Лента новостей

🔍 Claude будет маркировать AI‑текст Компания Anthropic объявила, что её модель Claude теперь автоматически помечает сгенерированный ею контент с помощью стеганографии 🛡️. Технология встраивает скрытый маркер в текст, позволяя отличать машинный материал от человеческого. Уже зафиксированы случаи ложных срабатываний – некоторые обычные тексты ошибочно определяются как сгенерированные.

🚀 OpenAI выпустила десктоп‑приложение ChatGPT для Linux OpenAI объявила о запуске собственного настольного клиента ChatGPT, предназначенного специально для операционных систем Linux. Это первое официальное приложение компании для Linux, позволяющее использовать ChatGPT напрямую в системе без обращения к веб‑браузеру.

🚀 Gemini достиг миллиарда пользователей Приложение Gemini от Google теперь насчитывает 1 млрд пользователей, сравнявшись с ChatGPT от OpenAI. ChatGPT достиг этой отметки в июне, а Gemini догнал его спустя несколько месяцев, демонстрируя быстрый рост популярности.

🔧 HyperSAE — открытый инструмент для интерпретируемости моделей HyperSAE — это готовая замена стандартным разрежённым автоэнкодерам, использующая гиперболическую геометрию для организации признаков в естественные иерархии. При тестировании на модели Gemma‑2‑2B количество «мёртвых» признаков сократилось с 3,8 % до 0,2 %. Разработку велись последние несколько месяцев, и теперь проект опубликован. Во время обучения веса словаря проецируются в изогнутое пространство, а прямой проход остаётся полностью евклидовским, что не добавляет затрат на инференс. Тесты на слое 13 residual stream модели Gemma‑2‑2B показали снижение MSE с 4,57 до 4,12, сохранение точности MMLU‑Pro (16,26 %) и работу каузального управления через простое сложение векторов. Установить HyperSAE можно командой `pip install hypersae`; стартовый код занимает пять строк. Подробнее на GitHub https://github.com/vishal-dehurdle/hypersae и в статье с интерактивными демо https://vishalvermalabs.com/papers/empirical-validation-hypersae-poincare-geometry/. Автор готов отвечать на вопросы о интеграции и настройках.

🔧 Автоматический контекст в Claude Code Пользователь заметил, что Claude Code каждый сеанс начинает с нуля: повторно читает уже обработанные файлы и заново выполняет импорты. Чтобы избавиться от этого, он использовал хуки SessionStart и Stop, которые автоматически подают контекст модели без её запросов. Сначала был настроен MCP‑сервер с шестью инструментами, но модель редко их вызывала, и пришлось вернуться к grep и чтению файлов, что приводило к ошибкам. Хук SessionStart теперь загружает карту кодовой базы в запрос до ввода пользователя, а после каждого изменения синхронизирует её в фоне, без необходимости вызывать инструменты. Базовый граф построен только на tree‑sitter, без обращения к LLM, полностью офлайн. При включении режима --deep добавляются LLM‑резюме, провайдер‑независимо, так что можно подключить локальную модель. Проект называется Graft, открыт на GitHub: github.com/NanoNets/Graft 🚀.

🚪 Брэд Лайткап уходит из OpenAI Брэд Лайткап, более десяти лет занимавший пост операционного директора компании, объявил о своём уходе. Он сообщил сотрудникам, что покидает должность, чтобы «начать что‑то новое», и выразил готовность поддерживать миссию OpenAI с новой позиции.

🚀 River AI привлек $1,1 млрд General Catalyst возглавил раунд инвестиций в размере $1,1 млрд в двухмесячный стартап River AI. Компания основана соучредителем xAI Игорем Бабушкиным, который разрабатывает персональных агентов 🤖. Инвестиции поступили сразу после создания компании, что позволяет ей быстро развивать технологию.

🚀 Открыт новый роутер LLM от Nvidia На GitHub появился проект **NVIDIA‑NeMo Switchyard** — первый открытый роутер для больших языковых моделей. Switchyard позиционируется как альтернатива OpenRouter Fusion и Sakana Fugu; по материалам ICLR он не полностью повторяет функции Sakana Fugu, но благодаря высокой настраиваемости пользователи могут реализовать схожие возможности. Также стоит обратить внимание на репозиторий **LLMRouter** от команды ulab‑uiuc (github.com/ulab-uiuc/LLMRouter).

🚀 Muse Glimmer 30B работает в браузере Модель Muse Glimmer 30B теперь запускается локально прямо в браузере с помощью кастомных ядер WebGPU. На ноутбуке с процессором Apple M4 Max она достигает скорости около 25 токенов в секунду, что соответствует показателям llama.cpp ⚡

🚀 DeepSeek V4 Flash 0731: результаты на Strix Halo На ноутбуке Flow Z13 (Ryzen AI MAX+ 395, Radeon 8060S gfx1151, 128 ГБ LPDDR5X) модель DeepSeek V4 Flash 0731‑UD‑IQ3_XXS показала устойчивую скорость декодирования 26,76 токен/с (пиковая за 3 сек 35,27 токен/с), предзаполнение 236 токен/с при запросе в 2209 токенов, приём DSpark 0,586, средняя принятая длина 3,93, контекст 131 072 токенов (KV q8_0), загрузка GPU ≈ 92 %, CPU ≈ 1 %. Сравнение с DGX Spark (унифицированные‑память APU, пропускная способность LPDDR5X ≈ 256 GB/s vs 273 GB/s) показывает почти одинаковый «чистый» декод без спекуляций (15,7 ток/с vs 14,2 ток/с). При включённом DSpark Strix Halo достигает 26,76 ток/с, а DGX Spark 27,3 ток/с, но предзаполнение у DGX Spark в 3‑4 раза быстрее (≈ 960 ток/с vs ≈ 236 ток/с) благодаря D2R‑тензорным ядрам. Увеличение скорости DSpark на Strix Halo ≈ 1,7×, на DGX Spark ≈ 1,34×. ⚙️ Основные нюансы: q8_0 KV превосходит f16 при длительных генерациях (22,7 ток/с vs 19,3 ток/с); черновой модельный чертёж должен быть bf16 – попытка Q2_K‑Q8 приводит к краху; Vulkan (v0.6.1) работает лучше ROCm на gfx1151; максимальный ubatch = 2048 токенов из‑за ограничения видеопамяти (≈ 109 ГБ занято, ≈ 19 ГБ оставлено для KV и вычислений); обновление до v0.6.1 исправило баг со stride и повысило пропускную способность при небольшом падении загрузки GPU (≈ 92 % vs 99 %). Ссылки на исходники и модель доступны в оригинальном посте.