Лента новостей

🚀 Alibaba снова подрывает рынок закрытого ИИ Китайский технологический гигант Alibaba вновь оказывает сильное влияние на сегмент закрытых систем искусственного интеллекта. Компания объявила о новых мерах, которые могут изменить конкурентную среду в этой области. Эти шаги рассматриваются как продолжение стратегии Alibaba по расширению своего присутствия в сфере ИИ и усилению давления на существующих игроков рынка.

🔹 Qwen 3.8‑27B POV: Qwen 3.8‑27B.

🚀 Модели ИИ Alibaba превзошли Meta и Google Согласно исследованию Bloomberg и отчёту Hugging Face, к 15 августа 2026 года количество загрузок открытых моделей ИИ от Alibaba достигло 3 млрд 📈. Эта цифра обогнала показатели Meta и Google, которые ранее лидировали в этом сегменте. Подробности см. в статье Bloomberg (https://www.bloomberg.com/news/articles/2026-08-15/alibaba-ai-models-hit-3-billion-downloads-passing-meta-google) и в отчёте Hugging Face «State of Open Models: Summer 2026» (https://huggingface.co/blog/state-of-open-models-summer-2026).

🚀 GitHub представил Spec Kit — инструмент для структурированной разработки с ИИ Новый набор уже набрал более 126 000 звёзд на GitHub. Spec Kit заставляет ИИ сначала создать чёткую спецификацию, а не сразу писать код, что сокращает количество ошибок и делает результаты предсказуемее. Рабочий процесс выглядит так: /constitution — правила и стандарты, /specify — что нужно построить, /clarify — уточнение вопросов, /plan — архитектура и стек, /tasks — упорядоченные задачи, /implement — выполнение. Инструмент совместим с Claude Code, Cursor, Copilot, Codex, Gemini CLI и более чем 25 агентами, имеет 8 000 форков, открыт и опубликован GitHub. Ссылка на репозиторий в комментариях.

📚 Новый набор инструкций для моделей Muse Glimmer На GitHub появился репозиторий meta-oss-cookbook от Meta Inc., где собраны все «рецепты» для открытых моделей. Muse Glimmer Cookbook позволяет склонировать код, запустить модель на уже имеющемся GPU и получить полностью автономного агента — он планирует действия, вызывает инструменты и самокорректируется, работая полностью офлайн. Muse Glimmer — открытая модель с открытыми весами, рассчитанная на локальную работу на одной видеокарте. В книге‑рецепте подробно описан путь от загрузки весов до запуска готового агента. Ранее аналогичный набор инструкций был опубликован для Liquid AI.

🔄 DeepMind меняет руководство В подразделении Google DeepMind назревает «кризис идентичности», о чём сообщает пресса. Основатель и глава DeepMind Демис Хассабис передал ежедневное управление техническому директору Корэю Кавукчуоглу ⚙️. Эти изменения стали результатом внутреннего пересмотра структуры компании.

🚀 BDH-CQ: новый подход к обучению в контексте BDH-CQ объединяет память, адаптацию и вывод в единой вычислительной структуре. При инференсе входные данные постоянно обновляют рекуррентную память, а запрос решается итеративно в высоко‑размерном латентном пространстве без вербализации промежуточных шагов. 🤖 Демонстрации ранее невидимых задач обновляют память, при этом промежуточные состояния не переводятся в язык. В обучении система не использует идентификаторы задач и пары демонстраций‑оценки, а параметры не меняются во время инференса. Конфигурация с 150 млн параметров достигла 29,5 % pass@2 на наборе ARC‑AGI‑1, затратив лишь $0.00070 за задачу, что превзошло ранее известный компромисс между стоимостью и точностью.

🚀 Тест Qwen 3.8‑27B на Apple Silicon: быстрый движок не подходит для агентов Запустили измерения через 14 минут после загрузки весов и продолжали их ночью на Mac Book Pro M5 Max 128 ГБ (по 3 запуска на каждый вариант). Было проверено четыре движка без включённого рассуждения. Самый быстрый — mlx‑vlm + MTP — даёт 43,3 токен/с, но не использует кэш префиксов, поэтому каждый запрос агенту переплачивает полную подсказку. В реальном трафике 79 % токенов берутся из кэша, поэтому такой движок оказывается непрактичным. Сравнительные показатели: llama.cpp + native MTP — 31,8 токен/с при 36,8 ГБ ОЗУ; oMLX — 29,8 токен/с при ≈17 ГБ; mlx‑vlm + MTP — 43,3 токен/с при 15,6 ГБ; MTPLX — 27,1 токен/с (без указания ОЗУ). Для ноутбуков с 32‑36 ГБ RAM oMLX помещает модель в ~17 ГБ, тогда как llama.cpp требует почти вдвое больше. Особый «draft‑cap»‑ловушка: без параметра --spec-type draft‑mtp модель теряет 45 % производительности, потому что llama.cpp просто игнорирует 29 тензоров MTP. При включении draft‑MTP скорость растёт до 31,8 токен/с (cap = 4), но при больших значениях cap (6) всё преимущество исчезает, а приемлемость остаётся около 75 % и скрывает потерю throughput. Настройки KV‑кэша тоже влияют: при контексте 262 k с q8_0 — 29,6 токен/с, при 131 k с f16 — 31,8 токен/с (+23 % на глубине за дополнительные 800 МБ). В агентном тесте модель после пяти поисков тратит оставшиеся ходы на вызовы инструментов, генерируя ~540 из 772 токенов в виде JSON и не выдаёт требуемый текстовый бриф, завершаясь по достижении max_turns. Чтобы избежать этого, нужно явно ограничить поиск и переключить на генерацию текста. Дополнительные нюансы: параметр reasoning_effort = none вызывает ошибку в версии 3.8 (нужно enable_thinking = false); oMLX пока не активирует MTP‑путь в 3.8; после 80‑110 секунд генерации M5 Max автоматически снижает нагрузку до 50 %; температура помещения может добавить +14 % к производительности.

🚀 Выпуск Qwen 3.8 27B Создан мегатред для упорядочения дублей и похожих сообщений, связанных с релизом модели Qwen 3.8 27B. В нём собраны ссылки на официальные репозитории, варианты тонкой настройки, шаблоны чатов, поддержку серверов и результаты бенчмарков. Официальные модели: https://huggingface.co/Qwen/Qwen3.8-27B и https://huggingface.co/Qwen/Qwen3.8-27B-FP8. Популярные версии: https://huggingface.co/unsloth/Qwen3.8-27B-GGUF, https://huggingface.co/bartowski/Qwen3.8-27B-GGUF, https://huggingface.co/mlx-community/Qwen3.8-27B-MTP-bf16, https://huggingface.co/mlx-community/Qwen3.8-27B-MTP-8bit, https://huggingface.co/mlx-community/Qwen3.8-27B-MTP-4bit. Администрация будет следить за появлением новых дубликатов и перенаправлять их в этот поток.

🚀 Alibaba вводит коммерческие ограничения для модели Qwen3.8‑Max В рамках изменения стратегии Alibaba добавила условия использования своей открытой модели Qwen3.8‑Max — одной из флагманских AI‑моделей. Теперь определённые компании, планирующие получать доход от работы с этой моделью, должны соблюдать новые коммерческие ограничения.