Лента новостей

⚖️ Пользователи Anthropic подали иск Группа продвинутых пользователей ИИ заявила, что их обманули с подпиской на план Anthropic Max. Подписка стоит от 100 до 200 долларов в месяц, а её держатели утверждают, что не получили обещанных возможностей. В ответ они подали расширенный коллективный иск, требуя вернуть деньги.

🚀 Выбросы Google выросли на 48 % с 2019 года С 2019 года компания зафиксировала рост своих выбросов почти на половину — 48 %. 🤖 Основным драйвером стал рост потребления электроэнергии для обучения и работы систем искусственного интеллекта. Такой рост ставит под серьёзный вопрос цель Google достичь нулевого чистого баланса выбросов к 2030 году.

🚀 Динамическое расширение контекста для Qwen3.8-27B Разработан llama‑manager — небольшая обёртка над форком llama.cpp, позволяющая менять параметры модели «на лету». После загрузки модели можно включать/выключать спекулятивный декодер, переносить mmproj на CPU и динамически квантовать KV‑кеш, при этом сохраняется уже построенный кеш и генерация продолжается без перезапуска. Для Qwen3.8-27B-UD‑Q4_K_XL на GPU с 32 ГБ видеопамяти базовый контекст составляет 167 680 токенов (f16 KV, mtp и mmproj включены). Последовательно применяя стратегии — отключение спекулятивного декодера, перенос mmproj в CPU и квантование KV‑кеша до q8 — контекст растёт до 262 144 токенов, а потребление памяти меняется от 17.13 ГБ до 10.40 ГБ. На 24 ГБ GPU достигается тот же максимум, но требуется добавить квантование до q4 на последнем этапе. Исходный код и подробные инструкции доступны на GitHub — https://github.com/wadealexc/llama-manager. В README указаны известные ограничения и нюансы работы инструмента.

🤖 Mecka AI приближается к оценке $500 млн Двухлетний стартап Mecka AI находится в процессе привлечения нового раунда финансирования, возглавляемого Sequoia. Оценка компании уже близка к $500 млн, что происходит на фоне растущего спроса на данные для обучения роботов. Сделка собирается уже несколько месяцев после того, как Mecka объявила о завершении серии A. Это подтверждает интерес инвесторов к технологиям, связанным с робототехникой и искусственным интеллектом.

📜 25 математиков против AI‑лабораторий Двадцать пять ведущих математиков подписали открытое письмо, в котором заявляют, что лаборатории искусственного интеллекта, в том числе OpenAI, представляют угрозу их интеллектуальной работе. Авторы письма указывают, что развитие генеративных моделей может привести к некорректному использованию их исследований и подрывать научные стандарты. Конфликт между сообществом математиков и AI‑компаниями, по их мнению, лишь усиливается, требуя более строгих правил взаимодействия.

🚀 Moonshot AI ставит цель $2 млрд годового дохода Разработчик Kimi, компания Moonshot AI, объявила о планах достичь ежегодной выручки в два миллиарда долларов. 📊 По данным OpenRouter, несмотря на небольшое снижение показателей использования K3 в последние месяцы, модели K3 генерируют до 300 млрд токенов в день.

🛠️ CodeFinetuner — локальная доработка автодополнения кода Разработчик представил CodeFinetuner — полностью автоматизированный конвейер для LoRA‑тюнинга небольших моделей автодополнения кода (например Qwen2.5‑Coder‑3B) под ваш собственный репозиторий. 🚀 Конвейер преобразует исходный код через tree‑sitter в Structure‑Aware FIM‑примеры, затем проводит LoRA‑тюнинг, оценивает модель (CodeBLEU, сходство правок, точное совпадение, перплексия) и конвертирует её в формат GGUF для локального инференса в llama.vim/llama.vscode. Поддержка Mac (MPS) и NVIDIA GPU (CUDA), опционально Unsloth для ускорения и снижения VRAM. Чтобы попробовать: установить `uv tool install codefinetuner`, разместить репозиторий в папке data, выбрать автоматическое или ручное разбиение, скачать конфиг `codefinetuner_config.yaml` через curl, при необходимости скорректировать под оборудование и запустить `codefinetuner --config="codefinetuner_config.yaml"`. Тесты в репозитории показывают явный рост метрик по сравнению с базовой моделью, однако эффективность в реальном автодополнении в редакторе ещё требует проверки. Проект доступен на GitHub: https://github.com/cuolm/codefinetuner

⚡ AI‑центры переходят на паровые котлы и турбины AI‑центры, обслуживающие вычислительные нагрузки, начали использовать промышленные котлы и паровые турбины вместо газовых турбин. 🚀 Заказанные газовые турбины теперь ожидаются к поставке только в 2032 году, поэтому компании выбирают готовые котлы и турбины, которые могут быть введены в эксплуатацию быстрее и уже проверены в работе. Пакетные решения позволяют обеспечить стабильную мощность без длительных сроков разработки и монтажа.

🤖 Повстанцы использовали ИИ Anthropic для разработки управляемого оружия Согласно полученному отчёту, вооружённые группы применили чат‑бот Anthropic в процессе создания направляемых боеприпасов. В документе указано, что искусственный интеллект использовался для проектирования и оптимизации систем наведения, однако детали разработки не раскрываются.

💾 Экономия 79 ГБ VRAM на мульти‑модельном агенте Запуск локального мульти‑модального агента (LLM + STT + TTS + OCR) на одной рабочей станции требовал около 122 ГБ простоя VRAM до первого запроса. Это связано с тем, что среды вроде SGLang резервируют большую часть памяти под KV‑пулы (до 85 %), а вспомогательные модели держат полностью выделенные буферы. Для личного агента не требуется одновременная работа всех моделей: голосовой диалог использует только STT и TTS, чтение визуального документа — OCR и LLM, а скриптовая автоматизация может обходиться без LLM. Был создан небольшой контроллер на Rust, который переводит модели в режим сна после завершения их задачи, очищая буферы и KV‑пулы, но оставляя процесс и базовые веса в памяти. Результаты на GPU: - Qwen3.8‑27B: с 87 443 MiB до 39 092 MiB (сэкономлено 48 351 MiB) - Nemotron (STT): с 10 385 MiB до 267 MiB (сэкономлено 10 118 MiB) - Chatterbox (TTS): с 17 947 MiB до 3 127 MiB (сэкономлено 14 820 MiB) - Unlimited‑OCR: с 6 592 MiB до 422 MiB (сэкономлено 6 170 MiB) Всего освобождено 79 459 MiB (почти 80 ГБ). Время «пробуждения» каждой модели составляет менее 200 мс, а базовый след LLM в режиме покоя — 39 092 MiB, что соответствует только весам модели без статической KV‑резерву.