Лента новостей

🤖 ChatGPT доказал 50‑летнюю математическую гипотезу Искусственный интеллект от OpenAI впервые подтвердил старую гипотезу, оставшуюся нерешённой полувековой историей. Разработчики отметили, что ключ к успеху – особый подход к запросу: попросить модель «поверить в себя», что помогло ей решить задачу, над которой люди топтались десятилетиями.

🖥️ Профилирование Linux с локальным ИИ Исследователь автоматизировал измерение производительности Linux‑программы, используя локальный ИИ‑модель LLaMa.cpp. В видеодемонстрации LLaMa.cpp профилирует графический интерфейс LVGL Space HMI, работающий в эмуляторе Qemu. Смотрите ролик: https://www.youtube.com/watch?v=at_nI4hn7gI Исходный код проекта: https://github.com/leonardosalvatore/llama.cpp.debugger

🛑 Нью‑Йорк приостановил строительство новых дата‑центров Штат стал первым в США, который временно прекратил выдачу разрешений на крупные дата‑центры. Губернатор Кэти Хочул заявила, что рост строительства, связанный с искусственным интеллектом, не должен вести к повышению цен на электроэнергию, ухудшению водоснабжения или ограничению местного контроля. Временная приостановка охватывает все новые проекты в штате, пока не будут разработаны дополнительные меры по защите энергоресурсов и водных ресурсов. ⚡

🚀 Linux Foundation работает над стандартизацией онлайн‑платежей для AI‑агентов Linux Foundation объявила о запуске проекта, цель которого — создать единый открытый протокол для интернет‑нативных платежей, используемых искусственными агентами. Инициатива направлена на упрощение взаимодействия AI‑сервисов с финансовыми системами и предполагает активное участие сообщества в разработке стандарта.

🛠️ Автоматическая настройка параметров llama.cpp Новый скрипт помогает автоматически подбирать параметры для локальных моделей llama.cpp, используя методы Морриса и Тагучи. Он не идеален, но упрощает перебор настроек и поиск оптимальных комбинаций. Для этого применяется строгий план экспериментов, который эффективно сканирует пространство параметров. Запуск занимает много времени — автор запускал процесс на ночь — но он способен обнаружить настройки, о которых не задумывался. На первом этапе метод Морриса определяет, какие параметры влияют независимо и взаимодействуют друг с другом на конкретном оборудовании. Затем происходит пошаговый перебор уровней параметров, чтобы уточнить самые полезные значения. Автор отмечает, что процесс `--iteration` оставляет желать лучшего и приглашает к обсуждению предложения. Подробнее и код доступны на GitHub: https://github.com/bigattichouse/llama-optimize

🚀 Администрация Трампа и отраслевые группы обсудили упрощение выпуска открытых ИИ‑моделей в США Встреча представителей администрации США при Дональде Трампе и представителей технологических компаний прошла с целью обсудить ускорение публикации открытых моделей искусственного интеллекта, сопоставимых по возможностям с ведущими китайскими открытыми моделями, либо менее мощных. Участники отметили необходимость упростить процесс выпуска таких моделей, чтобы обеспечить более быстрый доступ к технологиям и поддержать конкурентоспособность США в сфере ИИ.

🚀 Первая оценка VBR‑кеша от Spiritbuun Автор тестировал несколько форков llama.cpp и нашёл оптимальное сочетание: форк Spiritbuun + CUDA + квантование Apex I‑Compact от mudler для модели Qwen3.6‑35B‑A3B. После выхода turbo8 он переключил key‑cache на эту версию, получив ту же скорость, но в двойной точности. Новая функция VBR позволяет задать минимальный уровень квантования (например, turbo3_tcq ≈ 3.25 бита/значение) и автоматически понижать его (turbo8 → turbo4 → 3_tcq → 2_tcq → 1_tcq), чтобы не превышать доступный объём видеопамяти. Команда запуска выглядит так: `llama-server -m Qwen3.6-35B-A3B-APEX-MTP-I-Compact.gguf --host 0.0.0.0 --port 8000 --no-mmap --mlock -ctk turbo8 -ctv vbr --vbr-floor turbo3_tcq --flash-attn on -ngl 99`. Тесты (5 запусков, bench.sh от club‑3090) показали: при turbo8+vbr TPS ≈ 50.85, TTFT ≈ 93 мс, VRAM ≈ 10.2 ГБ; при фиксированном turbo8+turbo4 TPS ≈ 52.83, TTFT ≈ 178 мс, VRAM ≈ 11 ГБ. VBR медленнее лишь на ~4 %, но время первой токен‑выдачи почти вдвое быстрее, а потребление памяти ниже. Автоматически подбирается контекст до 216 k токенов. Автор отметил плавную работу деградатора, отсутствие заметных падений TPS и стабильность форка, несмотря на найденный баг в асимметричных ядрах f16 t8, который был откатан. Fork доступен на GitHub: https://github.com/spiritbuun/llama.cpp.

🤖 Новый метод асинхронного обучения для агентных LLM Традиционные RL‑конвейеры для больших языковых моделей работают синхронно и пакетно, что замедляет решение задач с длительным горизонтом. Асинхронный RL обновляет модель по мере поступления роллаутов, но большинство систем сосредоточены лишь на пропускной способности, оставляя вопросы стабильности обучения и эффективности задачи. В статье «Single‑Rollout Asynchronous Optimization (SAO)» предложен подход, заменяющий групповую выборку в рамках GRPO на одиночную выборку роллаута (по одному роллаута на запрос). Добавлены практические схемы обучения value‑модели и строгая двойная токен‑уровневая обрезка, что повышает стабильность оптимизации. SAO стабильно обучается тысячу шагов и превосходит GRPO и его варианты на бенчмарках агентного кодирования и рассуждения — SWE‑Bench Verified, BeyondAIME, IMOAnswerBench. Метод также показал высокую эффективность в симулированных онлайн‑обучениях с меняющейся средой. Технология уже внедрена в агентный RL‑конвейер для обучения открытой модели GLM‑5.2 (750B‑A40B). 📈

🚀 NVIDIA представила Nemotron‑3‑Embed 8B Новая модель Nemotron‑3‑Embed‑8B‑BF16 от NVIDIA предназначена для создания текстовых эмбеддингов и оптимизирована под задачи поиска и семантического сходства. Она протестирована на 34 языках: английском, арабском, ассамском, бенгальском, болгарском, китайском, датском, нидерландском, финском, французском, немецком, хинди, хинглиш, индонезийском, итальянском, японском, корейском, малайском, маратхи, непальском, норвежском, персидском, португальском, румынском, русском, испанском, суахили, шведском, тамильском, телугу, тайском, украинском, урду, вьетнамском. Модель преобразует многоязычный текст в плотные векторные представления, что позволяет использовать её в системах Retrieval‑Augmented Generation, семантического поиска и других RAG‑процессах. По состоянию на июль 2026 года Nemotron‑3‑Embed‑8B‑BF16 занимает лидирующие позиции в мультилингвальном рейтинге RTEB и доступна для коммерческого применения.

🛡️ Хассабис призывает к глобальному надзору за ИИ под руководством США Генеральный директор Google DeepMind Демис Хассабис предложил создать международный орган, возглавляемый США, который будет контролировать развитие передовых систем искусственного интеллекта. Он изложил свою позицию в статье «A Framework for Frontier AI and the Dawning of a New Age» на Substack 📄 от 14 июля 2026 г. (https://demishassabis.substack.com/p/a-framework-for-frontier-ai-and-the-dawning-of-a-new-age) и разместил короткое сообщение в X с той же ссылкой (https://x.com/demishassabis/status/2076957440109625718). Об этом сообщает Axios (https://www.axios.com/2026/07/14/demis-hassabis-ai-regulation-google-deepmind?mrfcid=202607146a4b28424486741cce8ae26d). Хассабис подчёркивает необходимость согласованных правил и мониторинга для снижения рисков, связанных с передовыми ИИ‑технологиями.