Лента новостей

🧠 ChatGPT — главный AI‑инструмент Конгресса По данным расходов Палаты представителей, платные сервисы искусственного интеллекта на Капитолийском холме почти полностью занимают решения от OpenAI — ChatGPT. Офисы конгрессменов используют чат‑бот для написания служебных записок, резюмирования законопроектов и помощи в коммуникации с избирателями.

🎬 AI‑редактор Stanley достигает 80 % эффективности человеческой команды John Hu, со‑основатель и CEO платформы Stan, на подкасте Trailblazers на этой неделе сообщил, что их новый AI‑агент Stanley уже редактирует видео на уровне 80 % от работы человеческой команды. Он напомнил, что несколько недель назад писал о Stan, где простая таблица за $50 принесла $200 000 дохода 🤖. Hu, который полностью занимается видеомонтажом для креаторов, отметил, что раньше цифра 80 % воспринималась как шутка, а теперь стала отраслевым ориентиром и уже используется в реальных каналах. По его словам, главная тревога сейчас – кто будет решать, какие куски видео отрезать.

🚀 Первый AI‑агент на Java за 30 минут Deepak Atl создал свой первый AI‑агент на Java без использования Python, применив библиотеку LangChain4j, и сделал это за примерно полчаса. Он работает с Java и Spring Boot уже несколько лет и задавался вопросом, придётся ли переходить на Python для разработки ИИ‑решений. LangChain4j оказался нативным и идиоматичным способом построения AI‑агентов в Java, а не «надстройкой». Автор подробно описал процесс в статье на Medium: https://medium.com/@deepakatl1981/stop-learning-ai-the-hard-way-build-your-first-java-ai-agent-in-30-minutes-without-python-9390a218533a?sk=067e4cbed9f2bbf71d0cf70268dda2a7. Он интересуется, откладывали ли другие Java‑разработчики изучение ИИ по той же причине.

📉 AI убирает стартовые позиции в компаниях Эрик Бриньольфсон, экономист Стэнфорда и руководитель Digital Economy Lab, представил исследование, показывающее, какой уровень в корпоративной иерархии исчезает первым под влиянием ИИ. Анализируя около 700 профессий по степени подверженности ИИ, он обнаружил, что в 150 самых уязвимых ролях занятость сотрудников 22‑26 лет сократилась на 13 % и теперь составляет 16‑17 % от общего числа, при этом компании экономят, не заменяя начальные позиции 🔍. По словам Бриньольфсона, традиционная «пирамидальная» структура превращается в «ромб»: широкая база исчезает, а ИИ усиливает уже существующие задачи, а не назначает новые роли. Исследование опубликовано совместно с McKinsey & Company; полное видео доступно на их канале.

🚀 Запущен GraphArc — первый в реальном времени графовый движок Мы представляем GraphArc — первую реализацию Graph Engineering в реальном времени, основанную на опыте создания графовых инструментов, которыми пользовались более 4 000 разработчиков. Инструмент превращает рабочие процессы AI‑агентов в интерактивные графы: их можно просматривать, проверять зависимости и принимать решения об одобрении даже с телефона 📱, прежде чем они начнут выполнять действия. Репозиторий открыт: https://github.com/CodeGraphContext/grapharc. Команда приглашает к обратной связи, идеям и вкладу; звёздочка в репозитории помогает развитию проекта. Цель проекта — сделать AI‑воркфлоу прозрачными и отлаживаемыми, а не «чёрным ящиком».

🚀 Новый слой верификации для AI‑агентов: Flows Создан Flows — слой выполнения и проверки для программных агентов, где «я считаю, что закончил» не считается завершённым без подтверждающих доказательств. В проекте Flows можно задавать шаги реализации, автоматические проверки, инструкции по исправлению, ревью и условия выпуска. Независимый агент построил реальное многомодульное приложение, пройдя 59 из 59 автоматических проверок. Целевая метрика — ноль неподтверждённых требований в реальном трафике. Команда обсуждает, где разместить принудительное подтверждение: в самом агенте, CI репозитория, платформе приложения или в совместном рабочем пространстве. 🔗 https://flows.oortstack.com

🛡️ EU AI Act: обязательное раскрытие ИИ‑контента С 1 августа вступает в силу статья 50 Закона ЕС об ИИ. Она обязывает всех, кто публикует тексты, сгенерированные или изменённые ИИ, указывать, что материал искусственный. Исключения предусмотрены для законных расследований преступлений и случаев, когда контент прошёл человеческую проверку и за публикацию несёт редакционная ответственность. Это требование затрагивает крупные консалтинговые компании. PwC и другие уже использовали «галлюцинированные» ИИ‑тексты в отчётах. По данным GPTZero, в 2025‑м году был выпущен AI‑отчёт «Transforming Governance», содержащий вымышленные ссылки и продвигающий рамку PwC «Citizen Pulse», якобы применяемую в Дании, Саудовской Аравии, США и Австралии – доказательств этих заявлений нет. После выявления ошибок фирмы отозвали данные; Deloitte даже вернул клиенту деньги. Теперь, с действием статьи 50, такие нарушения могут обернуться штрафами. 🔍 По всему миру усиливается контроль за ИИ‑контентом: LinkedIn добавил кнопку «выглядит как ИИ», а Substack использует инструмент Pangram для обнаружения ИИ‑помощи, хотя его точность ограничена. Теперь требования подкреплены реальными санкциями.

⚡️ DeepSeek V4 Flash 0731: новые показатели скорости С новым набором параметров ‑b 8192 ‑ub 8192 --cpu-moe производительность выросла до ~700 token/s (PP/s) и 18 token‑generation/s (TG/s), тогда как ранее достигалось лишь около 140 PP/s и 21 TG/s. Тест проводился на системе с процессором Threadripper 5965WX (24 ядра/48 потоков), 512 ГБ DDR4 ECC REG 2400 (8 × 64 ГБ) и видеокартой RTX 5090 (PCIe 4 × 16, 450 Вт). Запуск осуществлялся командой: `./build/bin/llama-server -hf unsloth/DeepSeek-V4-Flash-0731-GGUF:UD-Q8_K_XL --temp 1.0 --top-p 1.0 --min-p 0.0 --host 0.0.0.0 --ctx-size 262144 --no-mmap -b 8192 -ub 8192 --cpu-moe`. Результаты (среднее значение до указанной длины подсказки, генерация на той же глубине): - 19 970 токенов → 712.76 PP/s, 18.81 TG/s - 36 044 токенов → 724.37 PP/s, 18.65 TG/s - 101 204 токенов → 648.85 PP/s, 17.88 TG/s Увеличение batch до 16 k приводит к abort при использовании cpu‑moe, а без него скорость падает до ~7 TG/s. Llama.cpp пока не поддерживает нативный FP8‑кеш DFV4 Flash, требуя двойного объёма FP16‑кеша; также не работает speculator. Для сборки аналогичной системы можно приобрести DDR4 ECC REG 2133/2400 ≈ 1 USD/ГБ, плату SP3 ≈ 350 USD и процессор EPYC 7002/7003 250‑500 USD, что в сумме составляет около 1 000 USD без видеопамяти (32‑48 GB VRAM, например, 2 × RTX 5060 Ti).

⚙️ Квантование ухудшает знание нелинейно Квантование, как метод сжатия с потерями, негативно сказывается на фактических знаниях моделей, причём влияние проявляется нелинейно — это показал кейс‑исследование Qwen3.6 27B. В эксперименте протестированы версии Qwen3.6 27B в формате GGUF, подготовленные сообществом Hugging Face (Unsloth и Bartowski), а также движок llama.cpp. Оценка проводилась по набору Incompressible Knowledge Probes (IKP), предназначенному для измерения сохранения «несжимаемых» знаний. 📊

🚀 Qwen3.8-Max откроет весовые файлы на следующей неделе На следующей неделе будет опубликован открытый набор весов модели Qwen3.8-Max, а также Qwen3.8-27B перейдёт в открытый доступ. Qwen3.8-Max — самая мощная модель компании на данный момент, содержит 2,4 триллиона параметров и ориентирована на задачи программирования и совместной работы. В области автономного кодирования модель демонстрирует более 10 дней непрерывной работы. 🎉