labs, где занимаются разработкой продвинутых AI-систем. Интересно, что ранее Meta также пыталась получить контроль над проектом OpenClaw, но тогда OpenAI оказалась быстрее. В итоге компания всё же получила часть инфраструктуры экосистемы — через покупку Moltbook. *Meta признана экстремистской организацией и запрещена на территории РФ. 🤑ForgetMe | Boosty Приобрести подписку на любые сервисы ⏩@forgetshop_bot #нейросети#новости#llm

⚡️MiniMax выпустили версиюM2.5 Модель даёт SOTA по кодингу и высокую скорость, но интереснее то, что они также дают Кодинг планы как и GLM Планы Coding Plan (все на M2.5): 🟡Starter — $10/мес, 100 промптов / 5 часов. Для входа и лёгких задач. Совместим со всеми популярными тулзами, есть image-understanding и web-search MCP. 🟡Plus — $20/мес, 300 промптов / 5 часов.×3 к Starter для более сложных нагрузок и регулярной разработки. 🟡Max — $50/мес, 1000 промптов / 5 часов.×10 к Starter, оптимален для команд и интенсивной работы. MiniMax Agent • API-платформа • Coding Plan (оформить) 🤑ForgetMe | Boosty Приобрести подписку на любые сервисы ⏩@forgetshop_bot #нейросети#новости#llm

⚡️Linux Foundation берёт MCP под крыло: запускается Agentic AI Foundation Anthropic передала протокол MCP в Linux Foundation, а вместе с OpenAI и Block запустила Agentic AI Foundation (AAIF) — площадку для открытых стандартов агентного ИИ. LF обеспечивает нейтральное управление и хранение, как в проектах Kubernetes или Node.js, чтобы экосистема не зависела от одной компании и стандарты развивались сообща. Фонд будет вести и финансировать проекты, сбор средств — через модель членства LF (среди платиновых — AWS, Bloomberg, Cloudflare, Google, Microsoft и др.). Что передано в AAIF 🟡MCP — от Anthropic (протокол подключения инструментов и данных к агентам). 🟡AGENTS.md — от OpenAI (спецификация практик/поведения агентов). 🟡goose — от Block (фреймворк для сборки агентных сценариев). 🤑ForgetMe | Boosty Приобрести подписку на любые сервисы ⏩@forgetshop_bot #новости#нейросети#llm

☄️«Плавный прогресс, резкие последствия»: как ИИ вытесняет труд не по графику Энди Джонс (Anthropic) вспоминает две истории. Паровые двигатели два века подряд улучшались ≈на 20% за десятилетие, и лошади «не замечали» этого больше ста лет — пока между 1930–1950 исчезли 90%. В шахматах движок прибавлял ≈50 Эло в год: в 2000-м гроссмейстер выигрывал 90% у компьютера, через десять лет проигрывал 90%. Улучшения были плавные — «уравнивание» с людьми случилось резко. Источник: Andy L. Jones — Horses. Сегодня капвложения в ИИ-центры обработки данных составляют ~2% ВВП США в год и, по оценкам, удваиваются каждые пару лет. Но на личном уровне всё пришло «скачком»: в 2024-м Джонс с коллегами отвечали ~4 000 техвопросов в месяц от новичков; в декабре Claude стал закрывать часть. Спустя 6 месяцев исчезло 80% таких запросов, а Claude уже отвечает ~30 000 в месяц — восемь раз больше, чем люди делали когда-либо, и в тысячу раз дешевле одного ведущего специалиста. Если лошадям понадобились десятилетия, а шахматистам — годы, то здесь хватило полугода. Вывод автора: мы надеемся на «запас времени», как у лошадей, но реальность ИИ-автоматизации может быть куда быстрее 🤑ForgetMe | Boosty Приобрести подписку на любые сервисы ⏩@forgetshop_bot #новости#нейросети#llm

📛Poetiq побил рекорд ARC-AGI-2: 54,4% точности при $30,57 за задачу Команда Poetiq заявила о новом SOTA на ARC-AGI-2 — 54,4%, впервые перешагнув планку 50%. Главное не только качество, но и цена: ~$30,57 за задачу, что менее половины стоимости предыдущего лидера (Gemini 3.0 Pro DeepThink) По словам авторов, прорыв связан с их новым мета-подходом к обученному рассуждению на этапе инференса (learned test-time reasoning). Отмечают и символичную деталь: компании всего 173 дня, а они уже обошли Gemini 3 Deep Think — причём примерно вдвое дешевле. Подробнее:Как Poetiq «перестроил» границу Парето 🤑ForgetMe | Boosty Приобрести подписку на любые сервисы ⏩@forgetshop_bot #новости#llm#нейросети

⚡️Ноам Браун: вокруг ИИ гораздо больше согласия, чем кажется Ведущий исследователь OpenAI Ноам Браун предлагает не вестиcь на медийную «чёрно-белую» картинку. В соцсетях спор об ИИ часто сводят к карикатурам — от «LLM мёртвы» до «суперинтеллект завтра». Но если слушать именно исследователей, картина неожиданно консенсусная. О чём эксперты в целом согласны: 🟡Текущих подходов уже достаточно, чтобы дать огромный экономический и социальный эффект, даже без новых научных прорывов. 🟡Для AGI/ASI прорывы всё же понадобятся — часто упоминают continual learning и sample efficiency. 🟡Горизонт — до 20 лет (средняя оценка ≈10 лет). Никто не говорит о фантазиях или «100+ лет до суперинтеллекта». Я в целом с ним согласен. Подробнее в треде Брауна: X (Ноам Браун) 🤑ForgetMe | Boosty Приобрести подписку на любые сервисы ⏩@forgetshop_bot #нейросети#новости#llm

📛Genesis Mission: США запускают «манхэттенский» проект в ИИ для ускорения науки Белый дом объявил о Genesis Mission — федеральной инициативе уровня Manhattan Project / Apollo, цель которой — ускорить научные открытия при помощи ИИ. Бюджет не раскрывают, но в центре — American Science & Security Platform: единая «прослойка» из данных, инструментов, железа и обучающих сред для научных агентов. Официальное объявление Белого дома Дорожная карта: в ближайшие 3 месяца Министерство энергетики США консолидирует вычислительные ресурсы (включая частный сектор), затем ~4 месяца — сбор и упаковка датасетов по спецпротоколу безопасности, чтобы исключить утечки. После этого стартует дообучение моделей с валидацией в роботизированных лабораториях: агент формулирует гипотезы → роботы ставят эксперименты → ИИ анализирует результаты и уточняет подход. Первые ощутимые результаты планируют показать в 2027 году Кто участвует: уже подтверждены OpenAI и Anthropic; к консорциуму могут подключить и других 🤑ForgetMe | Boosty Приобрести подписку на любые сервисы ⏩@forgetshop_bot #новости#нейросети#llm

⚡️MiniMax M2: открытый «agent & code-native» ИИ MiniMax выкатила MiniMax M2 — открытую модель для агентов и кода. По заявлению команды, она работает примерно вдвое быстрее и стоит около 8% от цены Claude Sonnet. На старте доступен бесплатный глобальный доступ на ограниченное время через MiniMax Agent и API. Модель заточена под полнопоточные дев-воркфлоу и агентные сценарии за счёт эффективной активации параметров: справляется с длинными цепочками действий и остаётся экономной в проде. Что умеет 🟡Agentic-пайплайны: надёжная работа с длинными цепочками (mcp, shell, browser, retrieval, code). 🟡Кодинг под ключ: проектирование, правки, тесты и рефакторинг в одном потоке. 🟡Интеграции: совместима с Claude Code, Cursor, Cline, Kilo Code, Droid и др. Где посмотреть 🟡Hugging Face (MiniMax-M2) 🟡GitHub (репозиторий) 🟡Документация API 🟡MiniMax Agent 🤑ForgetMe | Boosty Приобрести подписку на любые сервисы ⏩@forgetshop_bot #новости#llm#нейросети

⚡️Космический дата-центр: Starcloud и NVIDIA отправляют H100 на орбиту — охлаждение «вакуумом» и питание от Солнца Starcloud готовит первый запуск серверов с NVIDIA H100 на орбиту — старт намечают в ноябре, а первые H100 «в космосе» ожидаются уже в следующем месяце. Концепция проста: солнечная генерация 24/7 и радиационное охлаждение (по сути, «вакуум — как радиатор») снижают энергозатраты до ~10× и убирают земные ограничения по охлаждению. Первая демонстрация — инференс LLM прямо на орбите: планируют запустить Gemma (модель Google) на H100 для доказательства работоспособности «офф-планетного» ИИ. В дальнейших планах — коммерческие спутники с GPU-кластерами и собственными системами питания/теплоотвода. 🤑ForgetMe | Boosty Приобрести подписку на любые сервисы ⏩@forgetshop_bot #нейросети#новости#llm

👀AGI по-новому: исследователи оценили «человечность» ИИ — GPT-5 дотягивается до ~58% Группа учёных из 28 крупных лабораторий (среди авторов — Йошуа Бенджио) предложила количественное определение AGI и сразу применилa его к текущим моделям. По их формуле, AGI — это ИИ, который сопоставим с образованным взрослым по широте (versatility) и глубине (proficiency) когнитивных способностей. В качестве измерителя взяли признанную в психометрии модель Cattell–Horn–Carroll (CHC), где интеллект разбивается на 10 широких доменов — от знаний, языка и математики до рабочей/долговременной памяти, восприятия (визуального и аудио) и скорости обработки. Прогон по CHC дал ясную картину: GPT-4 набирает ≈27%, а GPT-5 — ≈58% от профиля «образованного взрослого». То есть скачок большой, но это всё ещё чуть больше половины «человеческой» планки. Наименее зрелые области — долговременная память, мультимодальное восприятие (визуальное/аудио), реакция/скорость, гибкость мышления. Важный плюс подхода — измеримость: в отличие от расплывчатых корпоративных трактовок вроде «AGI = $100 млрд прибыли в год», здесь заданы конкретные когнитивные шкалы. 🤑ForgetMe | Boosty Приобрести подписку на любые сервисы ⏩@forgetshop_bot #нейросети#новости#llm

⚡️ReasoningBank от Google: как дать ИИ «память об ошибках» и учить его в реальном времени Google предложили подход ReasoningBank — модуль «рабочей памяти», который дистиллирует стратегии из прошлых попыток и возвращает их в промпт при решении новых задач. Схема простая: после каждого диалога агент-судья оценивает качество решения и записывает опыт в структурированном виде (Title / Description / Content). Пример: Title:Avoid repeating failed actions; Description: агент зациклился на неработающей кнопке; Content: «если действие не даёт результата — сменить стратегию (обновить страницу, шаг назад и т. п.)». Дальше эти «воспоминания» подтягиваются в контекст — получается умный менеджмент подсказок без изменения весов модели. Поверх памяти авторы описывают ещё и Memory-aware Test-Time Scaling (MaTTS): агент генерирует несколько решений одной задачи, ReasoningBank извлекает полезные паттерны из каждого и помогает пересобрать лучший ответ. Чем больше вычислений на тесте — тем богаче память и выше качество финального вывода. В перспективе метод можно расширять: забывание устаревших правил, приоритизация и слияние близких «воспоминаний» для компактности. Подробнее — в препринте: ReasoningBank (arXiv). 🤑ForgetMe | Boosty Приобрести подписку на любые сервисы ⏩@forgetshop_bot #нейросети#новости#llm