Лента новостей

🚀 PixVerse привлек $439 млн, оценка превысила $2 млрд Сингапурский стартап в сфере генерации видео PixVerse завершил расширение раунда Series C, собрав $439 млн. Компания заявила, что благодаря 15 млн активных пользователей в месяц её стоимость превысила $2 млрд.

🚀 Hermes‑агент Nous Research ищет новое финансирование Компания, разрабатывающая агентные решения для Hermes, ведёт переговоры о привлечении инвестиций при оценке в $1,5 млрд. В рамках раунда планируется собрать минимум $75 млн, инициатором выступает фонд Robot, при этом значительное участие принимают USV и другие известные инвесторы.

🧠 J‑Wash: новый способ модификации LLM J‑Wash — это метод «мозговой промывки» и кастомизации крупных языковых моделей, основанный на Jacobian Lens от Anthropic. 🔧 В рамках проекта Jacobian‑Brainwash создана платформа, построенная на том же Jacobian Lens, которая позволяет постоянно анализировать и переписывать внутренние представления LLM. Автор разработки — Extraltodeus (J‑Wash).

📊 Исследование Anthropic: ценности Claude меняются в зависимости от модели и языка Anthropic проанализировала 300 000 реальных диалогов Claude, используя автоматический инструмент, который выделил 339 категорий ценностей в 309 815 беседах и сгруппировал их по четырём осям — «Уважение‑Осторожность», «Теплота‑Строгость», «Глубина‑Краткость», «Откровенность‑Исполнение». 🤖 По результатам, модель Sonnet 4.6 проявляет теплоту и уважение, подтверждая идеи собеседника, подстраивая тон и используя юмор, тогда как Opus 4.7 склоняется к осторожности и глубине, ставя под вопрос предположения, указывая на риски и откровенно критикуя работу. Языковые различия также заметны: на арабском Claude оказывается самым тёплым и уважительным, на английском — самым строгим и осторожным, на хинди — тёплым, а на русском — строгим. Поэтому два пользователя, задавшие один и тот же бизнес‑план на хинди и русском, получат разные оценки. Anthropic отмечает, что пока не ясно, насколько такие различия желательны: они могут отражать адаптацию к культурным нормам или недостаточную подготовку модели в некоторых языках. Полный текст исследования: https://www.anthropic.com/research/claude-values-models-languages

⚠️ Наделла предостерегает компании от использования проприетарных ИИ‑моделей В понедельник генеральный директор Microsoft Сатья Наделла опубликовал в блоге предупреждение для предприятий о рисках применения закрытых ИИ‑систем. Он отметил, что модели от Anthropic и OpenAI могут представлять опасности для бизнеса, если их использовать без должного контроля.

⚖️ Apple подала иск к OpenAI о раскрытии коммерческих тайн Apple обвиняет OpenAI в нарушении её конфиденциальных данных. В иске заявлены случаи, когда сотрудники шутливо говорили о несанкционированном доступе к системам компании. Кроме того, в жалобе указано, что кандидатам на работу в OpenAI предлагали принести оборудование Apple на собеседования. Эти пункты выделяются как наиболее заметные в иске.

🇮🇳 Anthropic переводит цены на Claude в индийские рупии Компания Anthropic начала локализовать стоимость подписки на ИИ‑ассистент Claude для индийского рынка, который является её крупнейшим после США. Пользователи в Индии уже видят планы подписки, указанные в индийских рупиях, что упрощает оплату.

📉 Компании переходят на китайские открытые модели весов Financial Times сообщает, что несколько компаний начали использовать китайские открытые модели весов, чтобы сократить расходы. По данным издания, такие модели позволяют снизить затраты на оборудование и обслуживание, предлагая более доступные решения по сравнению с западными аналогами.

🧩 Qwen 3: контекст до 1 млн токенов с YaRN Модель Qwen 3 изначально поддерживает окно в ≈ 32 768 токенов. Расширение до «1 M context» достигается не новыми весами, а техникой YaRN (Yet another RoPE extension), которая растягивает уже изученную позиционную карту. Формула простая: new_len = original_max × factor. При factor = 4 получаем ≈ 131 К токенов (это подтверждает сама Qwen), при factor = 32 – 1 048 576 токенов, что стало популярным в сообществе. В конфигурации обычно задают: rope_scaling.type = yarn, rope_scaling.factor = 32, rope_scaling.original_max_position_embeddings = 32768; в vLLM это переопределяется HF, а в llama.cpp – --rope-scaling yarn --rope-scale 32 --yarn-orig-ctx 32768. Многие GGUF‑файлы уже включают эти метаданные. ⚠️ При использовании YaRN есть три основных подводных камня: статический YaRN оставляет масштаб включённым даже в коротких диалогах, что приводит к лишним затратам; увеличение до 1 M токенов требует значительного объёма KV‑кэша и VRAM, поэтому «бесплатного» контекста нет; и эффект «потерянного в середине» – демонстрации с passkey не гарантируют корректную работу модели на токенах около 200 K. Автор подготовил 8‑минутный разбор математики, флагов включения и рекомендаций, когда отключать YaRN: https://www.youtube.com/watch?v=kO0zywHd4u0. Интересно узнать, какой фактор (4, 8 или 32) используют в ежедневной работе с Qwen и совпадают ли результаты needle/passkey с реальными задачами поиска.

🩰 Wan-Dancer: генерация минутных танцев по музыке 13 июля 2026 г. Исследователи представили Wan‑Dancer — метод, способный создавать длительные, качественные и ритмично синхронные танцевальные видео из музыкального трека. Модель и код инференса уже опубликованы: её можно запустить в ModelScope Studio или на HuggingFace Space. Проект — https://humanaigc.github.io/wan-dancer-project/, GitHub — https://github.com/Wan-Video/Wan-Dancer, HuggingFace — https://huggingface.co/Wan-AI/Wan-Dancer-14B, статья — https://arxiv.org/abs/2607.09581. В основе системы – иерархический фреймворк, разделяющий процесс на глобальное планирование ключевых кадров и локальное уточнение временных интервалов. Используется полная музыкальная дорожка, динамическая адаптация частоты кадров через time‑mapped RoPE‑эмбеддинги, оптический поток в функции потерь и контроль скорости движения, что обеспечивает точное согласование и плавность. Эксперименты показали, что Wan‑Dancer генерирует стабильные 720p/30 fps видео длительностью более минуты, преодолевая прежний лимит в 20 секунд. Модель успешно работает с пятью жанрами танца и принимает как аудио, так и текстовые подсказки, устанавливая новый уровень качества в длительной синхронной генерации танцев. 🔥