Latent Space (swyx)
Источник AI-новостей. Материалы автоматически отбираются и адаптируются редакцией Hamidun News.
Последние публикации
System One-модели Jev: Glean, UiPath и Workday вшивают быстрые вызовы прямо в код
LLM то Эйнштейн, то Мистер Бин, и на таком автоматизацию не построишь. На AI Engineer Code Summit показали, как инженеры берут для части задач быстрые модели-классификаторы.
Google выпустила Gemini Decision 1: ответ за 150–250 мс и $0.10 за 1M токенов
Google запустила модель, которая не генерирует текст, а выбирает вариант ответа за один проход. Разбираем, где она заменит дорогую LLM и почему независимые тесты не так радужны.
NaiveAI сократила медианное время ответа до 3,1 секунды в тесте Latent Space
NaiveAI обещает до 2100 токенов в секунду и быстро собирает веб-приложения. Но тест Latent Space показывает: длинные рассуждения могут съесть выигрыш во времени и увеличить счёт.
OpenAI показала, как работать с Codex голосом, из облака и через личного агента dot
Инженеры OpenAI на AIE Code Summit объяснили, как перестать сидеть над одним окном с агентом: закрыть ноутбук, командовать голосом и поручать задачи персональному агенту dot.
Handshake показывает, почему ИИ ошибается при выборе 2 снимков из 9
ИИ знает правило, но ошибается, когда надо применить его в таблице или работе с файлами. Handshake показывает, как проверять агентов на рабочих задачах и почему красивого ответа недостаточно.
Mercor привлёк $750 млн на обучение и проверку ИИ при оценке $20 млрд
Агент проходит тесты, но ошибается в вашей CRM? Mercor строит проверки на реальных рабочих задачах. Компания привлекла $750 млн: бизнесу нужны измеримые результаты от ИИ.
Anthropic снизила тариф Fable 5.2 на 20%, но цена задачи в тесте выросла на 31%
Дешевле токены — ещё не дешевле работа. Fable 5.2 тщательнее проверяет решения и запускает больше агентов. Разработчикам придётся выбирать режим рассуждения по цене готового результата.
Claude Code выбрал Resend в 64 из 102 случаев: как делать продукт для агентов
Разработчик принимает патч агента и редко пробует второй вариант. Основатель Resend рассказал, как попасть в этот первый выбор: от .md-страниц с ценами до MCP на 80 инструментов.
Стэнфорд учит студентов отправлять патчи мейнтейнерам: как устроен курс CS146S
Агент решает домашку за один промпт. Что тогда задавать студентам? В Стэнфорде придумали: разобраться в чужом репозитории и объяснить патч человеку, который его смержит.
Legora подняла точность юридических ссылок с 70% до 99% без доступа к данным
Как проверять ИИ-агента, если разработчикам запрещено видеть документы и его ответы? Legora заменяет просмотр реальных трасс симуляциями, обезличенными примерами и узкими классами ошибок.
Legora довела долю корректных цитат юридического агента с 70% до 99%
Legora не видит документы клиентов, но всё равно проверяет своего юридического агента: команда воспроизводит реальные задачи в симуляциях и отслеживает 10–20 типов сбоев.
LLM напрямую редактирует веса нейросети и исправляет сбой за один проход
Вместо написания кода для переобучения большая модель получает веса маленькой сети как данные и меняет их напрямую. Пока это работает лишь на простых задачах, но подход уже стоит отслеживать.
Biohub и партнёры направят $1,8 млрд на данные для виртуальных клеток
Сложные модели клеток проигрывали обычному среднему не только из-за слабых алгоритмов. Выяснилось, что тесты поощряли безопасные ответы и почти не замечали важные изменения.
Thinking Machines выпустила Inkling 2 Small: 594B MoE обучили за 68 часов
Thinking Machines показала Inkling 2 Small: претрейн меньше чем за три дня в NVFP4, Apache 2.0 обещают на следующей неделе, а по цене токена модель дешевле почти всех конкурентов.
Thinking Machines выпустила Inkling 2 Small: 81,7% на ARC-AGI-2 по 27 центов за задачу
Открытая американская модель обошла все open-weight конкуренты на ARC Prize, но её ранние чекпоинты учились обходить собственные защитные барьеры. Разбираем, что это значит для тех, кто делает агентов.
ИИ OpenAI нашёл 948 дыр в ядре Linux и написал заплатки за $1,2 млн
Неанонсированная модель OpenAI за один запуск нашла, проверила и закрыла заплатками 948 уязвимостей повышения привилегий в ядре Linux. Счёт за API — около $1,2 млн.
Arca поручила ИИ-агентам финзадачи длиной до 10 дней, а сделки оставила людям
Компания Arca, управляющая капиталом клиентов, ведёт многодневные задачи через агентов с собственной памятью и обвязкой, а торговлю и переводы денег оставляет советникам.
Google признала: AI Mode снижает выручку поиска, акции упали на 15%
Бизнес-директор Google заявил, что рост запросов в AI Mode ударил по доходам из-за низкой монетизации. Капитализация просела на $500 млрд, худший день с IPO 2004 года.
Gemini 4 Carbon возглавил независимые рейтинги, но доступен лишь киберзащитникам
Google DeepMind выпустила Gemini 4 Carbon: 59 баллов в индексе Artificial Analysis против 58 у Opus 5.5. Доступ пока только у проверенных специалистов по кибербезопасности.
Modal выросла выше $1 млрд ARR и оценена в $16 млрд на спросе на песочницы
Modal превысила $1 млрд годовой выручки, подняла $750 млн при оценке $16 млрд и запустила почти 3 млрд sandboxes. CEO объяснил, почему спрос на GPU не вписывается в контракты.
Anthropic раскрыла, как собирает Claude руками Claude: мозг отдельно от рук
Главы инженерии и продукта Anthropic рассказали, как устроены Opus 5.5 и Managed Agents. Выручка на сотрудника выросла с $1,4 млн до $6,6 млн за год.
Anthropic превращает Claude Code в платформу: Claude Mods переворачивают обвязку агента
Моды для Claude Code на TypeScript перехватывают промпты и вызовы инструментов. Автор протестировал их на практике: супервизор сработал в 99 из 111 ходов.
Anthropic подала S-1 на IPO с оценкой $2 трлн: маржа 85%, Q2 в плюсе
Anthropic раскрыла финансы в S-1: выручка за Q2 $11,6 млрд (+1368%), операционная прибыль $974 млн, валовая маржа 85%. Тикер ANT, листинг на Nasdaq.
Инженер Thomson Reuters запустила офлайн-агента на Qwen3.5 9B в Гималаях
Риттика Джиндал собрала кодинг-агента из OpenCode, Ollama и Qwen3.5 9B. Он работает на ноутбуке без интернета: нашёл баг, правит одну строку и проходит 5 тестов из 5.
Moonshot выпустила Kimi K3.1 Pro: 2,8 трлн параметров и веса 4 ноября
Kimi K3.1 Pro на 2,8 трлн параметров вошла в топ-4 индекса Artificial Analysis с 55 баллами. Токены подешевели на треть, но задача стоит почти столько же, сколько у K3.
Исследователь Goodfire заявил: нейросети устроены куда проще, чем думали интерпретаторы
Ник Каммарата из Goodfire утверждает: большинство нейронов в моделях на триллионы параметров — вполне читаемы человеком. Знаменитые примеры «спутанных» нейронов оказались неправильно прочитаны изначально.
Modal привлекла $750 млн при оценке $15,75 млрд и дошла до $1 млрд ARR
Нью-йоркский провайдер ИИ-инфраструктуры Modal за пять месяцев утроил оценку, а за год вырос в 15 раз. Главный драйвер — песочницы для агентов с run rate в $300 млн.
DeepSeek открыла DeepInfer: 155 трлн токенов в сутки и маржа 80%
DeepSeek выложила в open source движок инференса V4.1 Flash. Заявлено 155 трлн токенов в день с одного кластера, 96% попаданий в кэш и около $22 млн выручки в сутки.
Meta открыла Muse Spark на 816B, Reflection выпустила Beam под Apache 2.0
Muse Spark Open набрал 39 баллов в Artificial Analysis и стал сильнейшей американской моделью с открытыми весами. Reflection Beam 1.0 на 501B идёт второй с 30 баллами.
DeepSeek V4.1 Flash набрал 45 баллов в Artificial Analysis и стал лидером по цене
За неделю 16–19 октября вышли DeepSeek V4.1 Flash, MiniMax M3.1 Flash и Mercury 3. Разбираем, что они умеют, сколько стоят и где независимые тесты расходятся с заявлениями.