Модели рассуждения
Модели рассуждения — новый класс ИИ, который «думает» перед ответом: тратит дополнительные вычисления во время инференса, строит цепочки рассуждений и решает задачи, недоступные обычным LLM — математику, код, науку. С них началась гонка test-time compute. Здесь — все наши материалы про reasoning-модели: релизы, бенчмарки (GPQA, ARC-AGI), пределы и стоимость.
Moonshot выпустила открытую Kimi K2 Thinking: 300 вызовов инструментов подряд
Moonshot AI выпустила открытую Kimi K2 Thinking: 44,9% на HLE с инструментами, 60,2% на BrowseComp и 71,3% на SWE-Bench Verified при нативном INT4.
Moonshot выпустила Kimi K2.5: рой из 100 субагентов и 1500 вызовов инструментов
Moonshot представила открытую мультимодальную Kimi K2.5: дообучение на 15 трлн токенов, рой до 100 субагентов и ускорение сложных задач до 4,5 раза.
Moonshot открыла Kimi K2.6: 300 субагентов и 13 часов автономного кодинга
Moonshot выложила в open source Kimi K2.6: модель 13 часов правила движок биржи, разогнала инференс на Zig с 15 до 193 токенов/с и масштабирует рой до 300 агентов.
iRTE 2026: разбор моделей реального времени, на которые ставят OpenAI и Thinking Machines
Сбербанк запустил бесплатную GigaPlatform AI Studio для сборки ИИ-агентов без кода
200 OK, но клиент молчит: три бага n8n-агента из production
Видео-языковые модели путают манёвры авто: LoRA и пробы чинят ошибку
Anthropic сократила извлечение рассуждений Claude дистилляторами в 10–100 раз
Anthropic ввела двухступенчатый классификатор и preserved thinking: объём данных, который собирают дистилляторы, упал на 90–99%, ложных блокировок меньше 0,1%.
Deep Cogito обучила семейство Cogito v1 на инфраструктуре Runpod на пути к ASI
Стартап из Сан-Франциско Deep Cogito обучил открытые модели Cogito v1 на облаке Runpod. Заявленная цель компании — искусственный сверхинтеллект, линейка идёт от 3B…
LVSPM обошла VGGT в оценке поз камеры на 16–256 кадрах и не ломается на больших сценах
SPLIT-RL учит VLM смотреть и рассуждать раздельно: +1,4–6,1 п.п. к GRPO
SLVR на Qwen2.5-VL-7B прибавил 14,2 пункта на BLINK Relation без текстового CoT
CARing учит LLM предсказывать диагнозы: R@30 достиг 46,52% на MIMIC-IV
StoreBench: LLM-агенты управляют интернет-магазином и проигрывают скрипту — 49% против 97%
Бенчмарк StoreBench посадил семь топовых LLM управлять магазином одежды. Лучшая, DeepSeek-V4-Pro, проходит 49% задач, простая эвристика — 97%, люди набирают 0,708.
Midjourney добавила Thinking Mode для V8.2 и общие папки в альфе
В альфе Midjourney появился режим thinking для перезапуска задач на V8.2: модель сама ищет промахи по промпту. Плюс общие папки с ролями Collaborators и Viewers.